qq_43519498的博客

【代码】Pandas常用操作整理。

一定要看一眼后面的避坑建议，否则可能会遇到BUG。1. 代码模板1.1 Get通信fun getMessage(){ // 使用okhttp前需先在AndroidManifest.xml中对网络进行配置，否则直接failure // Get通信函数 val client = OkHttpClient.Builder().readTimeout(5, TimeUnit.SECONDS).build() val request = Reque

1. 原理直觉解释：SVM需要尝试找到满足红点和绿点分别到边界线的最小距离的最大值的那条边界。2. Python案例实现2.1 数据案例中使用的数据结构如下（只展示了部分样本）：2.2 实现代码部分与[机器学习-笔记06]逻辑回归的案例代码部分类似，主要在模型拟合那部分有所改动，因此相似的代码就省略了。from sklearn.svm import SVC# 拟合模型classifier = SVC(kernel = 'linear', random_state = 0)class

1.原理假设函数Sigmoid函数图像：决策界限代价函数整合后的代价函数：2. Python案例实现2.1 数据数据格式如下（只展示了部分样本）：2.2 实现

1. R2剩余平方和共平方和R22. 广义R2随着新自变量的加入R2不会下降[注1] 特征过多会造成模型过拟合。广义R2随着自变量个数的升高，Adj R^2会受到惩罚。

实现data1 = [(1, 3),(2, 5),(3, 3),(5, 2)]data2 = [(3, 4),(5, 6),(7, 10),(8, 2)]chart1 = leather.Chart('Dots')chart1.add_dots(data1, fill_color="blue")chart2 = leather.Chart('Lines')chart2.add_line(data2, stroke_color="red")grid = leather.Grid()g.

API如下：add_columns(data, x=None, y=None, name=None, fill_color=None)实现：import leather# 数据data1 = [['A',2],['B',3],['C',1],['D',4],['E',5],['F',2]]# 可视化chart = leather.Chart("My Column Chart")chart.add_columns(data1, fill_color="red")chart.add_y

API如下：add_bars(data, x=None, y=None, name=None, fill_color=None)实现：import leather# 数据data1 = [[2,'A'],[3,'B'],[1,'C'],[4,'D']]# 可视化chart = leather.Chart("My Bar Chart")chart.add_bars(data1, fill_color="blue")chart.add_x_scale(0,5)# 显示图像chart

1. 原理多项式回归方程：应用情境：2. Python案例实现2.1 数据共10条数据，如下：2.2 实现import numpy as npimport pandas as pdfrom sklearn.model_selection import train_test_splitfrom sklearn.linear_model import LinearRegressionfrom sklearn.preprocessing import PolynomialFeatu

API如下：add_line(data, x=None, y=None, name=None, stroke_color=None, width=None)实现：import leather# 数据data1 = [[1.5,2],[2,3.5],[3,2.5],[4,4.8],[5,1.2]]data2 = [[1.5,2],[2.3,4],[3,3],[4,2.3],[5,0.9]]# 可视化chart = leather.Chart("My Line Chart")chart

API如下：add_dots(data, x=None, y=None, name=None, fill_color=None, radius=None)实现：import leather# 数据data1 = [[1.5,2],[2,3.5],[1.8,2.5],[3.3,4.8],[0.9,1.2]]data2 = [[2.6,2],[2.4,1.3],[4.8,2.5],[1.1,2.3],[4.8,0.9]]# 可视化chart = leather.Chart("My Cha

1. 多元线性回归原理多元线性回归的方程如下：使用多元线性回归时需满足的假设：线性、同方差性、多元正态分布、误差独立、无多重共线性虚拟变量：可以看下这篇对虚拟变量的直观介绍：什么是虚拟变量？怎么设置才正确？虚拟变量陷阱：所谓的“虚拟变量陷阱”就是当一个定性变量含有m个类别时，模型引入m个虚拟变量，造成了虚拟变量之间产生完全多重共线性，无法估计回归参数。下图例子中若同时加入New York和California的虚拟变量则会使得D2=1-D1成立，从而造成多重共线性，掉入虚拟变量陷进。因

1. 简单线性回归原理简单（一元）线性回归的方程如下：二维平面表示：b0和b1的含义：模型拟合：2. Python案例实现2.1 数据我们用到的数据如下：2.2 实现# Simple Linear Regression# Importing the librariesimport numpy as npimport matplotlib.pyplot as pltimport pandas as pd# Importing the datasetdataset

1. 导入标准库数据2. 导入数据集3. 缺失数据处理4. 分类数据处理5. 训练集&测试集拆分6. 特征缩放7. 数据预处理模板

1. 创建Errornew Error(message);功能：创建一个Error对象，运行时抛出参数：错误信息返回值：Error实例2. 抛出/捕获Errortry{ throw new Error('Error-1');}catch(Error){ alert(Error);}try{ variable; //未定义的变量，主动抛出异常}catch(Error...

1. 合法的JSON格式JSON对象格式{ 字符串型键 : 值, 字符串型键 : 值, ...}JSON数组[value1, value2 ...]value可以是：string、number、object、array、true、false、null2. JSON方法JSON.parse(text[,reviver])功能：JSON转化为JS值或对象参数：...

1. 正则表达式的创建直接量创建/pattern/attrs对象创建new RegExp(pattern,attrs)参数：pattern：描述性质的字符串attrs：修饰符2. 正则表达式语法直接量字符字母和数字/123abc/ //--->代表字母或数字本身非字母的字符匹配符号含义\oNULL\t...

1. 数组的创建通过构造函数创建数组 var array = new Array();//------>创建一个空数组 var array = new Array(2);//------>创建一个长度为2的数组 var array = new Array(1,2,3);//------>创建一个为[1,2,3]的数组使用数组字面量创建数组var array ...

1. 基本概念在JS中，时间由毫秒为单位的数字表示。时间范围：⚠️起点：01 January, 1970 UTC⚠️范围：[-100,000,000毫秒 , 100,000,000毫秒]2.创建时间//----1new Date(); //代表创建当前时间//----2new Date(value); //传入一个整数，单位为毫秒，从起点时间算起//----3new ...

1. 创建对象三种创建对象的方式：//-----1var programmer=new Object();//-----2var programmer={};//-----3var programmer=Object.create(Object.prototype);Object.create()Object.create(新创建对象的原型对象，添加到新创建对象的属性)，最后返...