day003

华生在伦敦偶遇旧友斯坦弗,向其诉说自己想找价格合理又舒适的合租房子。斯坦弗称医院化验室的福尔摩斯也在找合租人。华生表示愿意,斯坦弗提醒他福尔摩斯思想古怪,是科学研究的狂热分子,知识积累杂乱但丰富。

On the very day that I had come to this conclusion, I was standing at the Criterion Bar, when someone tapped me on the shoulder, and turning round I recognized young Stamford, who had been a dresser(/'drɛsɚ/n.化妆师;裹伤员) under me at Bart’s. The sight of a friendly face in the great wilderness(/'wɪldɚnəs/n.茫茫一片,茫茫人海) of London is a pleasant thing indeed(/ɪn’did/ adv.真正地;甚至) to a lonely man. In old days Stamford had never been a particular(特别的) crony( /'kroni/n. 密友;好朋友) of mine, but now I hailed him with enthusiasm
( /ɛn’θuzɪæzəm/n. 热情),and he, in his turn, appeared to be delighted( /dɪ’laɪtɪd/adj. 高兴的) to see me. In the exuberance(/ɪg’zjʊbərəns/n. 丰富 (感情等的)过度(或极度)表现) of my joy, I asked him to lunch with me at the Holborn, and we started off together in a hansom.( /'hænsəm/n. 出租马车)
就在我决定这样做的那天,我正站在克莱梯利安酒吧门前的时候,忽然有人拍了拍我的肩膀。我回头一看, 原来是小斯坦弗。他是我在巴茨时的一个助手。在这茫茫人海的伦敦城中,居然能够碰到一个熟人,对于一个孤独的人来说,确是一件令人非常愉快的事。斯坦弗当日并不是和我特别要好的朋友,但现在我竟热情地向他招呼起来。他见到我,似乎也很高兴。我在狂喜之余,立刻邀他到侯本餐厅去吃午饭;于是我们就一同乘车前往。

“Whatever have you been doing with yourself, Watson?” he asked in undisguised wonder, as we rattled(/'rætl/ vi. 喋喋不休地讲话)through the crowded London streets.“You are as thin as a lath( /læθ/n. 板条;瘦人) and as brown as a nut.”
当我们的车子辚辚地穿过伦敦热闹街道的时候,他很惊破地问我:“华生,你近来干些什么?看你面黄肌瘦,只剩了一把骨头了。”

I gave him a short sketch( /skɛtʃ/n. 素描;略图;梗概) of my adventures, and had hardly concluded it by the time that we reached our destination.( /,destɪ’neɪʃ(ə)n/)
我把我的危险经历简单地对他叙述了一下。我的话还没有讲完,我们就到达了目的地。

“Poor devil!”( /'dɛvl/n.冒失鬼) he said, commiseratingly( 怜悯地), after he had listened to my misfortunes(不幸). “What are you up to now?”
“Looking for lodgings,”( /'lɑdʒɪŋ/n.寄宿处) I answered. “Trying to solve the problem as to whether it is possible to get comfortable rooms at a reasonable price.”
他听完了我的不幸遭遇以后,怜悯地说:“可怜的家伙!你现在作何打算呢?”我回答说:“我想找个住处,打算租几间价钱不高而又舒适一些的房子,不知道这个问题能不能够解决。”

“That’s a strange thing,” remarked my companion; “you are the second man today that has used that expression to me.”
我的伙伴说:“这真是怪事,今天你是第二个对我说这样话的人了。”

“And who was the first?” I asked.
“A fellow who is working at the chemical laboratory( /ˈlæbrəˌtɔrɪ/ n. 实验室,研究室) up at the hospital. He was bemoaning himself this morning because he could not get someone to go halves with him in some nice rooms which he had found, and which were too much for his purse.”
我问道:“头一个是谁?”
“是一个在医院化验室工作的。今天早晨他还在唉声叹气,因为他找到了几间好房子,但是,租金很贵,他一个人住不起,又找不到人跟他合租。”

“By Jove!” I cried; “if he really wants someone to share the rooms and the expense, I am the very man for him. I should prefer having a partner to being alone.”
我说:“好啊,如果他真的要找个人合住的话,我倒正是他要找的人。我觉得有个伴儿比独自一个儿住要好 的多。”

Young Stamford looked rather strangely at me over his wineglass.“You don’t know Sherlock Holmes yet,” he said; “perhaps you would not care for him as a constant companion.”
“Why, what is there against him?”
小斯坦弗从酒杯上很惊破地望着我,他说:“你还不知道歇洛克•福尔摩斯吧,否则你也许会不愿意和他作 一个长年相处的伙伴哩。”
“为什么,难道他有什么不好的地方吗?”

“Oh, I didn’t say there was anything against him. He is a little queer( /kwɪr/ adj. 奇怪的) in his ideas–an enthusiast( /ɪn’θuzɪæst/n. 爱好者,热心家) in some branches of science. As far as I know he is a decent(/'disnt/adj. 正派的) fellow enough.”
“A medical student, I suppose?” said I.
“哦,我不是说他有什么不好的地方。他只是思想上有些古怪而已——他老是孜孜不倦地在研究一些科学。
据我所知,他倒是个很正派的人。”
我说:“也许他是一个学医的吧?”

“No–I have no idea what he intends(打算) to go in for. I believe he is well up in anatomy( /ə’nætəmi/n.解剖学), and he is a first-class chemist; but, as far as I know, he has never taken out any systematic medical classes. His studies are very desultory( /'des(ə)lt(ə)rɪ / adj. 断断续续的)and eccentric(/ɪk’sɛntrɪk/ n. 古怪的人), but he has amassed ( /ə’mæs/ vt. 积聚,积累)a lot of out-of-the-way knowledge which would astonish his professors.
“不是,我一点也摸不清他在钻研些什么。我相信他精于解剖学,又是个第一流的药剂师。但是,据我了 解,他从来没有系统地学过医学。他所研究的东西非常杂乱,不成系统,并且也很离破;但是他却积累了不少 稀破古怪的知识,足以使他的教授都感到惊讶。”

“Did you never ask him what he was going in for?” I asked.
“No; he is not a man that it is easy to draw out, though he can be communicative enough when the fancy seizes him.”
我问道:“你从来没有问过他在钻研些什么吗?”
“没有,他是不轻易说出心里话的,虽然在他高兴的时候,他也是滔滔不绝地很爱说话。”

CISSP 2018全套培训精华讲义(完整版)-内容目录: 00-CISSP最新版讲义目录.pdf Day001-安全基本概念(1).pdf Day001-安全基本概念(2).pdf Day002-安全治理、安全计划和框架.pdf Day003-安全策略体系和安全人员管理.pdf Day004-安全风险管理概述.pdf Day005-风险评估和处置.pdf Day006-威胁建模和风险管理框架.pdf Day007-法律法规、采购中的风险和安全教育.pdf Day008-业务连续性计划概述.pdf Day009-业务连续性计划项目.pdf Day010-业务影响评估.pdf Day011-信息生命周期.pdf Day012-信息分类.pdf Day013-信息相关的角色和责任.pdf day014-适当的数据保留.pdf day015-保护隐私.pdf day016-保护资产.pdf Day017-数据泄露.pdf Day018-使用安全设计原则实施和管理工程过程 .pdf Day019-系统架构和可信计算基.pdf Day020-全模型和实例.pdf Day021-系统安全评估模型.pdf Day022-一些对安全模型和架构的威胁.pdf Day023-密码学定义与概念.pdf Day024-对称密码学.pdf Day025-非对称密码学.pdf Day026-散列算法.pdf Day027-密码学应用.pdf Day028-密钥管理和针对密码学的攻击.pdf Day029-站点规划和设计 .pdf Day030-实施物理安全.pdf Day031-OSI参考模型与多层协议概述.pdf Day032-TCP IP模型和协议.pdf Day033-网络组件安全.pdf Day034-网络互联基础和设备.pdf Day035-无线网络.pdf Day036-远程连接.pdf Day037-网络层攻击.pdf Day038-网络与协议安全机制.pdf Day039-访问控制概述.pdf Day040-身份标识与身份认证技术.pdf Day041-身份授权和可问责性技术.pdf Day042-身份管理和相关技术 .pdf Day043-联合身份管理和其它相关技术.pdf Day044-访问控制模型.pdf Day045-访问控制方法、技术和管理.pdf Day046-对访问控制的几种威胁和监控.pdf Day047-安全评估与测试概述.pdf Day048-技术控制措施的评估与测试.pdf Day049-管理控制措施的评估与测试.pdf Day050-评估与测试报告和管理.pdf Day051-安全事件调查和取证.pdf Day052-行政管理和责任.pdf Day053-安全资源配置.pdf Day054-配置项管理.pdf Day055-预防措施.pdf Day056 -事件响应和安全监测.pdf Day057-系统的恢复和容错能力.pdf Day058-灾难恢复计划.pdf Day059-灾难恢复计划测试和其他.pdf Day060-软件中的安全需求.pdf Day061-软件开发生命周期、模型和安全.pdf Day062-编程语言和环境.pdf Day063-数据库管理.pdf Day064-Web应用安全.pdf Day065-针对应用程序的相关攻击.pdf Day066-恶意代码.pdf
<think>我们有一个名为soiling_data的数据集,需要按天计算平均值。这里假设soiling_data是一个时间序列数据,并且有一个日期时间索引(DatetimeIndex)或者包含日期信息的列。有两种常见情况:1.如果数据已经有一个日期时间索引,我们可以直接按日期(天)进行分组(groupby)然后取平均。2.如果数据中有一个日期列(比如名为'timestamp'),我们可以先将该列转换为日期时间类型,然后设置为索引,或者直接按该列的日期部分分组。使用Pandas库可以很方便地实现。步骤:a)确保数据中有一个日期时间类型的列(或索引)。b)使用`resample`方法(如果索引是DatetimeIndex)或`groupby`方法(按日期字符串分组)来按天分组。c)对每个组计算平均值。假设数据框名为soiling_data,且有一个DatetimeIndex索引。示例代码:```python#如果索引还不是DatetimeIndex,但有一列包含日期时间字符串,假设列名为'timestamp'#soiling_data['timestamp']=pd.to_datetime(soiling_data['timestamp'])#soiling_data.set_index('timestamp',inplace=True)#按天重新采样并取平均值daily_average=soiling_data.resample('D').mean()```或者,如果我们不想改变索引,也可以使用groupby,从日期时间列中提取日期部分(注意:这样会按日期分组,但不会考虑时区,同一天的不同时间会被分到一组):```python#假设我们有一个列'timestamp',且已经是datetime类型#如果还不是,先转换:soiling_data['timestamp']=pd.to_datetime(soiling_data['timestamp'])daily_average=soiling_data.groupby(soiling_data['timestamp'].dt.date).mean()```但是注意,使用`.dt.date`会得到一个`datetime.date`对象,而使用`resample`则使用`DatetimeIndex`。通常,使用`resample`更为方便,因为它可以处理时间序列的重采样(如每天、每周等)并保持时间序列索引。如果数据中并没有日期时间列,而是按行存储,且每天有多条记录,那么我们需要先创建一个日期列,或者将日期作为索引。另一种情况:如果数据是按天存储的,每天一条记录,那么直接取平均可能没有意义(因为每天只有一个值),但如果是按天存储的多条记录(比如每小时一条),那么按天平均就是每天的平均值。因此,关键是要明确数据格式。假设我们的数据格式如下(示例):timestampvalue02023-01-0100:00:001.012023-01-0101:00:002.022023-01-0200:00:003.032023-01-0201:00:004.0我们想得到:2023-01-01:(1.0+2.0)/2=1.52023-01-02:(3.0+4.0)/2=3.5使用resample:```python#设置索引为timestampsoiling_data.set_index('timestamp',inplace=True)daily_avg=soiling_data.resample('D').mean()```使用groupby(不设置索引):```python#不设置索引,直接按日期分组soiling_data['date']=soiling_data['timestamp'].dt.datedaily_avg=soiling_data.groupby('date').mean()#然后可以删除新增的date列(如果需要保持原数据)soiling_data.drop('date',axis=1,inplace=True)```注意:groupby方法会新增一列,而resample方法需要将日期时间列设为索引。所以,具体使用哪种方法取决于数据结构和后续处理需求。另外,如果数据量很大,resample通常效率更高。最后,关于soiling_data[day].mean(),这个表达式看起来像是按某个名为day的列进行索引然后取平均,但这样只能取某一天的平均值(假设day是列名,且有多行代表同一天的不同时间)。如果要取多天的平均值,我们需要分组。因此,如果用户想用类似soiling_data[day].mean()的方式,那么需要先确保day列包含了日期(同一天有多个记录),然后按day列分组取平均:```pythondaily_avg=soiling_data.groupby('day').mean()```但是,如果day列不是日期而是其他含义,则不适合。所以关键是要理解数据结构和需求。总结:按天取平均值的通用方法是使用分组(groupby)或重采样(resample),具体取决于数据的索引形式。</think>### 计算 soiling_data 按天平均值的实现方法 #### 1. **Pandas 实现(推荐)** 假设 `soiling_data` 是包含日期列和时间序列数据的 DataFrame: ```python import pandas as pd # 确保日期列转为 datetime 类型 soiling_data['date'] = pd.to_datetime(soiling_data['date_column']) # 按天分组计算平均值 daily_avg = soiling_data.groupby(soiling_data['date'].dt.date).mean() # 或使用 resample(适用于时间序列索引) soiling_data.set_index('date', inplace=True) daily_avg = soiling_data.resample('D').mean() ``` **关键参数说明:** - `.dt.date`:提取日期部分(忽略时间) - `resample('D')`:按天重采样 - `.mean()`:计算每列平均值 #### 2. **NumPy 实现** 当数据是纯数值数组且日期单独存储时: ```python import numpy as np # 假设 days 是日期数组,values 是数值数组 unique_days = np.unique(days) daily_means = [] for day in unique_days: day_mask = (days == day) daily_means.append(np.mean(values[day_mask])) daily_avg = np.array(daily_means) ``` #### 3. **`soiling_data[day].mean()` 的正确用法** 此语法需要满足特定数据结构: ```python # 当 soiling_data 是字典且键为日期时 daily_avg = {day: np.mean(values) for day, values in soiling_data.items()} # 当 soiling_data 是 DataFrame 且有 day 列时 daily_avg = soiling_data.groupby('day').mean() ``` #### 4. **处理缺失值的增强方法** ```python # 填充缺失日期(Pandas) full_index = pd.date_range(start, end, freq='D') daily_avg = daily_avg.reindex(full_index).fillna(method='ffill') # 带权重的平均值(NumPy) weights = np.where(day_mask, reliability_scores, 0) # reliability_scores 是可靠性权重 weighted_avg = np.average(values, weights=weights) ``` #### 5. **性能优化技巧** 对于超大数据集: ```python # Pandas 分块处理 chunk_size = 100000 daily_avg_chunks = [] for chunk in pd.read_csv('large_data.csv', chunksize=chunk_size): chunk_avg = chunk.groupby(pd.to_datetime(chunk['date']).dt.date).mean() daily_avg_chunks.append(chunk_avg) final_avg = pd.concat(daily_avg_chunks).groupby(level=0).mean() ``` **注意事项:** 1. 时间处理:确保时区统一(使用 `tz_localize`/`tz_convert`) 2. 空值处理:`mean()` 默认跳过 NaN,可通过 `skipna=False` 修改 3. 多列数据:上述方法自动计算所有数值列的平均值 4. 日期精度:使用 `pd.Grouper(freq='D')` 可控制时间边界 > 示例数据输入输出: > ``` > 输入数据 (soiling_data): > date value > 2023-01-01 08:00 0.8 > 2023-01-01 12:00 0.7 > 2023-01-02 09:00 0.5 > > 输出 (daily_avg): > 2023-01-01 0.75 > 2023-01-02 0.50 > ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值