ialm不精确增广拉格朗日乘数_机器学习 第72集：求条件极值有哪几种方法？拉格朗日常数如何求条件极值？( 含有笔记、代码、注释 )...

求条件极值有哪几种方法？拉格朗日常数如何求条件极值？

① 如果约束为等式，有时可以借助换元法可以将有条件转化为无条件极值从而求解，不过换元消元只能解决三元以内的问题。

② 拉格朗日乘数法可以通过引入新的未知标量（拉格朗日乘数

），直接求多元函数条件极值，不必先把问题转化为无条件极值的问题。

③ 求函数 f(x,y) 在附加条件

下可能的极值点，可以先做拉格朗日函数：

Python基础积累(pandas)

pandas创建一个DataFrame

import 

运行结果：

DatetimeIndex(['2013-01-01', '2013-01-02', '2013-01-03', '2013-01-04',
'2013-01-05', '2013-01-06'],
dtype='datetime64[ns]', freq='D')
['A', 'B', 'C', 'D']
A B C D
2013-01-01 -2.054843 0.714070 -1.294332 0.421806
2013-01-02 1.017431 -1.768982 0.513907 -0.175802
2013-01-03 -0.099200 -1.965604 0.345410 -1.776506
2013-01-04 -0.599261 -0.009976 -2.907778 0.135148
2013-01-05 -2.130496 0.792301 0.000720 0.616809
2013-01-06 1.186050 0.006081 -0.488283 -0.837765

注：pandas.date_range(start=None, end=None, periods=None, freq='D', tz=None, normalize=False, name=None, closed=None, **kwargs)

注：pd.date_range该函数主要用于生成一个固定频率的时间索引，在调用构造方法时，必须指定start、end、periods中的两个参数值，否则报错。

注：这里的'20130101'为start。

注：freq：日期偏移量，取值为string或DateOffset，默认为'D'。

注：pandas.DataFrame( data, index, columns, dtype, copy)。

注：data数据采取各种形式，如:ndarray，series，map，lists，dict，constant和另一个DataFrame。这里是随机设置的六行四列的ndarray。

注：index，对于行标签，要用于结果帧的索引是可选缺省值np.arrange(n)，如果没有传递索引值。这里用的dates是上面pd.date_range产生的。

注：columns，对于列标签，可选的默认语法是 - np.arange(n)。 这只有在没有索引传递的情况下才是这样。这里是设置的是列表list。

注：这样，结合上面产生的dates、pd.DataFrame可以画出一个表格出来。

注：如果index和column都不设置，那么index和columns都由0开始，然后1、2、3......

注：如果连data也没有，那么直接就产生一个空列表DataFrame。

dates 

运行结果：

0 2.0
1 2.0
2 2.0
3 2.0
dtype: float32
[3 3 3 3]
[3 3 3 3]
A B C D E F
2013-01-01 1.0 2013-01-02 NaN 3 test foo
2013-01-02 1.0 2013-01-02 NaN 3 train foo
2013-01-03 1.0 2013-01-02 NaN 3 test foo
2013-01-04 1.0 2013-01-02 NaN 3 train foo

A B C D E F 2013-01-01 1.0 2013-01-02 NaN 3 test foo 2013-01-02 1.0 2013-01-02 NaN 3 train foo 2013-01-03 1.0 2013-01-02 NaN 3 test foo 2013-01-04 1.0 2013-01-02 NaN 3 train foo

注：如果字典中keys所对应的values只有一个数据，那么列表中该keys对应的所有values都赋为该值。

注：pd.Timestamp()函数将字符串转换为时间。

注：pd.Series(1,index=list(range(4)),dtype='float32')，表示索引是range(4)，索引对应的值都是1。

注：np.array([3,3,3,3])与np.array([3]*4)等价。

注：Categoricals表示分类，是由固定的且有限数量的变量组成的。比如：性别、社会阶层、血型、国籍、观察时段、赞美程度等等。

注：如果不设置index,行索引就从0开始，然后1、2、3......，我这里是用dates变为行索引。

注：通过传递dict字典对象来创建一个DataFrame，这里的字典的keys为列索引的标签。

df2

运行结果：

A float64
B datetime64[ns]
C float32
D int32
E category
F object
dtype: object

注：可以看到各列的数据类型。

"♥每天积累一点点♥"