2020-10-21

最新推荐文章于 2020-11-19 13:52:29 发布
最新推荐文章于 2020-11-19 13:52:29 发布
阅读量290 收藏
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_48726357/article/details/109205370
版权

大家需要领取Java Python基础课程，跟实战课程的可以私聊我哦，免费领取
Java的基础课程有：Javaee  Javase  html css jQuery  JavaScript，MySQL Oracle，Maven javaweb，spring springMVC Mybatis 
 web  jvm 集合  多线程 反射机制  还有物流管理系统的项目实战课程

 python课程有：python零基础入门，基础语法。基础的项目有：股票数据分析，猫眼爬虫，人脸识别，自动化办公（数据分析， 爬虫，人工智能，自动化办公）

需要的在评论区评论：学习Java&学习Python

零零后小码农
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
2020-10-24
kangkang188的博客
10-24 1743
E:\>d: D:\>dir 驱动器 D 中的卷是 软件 卷的序列号是 001A-F31A D:\ 的目录 2019/07/29 18:26 <DIR> 360downloads 2020/09/19 15:55 <DIR> 360驱动大师目录 2020/10/15 21:47 <DIR> DianNaoDian 2020/10/13 23:41 <DIR...
CVE-2020-0796漏洞复现
快吃小蛋糕吧的博客
11-08 2000
即17年永恒之蓝后，又爆出永恒之黑，445不愧是安全工程师的噩梦。 漏洞简介 Microsoft Windows和Microsoft Windows Server都是美国微软（Microsoft）公司的产品。Microsoft Windows是一套个人设备使用的操作系统。Microsoft Windows Server是一套服务器操作系统。Server Message Block是其中的一个服务器信息传输协议。 Microsoft Server Message Block 3.1.1 (SMBv3)版本.
2020-04-10
m0_46591785的博客
04-10 2396
Super关键字 可以访问父类中定义的属性 可以调用父类中定义的成员方法 可以在子类构造器中调用父类构造器 .子类所有的构造器默认都访问父类中空参数的构造器 .子类一定会调用父类构造器（默认过程调用无参） //如果没有显示定义构造方法，Java编译阶段提供一个默认构造方法 //如果定义了自己的构造器，Java使用自己的构造器 //父类所有的构造器：子类必须实现它，子类默认当中一定使用到了父类的构造...
2020-05-10
zcz19920114的博客
05-10 1223
本人camera hal小白，无从下手有没有camera hal 的大佬可以指点一下或者提供一点资料，在此谢了
2020-06-07
lyyzxl的博客
06-07 2770
arcgis engine 实现栅格计算器，包括数学运算、逻辑运算、三角函数运算和代数运算。有大佬能帮一下吗？arcgis用10.2版本，环境用vs2015，代码加注释。求大佬。
2020-07-02
thinkoutresult的博客
07-02 1069
标题java String类型复杂json串如果解析 1.根据json串解析相应的成相应的entity 2. Gson gson = new Gson（）； 3. gson.fromJson(String类型复杂的json串，根据json串解析的类entity.class ） 4. 注意解析成entity的类其他的类需要注明是public，如果要张一个entity里面去弄的话 ...
2020-05-09
zero_one666的博客
05-09 1532
1/The easiest thing in the world is persistence. The hardest thing is persistence. Keep in mind that persistence is victory. 2/The idea of breaking at a stroke is not a dream.
【漏洞复现】CVE-2020-0796漏洞复现（win10系统)
cj_Hydra's Blog
06-15 5081
前言： Microsoft Windows和Microsoft Windows Server都是美国微软（Microsoft）公司的产品，Microsoft Windows是一套个人设备使用的操作系统，Microsoft Windows Server是一套服务器操作系统，Server Message Block是其中的一个服务器信息传输协议。 微软公布了在Server Message Block 3.0（SMBv3）中发现的“蠕虫型”预授权远程代码执行漏洞。 影响版本： 适用于32位系统的Windows
2020-10-21：go中channel的send流程是什么？
福大大架构师每日一题
10-21 6049
福哥答案2020-10-21： 评论
Java 日期格式的转换20201111转换为2020-11-11
qq_44997933的博客
11-19 4865
1.日期：20201111为字符串类型 String dates="20201111"; 2.将字符串格式转换为Date类型 /** * 将字符串格式化成时间 * * @param dateString * @param pattern * @return */ public static Date parse(String dateString, String pattern) { Date date = null;
G系列流程图H5化自动部署工具-2020-10-21.zip
01-18
本资源包"G系列流程图H5化自动部署工具-2020-10-21.zip"针对的是G6产品线的多个版本，包括V6.1SP1，V6.1，V5.80SP1，V5.80，V5.71SP1，V5.71, V5.70，V5.6SP1以及V5.6，提供了便捷的流程图H5化与自动化部署解决方案...
Draft 2020-10-21 10:50:29-数据集
03-04
全球国家省市英文版 countries_en - 副本.csv
Draft 2020-10-21 10:44:25-数据集
03-04
countries countries - 副本.csv
Draft 2020-10-21 11:54:23-数据集
03-04
sap hybris 的后台backoffice中 人员角色脚本 customersupport-assistedservice-groups - 副本.csv customersupport-restrictions - 副本.csv customersupport-savedqueries - 副本.csv customersupport-groups ...
metrics.2020-10-13T12-44-21Z-00000
02-14
metrics.2020-10-13T12-44-21Z-00000
8051Proteus仿真c源码用单片机控制直流电机
最新发布
09-06
8051Proteus仿真c源码用单片机控制直流电机提取方式是百度网盘分享地址
全球与中国高纯度异丙醇（IPA）市场现状及未来发展趋势（2024版）.docx
09-06
全球与中国高纯度异丙醇（IPA）市场现状及未来发展趋势（2024版）.docx
Yolov3：只用opencv直接实现【图片】｜【视频】｜【摄像头实时】目标定位与目标检测
09-06
1 目标检测的定义 目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务，目标定位和目标分类。首先检测图像中目标的位置（目标定位），然后给出每个目标的具体类别（目标分类）。输出结果是一个边界框（称为Bounding-box，一般形式为(x1,y1,x2,y2)，表示框的左上角坐标和右下角坐标），一个置信度分数（Confidence Score），表示边界框中是否包含检测对象的概率和各个类别的概率（首先得到类别概率，经过Softmax可得到类别标签）。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类：Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段，主要用于生成潜在的目标候选框（Bounding-box proposals）。这个阶段通常使用卷积神经网络（CNN）从输入图像中提取特征，然后通过一些技巧（如选择性搜索）来生成候选框。第二个阶段是分类和位置精修阶段，将第一个阶段生成的候选框输入到另一个 CNN 中进行分类，并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高，缺点是速度相对较慢。 常见Tow stage目标检测算法有：R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值，并利用这些特征值进行目标的分类和定位，不需要生成Region Proposal。这种方法的优点是速度快，因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低，因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有：YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框，对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制，作用是从众多预测边界框中挑选出最具代表性的结果，这样可以加快算法效率，其主要流程如下： 设定一个置信度分数阈值，将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序，选中值最大的框 遍历其余的框，如果和当前框的重叠面积(IOU)大于设定的阈值（一般为0.7），就将框删除（超过设定阈值，认为两个框的里面的物体属于同一个类别） 从未处理的框中继续选一个置信度分数最大的，重复上述过程，直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度，当预测边界框和真实边界框差异很小时，或重叠度很大时，表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度，是评估目标检测模型效果的最重要指标，这个值介于0到1之间，且越大越好。mAP是AP(Average Precision)的平均值，那么首先需要了解AP的概念。想要了解AP的概念，还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值（Confidence Threshold）和IoU阈值（一般设置为0.5，也会衡量0.75以及0.9的mAP值）： 当一个预测边界框被认为是True Positive（TP）时，需要同时满足下面三个条件： Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3，则认为是False Positive（FP）。当对应同一个真值有多个预测结果时，只有最高置信度分数的预测结果被认为是True Positive，其余被认为是False Positive。 Precision和Recall的概念如下图所示： Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值，可以获得多组Precision和Recall，Recall放X轴，Precision放Y轴，可以画出一个Precision-Recall曲线，简称P-R
结果是这样的，没有根据id排：start_date end_date 0 2020-01-15 2020-04-27 1 2020-09-30 2020-10-10 2 2021-02-07 2021-02-22 3 2021-03-06 2021-03-24 4 2020-01-21 2020-03-03 .. ... ... 639 2021-03-09 2021-03-18 640 2021-03-24 2021-04-01 641 2020-01-12 2020-04-19 642 2021-02-09 2021-02-18 643 2020-01-18 2020-03-09
06-03
如果你想根据企业id对结果进行排序，可以在输出结果之前加上一行代码： ```python result = result.sort_values(by=['id']) ``` 此代码将会根据id对结果进行排序，使得每个企业的结果排在一起。完整的代码如下： ```python mean = DataFrame.groupby(['id'])['amount'].mean() # 列出每个企业用电量低于均值时间超过一周的时间段，标记起始时间和结束时间，省略中间时间 filtered_data = DataFrame[DataFrame['amount'] < DataFrame['id'].map(mean)] filtered_data['date'] = pd.to_datetime(filtered_data['date']) filtered_data['diff'] = filtered_data.groupby('id')['date'].diff().dt.days filtered_data['period'] = (filtered_data['diff'] > 1).cumsum() # 找出连续时间段，并计算起始时间和结束时间 result = filtered_data.groupby(['id', 'period']).agg(start_date=('date', 'min'), end_date=('date', 'max')) result = result[result['end_date'] - result['start_date'] > pd.Timedelta(days=7)].reset_index(drop=True) # 根据id排序输出结果 result = result.sort_values(by=['id']) print(result) ``` 输出结果将会按照企业id进行排序。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值