wodertianna的博客

原创 Python输出数据框数据到本地，Excel/csv格式

【代码】Python输出数据框数据到本地，Excel/csv格式。

原创 六种数据标准化方法的使用场景、优缺点、计算公式对比

原创 matlab基础操作（九）

三维线图指令plot3：三维绘图指令中，plot3最易于理解，它的使用格式与plot十分相似，只是对应第三位空间的参量。计算函数在自变量采样“格点”上的函数值，即z=f(x,y)。%计算格点上的函数值。>> legend('链','宝石')

原创 matlab基础操作（八）

> legend('\fontsize{6}第一产业','\fontsize{6}第二产业','\fontsize{6}第三产业');>> legend('\fontsize{6}第一产业','\fontsize{6}第二产业','\fontsize{6}第三产业');>> legend('\fontsize{6}第一产业','\fontsize{6}第二产业','\fontsize{6}第三产业');%纵、横坐标等长刻度。（累计式直方图一（竖着））（分组式直方图一（竖着））（分组式直方图二（横着））

原创 matlab基础操作（七）

用归一化的标称单位，即认为整个图形窗口绘图区域的高、宽的取值范围都是[0,1],而左下角为(0,0)坐标。

原创 python数据框操作，修改数据框列名

【代码】python数据框操作，修改数据框列名。

原创 Python 之Scikit-learn（七） -- Scikit-learn 中的不同度量指标详细介绍

Scikit-learn 提供了多种度量指标（metrics）来评估分类、回归、聚类等机器学习任务的性能。这些度量指标有助于判断模型的表现和优化模型参数。下面将详细介绍一些常用的度量指标及其适用情况。

原创 Python 之Scikit-learn（六） -- Scikit-learn提供的独热编码

独热编码（One-Hot Encoding）是一种常用的将分类数据转换为数值数据的技术。Scikit-learn 提供了类来方便地进行独热编码。下面是独热编码的原理、适用情况以及使用 Scikit-learn 进行独热编码的详细介绍和示例代码。

原创 Python 之Scikit-learn（五） -- Scikit-learn提供的数据集及其详细介绍

Scikit-learn库中包含了一些内置的标准数据集，这些数据集通常用于学习、测试和验证机器学习算法。以下是一些常见的Scikit-learn内置数据集及其详细介绍，以及如何获取这些数据的方法。

原创 Python 之Scikit-learn（四） -- 使用Scikit-learn进行缺失值填补

在数据分析和机器学习任务中，处理缺失值是数据预处理的关键步骤之一。Scikit-learn提供了类来方便地进行缺失值填补。

原创 Python 之Scikit-learn（三） -- 使用Scikit-learn进行数据归一化

在机器学习中，数据归一化是一项重要的预处理步骤。归一化（Normalization）是将数据缩放到特定的范围（通常是0到1之间），以确保所有特征具有相同的尺度。这可以提高某些机器学习算法的性能和稳定性。Scikit-learn提供了一个简单易用的工具来进行数据归一化，即。

原创 Python 之Scikit-learn（二） -- Scikit-learn标准化数据

在机器学习中，数据标准化是一项关键的预处理步骤。标准化（Standardization）是将数据转换为具有均值为0和标准差为1的分布。这样可以确保特征在相同的尺度上，有助于提升某些机器学习算法的性能和稳定性。Scikit-learn提供了一个简单易用的工具来进行数据标准化，即。

原创 Python 之Scikit-learn（一） -- 什么是Scikit-learn？

Scikit-learn是一个基于Python的开源机器学习库，它建立在NumPy、SciPy和matplotlib之上，为各种机器学习和数据挖掘任务提供了简单高效的工具。其设计目标是通过一致和简单的API，使机器学习算法在科研和工业界都能方便地使用和应用。

原创 matlab基础操作(六)

（3）plot(x1,y1,x2,y2,...)，绘制以x1为横坐标、y1为纵坐标的曲线1，以x2为横坐标、y2为纵坐标的曲线2，等等。Exam：绘制曲线x=tcos(3t)、y=t(sint)^2,-π≤t≤π。（1）plot(x)，x为向量时，以该元素的下标为横坐标、元素值为纵坐标绘出曲线。Exam：在[0,2π]区间内，绘制曲线2e^-0.5xsin(2πx)。（2）plot(x,y),x、y为同维数组时，绘制以x、y元素为横纵坐标的曲线。

原创 matlab基础操作（五）

> student=struct('name',{'张婷说','张延安'},'scores',{[50 60],[60 70]});>> student(2)=struct('name','张延安','scores',[60 70]);>> student=struct('name','张听说','scores',[50 60]);%加入scores字段。>> e=b{1,2}(3,1)%读取b{1,2}的第3行、第1列的数据。>> b,d=b{1,2}%读取b元胞数组的第1行、第2列元胞的内容。

原创 【无标题】matlab基础操作（四）

> a([2 5])=[1 1]%可以修改指定数组元素的值，一次可以修改多个数组元素的值，要修改的数组元素的个数应与送入数组的元素个数相同。>> a(3:end)%第3个元素及其后的所有元素构成的子数组，end作为参数使用，返回最后一个元素的下标。>> a([1 2 3 5 5 3 2 1])%数组元素可以被任意重复访问，构成长度大于原数组的新数组。>> str3=[str1 str2]%直接连接str1及str2,进而建立str3。>> a([1 2 5])%寻访a的第1、2、5个元素组成的子数组。

原创 MATLAB基础操作(三)

当dim等于2时，返回一个列向量，其第i个元素是A的第i行的各元素乘积；当dim为2时，返回一个列向量，其第i个元素是A的第i行的中值；当dim为2时，返回一个列向量，其第i个元素是A的第i行的算术平均值；当dim为2时，返回一个列向量，其第i个元素是A的第i行的各元素之和；mean（A）：返回一个行向量，其第i个元素是A的第i列的算术平均值；prod（A）：返回一个行向量，其第i个元素是A的第i列的元素乘积；median（A）：返回一个行向量，其第i个元素是A的第i列的中值；

原创 MATLAB基础操作(二)

19.生成一个信号x=sin(2*pi*t)+sin(4*pi*t)11.求方程2x^5-3x^3+71x^2-9x+13=0的全部跟。>> p1=polyfit(x,y,1)%一次多项式拟合。>> p3=polyfit(x,y,3)%三次多项式拟合。18.画出y=1/(x+1)的函数曲线，x∈[0,100]>> P=rem(A,3)==0%被3整除，求余。>> b=[2,4,23]%建立列向量b。14.多项式曲线拟合。

原创 MATLAB基础命令操作（一）

5.who、whos命令用来清除工作空间的变量。在命令窗口执行quit或exit命令。7.dir显示当前工作目录的文件和子目录清单。6.clear命令用来清除工作空间的变量。10.help或doc获取在线帮助。4.clc清除窗口显示内容的命令。9.type显示指定m文件的内容。8.cd显示或设置当前工作目录。关闭MATLAB桌面。2.开平方-sqrt（x）3.指数函数exp(x)1.退出MATLAB。

原创 Python数据框操作 -- 删除数据（去除空值或者特定值）

数据框空值处理和删除数据

原创 Python字符串操作 -- 删去括号中的内容（对一列数据批量操作）

对字符串删去字符串中括号内的内容。

原创 Python数据框/列表生成一列多个同样的数值（或字符串）代码

Python生成多个重复的元素

原创 2023年亚太杯A题：果园采摘机器人的图像识别，一二题（题目代码及结果）

2023亚太杯数学建模竞赛（亚太赛A题12题完整代码与结果）

原创 时间序列分析方法之 -- 乘法季节性分解（Multiplicative Seasonal Decomposition）原理及python代码示例

乘法季节性分解是一种有效的时间序列分析技术，适用于具有乘法关系和显著季节性模式的数据。通过将时间序列分解成趋势、季节性和随机成分，可以更好地理解数据的内在结构和变化规律。乘法季节性分解是一种时间序列分析技术，用于将时间序列分解成趋势、季节性和随机成分（残差）。库方便地对时间序列进行乘法季节性分解，并结合可视化工具分析各个成分的特征和变化趋势。通过这种方式，乘法季节性分解假设季节性变化和随机波动是相对于趋势的比例变化。通过可视化分解结果，我们可以清晰地看到时间序列中的各个成分及其变化趋势。

原创 时间序列分析方法之 -- 长短期记忆网络（LSTM）原理及Python代码示例

长短期记忆网络（LSTM）是解决长序列数据中梯度消失和梯度爆炸问题的一种强大工具。长短期记忆网络（LSTM，Long Short-Term Memory Networks）是一种特殊的递归神经网络（RNN），设计用于克服传统RNN在处理长序列数据时的梯度消失和梯度爆炸问题。每个LSTM单元包含一个细胞状态（Cell State），用于存储长期信息，通过这些门控机制来更新和维护细胞状态。通过上述代码示例，可以看出如何利用LSTM模型进行时间序列预测，并且可以根据需要调整模型结构和参数来优化预测效果。

原创 时间序列分析方法之 -- 指数平滑（Exponential Smoothing）原理及Python代码示例

原理指数平滑（Exponential Smoothing）是一种用于时间序列分析和预测的平滑技术。与简单移动平均（SMA）和加权移动平均（WMA）不同，指数平滑通过对最新的数据点赋予更大的权重，从而对最新的变化更加敏感。它的基本思想是使用指数加权平均对时间序列数据进行平滑，权重随时间指数衰减。​​​​​​​其中，​ 是时间 ttt 的趋势值， β 是趋势平滑系数。​​其中，是时间 ttt 的季节性值， γ是季节性平滑系数， L是季节周期长度。适用情况Python 示例代码。

原创 时间序列分析方法之 -- 自回归移动平均模型（Autoregressive Moving Average, ARMA）原理及Python代码示例

自回归移动平均模型（ARMA）是一种有效的时间序列分析和预测方法，通过结合自回归和移动平均两种模型的优势，可以更好地捕捉时间序列的动态特征。通过选择合适的模型阶数，可以显著提高预测的准确性。在实践中，结合数据的具体特征和目标需求，调整模型参数以获得更好的预测效果。自回归移动平均模型（Autoregressive Moving Average, ARMA）是一种结合了自回归（AR）模型和移动平均（MA）模型的时间序列分析模型。ARMA 模型将时间序列的当前值表示为其过去值和过去预测误差的线性组合。

原创 时间序列分析方法之 -- 自回归积分移动平均模型（Autoregressive Integrated Moving Average, ARIMA）原理及python代码示例

自回归积分移动平均模型（ARIMA）是一种有效的时间序列分析和预测方法，通过结合自回归、差分和移动平均三种模型的优势，可以更好地捕捉时间序列的动态特征。在实践中，结合数据的具体特征和目标需求，调整模型参数以获得更好的预测效果。自回归积分移动平均模型（Autoregressive Integrated Moving Average, ARIMA）是时间序列分析中的一种广泛应用的模型。ARIMA 模型结合了自回归（AR）、差分（I）和移动平均（MA）三种模型的特点，适用于非平稳时间序列的数据建模和预测。

原创 时间序列分析方法之 -- 季节性自回归积分移动平均模型（Seasonal ARIMA, SARIMA）原理及python代码

季节性自回归积分移动平均模型（SARIMA）是处理具有季节性模式的时间序列数据的一种有效方法。通过结合自回归、差分、移动平均和季节性成分，SARIMA 模型可以捕捉时间序列中的复杂动态特征，特别是季节性变化。季节性自回归积分移动平均模型（Seasonal ARIMA, SARIMA）是时间序列分析中处理季节性数据的一种重要方法。通过这种表示形式，SARIMA 模型可以同时处理时间序列中的非季节性和季节性成分，使得模型更适用于有明显季节性变化的时间序列数据。

原创 时间序列分析方法之 -- 自回归模型（Autoregressive Model, AR）原理及Python代码示例

通过选择合适的模型阶数，自回归模型可以捕捉时间序列的动态特征，为实际应用中的时间序列数据提供有价值的洞察和预测。自回归模型（Autoregressive Model, AR）是一种时间序列模型，用于描述一个时间序列的当前值与其过去值之间的关系。自回归模型假设时间序列的当前值是其过去若干值的线性组合，并且这些值之间的关系可以通过模型参数来描述。自回归模型的一般形式为 AR(p)，其中 p 表示自回归模型的阶数，即使用的过去值的数量。以下是使用 Python 实现自回归模型的示例代码，利用。

原创 时间序列分析方法之 -- 移动平均（Moving Average）原理及Python代码示例

根据取平均值的方式不同，移动平均可以分为简单移动平均（Simple Moving Average, SMA）、加权移动平均（Weighted Moving Average, WMA）和指数移动平均（Exponential Moving Average, EMA）等。加权移动平均和指数移动平均则适合对最新数据点赋予更高权重，从而对变化更为敏感。指数移动平均是一种递归计算的移动平均方法，其特点是对最新数据点赋予更大的权重。简单移动平均是最基本的移动平均方法，其计算方式是取指定窗口内的数据点的简单平均值。

原创 机器学习原理之 -- 逻辑回归分类：由来及原理详解

随后，在1944年，Joseph Berkson引入了“逻辑回归”一词，并系统地阐述了这一模型的基本思想。逻辑回归模型在20世纪中后期得到了进一步的发展和广泛应用，特别是在医学、生物统计和社会科学等领域。逻辑回归（Logistic Regression）是一种广泛应用于二分类问题的统计模型。其基本思想是通过逻辑函数（logistic function），将线性回归模型的输出值映射到0和1之间，从而解决分类问题。逻辑函数的图像呈S型曲线，能够将任意实数值映射到0和1之间，这使得它非常适合用于分类任务。

原创 常见的Python编程题目及其代码（十六）--76. 找到列表中所有的质数 77. 计算字符串中的单词数（包含连字符） 78. 生成一个包含n个元素的斐波那契数列 79.检查列表是否包含重复元素

【代码】常见的Python编程题目及其代码（十六）--76. 找到列表中所有的质数 77. 计算字符串中的单词数（包含连字符） 78. 生成一个包含n个元素的斐波那契数列 79.检查列表是否包含重复元素。

原创 常见的Python编程题目及其代码（十五）--71. 找到两个列表的对称差集 72. 检查字符串是否是回文（忽略大小写） 73. 找到列表中第二小的元素 74. 计算字符串中的大写字母数

【代码】常见的Python编程题目及其代码（十五）--71. 找到两个列表的对称差集 72. 检查字符串是否是回文（忽略大小写） 73. 找到列表中第二小的元素 74. 计算字符串中的大写字母数。

原创 常见的Python编程题目及其代码（十四）--66. 计算列表中元素的平均值 67. 找到列表中的所有偶数 68. 找到列表中的所有奇数 69. 合并两个列表并去重 70. 找到两个列表的差集

【代码】常见的Python编程题目及其代码（十四）--66. 计算列表中元素的平均值 67. 找到列表中的所有偶数 68. 找到列表中的所有奇数 69. 合并两个列表并去重 70. 找到两个列表的差集。

原创 常见的Python编程题目及其代码（十三）--61. 计算列表中偶数的数量 62. 计算列表中奇数的数量 63. 找到字符串中的所有数字 64. 将字符串中的所有大写字母

【代码】常见的Python编程题目及其代码（十三）--61. 计算列表中偶数的数量 62. 计算列表中奇数的数量 63. 找到字符串中的所有数字 64. 将字符串中的所有大写字母。

原创 常见的Python编程题目及其代码（十二）-- 56. 检查字符串是否只包含数字57. 找到列表中出现次数最多的元素58. 计算字符串中的元音数59. 计算字符串中的辅音数60. 找到字符串中的最长单

【代码】常见的Python编程题目及其代码（十二）-- 56. 检查字符串是否只包含数字57. 找到列表中出现次数最多的元素58. 计算字符串中的元音数59. 计算字符串中的辅音数60. 找到字符串中的最长单。

原创 时间序列分析方法汇总对比及优缺点和适用情况（下）-- 11. 卡尔曼滤波 12. 广义自回归条件异方差模型 13. 贝叶斯结构时间序列模型 14. 动态因子模型 15. 隐马尔科夫模型

时间序列分析是处理和分析时间序列数据的统计技术和方法，主要用于理解时间序列的特征，并通过模型预测未来值。以下是一些常用的时间序列分析方法：

原创 常见的Python编程题目及其代码（十一）-- 51. 检查列表是否是升序排列的 52. 找到列表中的第二大元素 53. 反转列表 54. 计算两个数的最大公约数 55. 计算两个数的最小公倍数

【代码】常见的Python编程题目及其代码（十一）-- 51. 检查列表是否是升序排列的 52. 找到列表中的第二大元素 53. 反转列表 54. 计算两个数的最大公约数 55. 计算两个数的最小公倍数。

原创 常见的Python编程题目及其代码（十）-- 46. 检查两个字符串是否是字母异位词 47. 计算一个数的阶乘 48. 生成一个包含前n个素数的列表 49. 检查一个数是否为回文

【代码】常见的Python编程题目及其代码（十）-- 46. 检查两个字符串是否是字母异位词 47. 计算一个数的阶乘 48. 生成一个包含前n个素数的列表 49. 检查一个数是否为回文。