知识世界-CSDN博客

原创新媒体数据分析：新媒体运营主要做什么？

新媒体运营主要做什么？新媒体运营每天是做什么？虽然在招聘网上一搜，各种岗位职责，岗位要求，一目了然。但落实到具体的工作中时，都是在做的什么？作为一个从事新媒体运营工作的人，工作主要分为社交媒体的辅助运营、主要媒体的精益运营和自媒体的变现三类。一、社交媒体辅助运营最近有一个关于新媒体运营的概念——”新媒体矩阵”。要学会矩阵运营的思维，充分发挥自媒体的价值。首先，选择了从事新媒体这方面的工作，就有义务去了解当下所有流行的新媒体，尝试使用并了解其平台运营机制。当下的新媒体平台可谓层出不穷：微

2022-11-04 20:52:21 1535

原创 Window安全策略的制定与实施

打补丁的频率一般是每月检查一次，使用Windows 打开自动更新功能将使Windows随时使用最新的补丁，而其他应用程序可以相关厂商的网站寻找补丁进行更新。同时制定需强制实施的安全标准和流程。常见的是传密码的时候对密码进行MD5（本质是一种散列算法，和AES等加密算法不一样，因为不是加密，所以不可以解密，网上的所谓MD5解密，其实是在海量数据里的一种反推）加密。现在已经有了两个检查部门讨论的结果，需求列表，当前的安全策略、工具和标准的清单，在这些基础上建立一个由Windows安全经理领导的集中的安全部门。

2022-11-02 11:06:59 846 1

原创数据挖掘技术-转换字符串时间为标准时间

print('进行转换前订单信息表lock_time的类型为：', order['lock_time'].dtypes)print('进行转换后订单信息表lock_time的类型为：', order['lock_time'].dtypes)print('转换为DatetimeIndex后数据的类型为：\n',type(periodIndex))print('转换为DatetimeIndex后数据的类型为：\n',type(dateIndex))42 Timestamp的最大最小时间和最大时间。

2022-10-31 08:46:41 599

原创数据挖掘技术-主键合并数据准备数据

order = pd.read_csv('./meal_order_info.csv',sep=',',encoding='gb18030', engine='python') ##读取订单信息表。order = pd.read_csv('./meal_order_info.csv',sep=',',encoding='gb18030', engine='python') ##读取订单信息表。print('订单详情表和订单信息表主键合并后的形状为：',order_detail.shape)

2022-10-29 09:47:45 618

原创数据挖掘技术-主键合并数据准备数据

2022-10-28 18:45:00 1115

原创数据挖掘技术-掌握ufunc函数

print('数组逻辑运算结果为：',np.any(x == y)) # np.any()表示逻辑or。print('数组逻辑运算结果为：',np.all(x == y))print('数组幂运算结果为：',x ** y) #数组幂运算。print('数组相加结果为：',x + y) #数组相加。print('数组相减结果为：',x - y) #数组相减。print('数组相乘结果为：',x * y) #数组相乘。print('数组相除结果为：',x / y) #数组相除。

2022-10-28 13:07:42 933

原创数据挖掘技术-掌握pyplot基础语法

plt.xticks([0,np.pi/2,np.pi,np.pi*1.5,np.pi*2])## 规定x轴刻度。plt.xticks([0,0.2,0.4,0.6,0.8,1])## 规定x轴刻度。plt.yticks([0,0.2,0.4,0.6,0.8,1])## 确定y轴刻度。plt.xticks([0,0.2,0.4,0.6,0.8,1])## 规定x轴刻度。plt.yticks([0,0.2,0.4,0.6,0.8,1])## 确定y轴刻度。

2022-10-27 11:11:16 586

原创数据挖掘技术-提取时间序列数据信息

用户信息更新表和登录信息表时间的年份，月份，日期，周信息提取，如代码 42所示。print('每行的前五个数据：\n',ETUser1[0][0:5],ETUser1[1][0:5],ETUser1[2][0:5])print('每行的前五个数据：\n',ETUser2[0][0:5],ETUser2[1][0:5],ETUser2[2][0:5])print('每行的前五个数据：\n',ETLog1[0][0:5],ETLog1[1][0:5],ETLog1[2][0:5])

2022-10-27 08:43:23 752

原创数据挖掘技术-使用函数进行简单的统计分析

排序后数组为： [(4, 20, 100), (5, 10, 200), (2, 30, 300), (3, 50, 400), (6, 40, 600)]names = np.array(['小明', '小黄', '小花', '小明', '小花', '小兰', '小白'])print('花萼长度表的标准差为：',np.std(iris_sepal_length)) #计算数组标准差。ints = np.array([1,2,3,4,4,5,6,6,7,8,8,9,10]) #创建数值型数据。

2022-10-26 10:31:08 659

原创数据挖掘技术-使用povit_table函数创建透视表

print('添加margins后以order_id和dishes_name为分组键的透视表前5行后4列为：\n',print('空值填0后以order_id和dishes_name为行列分组键创建透视表前5行4列为：\n',print('以order_id和dishes_name作为分组键创建的订单销量与售价总和透视表为：\n',print('以order_id和dishes_name作为行列分组键创建的透视表前5行4列为：\n',番茄炖牛腩 35 1。

2022-10-26 08:34:39 1291

原创数据挖掘技术-使用groupby方法拆分数据

准备数据meal_order_info.csv，并将meal_order_info.csv数据放到Linux本地/course/DataAnalyze/data目录。print('订单详情表分组后前5组每组的大小为：','\n', detailGroup.size().head())print('订单详情表分组后前5组每组的均值为：\n', detailGroup.mean().head())print('订单详情表分组后前5组每组的标准差为：\n', detailGroup.std().head())

2022-10-25 09:01:48 794

原创数据挖掘技术-生成随机数

对于NumPy，与随机数相关的函数都在random模块中，其中包含了可以生成服从多种概率分布随机数的函数。print('生成的随机数组为：',np.random.randint(2,10,size = [2,5]))print('生成的随机数组为：\n',np.random.randn(10,5))print('生成的随机数组为：\n',np.random.rand(10,5))print('生成的随机数组为：',np.random.random(100))生成的随机数组为： [[6 6 6 6 8]

2022-10-24 21:28:27 447

原创数据挖掘技术-描述数据的统计信息

准备数据Training_Master.csv”，将数据文件Training_Master.csv放到Linux本地的/course/DataAnalyze/data目录。Describe函数能够一次性得出数据框所有数值型特征的非空值数目、均值、四分位数、标准差。具体实现代码和结果如代码 42所示。print('P2P网络贷款主表数据的描述性统计为：\n',master.describe())代码 42 使用describe方法进行描述性统计。

2022-10-24 09:21:44 282

原创数据挖掘技术-检测与处理异常值

print('销售量最小值为：', detail['counts'].min())print('销售量最大值为：', detail['counts'].max())print('售价最小值为：', detail['amounts'].min())print('售价最大值为：', detail['amounts'].max())print('异常值的最大值为：',outlier.max())print('异常值的最小值为：',outlier.min())plt.savefig('菜品异常数据识别.png')

2022-10-23 14:15:38 911

原创数据挖掘技术-检测与处理特征重复值

需要删除的列为： ['parent_class_name', 'cost', 'discount_amt', 'discount_reason', 'kick_back', 'add_info', 'bar_code', 'add_inprice']corrDet = detail[['counts','amounts']].corr(method='kendall')## 求取销量和售价的相似度。print('detail的特征相等矩阵的前5行5列为：\n',detEquals.iloc[:5,:5])

2022-10-23 09:29:20 858

原创数据挖掘技术-检测与处理缺失值

print('经过缺失值处理后订单详情表各特征缺失值的数目为：\n',detail.isnull().sum())print('当x为6,7时，使用拉格朗日插值y1为：',LargeInsValue1([6,7]))print('当x为6,7时，使用拉格朗日插值y2为：',LargeInsValue2([6,7]))y1=np.array([2,8,18,32,50,128,162,200]) ##创建因变量y1。y2=np.array([3,5,7,9,11,17,19,21]) ##创建因变量y2。

2022-10-22 15:29:03 1900

原创数据挖掘技术-检测与处理记录重复值

检测与处理记录重复值准备数据detail.csv，将数据文件detail.csv放到Linux本地的/course/DataAnalyze/data目录。代码 41 利用list去重In[1]:import osimport pandas as pdos.chdir('/course/DataAnalyze/data')detail = pd.read_csv('./detail.csv',index_col=0,encoding = 'gbk', engine = 'python')##方法一##定义去

2022-10-22 10:17:25 467

原创数据挖掘技术-检测与处理记录重复值

dishes_name = detail['dishes_name'].drop_duplicates() ##对dishes_name去重。print('drop_duplicates方法去重之后菜品总数为：',len(dishes_name))print('方法二去重后菜品总数为：',len(dish_set))print('方法一去重后菜品总数为：',len(dish))print('去重前菜品总数为：',len(dishes))print('去重前菜品总数为：',len(dishes))

2022-10-21 20:10:46 533

原创数据挖掘技术-加减时间数据

time1 = order['lock_time']+pd.Timedelta(days = 1) ##将lock_time数据向后平移一天。print('lock_time在加上一天前前5行数据为：\n',order['lock_time'][:5])print('lock_time减去2017年1月1日0点0时0分后的数据：\n',timeDelta[:5])print('lock_time在加上一天前前5行数据为：\n',time1[:5])代码 46 使用Timedelta实现时间数据的加减运算。

2022-10-21 08:34:55 281

原创数据挖掘技术-绘制直方图

label2 = ['农业','工业','建筑','批发','交通','餐饮','金融','房地产','其他']## 刻度标签2。plt.rcParams['font.sans-serif'] = 'WenQuanYi Zen Hei' ## 设置中文显示。plt.savefig('../2017年第一季度各产业国民生产总值直方图.png')label1 = ['第一产业','第二产业','第三产业']## 刻度标签1。label = ['第一产业','第二产业','第三产业']## 刻度标签。

2022-10-20 20:26:31 1277

原创数据挖掘技术-绘制折线图

plt.plot(values[:,0],values[:,2],color = 'r',linestyle = '--',marker = 'o')## 绘制折线图。plt.plot(values[:,0],values[:,2],color = 'r',linestyle = '--')## 绘制折线图。values[:,0],values[:,5],'gH--')## 绘制折线图。plt.legend(['第一产业','第二产业','第三产业'])plt.xlabel('年份') #添加横轴标签。

2022-10-20 08:33:38 766

原创数据挖掘技术-绘制箱线图

label2 = ['农业','工业','建筑','批发','交通','餐饮','金融','房地产','其他']## 标签2。label1 = ['第一产业','第二产业','第三产业']## 标签1。label= ['第一产业','第二产业','第三产业']##定义标签。plt.title('2000-2017各产业国民生产总值箱线图')plt.title('2000-2017各产业国民生产总值箱线图')plt.title('2000-2017各行业国民生产总值箱线图')

2022-10-19 15:10:24 539

原创数据挖掘技术-绘制箱线图

2022-10-19 09:20:36 959

原创数据挖掘技术-绘制散点图

plt.scatter(values[:,0],values[:,5], marker='v',c='yellow')## 绘制散点图。plt.scatter(values[:,0],values[:,4], marker='D',c='blue')## 绘制散点图。plt.scatter(values[:,0],values[:,3], marker='o',c='red')## 绘制散点图。plt.legend(['第一产业','第二产业','第三产业']) ##添加图例。

2022-10-18 19:29:43 654 1

原创数据挖掘技术-绘制散点图

2022-10-18 14:40:00 646

原创数据挖掘技术-绘制人口数目直方图

feature = np.load('./populations.npz',allow_pickle=True)['feature_names'] # 加载列名。amount = np.load('./populations.npz',allow_pickle=True)['data'] # 加载数据。ax1.legend(feature[2:4],bbox_to_anchor=(1, 1),ncol=1) #图例放图外，以免遮挡信息。plt.ylabel('人口数量')

2022-10-17 14:19:54 1228

原创数据挖掘技术-绘制人口散点与折线图

amount = np.load('./populations.npz', allow_pickle=True)['data'] # 加载数据。color=['blue','darkred','red','darkgreen','green'] #颜色深浅不同但色彩相近，方便作分类对比。marker=['o','D','v','*','h'] #提前设置点的形状与颜色。linestyle=['-','--','-.',':','-'] #提前设置线段的形状。

2022-10-17 10:16:40 1747

原创数据挖掘技术-绘制人口变化箱线图

准备数据populations.npz，下载数据populations.npz到Linux本地的/course/DataAnalyze/data目录。label=['年末总人口', '男性人口', '女性人口', '城镇人口', '乡村人口']plt.savefig('1996~2015年人口变化箱线图.png')plt.title('1996~2015年人口变化箱线图')代码 43 1996-2015年人口变化箱线图。plt.ylabel('人口数量(万人)')

2022-10-16 21:03:28 511

原创数据挖掘-绘制人口比例饼图

准备数据populations.npz，下载数据populations.npz到Linux本地的/course/DataAnalyze/data目录。plt.savefig('1996-2015年男女人口及乡镇人口比例饼图.png')plt.title('%d年男女与城乡人口比例' %(1996+i))代码 42 1996-2015年男女人口及乡镇人口比例饼图。label = ['城镇人口','乡村人口']label = ['男','女']

2022-10-16 15:33:00 882

原创数据挖掘技术-绘制饼图

plt.pie(values[-1,3:6],explode=explode,labels=label,autopct='%1.1f%%')## 绘制饼图。label2 = ['农业','工业','建筑','批发','交通','餐饮','金融','房地产','其他']## 标签2。label= ['第一产业','第二产业','第三产业']##定义饼状图的标签，标签是列表。label1 = ['第一产业','第二产业','第三产业']## 标签1。/国民生产总值构成分布饼图.png')

2022-10-15 19:53:25 1759

原创数据挖掘技术-读写文本文件

print('使用read_table读取的订单信息表的长度为：',len(order))print('订单信息表写入文本文件前目录内文件列表为：\n',os.listdir())print('订单信息表写入文本文件后目录内文件列表为：\n',os.listdir())print('使用read_csv读取的订单信息表的长度为：',len(order1))print('分隔符为;print('查看订单信息表内容为：','\n',order3)使用read_csv读取的订单信息表的长度为： 945。

2022-10-15 09:34:27 752

原创数据挖掘技术-创建数组对象

代码 42将数组arr2的shape改为(4,3)，注意从(3,4)改为(4,3)并不是对数组进行转置，而只是改变每个轴的大小，数组元素的顺序并没有改变。arr2 = np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]]) #创建二维数组。数据类型为： [('name', '

2022-10-14 19:41:29 673

原创数据挖掘技术之变换数组的形态

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。除了可以改变数组“形状”，NumPy也可以对数组进行组合，组合方向主要有横向组合与纵向组合，使用hstack函数，vstack函数以及concatenate函数来完成数组的组合，下面将对数组组合常用的函数进行介绍。print('新的一维数组为：',arr.reshape(3,4)) #设置数组的形状。

2022-10-14 08:28:24 342

原创 Pyplot参数设置

plt.plot(x,y,label="$sin(x)$") #绘制sin曲线图。plt.plot(x,y,label="$sin(x)$") #绘制三角函数。plt.plot(x,y,label="$sin(x)$") #绘制三角函数。plt.plot(x,y,label="$sin(x)$") #绘制三角函数。plt.savefig('无法显示中文标题sin曲线.png')plt.savefig('修改rc参数后sin曲线.png')plt.savefig('显示中文标题sin曲线.png')

2022-10-13 15:00:46 695

原创 DataFrame的loc，iloc访问方式

print('列名为dishes_name行名为2,3,4,5,6的数据为：\n',detail.loc[2:6,'dishes_name'])print('列位置为1和3行位置为2,3,4,5,6的数据为：\n',detail.iloc[2:7,[1,3]])print('列名为order_id和dishes_name行名为2,3,4,5,6的数据为：\n',print('列位置为1和3行位置为3的数据为：\n',detail.iloc[3,[1,3]])

2022-10-13 12:11:11 2203

原创移动通信网络规划：信噪比

一、误码率与信噪比的关系作为网络规划仿真，我们最关心的是链路级仿真的结果。链路级仿真的过程虽然复杂，但结果的表达却十分简单：如图中所示，表示了误码率BER与信噪比（SNR、Eb/No）的关系。我们关心误码率与信噪比的关系，是因为误码率决定了业务质量，是网络性能的最核心指标。而信噪比是整个链路的灵魂，它为接收机灵敏度和系统负载定标。建立了误码率和信噪比的关系，实际就是将业务质量映射到网络性能，同时为系统级仿真提供了接口。二、信噪比概述信噪比，英文名称叫做SNR或S/N，又称为讯噪比。是指一个电子设备或者电子

2022-07-08 13:20:38 12238

原创移动通信网络规划：信道编码

一、信道编码概述首先我们先来看一般通信系统模型，通信系统包含的种类很多，比如电报、电话、广播、遥测等，这些系统都可看成信息传输系统，那么信息在传输过程中会由于噪声和干扰的存在，使得发送的码字与接收的码字之间存在差异，这种差异称为差错，信道噪声、干扰越大，码字产生错误的概率也越大。因此为了保证信息传输的有效性和可靠性，在发送端对信源进行信源编码、信道编码、译码等过程，而在接收端进行解码等反操作来保证信息的正确传送。什么是信源编码呢？它的主要作用就是把信源的模拟信号转变为数字信号，减小量化误差，压缩冗余度，提高

2022-07-07 10:42:42 2359

原创移动通信网络规划：误码率

一、误码率的定义误码率是最常用的数据通信传输质量指标。它可以理解为“在多少位数据中出现一位差错”。移动通信网络中的误码率主要是指比特误码率，其计算公式如下：比特误码率=错误比特数/传输总比特数*100% 图示为误码率与信噪比的函数图像，最直观的随着信噪比的增大误码率在逐渐减小。为什么我们如此关心误码率呢？因为它既决定了业务质量，又是主要的网络性能指标。进行特定条件下的误码率研究，对增强无线通信系统性能，改善数据传输质量意义重大。二、误码的产生误码的产生是由于在信号传输中，衰变改变了信号的电压,致使信号在传

2022-07-06 10:35:01 8495

原创移动通信网络规划：无线设备参数

无线网络规划设计中，规划设计人员必须了解清楚各厂商的无线基站设备的外形尺寸和性能参数才能进行合理的设计，从而保证移动通信工程建设项目的顺利实施和达到预期的建网指标。1、LTE基站设备的一些相关参数4G网络中无线基站设备主要包括BBU、RRU和天线。我们以中兴为例，了解一下LTE基站设备的一些相关参数。中兴的LTE基站产品列表如表所示：其中，中兴大容量多模BBU B8300的硬件参数包括如下：最大配置容量、接口类型及数量、设备尺寸、设备重量、同步方式、供电方式、典型功耗值、安装方式等。详细参数值如表中所示：

2022-07-05 10:26:00 8616 1

原创天线的性能指标

天线的性能指标可分为电性能参数和机械参数。本节课我们讨论电性能参数。我们主要从方向、增益等几个内容来讨论。1、方向图天线的方向性：对发射天线，是指天线向一定方向辐射电磁波的能力；对于接收天线，是指天线对来自不同方向的电波的接收能力。天线方向的选择性通常用方向图来表示。天线方向图是表征天线辐射特性空间角度关系的图形。工程设计中，一般用包括最大辐射方向的两个相互垂直的平面方向图来表示天线的立体方向图,分为水平面方向图和垂直面方向图。如图中所示。以发射天线为例，平行于地面在波束最大场强最大位置剖开的图形叫水平面方

2022-07-04 13:18:46 4958