LaoChen_ZeroonE

原创 计算平均数

算术平均数（Arithmetic Mean）1.计算公式2.优点：相比于中位数、众数，更少收到随机因素的影响3.缺点：更容易收到极端值（biased value）的影响几何平均数（Geometric Mean）1.计算公式2.优点:适用于对比率数据的平均，主要用于计算数据平均增长率调和平均数（Harmonic Mean）1.计算公式2.优点：计算平均速率，感觉很多paper都在用，用于计算平均速率平方平均数（Quadratic Mean）1.计算公式：2.优点：是2次方的广义平均数的

原创 pandas 过滤数据

#!/usr/bin/env python# -*- coding: utf-8 -*-# @Author : LaoChen"""df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD')) Out[9]: A B C D 2017-04-01 0.522241 0.495106 -0.268194

原创 pandas 删除nan

#!/usr/bin/env python# -*- coding: utf-8 -*-# @Author : LaoChen"""创建DataFrame样例数据>>> import pandas as pd>>> import numpy as np>>> data = pd.DataFrame({'a': [1, 2, 4, np.nan,7, 9], 'b': ['a', 'b', np.nan, np.nan, 'd', 'e'

原创 pandas数据排序

Series的排序：Series.sort_values(ascending=True, inplace=Flase)参数说明：ascending：默认为True升序排列，为Flase降序排序inplace： 是否修改原始的SeriesDataFrame的排序DataFrame.sort_values(by, ascending=True, inplace=Flase )参数说明：by： 字符串或者List<字符串>，单列排序或者多列排序ascending：bool或者.

原创 冒泡排序

原创 JAVA编程 单词集

public ：公共的private： 私有的try： 尝试use：使用main： 主要的class ： 类string ： 字符串byte： 字节 01001100 佛祖释迦牟尼 大象 3integer ： 整型 100long ： 长，长整型double ： 一双一对， 双精度数字float ： 浮点void ： 空的，虚空，无效的null ：空的，没有任何事物的print： 打印console ：终端out： 输出in： 输入objec

原创 Python 激活函数

Python 实现激活函数#!/usr/bin/env python# -*- coding: utf-8 -*-# @Author : LaoChenimport numpy as npdef linear(x): r"""linear activation :math:`y = x` Arguments: x {lists or array} -- inputs Returns: array -- outputs

原创 python 排列组合

python 排列组合#!/usr/bin/env python# -*- coding: utf-8 -*-# @Author : LaoChenimport itertools#组合a = itertools.permutations(['a','b','c'], 2)print(type(a))print(list(a))#排列a = itertools.combinations(['a','b','c'], 2)print(type(a))print(list(a

原创 python 判断nan值

python 判断nan值#!/usr/bin/env python# -*- coding: utf-8 -*-# @Author : LaoChen"""None 和 nantype(None)-----------Nonetypetype(Nan)-------------float判断nan这里出了7个判断的方法，但实际有效的只有3个，还有半有效的~后四个方法则是只有np.nan可以判断自己的类型，其他三种没办法自己判断自己。也就是说：np.nan is np.nan是

原创 pandas画图

pandas画各种图表#!/usr/bin/env python# -*- coding: utf-8 -*-# @Author : LaoChenimport pandas as pdimport numpy as np"""设置字体和显示中文Pandas在绘图时,会显示中文为方块,主要原因有二: matplotlib 字体问题，seaborn 字体问题。没有中文字体，所以我们只要手动添加中文字体的名称就可以了，不过并不是添加我们熟悉的“宋体”或“黑体”这类的名称，而是要添加字体

原创 python list元素统计

python list元素统计方法#!/usr/bin/env python# -*- coding: utf-8 -*-# @Author : LaoChendata = [1,1,1,2,2,2,3,3,1,4,2,2,3,2,3,1,6,7,8]#1from collections import Counterresult = Counter(data)print("result:",result)#2data_dict = {}for key in data:

原创 pandas apple传参

pandas apple传参三种方式#!/usr/bin/env python# -*- coding: utf-8 -*-# @Author : LaoChenimport pandas as pdimport datetime #用来计算日期差的包def dataInterval(data1,data2): d1 = datetime.datetime.strptime(data1, '%Y-%m-%d') d2 = datetime.datetime.strpti

原创 pandas-df拼接

merge(left, right, how=‘inner’, on=None, left_on=None, right_on=None,left_index=False, right_index=False, sort=True,suffixes=(’_x’, ‘_y’), copy=True, indicator=False)#!/usr/bin/env python# -*- coding: utf-8 -*-# @Author : LaoChen"""merge(left, ri

原创 异常检测

异常检测前言异常检测算法基于曲线拟合的检测方法统计检测算法基于同期数据的检测方法基于同期振幅的检测方法基于环比数据的检测算法投票机制总结前言异常检测的场景很多，例如硬件的故障检测、流量的异常点的检测等场景。这篇博客我们针对的是时间序列的异常检测。时间序列异常的检测算法有很多，业界比较流行的比如普通的统计学习方法–3σ原则，它利用检测点偏移量来检测出异常。比如普通的回归方法，用曲线拟合方法来检测新的节点和拟合曲线的偏离程度，甚至有人讲CNN和RNN技术应用到异常点的检测。通过普通的阈值来检测流量异常的方

原创 自编码器--简介

自编码反池化反卷积去噪自编码器稀疏自编码器变分自编码器收缩自编码器自编码器（autoencoder, AE）是一类在半监督学习和非监督学习中使用的人工神经网络（Artificial Neural Networks, ANNs），其功能是通过将输入信息作为学习目标，对输入信息进行表征学习（representation learning）。自编码器包含编码器（encoder）和解码器（decoder）两部分。按学习范式，自编码器可以被分为收缩自编码器（undercomplete autoencoder）、正

原创 python安装第三方包超时HTTPSConnectionPool(host=‘files.pythonhosted.org‘, port=443): Read timed out

pip._vendor.urllib3.exceptions.ReadTimeoutError: HTTPSConnectionPool(host=‘files.pythonhosted.org’, port=443): Read timed outpip._vendor.urllib3.exceptions.ReadTimeoutError: HTTPSConnectionPool(host=‘files.pythonhosted.org’, port=443): Read timed out.T

原创 idea使用git的分支操作以及冲突问题

首先是点击更新：默认选择Merge Using Stash，点击OK拉下来提交按钮提交自己修改过的文件夹可以push多人修改同一个文件就会冲突点击完Apply,至此更新合并conding上的代码已经完成推送上去：...

原创 idea设置默认配置

maven配置idea中的maven，让以后每一个工程都使用在setting文件中指定的仓库。1：打开maven配置界面。2：点击后面的三角符号，使maven列表显示，并在列表中选择想要使用的maven，当然，如果你的电脑上有自己下载的maven，也可以点击最后面的三个点的按钮，选择你自己的maven.。3：勾选上这个对号，让我们可以选择我们自定义的setting配置。4：点击文件夹图标，会弹出一个文件选择界面，在界面中找到setting.xml文件所在的位置，并双击选择setting文件。

原创 时序数据特征提取

时序数据特征提取时间序列的表示方法分段线性表示分段线性表示符号化聚合近似时间序列的相似性度量方法Ｍｉｎｋｏｗｓｋｉ距离动态时间弯曲符号化距离基于模型的距离度量方法时间序列的特征提取方法基于统计特征的分类特征提取基于构建模型的分类特征提取基于变换的分类特征提取基于分形理论的分类特征提取特征提取在提高分类的准确性中起着非常关键的作用. 对时序特征提取的方法进行归纳分类, 将有利于对特征提取整体性, 全面性的认识. 回顾现有的时间序列中特征提取的方法, 将其总结为四大类, 它们分别是基于基本统计方法的特征提取、

原创 Skleran-线性模型-logistic 回归

logistic 回归sklearn.linear_model.LogisticRegressionlogistic 回归logistic 回归，虽然名字里有 “回归” 二字，但实际上是解决分类问题的一类线性模型。在某些文献中，logistic 回归又被称作 logit 回归，maximum-entropy classification（MaxEnt，最大熵分类），或 log-linear classifier（对数线性分类器）。该模型利用函数 logistic function 将单次试验（sing.

原创 Skleran-线性模型-贝叶斯回归(BayesianRidge)

贝叶斯回归sklearn.linear_model.BayesianRidgesklearn.linear_model.ARDRegression贝叶斯回归sklearn.linear_model.BayesianRidgeclass sklearn.linear_model.BayesianRidge(*, n_iter=300, tol=0.001, alpha_1=1e-06, alpha_2=1e-06, lambda_1=1e-06, lambda_2=1e-06, alpha_in.

原创 Skleran-线性模型-OrthogonalMatchingPursuit

OrthogonalMatchingPursuitsklearn.linear_model.OrthogonalMatchingPursuitOrthogonalMatchingPursuitsklearn.linear_model.OrthogonalMatchingPursuitclass sklearn.linear_model.OrthogonalMatchingPursuit(*, n_nonzero_coefs=None, tol=None, fit_intercept=True, .

原创 Skleran-线性模型-最小角回归（LARS）

最小角回归sklearn.linear_model.Larssklearn.linear_model.LassoLars最小角回归sklearn.linear_model.Larsclass sklearn.linear_model.Lars(*, fit_intercept=True, verbose=False, normalize=True, precompute='auto', n_nonzero_coefs=500, eps=2.220446049250313e-16, copy_X=.

原创 Skleran-线性模型-ElasticNetCV

ElasticNetCVsklearn.linear_model.ElasticNetsklearn.linear_model.MultiTaskElasticNetElasticNetCVsklearn.linear_model.ElasticNetclass sklearn.linear_model.ElasticNet(alpha=1.0, *, l1_ratio=0.5, fit_intercept=True, normalize=False, precompute=False, max.

原创 Skleran-线性模型-Lasso

Lassosklearn.linear_model.Lassosklearn.linear_model.MultiTaskLassoLassosklearn.linear_model.Lassoclass sklearn.linear_model.Lasso(alpha=1.0, fit_intercept=True, normalize=False, precompute=False, copy_X=True, max_iter=1000, tol=0.0001, warm_start=Fal.

原创 Skleran-线性模型-Ridge/岭回归

Ridge/岭回归sklearn.linear_model.Ridge例子sklearn.linear_model.RidgeClassifierRidge/岭回归sklearn.linear_model.Ridgeclass sklearn.linear_model.Ridge(alpha=1.0, fit_intercept=True, normalize=False, copy_X=True, max_iter=None, tol=0.001, solver='auto', random_.

原创 Skleran-线性模型-普通最小二乘法-LinearRegression

普通最小二乘法sklearn.linear_model.LinearRegression普通最小二乘法sklearn.linear_model.LinearRegressionclass sklearn.linear_model.LinearRegression(fit_intercept=True, normalize=False, copy_X=True, n_jobs=None)参数： fit_intercept：bool, optional, default True 是否计算此模型.

原创 sklearn 模型总结

sklearn结构图Skleran 线性模型中文文档.sklearn结构图Skleran 线性模型模型解决问题实现说明普通最小二乘法回归手机$12导管$1

原创 光模块-寿命分析

光模块结构分类基本指标光模块的使用寿命光模块的三种失效率预计方法基本概念失效率预计可靠性分析可靠性试验加速寿命试验方法阿伦尼兹(Arrhenius)模型逆幂律模型单应力的艾林(Eyring)模型光模块加速寿命试验分析方法研究光模块光模块是进行光电和电光转换的光电子器件。光模块的发送端把电信号转换为光信号，接收端把光信号转换为电信号。结构发射部分是：输入一定码率的电信号经内部的驱动芯片处理后驱动半导体激光器（LD）或发光二极管（LED）发射出相应速率的调制光信号，其内部带有光功率自动控制电路，使输出.

原创 贝叶斯分类-理论基础

贝叶斯分类朴素贝叶斯极大似然估计贝叶斯估计贝叶斯分类朴素贝叶斯极大似然估计贝叶斯估计

原创 时间序列数据趋势分析 Cox-Stuart、Mann-Kendall、Dickey-Fuller

时序数据趋势检测斜率法Cox-Stuart检验Mann-Kendall检验稳定性检验滚动统计Dickey-Fuller（迪基-福勒检验、单根检验）时序数据趋势检测斜率法原理:斜率法的原理就是使用最小二乘等方法对时序数据进行拟合，然后根据拟合成的直线的斜率k判断序列的数据走势，当k>0时，则代表趋势上升；当k<0时，则代表趋势下降。优缺点:优点是方法简单；缺点是要求趋势是线性的，当数去波动较大时无法准确拟合。Cox-Stuart检验原理直接考虑数据的变化趋势，若数据有上升趋势，.

原创 sklearn 增量学习、partial_fit

增量学习(Incremental Learning)是指一个学习系统能不断地从新样本中学习新的知识，并能保存大部分以前已经学习到的知识。增量学习主要有两方面的应用:一是用于数据库非常大的情形,例如Web日志记录;二是用于流数据,因为这些数据随着时间在不断的变化,例如股票交易数据.另外在增量学习中,现有的增量学习算法大多采用决策树和神经网络算法实现的,它们在不同程度上具有以下两方面的缺点:一方面由于缺乏对整个样本集期望风险的控制,算法易于对训练数据产生过量匹配;另一方面,由于缺乏对训练数据有选择的

原创 DataFrame-diff函数、重置索引、替换

#!/usr/bin/env python# -*- coding: utf-8 -*-# @Time : 2020/5/26 23:07# @Author : LaoChenimport pandas as pddict3 = {'a': [6, 4, 3, 5, 2, 1], 'b': ['a', 's', 'd', 'f', 'g', 'h'], 'c': [1, 4, 9, 16, 25, 36]}df = pd.DataFrame(dict3)

原创 matplotlib-画图参数-日期做x轴

#!/usr/bin/env python# -*- coding: utf-8 -*-# @Time : 2020/5/25 22:02# @Author : LaoChenimport matplotlib.pyplot as pltimport datetimedef day_list(): days = [1,2,3,4,5,6,7,8,9] base_date = datetime.datetime(2020,1,1) date_list = []

转载 计算机网络基础知识

1）什么是链接？链接是指两个设备之间的连接。它包括用于一个设备能够与另一个设备通信的电缆类型和协议。2）OSI 参考模型的层次是什么？有 7 个 OSI 层：物理层，数据链路层，网络层，传输层，会话层，表示层和应用层。3）什么是骨干网？骨干网络是集中的基础设施，旨在将不同的路由和数据分发到各种网络。它还处理带宽管理和各种通道。4）什么是 LAN？LAN 是局域网的缩写。它是指计算机与位于小物理位置的其他网络设备之间的连接。5）什么是节点？节点是指连接发生的点。它可以是作为网络一部分的计算机

原创 python-list、dataframe转换、遍历

List转换为DataframePandas中将列表转换成为数据框有两种方法：第一种是两个不同列表转换成一个数据框，第二种是一个包含不同子列表的列表转换成为数据框。#!/usr/bin/env python# -*- coding: utf-8 -*-# @Time : 2020/5/25 21:36# @Author : LaoChen#方法一import pandas as pda = ['a1','a2','a3','a4'] #列表ab = [0,1,0,1] #列表b

原创 k近邻法-理论基础

k近邻法距离度量k值选择分类决策规则k近邻（k-Nearest Neighbor，简称kNN）学习是一种常用的监督学习方法，给定测试样本，基于某种距离度量找出训练集中与其最靠近的k个训练样本，然后基于这k个“邻居”的信息来进行预测。在分类任务中可使用“投票法”，即选择这k个样本中出现最多的类别标记作为预测结果；在回归任务中可使用“平均法”，即将这k个样本的实值输出标记的平均值作为预测结果；还可基于距离远近进行加权平均或投票，距离越近的样本权重越大。k近邻是“懒惰学习（lazy learning）”的代表

原创 深度学习-循环神经网络TensorFlow

深度学习-循环神经网络TensorFlow循环神经网络结构长短时记忆网络（LSTM）结构TensorFlow实现LSTM双向循环神经网络TensorFlow实现BiLSTM深层循环神经网络TensorFlow实现多层LSTM循环神经网络结构下图是一个典型的循环神经网络。循环神经网络的主体结构A的输入除了来自输入层xt，还有一个循环的边来提供上一时刻的隐藏状态ht−1。在每一时刻，循环神经网络的模块A在读取了xt和ht−1之后会生成新的隐藏状态ht，并产生本时刻的输出ot。循环神经网络当前的状态ht是根据

原创 深度学习-卷积神经网络TensorFlow

深度学习-卷积神经网络卷积神经网络卷积和神经网络卷积层TensorFlow中卷积层的实现池化层TensorFlow实现池化层TensorFlow实现简单的卷积神经网络卷积神经网络卷积神经网络（Convolutional Neural Networks）是近些年逐步兴起的一种人工神经网络结构，因为利用卷积神经网络在图像和语音识别方面能够给出更优预测结果，这一种技术也被广泛的传播可应用。卷积神经网络最常被应用的方面是计算机的图像识别，不过因为不断地创新, 它也被应用在视频分析， 自然语言处理等等。卷积神经网

原创 深度学习-自编码和全连接神经网络

深度学习-自编码和全连接神经网络自编码简介TensorFlow实现自编码全连接神经网络TensorFlow实现全连接神经网络自编码简介深度学习在早期被认为是一种无监督的特征学习（Unsupervised Feature Learning），模仿了人脑对特征逐层抽象提取的过程，这其中有两点很重要：一是无监督学习，即不需要标注数据就可以对数据进行一定程度的学习，这种学习是对数据内容组织形式的学习，提取的是频繁出现的特征；二是逐层抽象，特征是需要不断抽象的，就像人总是从简单基础的感念开始学习，再到复杂的概念。