## 最近两天的成果 ''' ########################################## # # # 不忘初心 砥砺前行. # # 418__yj # ########################################## ''' import pandas as pd import numpy as np import matplotlib.pyplot as plt from scipy.stats import pearsonr import dat

相关系数公式 参考:https://baike.baidu.com/item/相关系数 PHP 实现代码 public static function calc($list) { $cv = []; $X = []; $Y = []; foreach ($list as $r) { if (count($r) != 2) { continue; } $X[] = floatval($r[0]); $Y[] = floatval($r[1]); } $xavg = array_sum($X)/co

参考文献: 1.python 皮尔森相关系数 https://www.cnblogs.com/lxnz/p/7098954.html 2.统计学之三大相关性系数(pearson.spearman.kendall) http://blog.sina.com.cn/s/blog_69e75efd0102wmd2.html 皮尔森系数 重点关注第一个等号后面的公式,最后面的是推导计算,暂时不用管它们.看到没有,两个变量(X, Y)的皮尔森相关性系数(ρX,Y)等于它们之间的协方差cov(X,Y)除以它

目录 person correlation coefficient(皮尔森相关性系数-r) spearman correlation coefficient(斯皮尔曼相关性系数-p) kendall correlation coefficient(肯德尔相关性系数-k) R语言计算correlation 在文献以及各种报告中,我们可以看到描述数据之间的相关性:pearson correlation,spearman correlation,kendall correlation.它们分别是什么呢

Python之进度条及π的计算 文本进度条 1.  简单的开始 这是利用print()函数来实现简单的非刷新文本进度条.它的基本思想是按照任务执行百分比将整个任务划分为100个单位,每执行N%输出一次进度条. 为了模拟任务处理的时间效果,需要调用Python标准时间库time. 完整代码如下: import time scale=10 print("-----执行开始-----") for i in range(scale+1): a,b='**'*i,'..'*(scale-i) c

python转换已转义的字符串 有时我们可能会获取得以下这样的字符串: >>> a = '{\\"name\\":\\"michael\\"}' >>> print a {\"name\":\"michael\"} 那么该如何将其转换为一个字典呢? 可以用以下的方法: >>> type(json.loads('“' + a + '”')) <type 'unicode

相关性系数 https://baike.baidu.com/item/相关系数/3109424?fr=aladdin 缺点 需要指出的是,相关系数有一个明显的缺点,即它接近于1的程度与数据组数n相关,这容易给人一种假象.因为,当n较小时,相关系数的波动较大,对有些样本相关系数的绝对值易接近于1:当n较大时,相关系数的绝对值容易偏小.特别是当n=2时,相关系数的绝对值总为1.因此在样本容量n较小时,我们仅凭相关系数较大就判定变量x与y之间有密切的线性关系是不妥当的.     D(X+Y)=D(X)

一.NumPy 1.NumPy:Numberical Python 2.高性能科学计算和数据分析的基础包 3.ndarray,多维数组(矩阵),具有矢量运算的能力,快速.节省空间 (1)ndarray,N维数组对象(矩阵) (2)所有元素必须是相同类型 (3)ndim属性,维度个数 (4)shape属性,各维度的大小 (5)dtype属性,数据类型 4.矩阵运算,无需循环,可完成类似Matlab中的矢量计算 5.线性代数.随机数生成 6.import numpy as np narray多维数组

夹角余弦(Cosine) 也可以叫余弦相似度. 几何中夹角余弦可用来衡量两个向量方向的差异,机器学习中借用这一概念来衡量样本向量之间的差异. (1)在二维空间中向量A(x1,y1)与向量B(x2,y2)的夹角余弦公式: (2) 两个n维样本点a(x11,x12,-,x1n)和b(x21,x22,-,x2n)的夹角余弦        类似的,对于两个n维样本点a(x11,x12,-,x1n)和b(x21,x22,-,x2n),可以使用类似于夹角余弦的概念来衡量它们间的相似程度. 即:       

原文:http://www.52nlp.cn/python-网页爬虫-文本处理-科学计算-机器学习-数据挖掘 曾经因为NLTK的缘故开始学习Python,之后渐渐成为我工作中的第一辅助脚本语言,虽然开发语言是C/C++,但平时的很多文本数据处理任务都交给了Python.离开腾讯创业后,第一个作品课程图谱也是选择了Python系的Flask框架,渐渐的将自己的绝大部分工作交给了Python.这些年来,接触和使用了很多Python工具包,特别是在文本处理,科学计算,机器学习和数据挖掘领域,有很多很多

在python 中有时候我们用数组操作数据可以极大的提升数据的处理效率, 类似于R的向量化操作,是的数据的操作趋于简单化,在python 中是使用numpy模块可以进行数组和矢量计算. 下面来看下简单的例子 import numpy as np data=np.array([2,5,6,8,3]) #构造一个简单的数组 print(data) 结果: [2 5 6 8 3] data1=np.array([[2,5,6,8,3],np.arange(5)]) #构建一个二维数组 print(da

本文部分内容来源于CDA深度学习实战课堂,由唐宇迪老师授课 如果你企图用CPU来训练模型,那么你就疯了- 训练模型中,最耗时的因素是图像大小size,一般227*227用CPU来训练的话,训练1万次可能要超过1周的时间. 不同的网络结构,可能会有不同图片尺寸的需求,所以训练之前需要了解一下,在生成LMDB环节就直接符合上模型的数据要求. 如果你自己DIY了框架,那么不知道如何检验框架与通用框架比较,是否优质,可以去benchmarks网站,跟别人的PK一下:http://human-pose.m

经过自己一段时间的学习,已经略有收获了!在整个过程的进行中,在我逐渐通过看书,看案例,做题积累了一些编程python的经验以后,我发现我渐渐爱上了python,爱上了编程! 接下来,当然是又一些有趣的实验案例:文本进度条的制作和π的计算! **文本进度条 相信大家都玩过游戏吧,面对加载的游戏数据,我们可能会遇到这样一种情况:网络卡顿的时候,进度条缓缓移动却迟迟不能加载完全,实在是消磨人们的耐心(狗头) 在我们的印象中,进度条应该是一个条状方块,随着时间的推移慢慢向前移动,直至数据加载完成! 那么

# -*- coding: utf-8 -*- """ Created on Mon Dec 2 14:49:59 2018 @author: zhen """ import matplotlib.pyplot as plt import numpy as np import pandas as pd from datetime import datetime def normal(a): #最大值最小值归一化 return (a - np.mi

这是参照<机器学习实战>中第15章“大数据与MapReduce”的内容,因为作者写作时hadoop版本和现在的版本相差很大,所以在Hadoop上运行python写的MapReduce程序时出现了很多问题,因此希望能够分享一些过程中的经验,但愿大家能够避开同样的坑.文章内容分为以下几个部分:(本文的代码和用到的数据集可以在这里下载) 1.代码分析 2.运行步骤 3.问题解决 1.代码分析 问题描述:在一个海量数据上分布式计算均值和方差的MapReduce作业. 设有一组数字,这组数字的均值和方差

本文转载自:https://www.cnblogs.com/colipso/p/4284510.html 好文 mark http://www.52nlp.cn/python-%E7%BD%91%E9%A1%B5%E7%88%AC%E8%99%AB-%E6%96%87%E6%9C%AC%E5%A4%84%E7%90%86-%E7%A7%91%E5%AD%A6%E8%AE%A1%E7%AE%97-%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E6%95%B0%E6%8

目录 0. 前言 1. ipaddress模块介绍 1.1 IP主机地址 1.2 定义网络 1.3 主机接口 1.4 检查address/network/interface对象 1.4.1 检查IP版本(v4或者v6): 1.4.2 从接口IP获取网段 1.4.3 计算网段有多少个IP地址 1.4.4 计算网段有多少个可用IP地址 1.4.5 获取掩码与反掩码 1.6 获取网络号与广播地址 1.7 异常处理 2. 计算IP子网代码演示 2.1 完整代码 2.2 运行结果 3. 碎碎语 3.1 官

kappa系数在遥感分类图像的精度评估方面有重要的应用，因此学会计算kappa系数是必要的 实例1 实例2

蒙特·卡罗方法是一种通过概率来得到问题近似解的方法,在很多领域都有重要的应用,其中就包括圆周率近似值的计问题. 假设有一块边长为2的正方形木板,上面画一个单位圆,然后随意往木板上扔飞镖,落点坐标(x,y)必然在木板上(更多的时候是落在单位圆内), 如果扔的次数足够多,那么落在单位圆内的次数除以总次数再乘以4,这个数字会无限逼近圆周率的值. 这就是蒙特·卡罗发明的用于计算圆周率近似值的方法. 编写程序,模拟蒙特·卡罗计算圆周率近似值的方法,输入掷飞镖次数,然后输出圆周率近似值. import ra

在Python中获取日期和时间很简单,主要使用time和datetime包 1.获取当前时间并格式化 from dateutil import rrule from datetime import datetime import time #获取日期,格式化yyyy-mm-dd hh:mm:ss #第一种方式 strtime = time.strftime('%Y-%m-%d %H:%M:%S',time.localtime()) print(strtime) print(type(strtim

一.多维数组 1.生成ndarray     (array函数) .np.array()生成多维数组 例如:import numpy as npdata1=[6,7.5,8,0,1]     #创建简单的列表print(data1)arr1=np.array(data1)    #将列表创建数组print(arr1) 2.ndarry的数据类型 (1)dtype()   #获取数组元素类型(浮点数.复数.整数等) data=np.random.randn(2,3)   #生成随机数组print(