goongoup的博客

print(df.round(2))print(df.round({‘dogs’:2, ‘cats’:1}))备注 ： df 是数据

data[‘f’] = data[‘b’].apply(lambda x: format((x+0.000001), ‘.2%’))备注：之所以不用round 是因为roud在涉及5 这个临界点的时候四舍五入时候跟正常四舍五入会有偏差所以用 0.000001 进行补救 ，补救的标准，假设 0.xxsv 是一个小数点有四位数的数值，如果是保留两位小数，那么将在第三位s上进行四舍五入 ，那么 需要在这个数值 0.xxsv 加上 s的后一位v 上加上1 即 0.xxsv + 0.0001 的和进行四舍

eclipse java项目的导入

主要是两个方面1 更改bin目录，将root 用户中的bin目录更改为 个人普通账户下的bin目录2 更改环境变量：将需要安装的软件路径添加环境变量下1 具体操作mkdir + 路径 ： 新增一个路径作为个人账户下的bin目录，例如我是直接home 目录下 执行mkdir bin命令则新增一个路径/home/xxx/bincd ~ 切换到home 目路后，执行 echo ‘export PATH=/home/xxx/bin’ >> ~/.bashrcsource ~./bashr

dropna 很多新奇的用法参考： https://blog.csdn.net/weixin_40283816/article/details/84304055

参考链接：https://blog.csdn.net/Dorisi_H_n_q/article/details/82794167

import PIL.Image as imageimport numpy as npa = image.open("./weixin.jpg")# 获取图像print("type (a): ", type(a)) # <class 'PIL.JpegImagePlugin.JpegImageFile'> #a.show()# 从图像转换为数组b = np.array(a)print("type(b): ", type(b)) # <class 'numpy.n

Python安装skimage的方法 pip install scikit-image备注： 在pycharm 里边直接安装是不行的，需要在pycharm的 控制台 或者 本地的 cmd 的编译器里边，运行 pip install scikit-image安装完成了 只需要import skimage#这个函数是处理图像的#还有一个函数PIL也是处理图像的...

python 中的 PIL 库是用来处理图片的主要用到的是 PIL.Image 这个函数a = Image.new("L",(100, 177)) # 创建一个mode 为L ，像素是（100， 177）# 的图像b = Image.new("RGB",(100, 177)) # 创建一个mode是RGB，像素是#（100， 177）的图像a.getpixel((20,20)) # 获得 图像a 中 （20， 20）这个像素点的颜色值b.putpixel((20,20)) # 给 图像 b

Python安装skimage的方法 pip install scikit-image参考链接：https://blog.csdn.net/weixin_44928646/article/details/105933359

老生常谈，怕忘记 所以又重新写一遍：给链接中的补充一点：df.rename({A:B}, axis=1, inpalce=Ture) # A：原来的列名，B: 现在的列名；axis=1 表示更改的是列名，axis=0 表示更改的是行名参考链接：https://blog.csdn.net/qq_36037953/article/details/107695880?utm_medium=distribute.pc_relevant.none-task-blog-OPENSEARCH-2.contro

plt.imshow(image) 的 类型可以是 list 数组 形式 也可以是 numpy.array 形式参考链接：https://blog.csdn.net/ab_1_2_3_4_5_6_7_8_9/article/details/89306797

参考：https://www.jianshu.com/p/85ec63259c4ehttps://blog.csdn.net/weixin_42338058/article/details/83934187

具体请看参考链接；特别注意的是np.std(df) np.mean(df) 是分别将整个数据求标准差，以及 求 平均值另外 np.std(df) 是求标准差不是方差sklearn.preprocessing.StandardScaler 该函数是使数据同等缩放，改变了数据的大小，但是数据表现出来的应有的数据趋势是没变的参考链接：https://blog.csdn.net/FrankieHello/article/details/79659111?utm_medium=distribute.p

特别说明：data = np.arange(100)data_new = data[:,np.newaxis] # 这列中括号中的冒号是选取 data这个数据中的数据，如果是直接【：，np.newaxis 】 就是选取全部数据做变换，如果是切片形式【：40， np.newaxis】这个是选取前40 行变形参考链接：https://blog.csdn.net/qq_31347869/article/details/89194410?utm_medium=distribute.pc_relevant_

#使用import导入matplotlib.pyplot模块, 并简写成plt. 使用import导入matplotlib.gridspec, 并简写成gridspec.#用plt.figure()创建一个图像窗口, 使用gridspec.GridSpec将整个图像窗口分成3行3列.#plt.figure()import matplotlib.pyplot as pltimport matplotlib.gridspec as gridspecimport numpy as npplt.figu

MinMaxScaler()函数在sklearn包中MinMaxScaler()函数原型为：sklearn.preprocessing.MinMaxScaler(feature_range=(0, 1), copy=True)其中：feature_range：为元组类型，范围某认为:[0，1]，也可以取其他范围值。copy：为拷贝属性，默认为True,表示对原数据组拷贝操作，这样变换后元数组不变，False表 示变换操作后，原数组也跟随变化，相当于c++中的引用或指针。copy = 1 的效果 同

个人理解是为了使数据集中每列数据（也就是每个特征数据）都统一标准化。即：采用Z-Score规范化数据，保证每个特征维度的数据均值为0，方差为1注意： fit_transform 之前的数据集 train_X可以是二维的列表，也可以是pandas.DataFrame类型，fit_transform 之后的train_XX 数据类型是二维的umpy.ndarrayfrom sklearn.preprocessing import StandardScalerss = StandardScaler()

参考链接：https://blog.csdn.net/weixin_45105469/article/details/105117366?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-2.control&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-2.control

之前有个网友给留言，怎么在y轴右侧设置坐标关键代码：ax2 = ax.twinx()具体如下：import numpy as npimport matplotlib.pyplot as pltfrom matplotlib import rctime = np.linspace(1,16,16)ranksum1= [0.013113572066554608, 0.007277342460741646, 0.001865617255167422, 0.09793058424531026, 0