weixin_47238158的博客

主要使用双指针法，选择第 1 个元素作为 pivot，双指针 i 和 j 分别指向数组最左边和最右边，j 从右向左找比 pivot 小的数，i 从左向右找比 pivot 大的数，然后交换，因为 pivot 一般选取的是最左边的值，所以是 j 先移动。桶排序（BucketSort），一种分布式排序算法，将待排序数组元素分到有限数量的桶里，每个桶里的数据分别进行排序， 按照桶的顺序将元素合并成有序数组。从未排序序列中选择第 1 个元素，与有序序列中的元素依次比较，将其插入到合适的位置(通过这个可以看出。

打包成功，可以在 f1.py 所在文件夹找到dist文件夹，里面有exe文件，点击即可运行。PS：python各种函数的解释可以在python document里找。在vscode，python环境下，将代码打包。用这个扩展包打包文件 f1.py。

Zotero教程学习笔记

这次是简单的神经网络，因为层数比较少，采用经典的手写数字作为训练测试集

K-Means聚类方法进行数据处理，不介绍原理

1、导入包# 载入一些基本的包import numpy as np # 线性代数import pandas as pd # 数据处理和csv文件import matplotlib.pyplot as plt # 用于画图import seaborn as sns # 图形渲染import osimport warnings # 红色警告部分太多时可选择用代码忽略这些警告warnings.filterwarnings('ignore')from sklearn.decomposit.

代码仅供参考，仅作为函数使用示例1、导入包、数据，查看、简单分析数据# 载入一些基本的包import pandas as pdimport numpy as npimport matplotlib.pyplot as pltcredit = pd.read_csv('credit.csv')pd.set_option('display.max_columns',None) #每一列都展示出来credit.head()#获取矩阵形状print(credit.shape)#获取矩阵

以下代码仅供参考，只作为函数调用的示例目录1、导入包、文件、查看数据、简单分析2、数据分析2.1、离散特征2.2、连续特征2.3、散点图3、对sex特征进行OneHot 编码4、划分训练集和测试集5、实现线性回归和岭回归5.1使用Numpy实现线性回归5.2 使用Numpy实现岭回归5.3使用Lasso构建鲍鱼年龄预测模型6、鲍鱼年龄预测与效果评估6.1 MAE （均方误差）和决定系数R^26.2 残差图1、导入包、文件、查看数据、简单...

1、导入可能使用到的包import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as sns# 可以自己随时增减2、导入数据# 如果需导入文件与代码文件在同一个文件夹data = pd.read_csv('turkiye-student-evaluation_generic.csv')# 否则使用绝对路径# data = pd.read_csv(r'绝对路径')# 显

NumPy 数组主要使用的pandas对象是DataFrame，它是用于实现表格化，面向列，使用行列标签的数据结构。数据结构元组：是一种固定长度，不可变的Python对象序列。用 () 定义元组tuple_1=(4，5，6)tuple_2=((4，)，(4，5)，6)元组的元素可以是元组，字符串等等以及他们的组合列表：长度可变，包含的内容也可以修改。用 [ ] 或list函数定义列表。与元组非常类似。字典：拥有灵活尺寸的键值对集合，其中键、值都是Python对象。采用｛｝创建字典d1={

看《经济博弈论（第三版）》复旦大学出版社的摘录：完全信息博弈：各博弈方都完全了解所有博弈方的各种情况下得益的博弈完美信息的动态博弈：动态博弈中在轮到行为时对博弈的进程完全了解的博弈方称为具有“完美信息”的博弈方，动态博弈中所有博弈方都有完美信息古诺的寡头模型（举个例子）：设市场里有1、2两个厂商生产同样的产品，若厂商1的产量为，厂商2的产量为，则市场总产量为，设市场出清价格为（可以将产品全部卖出去的价格）。再设生产无固定成本，每增加一单位产量的边际成本相等，。两厂商在决定各自产量时不知道对方的

这是flag文章其实我什么都不懂，只是一直以来的愿望从没有去追寻，但是与其被人裹挟着向前，不如主动去卷希望进入华为算法岗，成为算法工程师，或者AI工程师1学习Python、巩固C/学习C++2整理数据结构基础3算法、刷题非常期待有人可以提建议呢...