weixin_43292788的博客

火星探测器着陆控制方案本题聚焦于探测器从火星同步轨道出发到探测器在火星地表上方悬停的过程（以下简称着陆过程），要求参赛队收集有关天问一号探测器的音像和文字等公开资料，建立数学模型，研究如下问题：确定探测器着陆过程时间最短的操控方案（包括环绕器与着陆巡视器分离、阻尼伞打开、发动机系统点火等时间，以及发动机系统运行方案）；对给定的着陆过程时间，确定消耗能量最少的操控方案；如果希望探测器着陆过程与公开的音像和文字资料尽量一致，如何设计操控方案相关数据及数据分析火星着陆器开伞条件均为超声

import scipy.miscimport matplotlib.pyplot as pltimport numpy as npface = scipy.misc.face()xmax = face.shape[0]ymax = face.shape[1]face = face[:min(xmax,ymax),:min(xmax,ymax)]#在对角线上画点。#这类似于花式索引，不过这里选择的是照片对角线上可以被4整除的那些位置上的点def get_indices(size):arr

下面利用ix_()函数将莱娜照片中的像素完全打乱。import scipy.miscimport matplotlib.pyplot as pltimport numpy as npface = scipy.misc.face()xmax = face.shape[0]ymax = face.shape[1]#1.打乱数组的索引#我们用numpy.random子程序包中的shuffle()函数把数组中的元素按随机的索引号重新排列，使得数组产生相应的变化。def shuffle_indice

花式索引是一种传统的索引方法，它不使用整数或者切片。这里，我们将利用花式索引把莱娜照片对角线上的值全部设置为0，相当于沿着两条交叉的对角线画两条线。import scipy.miscimport matplotlib.pyplot as pltface = scipy.misc.face()xmax = face.shape[0]ymax = face.shape[1]face = face[:min(xmax,ymax),:min(xmax,ymax)]xmax = face.shape[0

2020年第十届亚太地区大学生数学建模竞赛比赛时间为11月26日至11月30日一等奖占5%，二等奖占15%，三等奖占25%，本人不才，一次二等奖，一次一等奖，在校参加数学建模比赛十余次，具有相当丰富的经验，建模小白可以让你拿个三等奖，对算法和数据处理有理解，会文字编辑的可以帮您获得至少二等奖。掌握技巧是关键不会用python数据处理的可以看我博客学习，博客会定时更新，且更新速度会很快。由于在数学建模竞赛中，模型的构建，数据的分析及预测是重中之重，因此即使我们算法不能每个都融会贯通，但至少每个类型的

从深度看，数组既可以横向叠放，也可以竖向叠放。为此，可以使用vstack()、dstack()、hstack()、column_stack()、row_stack()和concatenate()等函数。水平叠加：先介绍水平叠加方式，即用元组确定ndarrays数组的形状，然后交给hstack()函数来码放这些数组。垂直叠加：使用垂直叠加方法时，先要构建一个元组，然后将这些元组交给vstack()函数来码放数组。当参数axis设置为0时，concatenate()函数也会的带同样的效果。实际上，这是该参

一维数组的切片与索引一维Numpy数组的切片操作与python列表的切片一样。处理数据形状拆解：可以用ravel()函数将多维数组变成一维数组拉直：flatten()函数的名字取得非常贴切，其功能与ravel()相同。可是，flatten()返回的是真是的数组，需要分配新的内存空间；而ravel()函数返回的只是数组的视图。这意味着，我们直接操作数据。用元组指定数组形状：除reshape()函数外，还可以用元组来轻松定义数组的形状转置：在线性代数中，矩阵的转置操作非常常见。转置是一种数据

NumPy提供了一个名为ndarray的多维数组对象。NumPy数组是具有固定大小的类型化数组。Python的列表是异构的，因此列表的元素可以包含任何对象类型，而Numpy数组是同质的，只能存放同种类型的对象。数组由两部分组成，分别如下。●存储在连续的内存块中的实际数据●描述实际数据的元数据实际数据存储在连续的内存块中，因此当大型数据集作为narray进行加载时，我们就要看有没有足够多的连续内存块了。NumPy中的大部分数组方法和函数都不会直接修改实际数据，而只能修改元数据。NumPy数组的优势N

#通过Matplotlib实现数据的可视化#将sklearn库安装到要提供加载数据的地方$ pip3 install scikit-learnfrom sklearn.datasets import load_irisfrom sklearn.datasets import load_boston#然后，导入Matplotlib绘图模块from matplotlib import pyplot as plt%matplotlib inline#加载iris数据集，显示数据集的相关描述，同时将

数据的加载和分割#为了方便学习，我们使用Scikit-learn机器学习模块自带的数据集进行数据的加载练习。#Scikit-learn机器学习模块提供了一些自带的数据集。#第一步 启动一个Python解释器，然后加载iris和digits数据集。#导入数据集模块from sklearn import datasets#分别加载iris和digits数据集iris = datasets.load_iris()digits = datasets.load_digits()#数据集是一个类似字典

统计学与数据挖掘统计学是关于认识客观现象总体数量特征和数量关系的科学。它是通过搜集、整理和分析统计资料认识客观现象数量规律性的方法论科学。由于统计学的定量研究具有客观、准确和可检验的特点，所以统计方法就成为实证研究的最重要的方法，并被广泛应用与自然、社会、经济、科技等各个领域的分析中。当我们使用统计学进行数据挖掘时，统计学的方法可用于汇总或描述数据集，也可用于验证数据挖掘结果。统计学是以某种方式模拟数据，解释数据的随机性和确定性，并用于提取观察到的结论，如果结果不可能随即发生，则说明它具有统计学意义。

机器学习的含义机器学习的目标是从经验数据中推导出规律，并将这种规律应用于新的数据中。我们把机器从经验数据中推导并找到规律的这一过程称为“学习”，并将规律应用与新数据这一过程称为“预测”，其中的规律称为“模型”。机器学习处理的问题1.监督学习监督学习事直通过设置所谓的“正确答案”教会机器如何学习，其中的数据带有类别标记（正确答案），即我们想要预测的结果值，包括下面介绍的内容。(1)分类分类的经验数据属于两个或更多个标记类别，我们想从已经标记的数据中学习如何预测未标记数据的类别。分类问题的一个例子是

假设我们现在又一些电话服务热线数据，记录的是用户拨打某市电话服务热线的地点、内容、时间等数据，下面Pandas对其分析，原始数据集311-service-requests.csv可以直接找我要。import pandas as pdimport matplotlib.pyplot as plt#第一步 导入Pandas并准备画图环境complaints = pd.read_csv(‘311-service-requests.csv’)#第二步 查看数据列属性complaints[:0]#第