<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[xzfreewind的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/xzfreewind</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; xzfreewind]]></copyright><item><title><![CDATA[python 利用pandas将arff文件转csv文件]]></title><link>https://blog.youkuaiyun.com/xzfreewind/article/details/79587726</link><guid>https://blog.youkuaiyun.com/xzfreewind/article/details/79587726</guid><author>xzfreewind</author><pubDate>Fri, 16 Mar 2018 22:27:25 +0800</pubDate><description><![CDATA[直接贴代码啦：



#coding=utf-8
import pandas as pd

def arff_to_csv(fpath):
    #读取arff数据
    if fpath.find('.arff') &amp;lt;0:
        print('the file is nott .arff file')
        return
    f = open(fpath)
  ...]]></description><category></category></item><item><title><![CDATA[数据处理之python常用技术小结]]></title><link>https://blog.youkuaiyun.com/xzfreewind/article/details/78939165</link><guid>https://blog.youkuaiyun.com/xzfreewind/article/details/78939165</guid><author>xzfreewind</author><pubDate>Sat, 30 Dec 2017 20:21:50 +0800</pubDate><description><![CDATA[在数据预处理的过程中经常会使用python这个工具，想来每次处理新数据时总会因不同的需求而求助谷歌、百度来实现基础的数据处理操作（囧…），遂写此博文贡自己日后参考，也希望能给进来浏览的小伙伴或多或少帮助，持续更新~]]></description><category></category></item><item><title><![CDATA[开发一个坐标计算工具， A表示向左移动，D表示向右移动，W表示向上移动，S表示向下移动。从（0,0）点开始移动，从输入字符串里面读取一些坐标，并将最终输入结果输出到输出文件里面。]]></title><link>https://blog.youkuaiyun.com/xzfreewind/article/details/77799659</link><guid>https://blog.youkuaiyun.com/xzfreewind/article/details/77799659</guid><author>xzfreewind</author><pubDate>Sat, 02 Sep 2017 10:40:35 +0800</pubDate><description><![CDATA[开发一个坐标计算工具， A表示向左移动，D表示向右移动，W表示向上移动，S表示向下移动。从（0,0）点开始移动，从输入字符串里面读取一些坐标，并将最终输入结果输出到输出文件里面。输入：合法坐标为A(或者D或者W或者S) + 数字（两位以内） 
坐标之间以;分隔。  
非法坐标点需要进行丢弃。如AA10;  A1A;  %;  YAD; 等。  
下面是一个简单的例子 如：A10;S20;W10;D3]]></description><category></category></item><item><title><![CDATA[聚类方法之DBSCAN]]></title><link>https://blog.youkuaiyun.com/xzfreewind/article/details/77116346</link><guid>https://blog.youkuaiyun.com/xzfreewind/article/details/77116346</guid><author>xzfreewind</author><pubDate>Sat, 12 Aug 2017 14:50:26 +0800</pubDate><description><![CDATA[算法思想DBSCAN是一种基于密度的聚类方法，其思想是根据样本间的紧密程度来对簇进行划分。DBSCAN的样本点一般被分为三类： 
1.核心点: 
在半径Eps内含有超过MinPts数目的点 
2.边界点: 
在半径Eps内含有的点不超过MinPts,但是落在核心点领域内的点 
3.噪声点: 
既不是核心点也不是噪声点的点。 
这里有两个参数需要人为指定：半径长度Eps 和 点的数据MinPts]]></description><category></category></item><item><title><![CDATA[数据预处理之特征选择]]></title><link>https://blog.youkuaiyun.com/xzfreewind/article/details/77103467</link><guid>https://blog.youkuaiyun.com/xzfreewind/article/details/77103467</guid><author>xzfreewind</author><pubDate>Fri, 11 Aug 2017 21:32:11 +0800</pubDate><description><![CDATA[特征选择的意义在对数据进行异常值、缺失值、数据转换等处理后，我们需要从当前数据集中选出有意义的特征，然后输入到算法模型中进行训练。对数据集进行特征选择主要基于以下几方面的考虑：1.冗余的特征会影响阻碍模型找寻数据潜在的规律，若冗余的特征过多，还会造成维度容灾，占用大量的时间空间，使算法运行效率大打折扣。2.去除不相关的特征会降低学习任务的难度，保留关键的特征更能直观的看出数据潜在的规律。]]></description><category></category></item><item><title><![CDATA[数据预处理之数据离散化]]></title><link>https://blog.youkuaiyun.com/xzfreewind/article/details/77102835</link><guid>https://blog.youkuaiyun.com/xzfreewind/article/details/77102835</guid><author>xzfreewind</author><pubDate>Fri, 11 Aug 2017 20:23:30 +0800</pubDate><description><![CDATA[数据离散化的意义数据离散化是指将连续的数据进行分段，使其变为一段段离散化的区间。分段的原则有基于等距离、等频率或优化的方法。数据离散化的原因主要有以下几点：1**.算法需要：**比如决策树、朴素贝叶斯等算法，都是基于离散型的数据展开的。如果要使用该类算法，必须将离散型的数据进行。有效的离散化能减小算法的时间和空间开销，提高系统对样本的分类聚类能力和抗噪声能力。]]></description><category></category></item><item><title><![CDATA[数据预处理之数据标准化]]></title><link>https://blog.youkuaiyun.com/xzfreewind/article/details/77102555</link><guid>https://blog.youkuaiyun.com/xzfreewind/article/details/77102555</guid><author>xzfreewind</author><pubDate>Fri, 11 Aug 2017 19:45:07 +0800</pubDate><description><![CDATA[数据标准化的意义在对数据集建模前，常常要对数据的某一特征或几个特征进行规范化处理，其目的在于将特征值归一到同一个维度，消除比重不平衡的问题。常用的标准化方法有 最大-最小标准化、零-均值标准化 和 小数定标标准化。]]></description><category></category></item><item><title><![CDATA[数据预处理之异常值处理]]></title><link>https://blog.youkuaiyun.com/xzfreewind/article/details/77014587</link><guid>https://blog.youkuaiyun.com/xzfreewind/article/details/77014587</guid><author>xzfreewind</author><pubDate>Wed, 09 Aug 2017 19:53:51 +0800</pubDate><description><![CDATA[异常值，即在数据集中存在不合理的值，又称离群点。比如年龄为-1，笔记本电脑重量为1吨等，都属于异常值的范围。从集合角度来看，异常值即离群点]]></description><category></category></item><item><title><![CDATA[数据挖掘之建模过程]]></title><link>https://blog.youkuaiyun.com/xzfreewind/article/details/77009644</link><guid>https://blog.youkuaiyun.com/xzfreewind/article/details/77009644</guid><author>xzfreewind</author><pubDate>Wed, 09 Aug 2017 18:48:04 +0800</pubDate><description><![CDATA[数据挖掘建模过程]]></description><category></category></item><item><title><![CDATA[数据预处理之缺失值处理]]></title><link>https://blog.youkuaiyun.com/xzfreewind/article/details/77001293</link><guid>https://blog.youkuaiyun.com/xzfreewind/article/details/77001293</guid><author>xzfreewind</author><pubDate>Wed, 09 Aug 2017 16:37:18 +0800</pubDate><description><![CDATA[缺失值产生原因数据集中部分数据的缺失是一件很头疼的事情，不但增大了数据集的不确定性，也影响了算法的执行。缺失值产生的原因主要有以下几点： 
1.有些信息暂时无法获取，或获取信息的成本过高 
2.信息遗漏，即人为的原因，如收集信息不认真、忘记填写信息等 
3.缺失值本身就不存在，比如单身狗的女朋友缺失值的影响1.数据集丢失了大量的信息 
2.数据集表现出的不确定性增大，使得获取数据潜在规律的难度加大]]></description><category></category></item><item><title><![CDATA[浅谈knn（k近邻）算法]]></title><link>https://blog.youkuaiyun.com/xzfreewind/article/details/76759526</link><guid>https://blog.youkuaiyun.com/xzfreewind/article/details/76759526</guid><author>xzfreewind</author><pubDate>Sun, 06 Aug 2017 11:09:34 +0800</pubDate><description><![CDATA[概述K近邻算法是一种懒惰算法，即没有对数据集进行训练的过程，其模型的三个要素：距离度量、k值的选择和分类决策规则决定。K近邻的思想很简单，即在一个数据集上，给定一个新样本，找到与新样本距离最近的k个实例，在这些实例中属于多数的类即为这个新样本的类。]]></description><category></category></item><item><title><![CDATA[浅谈感知机算法]]></title><link>https://blog.youkuaiyun.com/xzfreewind/article/details/76749383</link><guid>https://blog.youkuaiyun.com/xzfreewind/article/details/76749383</guid><author>xzfreewind</author><pubDate>Sun, 06 Aug 2017 10:17:51 +0800</pubDate><description><![CDATA[感知机是一种二分类算法，其输入的实例为一特征向量，输出的实例的实例类别只有+1，-1两个值。 
感知机属于线性分类模型，是判别模型的一种。其原理是，通过训练集求出一个分离超平面，将正负样本进行分离。]]></description><category></category></item><item><title><![CDATA[从基础出发：统计学习方法三要素]]></title><link>https://blog.youkuaiyun.com/xzfreewind/article/details/76734390</link><guid>https://blog.youkuaiyun.com/xzfreewind/article/details/76734390</guid><author>xzfreewind</author><pubDate>Sat, 05 Aug 2017 19:52:55 +0800</pubDate><description><![CDATA[统计学习方法，初听起来感觉很陌生，到底什么是统计学习方法，怎么去理解？统计学习方法由三个要素构成，即 模型 策略和算法。 
模型是来确定一个假设；策略用来验证或纠正模型的好坏；而算法，是在选定模型和策略后，使用某种计算方法来使模型最优。]]></description><category></category></item><item><title><![CDATA[带你入门mysql常用命令]]></title><link>https://blog.youkuaiyun.com/xzfreewind/article/details/76732908</link><guid>https://blog.youkuaiyun.com/xzfreewind/article/details/76732908</guid><author>xzfreewind</author><pubDate>Sat, 05 Aug 2017 19:33:14 +0800</pubDate><description><![CDATA[mysql基本操作，包括数据库、数据表创建和修改，触发器、视图、索引的创建及例如max()、min()、concat()等函数的使用]]></description><category></category></item><item><title><![CDATA[python实现二叉树及插入，遍历操作]]></title><link>https://blog.youkuaiyun.com/xzfreewind/article/details/76098567</link><guid>https://blog.youkuaiyun.com/xzfreewind/article/details/76098567</guid><author>xzfreewind</author><pubDate>Tue, 25 Jul 2017 20:39:25 +0800</pubDate><description><![CDATA[coding:utf-8”’ 
author:xzfreewind 
”’构建二叉树的树形结构class TreeNode(object): 
    def init(self,value,left=None,right=None): 
        self.vaule = value 
        self.left = left 
        self.right = right构]]></description><category></category></item><item><title><![CDATA[Ubuntu16.04 微信网页版安装]]></title><link>https://blog.youkuaiyun.com/xzfreewind/article/details/76068953</link><guid>https://blog.youkuaiyun.com/xzfreewind/article/details/76068953</guid><author>xzfreewind</author><pubDate>Tue, 25 Jul 2017 14:36:33 +0800</pubDate><description><![CDATA[1.从github上下载微信版本，网址： 
         https://github.com/geeeeeeeeek/electronic-wechat/releases 
2.我下载的版本是v2.0  linux-x64.tar.gz，下载并解压，得到electronic-wechat-linux-x64文件夹 
        tar -zxvf  下载/linux-x64.tar.gz]]></description><category></category></item><item><title><![CDATA[ERROR 2002 (HY000): Can't connect to local MySQL server through socket '/var/run/mysqld/mysqld.sock']]></title><link>https://blog.youkuaiyun.com/xzfreewind/article/details/75678568</link><guid>https://blog.youkuaiyun.com/xzfreewind/article/details/75678568</guid><author>xzfreewind</author><pubDate>Sat, 22 Jul 2017 09:12:26 +0800</pubDate><description><![CDATA[本人系统Ubuntu 16.04，不知道之前经过了什么操作，准备登录本地mysql数据库，打开终端输入 mysql -u root -p ，输入密码后，发现出现如下错误：
     ERROR 2002 (HY000): Can't connect to local MySQL server through socket '/var/run/mysqld/mysqld.sock'
   翻译过]]></description><category></category></item><item><title><![CDATA[用python写入和查询mysql及注意事项]]></title><link>https://blog.youkuaiyun.com/xzfreewind/article/details/75575203</link><guid>https://blog.youkuaiyun.com/xzfreewind/article/details/75575203</guid><author>xzfreewind</author><pubDate>Thu, 20 Jul 2017 19:22:34 +0800</pubDate><description><![CDATA[python的mysql操作参照  
python操作mysql数据库  ，python对mysql的操作基本都可以在教程中学会，由于初次用python使用mysql，经历了一些坑，为了警醒自己和帮助小白少走弯路，在博客中记录下python调用mysql的注意事项，持续更新...
     mysql的安装和python配置mysql就不说了，这里言简意赅的说说在插入和查询时要注意的事项，先贴]]></description><category></category></item><item><title><![CDATA[用python实现文件夹文件读取及删除操作]]></title><link>https://blog.youkuaiyun.com/xzfreewind/article/details/75114256</link><guid>https://blog.youkuaiyun.com/xzfreewind/article/details/75114256</guid><author>xzfreewind</author><pubDate>Fri, 14 Jul 2017 15:12:56 +0800</pubDate><description><![CDATA[python可以通过os包对文件进行操作。以下代码分别实现一文件夹下所有文件名的读取和文件删除操作
import os
#读取path目录下的文件名，返回文件名list列表
def readFileName(path):
    lists = []
    for root,dirs,files in os.walk(path):
        for file in files:
    ]]></description><category></category></item><item><title><![CDATA[数据结构之单链表及python实现]]></title><link>https://blog.youkuaiyun.com/xzfreewind/article/details/74936196</link><guid>https://blog.youkuaiyun.com/xzfreewind/article/details/74936196</guid><author>xzfreewind</author><pubDate>Mon, 10 Jul 2017 20:18:45 +0800</pubDate><description><![CDATA[线性表的链式存储又称为单链表，特色指通过一组任意存储单元来存储线性表种的数据元素，为数据元素之间建立起线性关系。每个元素间逻辑上相邻，物理位置不相邻。
      链式存储优点在于插入删除，缺点查找速度慢，以下是链式表的python实现：
#coding:utf-8

'''
author:xzfreewind
'''
class Node(object):
    def __init__(]]></description><category></category></item></channel></rss>