yftadyz的博客

目录背景数据groupby+applygroupby+agg总结背景分组计算指标是使用pandas进行数据分析的常用操作，今天分享一下groupby+apply/agg这套组合拳的用法。数据数据是学生id和周末参加的辅导班名称：df=pd.DataFrame({‘id’:[1,1,2,2,1,1,1],‘class’:[‘a’,‘a’,‘c’,‘c’,‘b’,‘b’,‘b’]})groupby+apply现在想统计每个id参加的class个数（剔除重复），那么我们就可以使用groupby+a

转一篇介绍python的seaborn的文章，里面展现了很多的例子，总有一款适合你！https://www.cnblogs.com/caiyishuai/p/11184166.html

一般大公司的数据中心都是集群环境，数据放在hdfs上，通过数仓进行管理，访问数仓的工具一般是hive。所以在这种环境下搭建机器学习流水线，可以分为以下几步：1、从hive中获得模型输入2、模型预测3、将预测结果写入本地文件系统4、从本地文件系统将数据写入hive表供下游调用import osimport pandas as pdimport subprocessos.chdir('your_path')#read data from hivecmd=shell_commandds=o

给定对角线上元素，我想生成对角矩阵，在网上搜了一下，竟然都是numpy.diagonal。这个函数的作用是提取给定矩阵的对角元素，当然不是我想要的。后来发现numpy.diag才是生成对角矩阵的函数，所以写此文章记录之。import numpy as npa=[1,2,3]np.diag(a)Out[4]: array([[1, 0, 0], [0, 2, 0], [0, 0, 3]])...

目录数学推导实验说明实验一实验二实验代码AUC、 Precision、Recall、F1等都是机器学习中常用的模型评估指标，本文通过数学推导和实验结果探讨AUC与Precision、Recall、F1等的关系。数学推导假设r为recall，p为precision，预测阈值为0.5，TP、TN、FP、FN如下图所示：假设一共有N个样本，正负样本各一半，当正负样本比例不是1：1时，下面的推导过程也适用。首先，使用r和p表示TP、TN、FP、FN，公式如下：TP=N2⋅rTP = \frac{N}{

标准化是这个：