- 博客(54)
- 收藏
- 关注
RSS订阅原创 Python-sklearn-朴素贝叶斯
本文介绍了 Scikit-learn 中五种朴素贝叶斯分类器的使用方法和特点： 高斯朴素贝叶斯 (GaussianNB)：适用于连续特征，假设特征服从高斯分布 多项式朴素贝叶斯 (MultinomialNB)：适用于离散特征（如文本词频） 伯努利朴素贝叶斯 (BernoulliNB)：适用于二值特征 补集朴素贝叶斯 (ComplementNB)：针对不平衡数据集的改进版多项式NB 分类朴素贝叶斯 (CategoricalNB)：适用于分类特征 文章详细说明了各分类器的参数设置、关键属性和预测方法，并提供了文
2026-08-12 09:56:18
252
原创 Python-sklearn-近邻方法
本文介绍了Scikit-learn中sklearn.neighbors模块的主要功能和方法： K-近邻算法： KNeighborsClassifier和KNeighborsRegressor实现KNN分类和回归 可配置邻居数量、距离权重、搜索算法（ball_tree/kd_tree/brute）、距离度量等参数 半径近邻算法： RadiusNeighborsClassifier和RadiusNeighborsRegressor基于半径进行邻居搜索 适用于数据密度不均匀的情况，但预测时邻居数量可能变化 底层数
2026-08-12 09:54:52
208
原创 Python-sklearn-集成学习
本文介绍了Scikit-learn中的集成学习方法，主要分为Bagging和Boosting两大类： Bagging方法： 随机森林分类器（RandomForestClassifier）和回归器（RandomForestRegressor），支持特征重要性评估和袋外分数计算 极端随机树（ExtraTrees）采用完全随机的分裂阈值 通用Bagging分类/回归器（BaggingClassifier/Regressor），可搭配任意基学习器 Boosting方法： 梯度提升分类器（GradientBoosti
2026-08-12 09:52:51
229
原创 Python-sklearn-SVM
本文介绍了Scikit-learn中的支持向量机（SVM）模块，包括分类、回归和异常检测三个主要应用场景。分类器部分详细说明了SVC、LinearSVC和NuSVC的使用方法及关键参数；回归部分介绍了SVR、LinearSVR和NuSVR；异常检测部分展示了OneClassSVM的应用。文章还总结了常用核函数（线性、多项式、RBF、Sigmoid）的特点，并提供了代码示例说明如何获取模型属性和进行预测。
2026-08-12 09:51:30
269
原创 Python-sklearn-线性模型
Scikit-learn的linear_model模块提供了多种线性模型，包括普通最小二乘回归（LinearRegression）、岭回归（Ridge，L2正则化）、Lasso回归（Lasso，L1正则化）以及弹性网络（ElasticNet，L1+L2）。这些模型支持参数调优，如正则化强度和交叉验证（RidgeCV、LassoCV）。此外，还包含贝叶斯方法（BayesianRidge）、最小角回归（Lars）和随机梯度下降回归（SGDRegressor）。关键功能包括系数提取、预测和评分，适用于不同场景如特
2026-08-11 10:13:59
525
原创 Python-sklearn-评估指标
本文总结了Scikit-learn（sklearn.metrics）中常用的评估指标，涵盖分类、回归和可视化功能。 分类指标： 基础指标：准确率（accuracy_score）、混淆矩阵（confusion_matrix） 综合报告：classification_report一键输出precision/recall/f1-score 核心指标：precision_score、recall_score、f1_score（支持macro/micro等平均方式） 概率指标：ROC-AUC（roc_auc_scor
2026-08-11 10:12:44
619
原创 Python-sklearn-模型选择
本文介绍了Scikit-learn中的模型选择与调优工具，重点涵盖数据分割和交叉验证两大核心功能。数据分割部分详细讲解了train_test_split、分层分割方法（StratifiedShuffleSplit）、K折交叉验证（KFold/StratifiedKFold）等常用分割器及其应用场景。交叉验证部分则介绍了cross_val_score、cross_validate等评估方法，以及learning_curve和validation_curve等分析工具，帮助实现模型性能评估和参数优化。文章特别强
2026-08-11 10:11:25
286
原创 Python-sklearn-特征工程
本文介绍了Scikit-learn中的特征工程工具，主要包括文本特征提取、图像特征提取和特征选择三部分： 文本特征提取：详细讲解了四种向量化方法 CountVectorizer（词频统计） TfidfVectorizer（TF-IDF加权） TfidfTransformer（词频转TF-IDF） HashingVectorizer（哈希技巧） 图像特征提取：展示了图像块提取与重建方法 extract_patches_2d/reconstruct_from_patches_2d 网格图生成等工具 特征选择：重
2026-08-10 09:59:34
327
原创 Python-sklearn-预处理
本文介绍了Scikit-learn（sklearn）中preprocessing模块的核心数据预处理技术，主要包括标准化/归一化方法和标签编码方法。 标准化与归一化部分涵盖： 最常用的Z-Score标准化（StandardScaler） 最小-最大缩放（MinMaxScaler） 最大绝对值缩放（MaxAbsScaler） 鲁棒缩放（RobustScaler） 样本归一化（Normalizer） 幂变换（PowerTransformer） 分位数变换（QuantileTransformer） 快速缩放函数（
2026-08-10 09:58:37
293
原创 Python-sklearn-数据集
Scikit-learn 提供了丰富的数据集资源，主要分为小型玩具数据集（load_*）和真实世界数据集（fetch_*）两大类。Toy Datasets 包括经典的鸢尾花分类（load_iris）、手写数字识别（load_digits）、乳腺癌诊断（load_breast_cancer）等，适用于算法验证和小规模实验。Real-World Datasets 如加州房价（fetch_california_housing）、20新闻组文本（fetch_20newsgroups）和OpenML平台数据集（fet
2026-08-10 09:57:06
332
原创 Python-matplotlib-高级图表
本文介绍了Matplotlib中的几种高级图表绘制方法：1）使用ax.twinx()和ax.twiny()创建双Y轴/双X轴图表；2）通过ax.errorbar()添加误差线，支持对称/非对称误差显示；3）利用fill_between()实现区域填充，包括固定值填充、曲线间填充和条件填充；4）使用projection='polar'创建极坐标图表，包括极坐标线图、散点图和风向玫瑰图。每种方法都提供了示例代码和关键参数说明，适用于不同场景下的数据可视化需求。
2026-08-07 08:18:38
245
原创 Python-matplotlib-动画
本文介绍了如何使用Matplotlib的animation模块创建动态图表。主要内容包括： FuncAnimation - 通过定义更新函数逐帧生成动画，适合数据更新场景 ArtistAnimation - 预先生成所有帧的Artist列表再播放，适合绘图元素变化的情况 实用示例 - 包含实时数据滚动、多子图同步、散点图动画等典型应用场景 保存动画 - 支持保存为GIF、MP4、HTML等多种格式，并介绍了相关参数配置 FuncAnimation是更推荐的方式，性能更好且内存占用低。文章提供了完整的代码示例
2026-08-07 08:16:32
235
原创 Python-matplotlib-刻度与格式
Matplotlib 刻度与格式控制摘要 Matplotlib 的 ticker 模块提供了精细控制坐标轴刻度的功能，主要包括： 1. 刻度定位器（Locator） 控制刻度位置，内置多种定位方式： AutoLocator（默认自动定位） MaxNLocator（限制最大刻度数） MultipleLocator（固定间隔） LogLocator（对数刻度） 支持主/次刻度分别设置 2. 格式化器（Formatter） 控制刻度标签显示格式： FormatStrFormatter（字符串格式化） Percen
2026-08-07 08:15:17
224
原创 Python-matplotlib-注解与图例
本文介绍了Matplotlib中图表标注与图例的高级用法，主要包括三部分内容： 精确注解(ax.annotate) - 详细讲解带箭头的标注方法，包括坐标系统设置、多种箭头样式、连接线样式以及文本框美化技巧。 自由文本(ax.text) - 演示如何在图表任意位置添加文本说明，包括轴坐标定位、水印效果和多行文本框的实现。 图例控制(ax.legend) - 涵盖图例的创建、位置调整、样式定制以及选择性显示技巧，包括图例边框、背景、多列布局等参数设置。 所有示例都配有完整代码片段和可视化效果说明，帮助用户掌握
2026-08-07 08:13:58
201
原创 Python-matplotlib-样式定制
本文介绍了Matplotlib的样式定制方法，主要包括三部分内容：1）rcParams全局参数配置，用于调整图表尺寸、字体、网格等默认设置；2）Style Sheets样式表，提供多种预设主题风格（如seaborn、ggplot等）快速切换；3）颜色定制，包括单色指定、调色板设置以及颜色映射（Colormap）的使用技巧。文章提供了详细的代码示例和参数速查表，帮助用户将默认图表优化为专业可视化效果，并推荐了感知均匀的科学配色方案如'viridis'。
2026-08-05 08:47:02
203
原创 Python-matplotlib-三维绘图
Matplotlib的mpl_toolkits.mplot3d模块提供了强大的三维数据可视化功能。本文介绍了创建3D坐标系的三种方式，并展示了多种三维图表的绘制方法： 使用plot3D()绘制三维线图（如螺旋线） 通过scatter3D()创建带颜色映射的三维散点图 利用plot_surface()和plot_wireframe()绘制曲面图和线框图 使用contour()/contourf()添加等高线 通过bar3D()创建三维柱状图 对非规则网格数据使用plot_trisurf()绘制三角曲面 每种方
2026-08-05 08:45:42
226
原创 Python-matplotlib-子图布局
本文介绍了Matplotlib中多种子图布局方法：1）plt.subplots()创建规则网格，支持共享坐标轴和批量设置；2）subplot_mosaic()通过字符串定义语义化布局，适合复杂结构；3）GridSpec提供精细网格控制，支持不等比例和嵌套布局；4）subplot2grid()可指定子图跨越范围。还对比了constrained_layout和tight_layout两种自动调整方法，并展示了设置间距的技巧。最后通过仪表盘示例演示了实际应用，推荐新项目优先使用subplot_mosaic。
2026-08-05 08:44:35
288
原创 Python-matplotlib-基础图表
本文介绍了Matplotlib中6种最常用的基础图表类型，能满足80%的数据可视化需求： 折线图（plot()）：展示数据趋势变化，支持多线条绘制，可自定义线型、颜色和标记样式。 散点图（scatter()）：显示变量间关系，支持用颜色/大小表示第三维数据，可分组绘制。 柱状图（bar()/barh()）：比较类别数据差异，支持垂直/水平显示、分组和堆积形式。 直方图（hist()）：展示数据分布特征，可叠加多组数据进行比较，支持密度曲线绘制。 每种图表都提供了示例代码和核心参数说明，包括颜色、透明度、标记
2026-08-05 08:42:45
313
原创 Python-matplotlib-基础入门
Matplotlib是Python最基础的数据可视化库，提供两种编程方式：快捷的pyplot方式和推荐的面向对象方式。其核心架构基于Figure（画布）和Axes（坐标系）概念。文章介绍了安装方法、基础绘图流程（包括数据准备、图表创建、样式设置和保存图片），详细讲解了颜色、线型、标记等样式设置，以及轴标签、标题、范围等图表元素的控制。还展示了subplots创建多子图的方法，并提供了正弦/余弦函数绘制的完整示例代码，适合数据可视化初学者快速入门Matplotlib的核心功能。
2026-08-05 08:40:35
29
原创 Python-pandas-高级技巧
本文介绍了Pandas库的多个高级技巧，主要包括： 数据转换方法： map()用于Series值映射，支持字典、函数和Series查找 apply()提供更灵活的元素级操作，可传额外参数 applymap()用于DataFrame的逐元素转换 transform()实现列级变换 管道操作： pipe()实现方法链式操作，提升代码可读性 类别数据类型： Categorical类型可显著减少内存占用并提升性能 支持有序类别、重命名、添加/删除类别等操作 内存优化： 数值类型降精度（如int64→int32） 字
2026-08-04 10:47:17
311
原创 Python-pandas-文本处理
Pandas 文本处理摘要 Pandas 提供 .str 访问器实现向量化字符串操作，支持常见文本处理功能： 基础操作：大小写转换、长度计算 切片索引：位置切片、安全取值 查找判断：包含检测、正则匹配、首尾判断 提取替换：正则分组提取、模式替换 拆分拼接：分隔符拆分、多列拼接 清理修整：去空格、填充对齐、文本换行 大小写转换：支持多种格式转换 数值处理：数字检测与提取 .str 方法自动处理 NaN 值，性能优于循环，但仅适用于 object/string 类型列。
2026-08-04 10:46:17
252
原创 Python-pandas-多层索引
Pandas多层索引(MultiIndex)是高维数据二维化表示的核心机制，本文介绍了其核心操作： 创建方法：5种方式创建多层索引，包括from_arrays、from_tuples、from_product（最常用）等 索引切片：支持层级索引、元组索引、xs跨层取值等灵活操作 层级操作：交换/重排/删除层级、索引转列等实用功能 列上应用：在columns上构建多层结构实现复杂数据表示 高级技巧：结合groupby分组聚合、使用IndexSlice进行高级切片 最佳实践建议：频繁分组操作时使用MultiIn
2026-08-04 10:45:26
296
原创 Python-pandas-时间序列
Pandas 提供了强大的时间序列处理功能，主要包括： 时间数据类型： Timestamp表示单个时间点，支持属性和时区处理 DatetimeIndex用于时间索引，可通过date_range()生成各种频率的时间序列 Timedelta表示时间差，支持时间运算 时间转换： to_datetime()将字符串转为时间，支持错误处理和格式指定 时间序列操作： 支持基于时间的切片和筛选 可提取时间属性（年/月/日等） 提供between_time()按时间段筛选 重采样： resample()支持频率转换（升/
2026-08-03 17:11:45
260
原创 Python-pandas-数据重塑
Pandas数据重塑方法摘要： pivot() - 将长格式数据转为宽格式，要求索引+列组合唯一，不进行聚合。 pivot_table() - 带聚合功能的透视表，可处理重复值，支持多级索引、多种聚合函数和汇总行。 melt() - 宽转长的逆透视操作，将列名转为行值，可保留指定列不变。 stack()/unstack() - 在多层索引的行列间转换数据，stack()使数据变长，unstack()使数据变宽。 crosstab() - 计算分组频率的交叉表，类似带计数功能的透视表。 这些方法实现了数据在宽
2026-08-03 17:10:26
305
原创 Python-pandas-合并连接
Pandas提供了多种数据合并方法： pd.merge()：支持SQL风格的连接（内连接、左/右/外连接、交叉连接），可多列匹配、处理不同列名，通过indicator追踪数据来源，用suffixes解决列名冲突。 DataFrame.join()：基于索引快速合并，适合左表保留全部行或外连接场景。 pd.concat()：沿轴向（纵向/横向）拼接数据，支持忽略索引、添加分组键，通过join控制列对齐方式。 特殊合并： merge_asof()：近似匹配（如时间序列对齐） merge_ordered()：有序
2026-08-03 17:08:28
292
原创 Python-pandas-分组与聚合
Pandas分组聚合操作摘要 本文介绍了Pandas中强大的分组聚合功能，主要包含以下内容： 分组基础：使用df.groupby()创建分组对象，支持单列或多列分组，可查看分组信息（groups/indices/ngroups） 聚合操作： 基本聚合函数（sum/mean/count等） agg()多函数聚合（函数列表/字典/命名聚合） 内置字符串聚合函数 自定义聚合函数 其他分组操作： transform（组内变换，保持原数据形状） filter（组级筛选） apply（最灵活的组操作） 分组方式扩展：
2026-08-03 10:52:32
410
原创 Python-pandas-索引与筛选
这篇文章摘要（≤150字）： Pandas索引与筛选核心方法指南：重点介绍.loc[]（标签索引，含两端）、.iloc[]（位置索引，不含右端）和布尔索引的使用技巧。.loc按行/列标签选择数据，支持切片和条件筛选；.iloc按整数位置访问，遵循Python切片规则。文章还对比了.at/.iat快速访问标量、query()字符串表达式筛选、where()/mask()条件替换等实用方法，并强调布尔索引中必须使用&|~而非and/or。包含常见错误示例和行列选择的最佳实践，是数据处理的高效参考手册。
2026-08-03 10:51:06
618
原创 Python-pandas-基础入门
Pandas是Python核心数据分析库，提供Series（一维带标签数组）和DataFrame（二维表格）两种核心数据结构。摘要内容涵盖： 基础安装与版本检查 Series创建与操作（从列表/字典创建、索引、运算、统计） DataFrame创建方式（字典/列表/Numpy数组）及基本属性 数据预览方法（head/tail/info/describe） 文件读写操作（CSV/Excel/JSON/SQL等格式） 典型应用包括数据清洗、统计分析、表格处理等场景，支持自动索引对齐和丰富的数据操作功能。
2026-08-02 11:07:52
221
原创 Python-numpy-高级技巧
本文介绍了NumPy的4个高级技巧： 向量化思维：强调用向量化操作替代循环，展示了条件运算（np.where）和矩阵运算（.mean(axis=1)）的优化示例，速度可提升10-100倍。 np.einsum：详解爱因斯坦求和约定的强大功能，包括矩阵乘法、点积、转置等基础操作，以及批量矩阵乘法和注意力分数计算等高级应用，支持省略号处理任意维度。 结构化数组：演示如何创建类似数据库表的异构数据结构，支持不同类型字段、条件查询、排序和嵌套结构，适合处理复杂数据记录。 掩码数组：介绍用numpy.ma处理缺失值的
2026-08-02 11:05:57
648
原创 Python-numpy-文件操作
NumPy文件操作指南摘要 NumPy提供多种高效的数据存储方式： 二进制格式（.npy/.npz）：读写速度快，保留元信息，适合单个(.npy)或多个数组(.npz)存储，支持压缩 文本格式：通过loadtxt/savetxt处理CSV/TXT，genfromtxt支持复杂文本处理 内存映射(memmap)：处理超大文件，按需加载不占内存 HDF5格式：适合GB级以上数据集，支持分层存储和压缩 关键优势： 二进制格式比文本快10-100倍 memmap实现超大数据处理 自动保留数据类型和形状信息 提供压缩
2026-08-01 15:16:45
665
原创 Python-numpy-统计与数学
NumPy统计与数学函数摘要： 📊 统计功能： 提供完整统计量计算：集中趋势（均值、中位数）、离散程度（标准差、方差）、极值、分位数等 支持轴向统计（axis=0/1）和维度保持（keepdims） 高级统计包括相关系数、协方差、加权平均、直方图统计等 含NaN安全版本函数（nanmean/nanstd等） 🧮 线性代数： 矩阵运算：乘法（@/dot）、逆矩阵（inv）、行列式（det）、迹（trace） 矩阵分解：特征分解（eig）、SVD奇异值分解、QR分解 方程求解：solve解线性方程组、lst
2026-08-01 15:15:40
188
原创 Python-numpy-形状操作
NumPy形状操作总结： reshape：调整数组形状（总元素数不变），尽量返回视图 resize：原地修改/填充数组大小 展平操作：flatten()（副本）、ravel()/reshape(-1)（可能视图），支持C/F顺序 转置与轴交换：T、transpose()、swapaxes()、moveaxis() 维度调整：expand_dims/newaxis升维，squeeze降维 拼接与堆叠：concatenate（沿轴拼接）、stack（新增维度堆叠） 分割：split/array_split（均等
2026-07-30 09:55:13
495
原创 Python-numpy-数组运算
NumPy 数组运算与广播机制摘要： NumPy 的核心是向量化运算，通过底层 C/Fortran 实现比 Python 循环快 10-100 倍。主要特性包括： 逐元素运算：支持算术、比较等操作，自动应用于数组每个元素 通用函数(ufunc)：提供数学、逻辑等高性能函数，支持 reduce/accumulate 等高级操作 广播机制：允许不同形状数组运算，按维度对齐规则自动扩展 矩阵运算：提供 dot/matmul 等线性代数操作，支持矩阵乘法、逆矩阵等 比较运算：支持元素级和全局比较判断 关键优势在于避
2026-07-30 09:54:05
191
原创 Python-numpy-索引与切片
NumPy 提供了强大的索引与切片功能，主要包括： 基本索引与切片 支持类似 Python list 的索引和切片操作，但返回的是视图而非副本，修改切片会影响原数组。 多维数组可通过逗号分隔索引（如 arr[行, 列]），支持 ... 省略部分维度。 花式索引（Fancy Indexing） 使用整数数组索引，返回副本而非视图，支持任意顺序和重复索引。 结合 np.ix_ 可提取子矩阵。 布尔索引 通过条件表达式筛选数据（如 arr[arr > 10]），支持多条件组合（需用 & | ~ 并加括号）。 可直
2026-07-28 09:22:41
828
原创 Python-numpy-基础入门
本文介绍了NumPy核心数据结构ndarray的基础知识。ndarray是一种同构多维数组，相比Python列表具有连续内存、固定类型和高效运算的优势。文章详细讲解了创建ndarray的多种方式，包括从Python数据结构转换、生成特殊数组（全零/全一/对角矩阵等）、序列数组生成（arange/linspace等）以及模仿形状创建。同时介绍了ndarray的重要属性（shape、dtype、strides等）和数据类型系统，包括常用数值类型、类型转换方法及运算时的类型提升规则。这些内容为NumPy科学计算提
2026-07-28 09:21:09
221
原创 Python-基础-更多技巧
本文介绍了Python的几个实用技巧：1）拆包操作（Unpacking），包括*拆包列表/元组、**拆包字典以及合并字典；2）海象运算符（:=）用于在表达式中赋值并返回值；3）字符串前缀（f、r、b、u）的使用方法；4）Python中会被视为False的值（如None、0、空容器等），以及如何利用真值测试进行简洁的条件判断。这些技巧能帮助编写更简洁高效的Python代码。
2026-07-27 09:50:39
135
原创 Python-基础-常用内置函数
Python内置函数速查摘要：map/filter用于映射过滤；sum/max/min/len聚合计算；enumerate/zip枚举压缩；sorted/reversed排序反转。类型转换含int/str/list等，chr/ord处理字符编码。逻辑判断函数all/any/isinstance等验证条件。内置常量包括True/False/None等。这些函数提供基础数据处理、类型转换和逻辑判断能力，是Python编程必备工具。（149字）
2026-07-27 09:49:25
219
原创 Python-基础-装饰器
摘要 装饰器是Python中在不修改原函数代码的情况下扩展函数功能的语法糖。其本质是将函数作为参数传递给装饰器函数（func = decorator(func)）。文章展示了两种常见装饰器：1) 基础装饰器（如记录函数调用的@log），通过闭包实现功能扩展；2) 参数化装饰器（如@repeat(times=3)），通过嵌套函数结构接收额外参数。装饰器能优雅地实现代码复用，是Python的高级特性之一。
2026-07-26 19:35:07
172
原创 Python-基础-迭代器与生成器
本文介绍了Python中的迭代器与生成器概念。迭代器通过实现__iter__()和__next__()方法实现，示例展示了倒计时迭代器类。生成器使用yield关键字创建，能按需生成值而非一次性创建全部元素，更节省内存。文章还演示了生成器表达式和yield from语法，后者可以简化生成器委托操作。这些特性使得处理大数据流时更加高效。
2026-07-26 19:34:16
554
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人