python环境配置
文章平均质量分 50
python安装等相关问题
`AllureLove
这个作者很懒,什么都没留下…
展开
-
MAC M1芯片安装python3.6环境
苹果M1芯片下的python3.6下载,纯干货原创 2022-10-16 19:25:21 · 5523 阅读 · 1 评论 -
机器学习可解释性之shap模块的使用——基础用法(一)
模型可解释性模块Shap的使用原创 2022-09-13 10:30:17 · 5085 阅读 · 6 评论 -
MAC系统Anaconda3虚拟环境出错pip is configured with locations that require TLS/SSL
Mac anaconda报错原创 2022-09-10 01:31:46 · 336 阅读 · 0 评论 -
dataframe根据条件对某一列数值进行更新
datafrme计算小技巧原创 2022-09-05 14:39:19 · 2585 阅读 · 0 评论 -
python日志记录:输出至控制台同时存储至文件
python日志记录原创 2022-08-14 19:31:19 · 2296 阅读 · 1 评论 -
Python格式互转之dataframe、字典(dict)、其他对象
不定期更新原创 2022-04-25 10:20:49 · 3429 阅读 · 0 评论 -
python时间格式转换
# str转struct_timeimport timecur_time = "2022-03-12 00:00:00"time_format = "%Y-%m-%d %H:%M:%S"cur_time = time.strptime(cur_time, time_format)print(cur_time)# time.struct_time(tm_year=2022, tm_mon=3, tm_mday=12, tm_hour=0, tm_min=0, tm_sec=0, tm_wday=5原创 2022-03-08 09:58:03 · 585 阅读 · 0 评论 -
Linux中python导入matplotlib.pyplot报错no module named “_tkinter“解决方案
除了能查到的安装重新编译的方法外,还有一种解决方案就是改变画布的设置,使之不需要在屏幕上进行展示,解决方案如下:import matplotlibmatplotlib.use("agg")import matplotlib.pyplot as plt使用这种方式,在使用xgboost时会存在异常,解决方案就是先倒入xgboost:import xgboostimport matplotlibmatplotlib.use("agg")import matplotlib.pyplot as p原创 2021-09-17 12:02:37 · 429 阅读 · 0 评论 -
MAC安装graphviz
在进行树的可视化时会发现,即使python中安装好了graphviz和pydotplus,也会报错:pydotplus.graphviz.InvocationException: GraphViz's executables not found是因为graphviz是需要安装在系统中的一个可视化插件,要和python关联起来需要在mac中安装并配置环境。一种方式是用brew安装:brew install graphviz一种是用portsudo port install graphviz原创 2021-09-10 11:07:58 · 6865 阅读 · 0 评论 -
机器学习之XGboost
文章目录1. 基本概念2. XGboost实战2.1 梯度提升树2.1.1 重要参数:n_estimators2.1.2 重要参数:subsample2.1.3 重要参数:eta2.2 XGBoost进阶2.2.1 选择弱评估器:重要参数booster2.2.2 目标函数:重要参数objective1. 基本概念TO DO…2. XGboost实战基本库的安装与出参数详情xgbbost库的安装:# windows pip install xgboostpip install --upgrad原创 2021-08-01 21:55:17 · 750 阅读 · 2 评论 -
自然语言处理(NLP)(三)模型篇之传统模型和RNN模型
文章目录1.基础模型1.1传统模型(HMM和CRF)1.2 传统RNN模型2. 改进的RNN模型1.基础模型1.1传统模型(HMM和CRF)隐马尔可夫模型(Hidden Markov Model),隐马尔可夫模型,一般以文本序列数据为输入,以该序列对应的隐含序列为输出。CRF(Conditional Random Fields)模型,称为条件随机场,一般也以文本序列数据为输入,以该序列对应的隐含序列为输出。可用于解决文本序列标注问题,如分词,词性标注,命名实体识别。感觉黑马视频这一部分讲得原创 2021-07-25 22:15:39 · 1256 阅读 · 1 评论 -
pandas模块之DataFrame按条件查询、合并、转换等操作
import pandas as pdimport numpy as np//data_df为已有DataFrame//取出指定列data_df["name1", "name2"]//提取某一列某个范围内的数据,可删除不在范围内的数据data_df = data_df[data_df["risk"] >=0]data_df = data_df[data_df["risk"] >=0 & data_df["time"] <60]data_df = data_df[d原创 2021-07-12 20:46:59 · 2180 阅读 · 0 评论 -
使用logging模块记录错误时记录错误行号
logger脚本import osimport loggingimport logging.handlersdef log(name=None, level=logging.INFO, when="D", backup=7, log_format="%(levelname)s: %(asctime)s: %(filename)s:%(lineno)d * %(thread)d %(message)s", datefmt="%m-%d %H:%M:%S"): formatter = logging原创 2021-07-07 11:23:27 · 718 阅读 · 0 评论 -
pandas模块之数据集整合成csv及读取操作
整合成csvimport pandas as pdfrom sklearn.model_selection import cross_val_scorefrom sklearn.preprocessing import LabelEncoderfrom sklearn.linear_model import LogisticRegression as LRdf = pd.DataFrame()df["特征1"] = List1 # (存放样本特征1的列表)df["特征2"] = List.原创 2021-07-02 19:57:39 · 285 阅读 · 0 评论 -
Initializing libiomp5.dylib, but found libomp.dylib already initialized.
有人说解决办法是在代码中加入以下内容:import os os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"但是实际上这样可能只是忽略了错误,如果有conda环境,建议终端输入一下命令来解决:$ conda install nomklanaconda官网MKL优化问题解释该问题相关解决方案...原创 2021-07-01 18:56:48 · 1164 阅读 · 1 评论 -
机器学习之随机森林(Random Forest)
文章目录1. 随机森林概念2. 随机森林实操2.1 随机森林分类及调参2.2 随机森林回归2.3 利用随机森林填补缺失值1. 随机森林概念随机森林和随机有放回的采样(Bagging)息息相关,是从原始样本中进行m次随机有放回地提取n个样本,为了降低异常值的影响,从n个样本中选取一定比例的随机样本,并且选取其中的b个特征用于构建模型,建立基于决策树的m个分类器:#mermaid-svg-jK2qkLf2lvYbQQ2F .label{font-family:'trebuchet ms', verdana原创 2021-06-20 14:47:40 · 1766 阅读 · 0 评论 -
机器学习之决策树(Decision Tree)
文章目录1. 决策树概念2. 决策树实操2.1 决策树多分类2.2 决策树回归2.3 决策树调参案例(Tatanic)1. 决策树概念决策树是根据特征进行树的构造,主要内容如下:通过属性构造节点:(1)二元属性#mermaid-svg-5oCGWpPERyBOfdNk .label{font-family:'trebuchet ms', verdana, arial;font-family:var(--mermaid-font-family);fill:#333;color:#333}#merma原创 2021-06-19 22:47:28 · 605 阅读 · 3 评论 -
机器学习之数据预处理&特征选择
文章目录1. 数据预处理1.1 数据无量纲化1.1.1 数据归一化1.1.2 数据标准化1.2 缺失值处理1.3 处理分类类型特征:编码与哑变量1.4 处理连续型特征:二值化与分段2. 特征选择2.1 过滤法2.1.1 方差过滤2.1.2 相关性过滤2.1.2.1 卡方过滤在机器学习过程中,数据预处理和特征工程十分重要。数据不给力,再高级的算法都没有用。依旧是根据菜菜的视频做的笔记。1. 数据预处理1.1 数据无量纲化数据的无量纲化指的是样本特征的量纲不同时会导致不同的特征对结果的影响程度差异很大,原创 2021-06-19 21:38:32 · 3777 阅读 · 1 评论 -
多分类模型roc-auc的计算以及precision、recall、accuracy等的计算
在已经设置好模型的基础上,roc-auc的计算:# 预测概率y_score = log_model.predict_proba(X_test)# 对真实值进行二进制处理n_classes = 6y_binary = label_binarize(y_test, np.arange(n_classes))fpr, tpr, thresholds = fpr, tpr, thresholds = metrics.roc_curve(y_one_hot.ravel(), y_score.ravel()原创 2021-06-16 16:41:30 · 2121 阅读 · 0 评论 -
Linux运行程序并将输出保存至日志
后台运行并保存日志,python为例:$ nohup python3 -u train.py >log.txt 2>&1 &查看后台进程:$ jobs$ jobs -l杀死后台进程:$ kill %进程号后台进程转前台:$ fg %进程号如果后台容易断,直接重定向保存输出到日志:$ python3 train.py > log.txt...原创 2021-06-16 12:50:27 · 2735 阅读 · 0 评论 -
python正则匹配单词和字符
匹配所有单词比较好用的:r"\w'+"r"[a-zA-Z]+"匹配所有标点符号:r"[^0-9A-Za-z\u4e00-\u9fa5]"匹配所有单词以及标点符号,并返回列表,但是都有点问题:import restrs = "Hello, I'm a string!"pat1 = r"\S*"print(re.findall(pat1, strs)) # 输出结果# ['Hello,', '', "I'm", '', 'a', '', 'string!', '']pat2 =原创 2021-06-09 15:57:23 · 4216 阅读 · 0 评论 -
LeetCode刷题python版之231
231.2的幂题目:给你一个整数 n,请你判断该整数是否是 2 的幂次方。如果是,返回 true ;否则,返回 false 。如果存在一个整数 x 使得 n==2xn == 2^{x}n==2x ,则认为 n 是 2 的幂次方。解析一:二进制表示一个数n是2的幂,当且仅当n是正整数,并且n的二进制表示中仅包含一个1。因此可以将n的二进制表示中最低位的1提取出来,再判断剩余位是否为0即可。一个小技巧n&(n−1)n\&(n-1)n&(n−1)可以直接将二进制中的最低位1移除。因原创 2021-05-30 15:37:28 · 125 阅读 · 0 评论 -
python使用正则将字符中所有的标点符号替换为空
所有非数字字母均去掉:strs = 'public void testNoXmlHeader() throws IOException { final String xml = "<text>text with no XML header</text>"; checkXmlContent(xml, "UTF-8", null); }'result = re.sub('\W+', '', strs).replace("_", '')print(result)publicvoi原创 2021-05-20 16:46:49 · 4370 阅读 · 0 评论 -
adb+python手机调试
adb命令+python调试一、adb+python自动化调试一、adb UI控件获取及调试一、adb+python自动化调试adb命令1.1 查看帮助文档:$ adb shell input help1.2 输入文本:$ adb shell input text "text"1.3 模拟按键/键盘输入:$ adb shell input keyevent [键盘号]1.4 模拟点击(坐标位置可通过设置-开发者选项-指针查看坐标,然后填写):$ adb shell input原创 2021-05-18 10:05:42 · 848 阅读 · 0 评论 -
python之re模块-常用的正则表达式
常用的正则表达式一、限定符(Quantifier)二、或运算符(OR Operator)三、字符类(Character Classes)三、元字符(Meta-Characters)四、贪婪/懒惰匹配(Greedy/Lazy Match)五、Python之re模块[正则表达式查询网站](https://regex101.com/)一、限定符(Quantifier)a*:a出现0次或多次;a+:a出现1次或多次;a?:a出现0次或1次;a{6}:a出现6次;a{2,6}:a出现2-6次;原创 2021-03-19 14:42:30 · 170 阅读 · 0 评论