网络技术
文章平均质量分 77
知识世界
这个作者很懒,什么都没留下…
展开
-
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。原创 2022-10-31 08:46:41 · 600 阅读 · 0 评论 -
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)原创 2022-10-29 09:47:45 · 618 阅读 · 0 评论 -
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)原创 2022-10-28 18:45:00 · 1116 阅读 · 0 评论 -
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。原创 2022-10-27 11:11:16 · 586 阅读 · 0 评论 -
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])原创 2022-10-27 08:43:23 · 752 阅读 · 0 评论 -
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。原创 2022-10-26 10:31:08 · 659 阅读 · 0 评论 -
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。原创 2022-10-26 08:34:39 · 1292 阅读 · 0 评论 -
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())原创 2022-10-25 09:01:48 · 794 阅读 · 0 评论 -
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]原创 2022-10-24 21:28:27 · 447 阅读 · 0 评论 -
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。原创 2022-10-24 09:21:44 · 283 阅读 · 0 评论 -
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')原创 2022-10-23 14:15:38 · 911 阅读 · 0 评论 -
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])原创 2022-10-23 09:29:20 · 858 阅读 · 0 评论 -
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。原创 2022-10-22 15:29:03 · 1900 阅读 · 0 评论 -
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##定义去原创 2022-10-22 10:17:25 · 467 阅读 · 0 评论 -
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))原创 2022-10-21 20:10:46 · 533 阅读 · 0 评论 -
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。原创 2022-10-21 08:34:55 · 281 阅读 · 0 评论 -
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。原创 2022-10-20 20:26:31 · 1277 阅读 · 0 评论 -
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。原创 2022-10-20 08:33:38 · 767 阅读 · 0 评论 -
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')原创 2022-10-19 15:10:24 · 540 阅读 · 0 评论 -
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')原创 2022-10-19 09:20:36 · 959 阅读 · 0 评论 -
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。原创 2022-10-18 19:29:43 · 655 阅读 · 1 评论 -
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。原创 2022-10-18 14:40:00 · 646 阅读 · 0 评论 -
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')原创 2022-10-17 14:19:54 · 1229 阅读 · 0 评论 -
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。原创 2022-10-17 10:16:40 · 1747 阅读 · 0 评论 -
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)')原创 2022-10-16 21:03:28 · 512 阅读 · 0 评论 -
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')原创 2022-10-15 19:53:25 · 1760 阅读 · 0 评论 -
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。原创 2022-10-15 09:34:27 · 752 阅读 · 0 评论 -
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', '原创 2022-10-14 19:41:29 · 673 阅读 · 0 评论 -
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。原创 2022-10-14 08:28:24 · 342 阅读 · 0 评论 -
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]])原创 2022-10-13 12:11:11 · 2203 阅读 · 0 评论 -
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原创 2022-07-08 13:20:38 · 12246 阅读 · 0 评论 -
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,提高原创 2022-07-07 10:42:42 · 2360 阅读 · 0 评论 -
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,致使信号在传原创 2022-07-06 10:35:01 · 8500 阅读 · 0 评论 -
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:原创 2022-07-05 10:26:00 · 8625 阅读 · 1 评论 -
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原创 2022-07-04 13:18:46 · 4960 阅读 · 0 评论 -
移动通信网络规划:双工技术
一、双工技术概述移动设备间的通信链路会占有两个频率:从终端到网络(上行链路)的传输信道,以及反方向(下行链路)的信道,这就是我们所说的双工通信。数据通常是在两个站(点对点)之间进行传输,按照数据流的方向可分为三种传输模式:单工、半双工、全双工。单工通信只支持信号在一个方向上传输(正向或反向),任何时候不能改变信号的传输方向。此种方法适用于数据收集系统,如气象数据的收集,广播电台、打印机等,目前这种工作方式很少使用了。半双工通信允许信号在两个方向上传输,但某一时刻只允许信号在一个信道上单向传输。因此半双工通信原创 2022-07-03 15:54:49 · 3243 阅读 · 0 评论 -
移动通信网络规划:室内覆盖系统概述
一、室内覆盖系统的概念室内覆盖的关键主要在于业务的需求。①从覆盖角度来看,现代建筑采用了大量的混凝土和金属材料,对无线信号产生屏蔽和衰减。在部分高层建筑物的低层,移动通信信号较弱:在超高建筑物的高层,信号杂乱或者没有信号。②从容量角度来看,不同类型的室内场所有不同的业务需求。在大型购物商场、会议中心等建筑物内,移动电话的使用密度过大,局部网络容量不能满足用户需求,无线信道容易发生拥塞现象。③从质量角度来看,在部分没有完全封闭的高层建筑的中高层,由于信号杂乱常出现乒乓切换,通信质量难以保证。为了解决以上问题,原创 2022-07-01 15:43:40 · 3945 阅读 · 0 评论 -
移动通信网络规划-室内分布系统的结构
一、同轴电缆分布方式同轴电缆分布方式是室内分布系统中技术最成熟的建设方式,由于同轴电缆性能稳定、造价便宜、安装方便,因此在实际工程中得到大量应用。同轴电缆分布方式根据系统中除信源外是否采用其他有源器件可以分为两种类型,即无源分布系统和有源分布系统。1、无源分布系统同轴电缆无源分布系统无源分布系统除信号源外,由合路器、功分器、耦合器、同轴电缆、天线等无源器件组成。无源分布系统主要是提取信号源后,在前端将不同信源的信号进行合路,然后通过耦合器、功分器等无源器件进行分路,经由同轴电缆将信号尽可能均匀地分配到每副分原创 2022-06-29 14:22:28 · 2365 阅读 · 0 评论 -
移动通信网络规划:室内分布系统的分类
室内分布系统的分类主要有两种方法:一种是按信源的不同分类,另一种是按信号传输介质的不同来分类。一、按分布系统信源进行分类分布系统信源包括宏蜂窝、微蜂窝(皮站、飞站)、分布式基站和直放站4种类型。按信源的不同,分布系统组网方式分为4种类型,即可分为宏蜂窝室内分布系统、微蜂窝室内分布系统、分布式基站室内分布系统和直放站室内分布系统。在实际工程中,根据目标场景无线传播环境及业务需求的特征,可采用适当的方案实现目标区域的网络覆盖。(1)选用宏蜂窝作信源的室内分布系统主要优点是业务承载量大,扩容方便;主要缺点是成本较原创 2022-06-27 19:40:53 · 4204 阅读 · 0 评论 -
移动通信网络规划-容量评估和资源利用率评价
一、资源利用率在5G协议中,定义了最小的物理层资源 时频资源单位RE。上下行业务信道都以PRB为单位进行调度。在5G网络中,资源调度周期是一个无线子帧 (1ms), 用PRB占用率来评估无线网络资源的利用情况;用PDCCH信道利用率、PDSCH信道利用率和上行信道利用率3个指标用于评估5G网络资源的利用情况。其中PDCCH信道利用率用于评估分析下行控制信道的使用情况,PDSCH信道利用率用于评估分析下行业务信道的使用情况,上行信道利用率用于评估分析上行信道资源的使用情况。根据网络实际占用的资源和全部原创 2022-06-27 09:48:51 · 4601 阅读 · 0 评论