wmoxie的博客

决策树初学from sklearn.tree import DecisionTreeClassifier as DTCfrom sklearn.datasets import load_winefrom sklearn.model_selection import train_test_splitwine = load_wine()x_train,x_test,y_train,y_test = train_test_split(wine.data,wine.target,test_size=0.

逻辑回归初学老规矩，导入库from sklearn.linear_model import LogisticRegression as LRimport numpy as npfrom matplotlib import pyplot as pltfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import accuracy_scorefrom sklearn.datasets import lo

逻辑回归初学老规矩，导入库from sklearn.linear_model import LogisticRegression as LRimport numpy as npfrom matplotlib import pyplot as pltfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import accuracy_scorefrom sklearn.datasets import lo

多元线性回归初学导入库from sklearn.linear_model import LinearRegression as LRfrom sklearn.model_selection import train_test_splitfrom sklearn.datasets import fetch_california_housing as fchimport pandas as pdimport numpy as npfrom matplotlib import pyplot as p

线性回归初学导入库import pandas as pdimport numpy as npfrom matplotlib import pyplot as plt开始操作x = np.array([1,2,3])y = np.array([4,5,6])xarray([1, 2, 3])#laterx = np.array([1,2,3]).reshape(-1,1)y = np.array([4,5,6]).reshape(-1,1)xarray([[1],[2],

数据规约初学库的导入import numpy as npimport pandas as pdfrom matplotlib import pyplot as pltplt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus']=False成绩分级练习score = pd.read_excel('./在线考试成绩.xls')score.head()分级final = pd.cut(score[

导入相关函数库import numpy as npimport pandas as pdimport matplotlib.pylab as pltplt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签plt.rcParams['axes.unicode_minus']=False #用来正常显示负号导入数据use_basicinf = pd.read_csv('./附件3：用户基本信息.csv',encoding = 'gbk')us

import numpy as npimport pandas as pdfrom matplotlib import pyplot as pltplt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签plt.rcParams['axes.unicode_minus']=False #用来正常显示负号分布分析score = pd.read_csv('./score.csv')score.head()x = [0,60,70,80,90

导入相应库和数据import pandas as pdsale = pd.read_excel("./catering_sale.xls")查看数据sale开始处理pd.notnull(sale["销量"]).value_counts()sale["销量"].fillna(sale["销量"].mean()) #找到空行，T为转置，即行与列交换位置sale[sale.isnull().T.any()]#为什么转置，可查看sale.isnull().any()与sale.isnul

为什么要学习pandas问题来了：numpy已经能够帮助我们处理数据，能够结合matplotlib解决我们数据分析的问题，那么pandas学习的目的在什么地方呢？numpy能够帮我们处理处理数值型数据，但是这还不够很多时候，我们的数据除了数值之外，还有字符串，还有时间序列等比如：我们通过爬虫获取到了存储在数据库中的数据比如：之前youtube的例子中除了数值之外还有国家的信息，视频的分类(tag)信息，标题信息等所以，numpy能够帮助我们处理数值，但是pandas除了处理数值之外(基于nump

为什么要学习numpy?快速方便科学计算的基础库什么是numpy?一个在Python中做科学计算的基础库，重在数值计算，也是大部分PYTHON科学计算库的基础库，多用于在大型、多维数组上执行数值运算numpy中常见的数据类型数组的形状numpy更多好用的方法获取最大值最小值的位置np.argmax(t,axis=0)np.argmin(t,axis=1)创建一个全0的数组: np.zeros((3,4))创建一个全1的数组:np.ones((3,4))创建一个对角线为1的正

matplotlib初学首先思考一个问题：matplotlib只能绘制折线图么?其实并不是的；matplotlib能够绘制折线图,散点图,柱状图,直方图,箱线图,饼图等；但是,我们需要知道不同的统计图到底能够表示出什么,以此来决定选择哪种统计图来更直观的呈现我们的数据。我们用一个简单的实例来引出matplotlib你获取到了2019年内地电影票房前20的电影(列表a)和电影票房数据(列表b),那么如何更加直观的展示该数据?a =[“哪吒之魔童降世”,“流浪地球”,“复仇者联盟4：终局之战”,