wxsy024680的博客

import cv2import numpy as npimport matplotlib.pyplot as plt# 创建2个25*2数组X = np.random.randint(25,50,(25,2))Y = np.random.randint(60,85,(25,2))# 按行顺序堆叠数组Z = np.vstack((X,Y))# convert to np.float32Z = np.float32(Z)

1、向word文件中写入文本并引入超链接import osimport win32com.clientwordapp = win32com.client.Dispatch("Word.Application")doc = wordapp.Documents.Add()addresses = ["E:\\python\\product32_ftp\\Q18-W2-3.tif", "E:\\python\\product32_ftp\\Q4-W4-3.tif"]fo

import jsonannotation = {"version": "4.5.7","flags": {},"shapes": [{ "label": "car", "points": [ [ 187.14285714285714, 403.14285714285717 ], [ 193.99999999999997, 407.42857142857144 ], [ 194.85714285714286, 414.0 ], [

import scipy# 解决报警：AttributeError: module 'scipy' has no attribute 'io'from scipy import iofeatures_struct = scipy.io.loadmat('BoundingBox.mat')bb = features_struct['bb']print(bb)运行结果：[[ 1. 222. 249. 172. 200.][ 1. 203. 229. 240. 265.][ 1. 2

我们可以将列表、字典等数据保存为二进制文件，一方面便于后续使用，另一方面可以节省代码量。import picklecity = { '北京':'101010100', '上海':'101020100', '台北':'101340101'}# 写入二进制文件，用wbpickle_file = open('city.pkl','wb')pickle.dump(city,pickle_file)pickle_file.close()pickle_file = open('city.pkl

1、皮尔逊相关系数 (Pearson Correlation Coefficient)是衡量两个值线性相关强度的量，取值范围：[-1, 1]，正向相关：>0，负向相关：<0，无相关性：=0上式又可以表示为：R^2是皮尔逊相关系数的平方，依然是表示两个值线性相关强度的量，取值范围：[0, 1]，值越大，相关性越强。import numpy as np def computeCorrelation(x, y): xBar = np.mean(x) yBar = np.mean(y)

1、求数组中的极大值和极小值from scipy import signalimport numpy as npimport matplotlib.pyplot as pltdata_x = np.arange(start = 0, stop = 40, step = 1, dtype='int')data_y = np.array([98,96,97,100,95,105,75,50,45,42, 51,85,90,92,91,89,101,62,65,52, 47,58,

1、将文本文件转换为列表with open('C:/Users/wxscn/Desktop/predefined_classes.txt', 'r', encoding='utf-8') as f: classList = f.read().split('\n')print(classList)运行结果：[‘气孔’, ‘夹渣’, ‘焊瘤’, ‘裂纹’, ‘咬边’]...

本例展示了如何利用迭代法求解方程，y值存储在excel中，求解的x值和loss值也存储在excel中，代码如下：import mathimport xlrdimport openpyxlimport warningswarnings.filterwarnings('ignore')# 表达式系数a=350b=370c=-3/7# 预测值与真实值差值阈值loss_thres = 1# 迭代次数阈值epoch_thres = 990results = []def fun(x,

import tensorflow as tfimport numpy as np# 原始数据x_data=np.random.rand(100)y_data=x_data*2+1# 定义变量k=tf.Variable(0.0)b=tf.Variable(0.0)# 训练数据y=x_data*k+b# 定义损失函数loss=tf.reduce_mean(tf.square(y-y_data))# 定义优化器optimizer=tf.train.GradientDescen

import tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt# 原始数据# x_data.shape=[200,1]x_data=np.linspace(-0.5,0.5,200)[:,np.newaxis]noise=np.random.normal(0,0.02,x_data.shape)y_data=np.square(x_data)+noise# 定义两个placeholder，行数待定，列数为1

下表为训练数据集，特征向量只有一维，根据此数据表建立回归决策树。在本数据集中，只有一个特征变量，最优切分变量自然是x。接下来考虑9个切分点{1.5,2.5,3.5,4.5,5.5,6.5,7.5,8.5,9.5}，根据下式计算每个待切分点的损失函数值：当切分点s=1.5时，可得c1和c2值同理，其他切分点的c1和c2值如下当切分点s=1.5时，可得损失函数值同理，其他切分点的损失函数值如下由上可知，当切分点s=6.5时，损失函数值最小。因此，第一个划分点为(j=x,s=6.5)，这

根据轴承振动数据预测轴承故障，轴承振动数据一共有792组，每组数据包括6000个时间点的振幅。轴承标签数据一共有10类，0表示无故障，1~9分别表示不同的故障。百度网盘下载训练数据：链接：https://pan.baidu.com/s/1oKPwn_rAgA5pMk5geCdZKg提取码：bqjb二分类将标签1~9改为1，将多分类问题变为二分类问题import csvimport numpy as npimport matplotlib.pyplot as pltfrom sklearn.

from urllib.parse import urlencodeimport pandas as pdimport requestsimport timedef gen_secid(rawcode: str) -> str: ''' 生成东方财富专用的secid Parameters ---------- rawcode : 6 位股票代码 Return ------ str: 指定格式的字符串 ''' # 沪市指数 if rawcode[:3] == '0

1、创建并写入xls文件import xlwt import Workbookbook = Workbook(os.path.dirname(__file__) + '\\defects.xls')sheet = book.add_sheet('defects')for i in range(len(names_dict)): sheet.write(i,0,list(names_dict.keys())[i]) #将字典keys值写入第0列 sheet.write(i,1,list

from xlrd import open_workbookfrom sklearn import linear_modelbook = open_workbook('test.xlsx')sheet = book.sheet_by_name('Sheet1')nrows = sheet.nrowsncols = sheet.ncolsprint(nrows,ncols)xs = []ys = []for i in range(1,nrows): data = [] f.