用jupyter打开D盘的文件

最新推荐文章于 2024-05-28 11:06:09 发布

怼怼是酷盖

最新推荐文章于 2024-05-28 11:06:09 发布

阅读量8.6k

点赞数 13

文章标签： jupyter python keras

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_43431934/article/details/122139578

版权

在使用jupyter的过程中一定会遇见这样的问题：
“呀！我的jupyter打开里面怎么只能看见C盘的文件啊，怎么办怎么办？？” 手动狗头
因为我就遇见过，还一直傻傻的把要用的文件放在桌面上，因为不会进其他盘O(∩_∩)O…

不说废话了，现在看看怎么让jupyter打开D盘（E、F、G盘）的文件：

切换目录

那么我想jupyter打开的目录是其它盘应该怎么办？以D盘为例：
首先打开cmd输入命令 cd /d D:

打开jupyter

之后我们再打开jupyter，即输入 jupyter notebook 回车

成功进入到D盘啦~

快去试试吧

怼怼是酷盖

关注

13
点赞
踩
42

收藏

觉得还不错? 一键收藏
3
评论
用jupyter打开D盘的文件

在使用jupyter的过程中一定会遇见这样的问题：“呀！我的jupyter打开里面怎么只能看见C盘的文件啊，怎么办怎么办？？” 手动狗头因为我就遇见过，还一直傻傻的把要用的文件放在桌面上，因为不会进其他盘O(∩_∩)O…不说废话了，现在看看怎么让jupyter打开D盘（E、F、G盘）的文件：切换目录那么我想jupyter打开的目录是其它盘应该怎么办？以D盘为例：首先打开cmd输入命令 cd /d D:打开jupyter之后我们再打开jupyter，即输入 jupyter not..
复制链接

扫一扫

怼怼是酷盖 CSDN认证博客专家 CSDN认证企业博客

码龄6年

58: 原创

1万+: 周排名

2万+: 总排名

15万+: 访问

: 等级

842: 积分

133: 粉丝

187: 获赞

55: 评论

981: 收藏

私信

关注

热门文章

分类专栏

Leetcode 1篇
推荐系统 5篇

最新评论

修改版本1
怼怼是酷盖: import pandas as pd def extract_info(cell): # 假设cell是单元格中文本的字符串表示形式 # 按行分割单元格内容 lines = cell.split('\n') info = {'咨询问题类型': None, '问题描述': None} # 初始化字典 # 遍历每行，找到并提取关键信息 for line in lines: # 检查是否包含“咨询问题类型”和“问题描述” if '咨询问题类型：' in line: # 提取类型信息 info['咨询问题类型'] = line.split('咨询问题类型：')[1].strip() elif '问题描述：' in line: # 提取描述信息 info['问题描述'] = line.split('问题描述：')[1].strip() # 只返回需要的键 return {key: info[key] for key in ['咨询问题类型', '问题描述'] if info[key]} def process_uploaded_file(file): if file: # 读取Excel文件 df = pd.read_excel(file) # 检查是否存在名为'文本'的列 if '文本' in df.columns: # 应用extract_info函数提取信息 extracted_data = df['文本'].apply(extract_info) # 转换结果为DataFrame extracted_df = pd.DataFrame(extracted_data.tolist()) return extracted_df else: print("未找到名为 '文本' 的列。") return pd
gradio
怼怼是酷盖: import gradio as gr import pandas as pd from transformers import AutoTokenizer, AutoModel import torch import torch.nn.functional as F from sklearn.cluster import KMeans from collections import Counter import os def embedding(sentences): device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu') tokenizer = AutoTokenizer.from_pretrained('BAAI/bge-large-zh') model = AutoModel.from_pretrained('BAAI/bge-large-zh').to(device) encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt').to(device) with torch.no_grad(): model_output = model(**encoded_input) sentence_embeddings = model_output.last_hidden_state[:, 0] sentence_embeddings = F.normalize(sentence_embeddings, p=2, dim=1).to(device) return sentence_embeddings def summarize_cluster(clustered_sentences, sentence_types): summary = Counter() for sentence_type in sentence_types: summary[sentence_type] += 1 most_common = summary.most_common(3) summary_text = ', '.join([stype for stype, count in most_common]) return f"This cluster primarily talks about: {summary_text}." def cluster_sentences(file, cluster_num): # 读取Excel文件 df = pd.read_excel(file.name) questions = df['问题描述'].tolist() question_types = df['咨询数据类型'].tolist() X = embedding(questions) kmeans = KMeans(n_clusters=cluster_num) kmeans.fit(X.cpu()) labels = kmeans.labels_ cluster_result = dict() for i in range(len(questions)): if labels[i] not in cluster_result: cluster_result[labels[i]] = [] cluster_result[labels[i]].append((questions[i], question_types[i])) html = "<div>" for label in sorted(cluster_result.keys()): clustered_sentences = [item[0] for item in cluster_result[label]] sentence_types = [item[1] for item in cluster_result[label]] sentence_count = len(clustered_sentences) sentence_counter = Counter(clustered_sentences) duplicate_count = sum(count for count in sentence_counter.values() if count > 1) summary = summarize_cluster(clustered_sentences, sentence_types) html += f"<h3>Cluster {label + 1} - Total Sentences: {sentence_count}, Duplicates: {duplicate_count}</h3><p>{summary}</p><ul>" for sentence, sentence_type in cluster_result[label]: count = sentence_counter[sentence] html += f"<li>{sentence} (Type: {sentence_type}, Count: {count})</li>" html += "</ul>" html += "</div>" return html iface = gr.Interface( fn=cluster_sentences, inputs=[ gr.inputs.File(label="上传Excel文件（包含'咨询数据类型'和'问题描述'列）"), gr.inputs.Slider(minimum=2, maximum=30, step=1, default=15, label="KMeans 聚类数") ], outputs=gr.outputs.HTML(label="聚类结果"), title="句子嵌入和聚类", description="上传一个包含'咨询数据类型'和'问题描述'列的Excel文件，选择聚类方法和相应参数，进行嵌入和聚类。", theme="compact" ) iface.launch()
gradio
怼怼是酷盖: 输入的数据格式是一个excel表格表格里面包括咨询数据类型和问题描述你需要首先找出所有问题描述并进行聚类
力扣（LeetCode）容器装水问题
怼怼是酷盖: https://sharedchat.fun/
ICLR 2023 | LightGCL: 简单且高效的图对比学习推荐系统
Mr.Tariy: 这篇论文有问题

最新文章

目录

评论 3

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。