April123abc的博客

原创 Django 10 表单

raise forms.ValidationError('你写少了，赶紧修改')# your_name = forms.CharField(label='你的名字', max_length=10,validators=[MinLengthValidator(3,'你的长度应该要大于3个')])your_name = forms.CharField(label='你的名字', max_length=10, validators=[my_validator])

原创 Django 9 常用通用视图分析

提供基于不同http方法执行不同逻辑的功能。1. 创建 terminal输入 django-admin startapp the_13回车2.tutorial子文件夹 settings.py注册一下"the_3","the_5","the_6","the_7","the_8","the_9","the_10","the_12","the_13",3. tutorial子文件夹 urls.pyctrl + 鼠标左键 点击 View可以看源码里面的View方法。

原创 Django 8 通用视图基础

1. 在terminal 输入 django-admin startapp the_12回车2. tutorial\settings.py 注册 3. tutorial\urls.py4. the_12\views.py5. the_12\urls.py 6. 运行tutorial, 点击http://127.0.0.1:8000/，地址栏 127.0.0.1:8000/the_12/index/ 刷新 7. 回到the_12\urls.py, 看as_view的源码（ctrl

原创 Django 7 实现Web便签

6. templates 文件夹创建 the_10子文件夹，再在the_10子文件夹 创建 the_10_index.html。2. 注册， 在 tutorial子文件夹settings.py INSTALLED_APPS 中括号添加 "the_10"， 地址栏 https://127.0.0.1:8000/the_10/index/4. the_10文件夹新建子文件夹 urls.py。5. the_10文件夹内的 views.py。8. the_10_index.html 代码。

原创 Django 6 后台与便签

"the_3","the_5","the_6","the_7","the_8","the_9",7.1 在the_9\admin.py 里面自定义刷新网页， 可以看到 发布日期 调整到上面了7.2 还可以进行分类设置('日期', {'fields':['pub_date']}),('文本', {'fields': ['question_text']}),刷新网页在the_9\admin.py 中添加 list_display = ('pub_date','question_text')

原创 django 5. orm与模型进阶

原创 Djiango 4. 模板基础与orm

原创 Django 视图与路由，request与response

原创 Django 环境配置

原创 量化：KDJ策略

type: 股票、场内基⾦、场内交易的货币基⾦、分级A基⾦、分级B基⾦、分级⺟基⾦、⾦融期货、期货、债券基⾦、股票基⾦、QDII 基⾦、混合基⾦，'stock'/ 'fund' / 'mmf' /'fja'/'fjb'/ 'fjm'/'index_futures' / 'futures' / 'bond_fund' / 'stock_fund' / 'QDII_fund' / / ‘mixture_fund' /'120m', '1d', '1w', '1M'. '1w' 表示⼀周, ‘1M' 表示⼀⽉。

原创 A股票实时数据分析

官⽹：⽐较全A股，即⼈⺠币普通股票，是由中国境内注册公司发⾏，在境内上市， 以⼈⺠币标明⾯值，供境内机构、组织或个⼈（2013年4⽉1⽇起，境内港澳台居⺠可开⽴A股账户）以⼈⺠币认购和交易的普通股股票。B股的正式名称是⼈⺠币特种股票。它是以⼈⺠币标明⾯值,以外币认购和买卖,在境 内(上海、深圳)证券交易所上市交易的股票。H股⼜称境外上市外资股,是境内上市公司在境外发⾏上市的股份。

原创 随机森林算法

随机森林是⼀种利⽤多棵树对样本进⾏训练并预测的分类器，属于Bagging的并⾏式集成学习⽅法。它通过有放回的采样⽅式添加样本扰动，同时引⼊属性扰动，在基决策树的训练过程中，先从候选属性集中随机挑选出⼀个包含K个属性的⼦集，再从这个⼦集中选择最优划分属性。随机森林中基学习器的多样性不仅来⾃样本扰动，还来⾃属性扰动，从⽽进⼀步提升了基学习器之间的差异度。

原创 决策树算法

是⼀种树形结构，通过特征的不同来将样本数据划分到不同的分⽀（⼦ 树）中，最终，每个样本 ⼀定会划分到⼀个叶⼦节点中。我们可以将每个特征视 为⼀个问题（提问), 特征值的不同，就视为样本给出的不同答案，然后，我们就可 以根据⼀系列问题（特征）, 将样本划分到不同的叶⼦节点中。决策树可以⽤于分 类与回归任务。决策树的介绍： 决策树学习采⽤的是⾃顶向下的递归⽅法，其基本思想是以信 息熵为度量构造⼀棵熵值，下降最快的树，到叶⼦节点处的熵值为零，此时每个叶 节点中的实例都属于同⼀类。

原创 分类模型评估

正确分类的样本数占总样本数的⽐例。正类别实例被正确地预测为正类别的⽐例。真实的正类别样本中有多少被模型正确地预测为正类别。精确率和召回率的调和平均数。

原创 Pandas 数据处理

1. 导入模块2. 修改index、columns, 通过把原来的数据覆盖掉进行修改运行结果a b ca b cA B C3. 批量进行重命名运行结果4. 个性化更改行索引或者列索引 优先考虑字典的方式运行结果A B c。

原创 机器学习算法-逻辑回归

逻辑回归（Logistic Regression）是⼀种⽤于⼆分类问题的监督学习算法。尽 管它带有“回归”⼀词，但实际上它⽤于分类问题。逻辑回归通过将线性组合的结果 通过⼀个sigmoid函数映射到[0, 1]的范围来进⾏分类。

原创 Pandas入门

安装：pip install pandas导入： import pandas as pdpandas 有两个重要的数据结构：Series 和 DataframeSeries 表示一列，一个Series就是一列，多个Series组成一个二维的Dataframe.此篇用jupyter notebook做代码演示。

原创 机器学习预处理：特征工程

特征是⽤于描述数据中的各种属性、变量或维度的信息，它们是模型⽤来做 出预测或分类的输⼊。特征⼯程是使⽤专业背景知识和技巧处理数据，。良好的特征⼯程可以显著提⾼模型的性能，⽽糟糕的特征选择或构建可能导致模型性能下降。意义：会直接影响机器学习的效果特征⼯程的主要⽬标包括：1. 特征选择：选择最相关的特征，以减少维度和噪声，提⾼模型的泛化能⼒。这 可以通过统计⽅法、领域知识、特征重要性评估等⽅式来完成。2. 特征构建：创建新的特征，以提供更多的信息或改善模型的性能。

原创 numpy 数组

用于处理高维数据计算的包特性：同类型的数据# numpy的计算效率比原生python快很多 --- 数据要达到一定的量级运行结果：可以看出，大数量级计算用numpy计算会快很多。

原创 描述性统计分析

一般地，对于一个偏态分布、肥尾分布特征很明显的数据序列来说，平均数这个指标极易令人误解数据序列分布的集中位置及其集中程度，故此使用起来要极其谨慎。偏度（skewness）是表示数据分布偏斜程度的统计量，它是描述数据分布的非对称性的指标。正偏分布（偏度>0）表示分布的尾部在右侧，负偏分布（偏度<0）表示分布的尾部在左侧，无偏分布（偏度=0）表示分布是对称的。高峰分布（峰度>0）表示分布具有比正态分布更尖锐的峰，低峰分布（峰度<0）表示分布的峰比正态分布更平坦，正常分布（峰度=0）表示分布类似于正态分布。

原创 机器学习-sklearn

什么是机器学习？字面上来讲就是 (人用) 计算机来学习。谈起机器学习就一定要提起汤姆米切尔 (Tom M.Mitchell)，就像谈起音乐就会提起贝多芬，谈起篮球就会提起迈克尔乔丹，谈起电影就会提起莱昂纳多迪卡普里奥。米切尔对机器学习定义的原话是：整段英文有点抽象难懂对吗？

原创 机器学习算法-线性回归模型

R^2 为决定系数，⽤来表示模型拟合性的分值，值越⾼表示模型拟合性越好，在训练集中，R 的 取值范围为[0,1]。在测试集（未知数据)中，R 的取值范围为[-∞,1]。从空间的⻆度来看，就是要让函数的直线（⾯)，尽可能靠近空间中所 有的数据点（点到直线的平⾏于y轴的距离之和最短)。MSE (Mean Squared Error)，平均平⽅误差，为所有样本数据误差（真实值与预测值之差)的平⽅ 和，然后取均值。从公式定义可知，最理想情况，所有的样本数据的预测值与真实值相同，即RSS为0，此时R^2为 1。

原创 爬虫的基本流程

作用：批量爬取web网页上的数据原理：正常用户访问服务器正常用户 ---> 发送请求 ---->服务器 ----> 响应数据 ---->用户爬虫模拟正常用户注意: 所有的数据都能爬吗？所见皆可爬，但是要合法注意空值爬虫的频率问题应用：大数据和人工智能智能安防：产生视频人脸识别：打拐爬虫的分类：通用爬虫和聚焦爬虫。

原创 JS逆向 --百度翻译

爬虫分为两个部分：第一个 伪装 目的：想办法拿到源数据第二个 交互 目的：想办法提取有用的数据。

原创 Python 加密和解密

概念: 对称加密是指数据加密与解密使用相同密钥常用的对称加密DES3DESAESDES： Data Encryption Standard，秘钥长度为56位，8位校验位;2003年左右被破解--秘钥可以暴力破解。穷举法DES的改进版本。Advanced Encryption Standard，支持的秘钥长度包括 128bits，192bits，258bits，384bits，512bits。加密与解密使用的密钥相同。但是由于算法一般都是公开的，因此机密性几乎完全依赖于密钥。