mighty13-CSDN博客

原创 Numpy简易教程6——ufunc函数

ufunc函数ufunc函数即通用函数（universal function），是一种能够对数组中的所有元素进行操作的函数。ufunc函数是针对数组进行操作的，并且都以NumPy数组作为输出，因此不需要对数组的每一个元素都进行操作。对一个数组进行重复运算时，使用ufunc函数比使用math库中的函数效率要高很多。1. 常用的ufunc函数运算常用的ufunc函数运算有四则运算、比较运算和逻辑运算等。1.1 四则运算ufunc函数支持全部的四则运算，并且保留习惯的运算符，和数值运算的使用方式一样（原

2021-08-13 20:10:19 33419

原创 Numpy简易教程5——创建NumPy矩阵

创建NumPy矩阵NumPy对于多维数组的运算，默认情况下并不进行矩阵运算。如果需要对数组进行矩阵运算，则可以调用相应的函数。在NumPy中，矩阵是ndarray的子类。在NumPy中，数组和矩阵有着重要的区别。NumPy提供了两个基本的对象：一个N维数组对象和一个通用函数对象。其他对象都是在它们之上构建的。矩阵是继承自NumPy数组对象的二维数组对象。与数学概念中的矩阵一样，NumPy中的矩阵也是二维的。1. 创建矩阵可以使用mat、matrix以及bmat函数来创建矩阵。使用mat函数创建矩

2021-08-12 21:32:48 49367

原创 Numpy简易教程4——变换数组的形态

变换数组的形态1. 改变数组的形状在对数组进行操作时，经常要改变数组的维度。在NumPy中，常用reshape函数改变数组的“形状”，也就是改变数组的维度。其参数为一个正整数元组，分别指定数组在每个维度上的大小。reshape函数在改变原始数据的形状的同时不改变原始数据的值。如果指定的维度和数组的元素数目不吻合，则函数将抛出异常。案例：改变数组形状# 创建一维数组arr = np.arange(12) print('创建的一维数组为：',arr)# 设置数组的形状print('新的一

2021-08-11 21:11:46 34439

原创 Numpy简易教程3——数组索引

通过索引访问数组NumPy以提供高效率的数组著称，这主要归功于索引的易用性。这里主要介绍一维数组和多维数组的索引方式。1. 一维数组的索引一维数组的索引方法很简单，Python原生list的下标索引和切片索引同样适用于一维数组。案例：使用下标索引和切片索引访问一维数组# 构造一维数组arr = np.arange(10)print('数组为：',arr)# 用整数作为下标可以获取数组中的某个元素print('索引结果为：',arr[5]) # 用范围作为下标获取数组的一个切片，包括arr

2021-08-10 21:39:23 37211 1

原创 Numpy简易教程2——创建随机数数组

创建随机数数组NumPy提供了强大的生成随机数的功能。真正的随机数很难获得，实际中使用的都是伪随机数。大部分情况下，伪随机数就能满足需求。当然，某些特殊情况除外，如进行高精度的模拟实验。对于NumPy，与随机数相关的函数都在random模块中，其中包括了可以生成服从多种概率分布随机数的函数。1. random函数random函数是最常见的生成随机数的方法，用于在区间[0,1)中生成均匀分布的随机数或随机数数组。函数格式为random(size=None)，size参数可选，即结果数组的形状元组，默

2021-08-09 23:08:06 75922 1

原创 Numpy简易教程1——创建数组对象

创建数组对象NumPy提供了两种基本的对象：ndarray（N-dimensional Array Object）和ufunc（Universal Function Object）。ndarray（下文统一称为数组）是存储单一数据类型的多维数组，而ufunc则是能够对数组进行处理的函数。1. 数组属性为了更好地理解和使用数组，了解数组的基本属性是十分有必要的。属性说明ndim返回 int。表示数组的维数shape返回 tuple。表示数组的尺寸，对于 n 行 m 列

2021-08-08 23:43:17 33649

原创《大数据数学基础Python版》读书笔记一

绪论1.1 大数据与数学通过微积分可以描述运动的事物，描述一种变化的过程。由于微积分是研究变化规律的方法，所以只要是与变化、运动有关的研究，都或多或少地与微积分存在联系，都需要运用微积分的基本思想和方法。微积分是整个近代数学的基础，有了微积分，才有了真正意义上的近代数学。统计学中的概率论部分就是建立在微积分的基础之上的。随机变量的数字特征、概率密度与分布函数的关系、连续型随机变量的计算等都是微积分现有成果的直接应用。概率论是研究随机现象数量规律的数学分支。朴素贝叶斯、Apriori关联规则等算法

2021-08-07 23:43:36 31005

原创 NumPy用户指南（3）——初学者基础知识（NumPy: the absolute basics for beginners）1

此系列文章参照NumPy官方用户指南1.2.1版本进行翻译、解读（直译说不清楚的可能会加入自己的一些理解）。《NumPy: the absolute basics for beginners》以问答的形式说明了NumPy比较基础、重要的一些概念和应用范式以便于初学者快速掌握NumPy的应用。NumPy简介：Welcome to NumPy!NumPy (Numerical Python) 是一个几乎应用于科学和工程各个领域的开源Python库，它是Python处理数值型数据的通用标准，也是Python

2021-08-06 21:07:50 30501

原创 VS Code Python预览插件Python preview的使用

VS Code Python预览插件的名称为Python preview，作者为dongli，当前版本0.0.4。该插件可提供简单的调试工具和代码预览。安装与使用安装在插件搜索框输入Python preview安装。简易使用插件安装成功后，编辑器右上角将添加一个预览按钮，如下所示。点击预览按钮，编辑器右侧添加预览窗口，主要包括两个部分，左侧是简易的调试工具，右侧是代码的即时预览结果。基本数据数据结构Numpy数据结构Pandas数据结构基本控制结构函数类...

2021-08-05 23:38:42 36212 11

原创《善数者成：大数据改变中国》读书笔记3

第八章撬动商业：新“规模经济”，数最懂你每一个消费者在消费的过程中留下数据，就会形成商业大数据。“”智慧门店”与天猫围绕新零售在新品首发、渠道管理、大数据赋能和线上线下全渠道融合等领域展开一揽子合作。向新零售转变，卖货层面是最直接的，其次是数据要打通。海澜之家采用RFID技术给2亿件衣服分配了各自的身份编码，进而实现了线上下单、线下发货，并在门店之间实现了数据共享互通，让一条条销售数据从“碎片”走向“整合”，然后又通过大数据分析，更好地分析和洞察消费者需求，及时调整经营策略，降低整体经营性投入，最终

2021-08-04 20:50:22 31127 1

原创《善数者成：大数据改变中国》读书笔记2

第四章教育升“温”:用数据精准滴灌4.1 教学科研：被大数据换上新颜教育大数据有两大重要来源：一是在教学活动过程中直接产生的数据，比如学生的学习行为数据；二是在科学研究活动中采集到的数据，比如研究数据。“私人订制”的内在驱动力在于个体之间的差异，而不同的个体对于服务有个性化的需求。在大数据时代，个体的需求已不再是一个黑箱，大数据使“私人订制”成为可能。**“自适应学习”是指人与系统相互学习的非线性过程。**传统教育模式无法兼顾不同学生在学习能力、知识掌握程度和对教学风格的偏好等方面的个性化需求，只

2021-08-03 23:15:25 30881

原创《善数者成：大数据改变中国》读书笔记1

内容提要数据之大，“大容量”只是表象，“大价值”才是根本。数据自古有之，它是对万事万物的精确刻画，也是对客观世界的普遍记录。推荐序通俗地说，数据是数字化的资料，而大数据，就是大而复杂的资料集。当数据积累到一定的量级，数据背后关于自然和社会的客观规律也开始呈现出来，人类通过挖掘、分析，可以从庞大的资料集中判断事物的特点、趋势和相互关系，从而让数据释放出科学的伟力。挖掘各领域数据的价值，从而实现由数据到信息再到知识和决策的转换，将是一个基本的社会科学活动。发展大数据具有独特的优势，一方面，这和我国

2021-08-02 23:26:54 31061

原创《人人都在说谎：赤裸裸的数据真相》读书笔记3

第三部分大数据：请小心轻放第七章大数据，大框架？其力有何不能胜新的大数据来源能否成功预测股票的走势呢？答案很简单：不能。这一章是关于大数据的局限性的——我们无法运用大数据做到的事，有时还包括我们不该运用大数据去做的事。在第3章中，我们注意到，当一个特定领域的现有研究还不够深入的时候，新数据很可能会带来巨大的回报。维度的诅咒是大数据的一个主要问题，因为新的数据集经常会给我们带来比传统数据源更多的变量——每一个搜索词、每一种推文等。无论何时，只要拥有多个变量（或者说“维度”，在这个例子中就是1 00

2021-08-01 21:12:16 30569

原创《人人都在说谎：赤裸裸的数据真相》读书笔记2

第二部分大数据的力量第四章数据吐真剂人们百分之百对调查说谎。即使大多数调查是匿名的，许多人在调查中也会隐瞒不堪的行为和想法。他们希望自己看起来好一点。这一现象被称为社会期许误差。在现实生活中，大约有1/3的时间人们都会说谎。我们对调查说谎的另一个原因是，如果有人进行采访，我们强烈希望给做采访的陌生人留下好印象。说谎的另一个原因是单纯地想搞乱调查。对任何有关青少年的研究来说，这都是一个巨大的难题。因此，情况越是与自己无关，人们越诚实。想要得到真实的答案，电话调查比现场调查好，互联网调查比电话调查好

2021-07-31 23:41:21 30924

原创微信读书API分析

现有微信读书相关开源项目概述微信读书提供了大量正版图书，全文可复制、标注便利，支持移动和PC两大平台。所以近几年一直使用微信读书看书，并对大量图书做了批注，但是微信读书不支持导出批注。在github搜下了，发现了三个比较好的项目，他们对微信读书API已经做了很多探索。@arry-lee 的wereader项目，地址：https://github.com/arry-lee/wereader该项目是最早解释微信读书API的项目，具有以下特点：第一次运行需要粘贴微信读书的cookie字符串。这就需要

2021-07-30 23:28:05 36462 1

原创《人人都在说谎：赤裸裸的数据真相》读书笔记1

图书背景本书系《Everybody Lies: Big Data, New Data, and What》译著，主要通过案例科普大数据的一些概念。本书论述稍显散乱，案例因为文化背景的原因，读起来可能有点乏味，但总体来讲可以打及格分。绪论...

2021-07-29 19:44:00 30895

原创 UnicodeEncodeError: ‘latin-1‘ codec can‘t encode character ‘\u2026‘ in position异常的原因

异常现象通过F12 浏览器开发者工具复制cookie，使用requests库进行请求时，抛出UnicodeEncodeError: 'latin-1' codec can't encode character '\u2026' in position异常。原因分析通过查询可知Unicode\u2026对应的字符为…。检查cookie发现其中含有…，cookie信息并不完整。通过观察发现，在开发者工具中，如果header中的值比较长会自动折叠内容，用…显示。解决方法对于firefox浏览器，点击

2021-07-28 01:38:48 33909 4

原创《Python数据分析基础教程：NumPy学习指南（第2版）》笔记17：第七章专用函数3——窗函数

当前Numpy版本为：1.20第七章专用函数7.23 窗函数窗函数（window function）是信号处理领域常用的数学函数，相关应用包括谱分析和滤波器设计等。这些窗函数除在给定区间之外取值均为0。NumPy中有很多窗函数，如bartlett、blackman、hamming、 hanning和kaiser。关于hanning函数的例子可以在第4章和第3章中找到。7.24 动手实践：绘制巴特利特窗巴特利特窗（Bartlett window）是一种三角形平滑窗。按如下步骤绘制巴特利特窗。

2021-07-27 17:02:02 32598

原创《Python数据分析基础教程：NumPy学习指南（第2版）》笔记16：第七章专用函数2——金融函数

当前Numpy版本为：1.20第七章专用函数7.9 金融函数NumPy中有很多金融函数。Numpy 1.20之前的版本导入numpy，直接调用以下函数即可。（注意！Numpy 1.20之后的版本移除了金融函数，并将这些函数移至numpy_financial库。本文numpy版本为1.20，因此运行以下案例须安装并调用numpy_financial库，详见https://numpy.org/neps/nep-0032-remove-financial-functions.html）fv函数计算

2021-07-26 09:54:46 32444

原创《Python数据分析基础教程：NumPy学习指南（第2版）》笔记15：第七章专用函数1——排序

第七章专用函数本章主要介绍金融计算或信号处理方面的Numpy函数。7.1 排序NumPy提供了多种排序函数，如下所示：sort函数返回排序后的数组；lexsort函数根据键值的字典序进行排序；argsort函数返回输入数组排序后的下标；ndarray类的sort方法可对数组进行原位排序；msort函数沿着第一个轴排序；sort_complex函数对复数按照先实部后虚部的顺序进行排序。在上面的列表中， argsort和sort函数可用来对NumPy数组类型进行排序。7.2 动手实践

2021-07-25 17:19:45 30600

原创《Python数据分析基础教程：NumPy学习指南（第2版）》笔记14：第六章深入学习NumPy模块2——随机数模块random

第六章深入学习NumPy模块6.13 快速傅里叶变换FFT（Fast Fourier Transform，快速傅里叶变换）是一种高效的计算DFT（Discrete Fourier Transform，离散傅里叶变换）的算法。FFT算法比根据定义直接计算更快，计算复杂度为O(NlogN) 。DFT在信号处理、图像处理、求解偏微分方程等方面都有应用。在NumPy中，有一个名为fft的模块提供了快速傅里叶变换的功能。在这个模块中，许多函数都是成对存在的，也就是说许多函数存在对应的逆操作函数。例如，fft和i

2021-07-24 01:15:32 30667 1

原创《Python数据分析基础教程：NumPy学习指南（第2版）》笔记13：第六章深入学习NumPy模块1——线性代数模块numpy.linalg

numpy.dual模块包含同时在NumPy和SciPy中定义的函数。6.1 线性代数线性代数是数学的一个重要分支。numpy.linalg模块包含线性代数的函数。使用这个模块，我们可以计算逆矩阵、求特征值、解线性方程组以及求解行列式等。6.2 动手实践：计算逆矩阵在线性代数中，矩阵A与其逆矩阵A-1 相乘后会得到一个单位矩阵I。该定义可以写为A *A-1 =I。numpy.linalg模块中的inv函数可以计算逆矩阵。我们按如下步骤来对矩阵求逆。(1) 与前面的教程中一样，我们将使用mat函数

2021-07-23 15:59:54 30709 1

原创《Python数据分析基础教程：NumPy学习指南（第2版）》笔记12：第五章矩阵和通用函数2

第五章矩阵和通用函数5.13 斐波那契数列斐波那契（Fibonacci）数列是基于递推关系生成的。直接用NumPy代码来解释递推关系是比较麻烦的，不过我们可以用矩阵的形式或者黄金分割公式来解释它。因此，我们将介绍matrix和rint函数。使用matrix函数创建矩阵，rint函数对浮点数取整，但结果仍为浮点数类型。5.14 动手实践：计算斐波那契数列斐波那契数列的递推关系可以用矩阵来表示。斐波那契数列的计算等价于矩阵的连乘。(1) 创建斐波那契矩阵：import numpy as np

2021-07-22 21:09:04 30872 3

原创《Python数据分析基础教程：NumPy学习指南（第2版）》笔记11：第五章矩阵和通用函数1

本章我们将学习矩阵和通用函数（universal functions，即ufuncs）的相关内容。矩阵作为一种重要的数学概念，在NumPy中也有专门的表示方法。通用函数可以逐个处理数组中的元素，也可以直接处理标量。通用函数的输入是一组标量，输出也是一组标量，它们通常可以对应于基本数学运算，如加、减、乘、除等。我们还将介绍三角函数、位运算函数和比较函数。第五章矩阵和通用函数5.1 矩阵在NumPy中，矩阵是ndarray的子类，可以由专用的字符串格式来创建。与数学概念中的矩阵一样， NumPy中的矩阵

2021-07-21 22:52:34 30668 1

原创《Python数据分析基础教程：NumPy学习指南（第2版）》笔记10：第四章便捷函数2——

本章通过计算股票收益率相关性的案例演示NumPy数据分析。第四章便捷函数4.5 净额成交量成交量（volume）是投资中一个非常重要的变量，它可以表示价格波动的大小。 OBV（On-Balance Volume，净额成交量或叫能量潮指标）是最简单的股价指标之一，它可以由当日收盘价、前一天的收盘价以及当日成交量计算得出。这里我们以前一日为基期计算当日的OBV值（可以认为基期的OBV值为0）。若当日收盘价高于前一日收盘价，则本日OBV等于基期OBV加上当日成交量。若当日收盘价低于前一日收盘价，则本日OB

2021-07-20 22:53:42 30836 1

原创《Python数据分析基础教程：NumPy学习指南（第2版）》笔记9：第四章便捷函数1——

本章通过计算股票收益率相关性的案例演示NumPy数据分析。第四章便捷函数4.1 相关性不知你是否注意过这样的现象：某公司的股价被另外一家公司的股价紧紧跟随，并且它们通常是同领域的竞争对手。对于这种现象，理论上的解释是：因为这两家公司经营的业务类型相同，它们面临同样的挑战，需要相同的原料和资源，并且争夺同类型的客户。你可能会想到很多这样的例子，但还想检验一下它们是否真的存在关联。一种方法就是看看两个公司股票收益率的相关性，强相关性意味着它们之间存在一定的关联性。当然，这不是严格的证明，特别是当我们所

2021-07-19 17:37:17 30673

原创《Python数据分析基础教程：NumPy学习指南（第2版）》笔记8：第三章常用函数4——线性模型、数组修剪与压缩、阶乘

本章将介绍NumPy的常用函数。具体来说，我们将以分析历史股价为例，介绍怎样从文件中载入数据，以及怎样使用NumPy的基本数学和统计分析函数。这里还将学习读写文件的方法，并尝试函数式编程和NumPy线性代数运算。第三章常用函数3.25 线性模型许多科学研究中都会用到线性关系的模型。NumPy的linalg包是专门用于线性代数计算的。下面的工作基于一个假设，就是一个价格可以根据N个之前的价格利用线性模型计算得出。3.26 动手实践：用线性模型预测价格我们姑且假设，**一个股价可以用之前股价的线性

2021-07-18 00:56:01 30663 1

原创《Python数据分析基础教程：NumPy学习指南（第2版）》笔记7：第三章常用函数3——最大值数组、卷积、指数、填充

本章将介绍NumPy的常用函数。具体来说，我们将以分析历史股价为例，介绍怎样从文件中载入数据，以及怎样使用NumPy的基本数学和统计分析函数。这里还将学习读写文件的方法，并尝试函数式编程和NumPy线性代数运算。第三章常用函数3.17 真实波动幅度均值（ATR）ATR（Average True Range，真实波动幅度均值）是一个用来衡量股价波动性的技术指标。ATR的计算并不是重点，只是作为演示几个NumPy函数的例子，包括maximum函数。3.18 动手实践：计算真实波动幅度均值按照如下步骤

2021-07-17 01:00:49 30778 2

原创《Python数据分析基础教程：NumPy学习指南（第2版）》笔记6：第三章常用函数2——中位数、方差、日期、展平

本章将介绍NumPy的常用函数。具体来说，我们将以分析历史股价为例，介绍怎样从文件中载入数据，以及怎样使用NumPy的基本数学和统计分析函数。这里还将学习读写文件的方法，并尝试函数式编程和NumPy线性代数运算。第三章常用函数3.9 统计分析股票交易者对于收盘价的预测很感兴趣。常识告诉我们，这个价格应该接近于某种均值。算数平均值和加权平均值都是在数值分布中寻找中心点的方法。然而，它们对于异常值（outlier）既不鲁棒也不敏感。举例来说，如果我们有一个高达100万美元的收盘价，这将影响到我们的计算结

2021-07-16 12:33:30 31421 2

原创《Python数据分析基础教程：NumPy学习指南（第2版）》笔记5：第三章常用函数1——文件读写、算术平均值、最大值最小值、极值

本章将介绍NumPy的常用函数。具体来说，我们将以分析历史股价为例，介绍怎样从文件中载入数据，以及怎样使用NumPy的基本数学和统计分析函数。这里还将学习读写文件的方法，并尝试函数式编程和NumPy线性代数运算。第三章常用函数3.1 文件读写首先学习使用NumPy读写文件。通常情况下，数据是以文件形式存储的。学会读写文件是深入学习NumPy的基础。3.2 动手实践：读写文件作为文件读写示例，我们创建一个单位矩阵并将其存储到文件中，并按照如下步骤完成。(1) 单位矩阵，即主对角线上的元素均为1，

2021-07-15 19:12:06 30775 1

原创《Python数据分析基础教程：NumPy学习指南（第2版）》笔记4：第二章 NumPy基础3——数组的组合、分割，数组转换为列表

第二章 NumPy基础3本章示例代码中的输入和输出均来自IPython会话。2.7 数组的组合NumPy数组有水平组合、垂直组合和深度组合等多种组合方式，我们将使用vstack、dstack、 hstack、 column_stack、 row_stack以及concatenate函数来完成数组的组合。2.8 动手实践：组合数组首先，我们来创建一些数组：In [1]: import numpy as npIn [3]: a = np.arange(9).reshape(3,3)In [4]:

2021-07-14 09:40:48 30694

原创《Python数据分析基础教程：NumPy学习指南（第2版）》笔记3：第二章 NumPy基础2——数组的索引和切片、改变数组维度

第二章 NumPy基础2本章示例代码中的输入和输出均来自IPython会话。2.4 一维数组的索引和切片一维数组的切片操作与Python列表的切片操作很相似。例如，我们可以用下标3~7来选取元素3~6：In [27]: a = np.arange(9)In [28]: a[3:7]Out[28]: array([3, 4, 5, 6])也可以用下标0~7，以2为步长选取元素：In [29]: a[:7:2]Out[29]: array([0, 2, 4, 6])和Python中一样，

2021-07-13 14:08:50 30707

原创《Python数据分析基础教程：NumPy学习指南（第2版）》笔记2：第二章 NumPy基础1——数据类型

第二章 NumPy基础1本章示例代码中的输入和输出均来自IPython会话。2.1 NumPy数组对象NumPy中的ndarray是一个多维数组对象，该对象由两部分组成：实际的数据；描述这些数据的元数据。大部分的数组操作仅仅修改修改元数据部分，而不改变底层的实际数据。在第1章中，我们已经知道如何使用arange函数创建数组。实际上，当时创建的数组只是包含一组数字的一维数组，而ndarray支持更高的维度。NumPy数组一般是同质的（但有一种特殊的数组类型例外，它是异质的），即数组中的所有

2021-07-12 19:18:53 30964 2

原创《Python数据分析基础教程：NumPy学习指南（第2版）》笔记1：第一章 NumPy快速入门

NumPy快速入门1.1 PythonNumPy是基于Python的，因此在安装NumPy之前，需要先安装Python。某些操作系统已经默认安装有Python环境，但仍需检查Python的版本是否与将要安装的NumPy版本兼容。Python有很多种实现，包括一些商业化的实现和发行版。本书使用CPython实现，从而保证与NumPy兼容。1.2 动手实践：在不同的操作系统上安装 Python...

2021-07-11 23:47:48 30821

原创《Python数据分析基础教程：NumPy学习指南（第2版）》笔记0：前言

前言NumPy是什么NumPy，即Numeric Python的缩写。尽管Python作为流行的编程语言非常灵活易用，但它本身并非为科学计算量身定做，在开发效率和执行效率上均不适合直接用于数据分析，尤其是大数据的分析和处理。 NumPy在保留Python语言优势的同时大大增强了科学计算和数据处理的能力。数据科学家们希望能够用最小的编程代价在大数据集上进行数值分析，他们希望自己编写的代码可读性好、执行效率高、运行速度快，并尽可能地贴近他们熟悉的一系列数学概念。在科学计算领域，有很多符合这些要求的解决

2021-07-10 22:12:58 30602

原创 ECharts 示例——双Y轴

当前ECharts版本为5.1.2。概述按照对ECharts双Y轴图进行如下设置：两个Y轴共用1个X轴。数据系列：修改柱子和折线颜色数据标签：修改字体大小、样式数据组件：使用dataset提供数据，便于使用表格数据配置项option = { legend: { data: ['销量（支）', '营业额（万元）'] }, dataset:{ source:[ ['2020年12月', 13700, 287]

2021-07-09 19:20:34 31673

原创 ECharts 示例——圆环图：数据标签详细设置

当前ECharts版本为5.1.2。概述按照其他可视化工具中圆环图的默认样式，对ECharts圆环图进行如下设置：标题：设置标题位于圆环中央，修改标题字体大小和颜色数据标签：修改字体大小、样式数据标签：格式化标签文本，显示百分比数据标签：设置标签颜色与饼块颜色相同数据标签：显示引导线提示框：显示提示框配置项option = { tooltip: { trigger: 'item' }, title: { text:"股权结构"

2021-07-08 23:31:41 39012 1

原创 NumPy用户指南（2）——安装NumPy

此系列文章参照NumPy官方用户指南1.2.1版本进行翻译、解读（直译说不清楚的可能会加入自己的一些理解）。安装NumPy安装NumPy的唯一必备条件就是已经安装了Python 。如果还没有安装Python，想用最简单的方式安装NumPy，我们推荐使用Anaconda 发行版，它包含了Python、 NumPy以及其他Python科学计算和数据科学常用的包。NumPy可以使用conda、 pip、 macOS 和 Linux的包管理器或者源码进行安装。具体命令可参考下方的Python 和 NumPy安

2021-07-07 21:39:09 31543

原创 NumPy用户指南（1）——NumPy简介

此系列文章参照NumPy官方用户指南1.2.1版本进行翻译、解读（直译说不清楚的可能会加入自己的一些理解）。NumPy简介NumPy概述NumPy是Python科学计算的基础包。它提供了多维数组对象及其各种派生对象（如掩码数组和矩阵），它还提供了用于数组快速操作的各种API，包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅立叶变换（DFT）、基本线性代数，基本统计运算和随机模拟等。ndarray对象是NumPy包的核心。ndarray对象封装了相同数据类型的 n 维数组，出于性能方面的考虑，n

2021-07-06 23:40:34 30574

原创 Jupyter Notebook设置密码验证

Jupyter Notebook当前版本为6.3.0。概述Jupyter Notebook默认是以token来验证身份的。当在命令行使用jupyter notebook命令启动Jupyter Notebook服务器时，会自动生成一个token用来验证身份。PS C:\Users\Administrator> jupyter notebook[I 21:48:21.163 NotebookApp] Serving notebooks from local directory: C:\Users

2021-07-05 22:45:39 34499 2

空空如也

空空如也