首页
关于
推荐
百度一下
腾讯视频
Search
1
你要的草莓熊来啦!——郑科院
1,260 阅读
2
郑州科技学院2023-2024学年第一学期期末统一考试 Python程序设计
1,181 阅读
3
第4章 实训2 删除年龄异常数据
1,015 阅读
4
Python程序设计教学大纲(董付国老师版)
979 阅读
5
郑州科技学院2022-2023年第二学期期末统一考试 管理学 课程试题
919 阅读
默认分类
登录
/
注册
Search
庞立智
累计撰写
71
篇文章
累计收到
289
条评论
首页
栏目
默认分类
页面
关于
推荐
百度一下
腾讯视频
搜索到
71
篇与
的结果
2023-10-19
Python岗位面试建议问题
1、 Python代码实现对Data(aizhengke_good.csv)进行训练集和测试集的划分,为后续的模型构建提供训练数据和测试数据;并对数据集进行降维,以适当减少数据的特征维度。 (附Data: aizhengke_good.csv)2、 Python代码实现构建基于DATA(aizhengke_good.csv)的k-Means聚类模型(提示:对竞标比率,连续竞标,竞标者特征三个数据进行聚类),并对模型进行评价,确定最优聚类数目。3、 Python代码实现构建基于DATA(aizhengke_good.csv)的SVM模型。通过完成的模型判断测试机的竞标行为类别,并对模型性能进行评价。Data下载地址 提取码:6gbq
2023年10月19日
135 阅读
0 评论
1 点赞
2023-10-19
如何在1分钟内黑掉任何网站!绝密分享!
黑客教程:如何黑网站;如果攻击别人电脑;如何破解别人密码!!! 一些黑客惯用手段 包学包会 特别提醒:百度是黑不了的,不要试。教程一:如何黑网站 方法一: 第一步: 打开IE5.5以上版本,或FireFox1.5以上版本,并且输入目标网址,打开需要被黑的论坛。 第二步: 取一定浓度黑色墨汁少许,口含,将嘴对准你的屏幕正中,喷!!! 第三步: 抬眼看:黑了!!!它黑了!!! 方法二: 第一步: 打开IE5.5以上版本,或FireFox1.5以上版本,并且输入目标网址,打开需要被黑的论坛。 第二步: 找到显示器开关,伸出食指,将食指对准显示器开关按钮,按!!! 第三步: 抬眼看:黑了!!!它黑了!!! 方法三: 第一步: 打开IE5.5以上版本,或FireFox1.5以上版本,并且输入目标网址,打开需要被黑的论坛。 第二步: 找到机箱电源插座,伸出右手,将右手对准插座,拔!!! 第三步: 抬眼看:黑了!!!它黑了!!! 方法四: 第一步: 打开IE5.5以上版本,或FireFox1.5以上版本,并且输入目标网址,打开需要被黑的论坛。 第二步: 取一定大小砖块或金属等硬物,对准你的屏幕正中,扔!!! 第三步: 抬眼看:黑了!!!它黑了!!! 教程二:如何黑别人电脑 步骤: 1.买一桶黑油漆和一把刷子 2.到别人家(走着去或坐车都可以) 3.把他家的电脑用刷子涂抹上黑油漆 好了!这样你就成功地黑了别人的电脑了!恭喜你! 教程三:如何在别人电脑里留下后门和木马 1.到玩具店买一个木马,再到五金店买一个钻孔机 2.到别人家(走着去或坐车去都可以) 3.用钻孔机在他家电脑的机箱后面钻一个洞,把木马塞进去。 教程四:如何提升自己在对方网站里的权限 步骤: 1.发很多很多的贴子 2.给这个网站捐一些钱 3.申请做版主 好了!你终于提升了自己的权限了!恭喜你! 教程五:如何得到别人的各种密码 步骤: 1.静态跟踪法: 去一个网吧,打扮成一棵树,站在上网者的身后偷看。 2.动态跟踪法: 到朋友家做客,站在他们的家人身后偷看。 (要求:记忆力和眼力必须好,严重反对豆眼和白痴学习此功法) 教程六:如何以穷举法破解别人邮箱密码 步骤: 1.随便输入一个邮箱密码 2.如不行,再输入第二个试试 3.如不行,再输入第三个试试 4.如不行,再输入第四个试试…… (耗费时间较多,强烈建议老年朋友勿练此功法) 教程七:如何令对方网络瘫痪 步骤: 1.把对方网站的网管和站长等所有人约到一个死胡同吃饭。 2.让你所有的弟兄都赶到那个死胡同,别忘了带上铁锤、木棍。 3.我估计见面以后对方的网站不是瘫痪,就是半瘫痪了。(有不明白的细节可以拨打110查询)
2023年10月19日
138 阅读
0 评论
0 点赞
2023-10-18
Scikit-Learn 的建模学习
算法工程师是伴随着人工智能火起来的一个领域。听着名字似乎门槛很高。但是,得益于Python生态下的包共享机制,机器模型构建的过程其实已经变得非常简单了,很多听起来牛逼的算法,其实根本不需要自己实现,甚至都不需要知道这些算法的具体原理。你只需要两步就能构建起自己的机器学习模型:明确你需要解决的问题是什么类型,以及知道解决该类型问题所对应的算法。从skicit-learn中调用相应的算法构建模型即可。是的!在机器学习领域,如果你只是抱着体验机器学习的心态,实现起来就是这么简单。第一步很好解决常见的问题类型只有三种: 分类、回归、聚类 。而明确具体问题对应的类型也很简单。比如,如果你需要通过输入数据得到一个类别变量,那就是分类问题。分成两类就是二分类问题,分成两类以上就是多分类问题。常见的有:判别一个邮件是否是垃圾邮件、根据图片分辩图片里的是猫还是狗等等。如果你需要通过输入数据得到一个具体的连续数值,那就是回归问题。比如:预测某个区域的房价等。常用的分类和回归算法算法有:SVM (支持向量机) 、xgboost、, KNN、LR算法、SGD (随机梯度下降算法)、Bayes (贝叶斯估计)以及随机森林等。这些算法大多都既可以解分类问题,又可以解回归问题。如果你的数据集并没有对应的属性标签,你要做的,是发掘这组样本在空间的分布, 比如分析哪些样本靠的更近,哪些样本之间离得很远, 这就是属于聚类问题。常用的聚类算法有k-means算法。在本文中,我们主要解决第二步: 通过skicit-learn构建模型 。告诉你你一套让你简单到想笑的通用模型构建模板。只要scikit-learn实现的算法,都可以通过这种方式快速调用。牢记这三个万能模板,你就能轻松构建起自己的机器学习模型。预备工作 在介绍万能模板之前,为了能够更深刻地理解这三个模板,我们加载一个Iris(鸢尾花)数据集来作为应用万能模板的小例子,Iris数据集在前边的文章中已经提到过多次了,这里不再赘述。它是一个典型的 多分类问题 。加载步骤如下:1、加载数据集 因为原始的数据集中包含很多空值,而且类别特征用英文名表示各个花的名字,也需要我们转换成数字。在scikit-learn下的datasets子包里,也自带了一个Iris数据集,这个数据集和原始数据集的区别就是scikit-learn已经帮我们提前 处理好了空值 等问题,可以直接输入模型用来训练。所以为了方便起见,我们直接使用scikit-learn的数据集。加载方法如下:cfrom sklearn.datasets import load_iris data = load_iris() x = data.data y = data.targetx值如下,可以看到scikit-learn把数据集经过去除空值处理放在了array里,所以x是一个(150,4)的数组,保存了150个数据的4个特征:array([[5.1, 3.5, 1.4, 0.2], [4.9, 3. , 1.4, 0.2], [4.7, 3.2, 1.3, 0.2], [4.6, 3.1, 1.5, 0.2], [5. , 3.6, 1.4, 0.2], [5.4, 3.9, 1.7, 0.4], [4.6, 3.4, 1.4, 0.3], [5. , 3.4, 1.5, 0.2], [4.4, 2.9, 1.4, 0.2], [4.9, 3.1, 1.5, 0.1], [5.4, 3.7, 1.5, 0.2], [4.8, 3.4, 1.6, 0.2], [4.8, 3. , 1.4, 0.1], [4.3, 3. , 1.1, 0.1], …………y值如下,共有150行,其中0、1、2分别代表三类花:array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2])2、数据集拆分 数据集拆分是为了验证模型在训练集和测试集是否过拟合,使用train_test_split的目的是保证从数据集中均匀拆分出测试集。这里,简单把10%的数据集拿出来用作测试集。from sklearn.model_selection import train_test_splittrain_x,test_x,train_y,test_y = train_test_split(x,y,test_size=0.1,random_state=0)模板V1.0版不同的算法只是改变了名字,以及模型的参数不同而已。有了这个万能模板,接下来就是简单的复制粘贴改名字了:而且在scikit-learn中,每个包的位置都是有规律的,比如:随机森林就是在集成学习文件夹下。模板1.0应用案例1、构建SVM分类模型通过查阅资料,我们知道svm算法在scikit-learn.svm.SVC下,所以:算法位置填入:svm算法名填入:SVC()模型名自己起,这里我们就叫svm_model套用模板得到程序如下:svm分类器from sklearn.svm import SVC from sklearn.metrics import accuracy_score svm_model = SVC() svm_model.fit(train_x,train_y) pred1 = svm_model.predict(train_x) accuracy1 = accuracy_score(train_y,pred1) print('在训练集上的精确度: %.4f'%accuracy1) pred2 = svm_model.predict(test_x) accuracy2 = accuracy_score(test_y,pred2) print('在测试集上的精确度: %.4f'%accuracy2)输出:在训练集上的精确度: 0.9810在测试集上的精确度: 0.97782、构建LR分类模型同理,找到LR算法在sklearn.linear_model.LogisticRegression下,所以:算法位置填入:linear_model算法名填入:LogisticRegression模型名叫做:lr_model程序如下:套用模板得到程序如下:LogisticRegression分类器from sklearn.linear_model import LogisticRegression from sklearn.metrics import accuracy_score #评分函数用精确度评估 lr_model = LogisticRegression() lr_model.fit(train_x,train_y) pred1 = lr_model.predict(train_x) accuracy1 = accuracy_score(train_y,pred1) print('在训练集上的精确度: %.4f'%accuracy1) pred2 = lr_model.predict(test_x) accuracy2 = accuracy_score(test_y,pred2) print('在测试集上的精确度: %.4f'%accuracy2)输出:在训练集上的精确度: 0.9429在测试集上的精确度: 0.88893、构建随机森林分类模型随机森林算法在sklearn.ensemble.RandomForestClassifier 下,好了,现在你应该可以自己写了,这个作为本文的一个小测试,欢迎在评论区写下你的答案。
2023年10月18日
119 阅读
0 评论
1 点赞
2023-10-18
给初学Python同学的建议
01 小知识 建议1:理解 Pythonic 概念—-详见 Python 中的《Python之禅》 import this Beautiful is better than ugly. Explicit is better than implicit. Simple is better than complex. Complex is better than complicated. Flat is better than nested. Sparse is better than dense. Readability counts. Special cases aren't special enough to break the rules. Although practicality beats purity. Errors should never pass silently. Unless explicitly silenced. In the face of ambiguity, refuse the temptation to guess. There should be one-- and preferably only one --obvious way to do it. Although that way may not be obvious at first unless you're Dutch. Now is better than never. Although never is often better than *right* now. If the implementation is hard to explain, it's a bad idea. If the implementation is easy to explain, it may be a good idea. Namespaces are one honking great idea -- let's do more of those! 建议2:编写 Pythonic 代码 (1)避免不规范代码,比如只用大小写区分变量、使用容易混淆的变量名、害怕过长变量名等。有时候长的变量名会使代码更加具有可读性。 (2)深入学习 Python 相关知识,比如语言特性、库特性等,比如Python演变过程等。深入学习一两个业内公认的 Pythonic 的代码库,比如Flask等。 建议3:理解 Python 与 C 的不同之处,比如缩进与 {},单引号双引号,三元操作符?, Switch-Case 语句等。 建议4:在代码中适当添加注释 建议5:适当添加空行使代码布局更加合理 建议6:编写函数的4个原则 (1)函数设计要尽量短小,嵌套层次不宜过深 (2)函数声明应该做到合理、简单、易用 (3)函数参数设计应该考虑向下兼容 (4)一个函数只做一件事,尽量保证函数粒度的一致性 建议7:将常量集中在一个文件,且常量名尽量使用全大写字母 02 编程惯用法 建议8:利用 assert 语句来发现问题,但要注意,断言 assert 会影响效率 建议9:数据交换值时不推荐使用临时变量,而是直接 a, b = b, a 建议10:充分利用惰性计算(Lazy evaluation)的特性,从而避免不必要的计算 建议11:理解枚举替代实现的缺陷(最新版 Python 中已经加入了枚举特性) 建议12:不推荐使用 type 来进行类型检查,因为有些时候 type 的结果并不一定可靠。如果有需求,建议使用 isinstance 函数来代替 建议13:尽量将变量转化为浮点类型后再做除法(Python3 以后不用考虑) 建议14:警惕eval()函数的安全漏洞,有点类似于 SQL 注入 建议15:使用 enumerate() 同时获取序列迭代的索引和值 建议16:分清 == 和 is 的适用场景,特别是在比较字符串等不可变类型变量时(详见评论) 建议17:尽量使用 Unicode。在 Python2 中编码是很让人头痛的一件事,但 Python3 就不用过多考虑了 建议18:构建合理的包层次来管理 Module 03 基础用法 建议19:有节制的使用 from…import 语句,防止污染命名空间 建议20:优先使用 absolute import 来导入模块(Python3中已经移除了relative import) 建议21:i+=1 不等于 ++i,在 Python 中,++i 前边的加号仅表示正,不表示操作 建议22:习惯使用 with 自动关闭资源,特别是在文件读写中 建议23:使用 else 子句简化循环(异常处理) 建议24:遵循异常处理的几点基本原则 (1)注意异常的粒度,try 块中尽量少写代码 (2)谨慎使用单独的 except 语句,或 except Exception 语句,而是定位到具体异常 (3)注意异常捕获的顺序,在合适的层次处理异常 (4)使用更加友好的异常信息,遵守异常参数的规范 建议25:避免 finally 中可能发生的陷阱 建议26:深入理解 None,正确判断对象是否为空。 建议27:连接字符串应优先使用 join 函数,而不是+操作 建议28:格式化字符串时尽量使用 format 函数,而不是 % 形式 建议29:区别对待可变对象和不可变对象,特别是作为函数参数时 建议30:[], {}和():一致的容器初始化形式。使用列表解析可以使代码更清晰,同时效率更高 建议31:函数传参数,既不是传值也不是传引用,而是传对象或者说对象的引用 建议32:警惕默认参数潜在的问题,特别是当默认参数为可变对象时 建议33:函数中慎用变长参数 args 和 kargs (1)这种使用太灵活,从而使得函数签名不够清晰,可读性较差 (2)如果因为函数参数过多而是用变长参数简化函数定义,那么一般该函数可以重构 建议34:深入理解 str()和 repr() 的区别 (1)两者之间的目标不同:str 主要面向客户,其目的是可读性,返回形式为用户友好性和可读性都比较高的字符串形式;而 repr 是面向 Python 解释器或者说Python开发人员,其目的是准确性,其返回值表示 Python 解释器内部的定义 (2)在解释器中直接输入变量,默认调用repr函数,而print(var)默认调用str函数 (3)repr函数的返回值一般可以用eval函数来还原对象 (4)两者分别调用对象的内建函数 __str__ ()和 __repr__ () 建议35:分清静态方法 staticmethod 和类方法 classmethod 的使用场景 04 库的使用 建议36:掌握字符串的基本用法 建议37:按需选择 sort() 和 sorted() 函数 sort() 是列表在就地进行排序,所以不能排序元组等不可变类型。 sorted() 可以排序任意的可迭代类型,同时不改变原变量本身。 建议38:使用copy模块深拷贝对象,区分浅拷贝(shallow copy)和深拷贝(deep copy) 建议39:使用 Counter 进行计数统计,Counter 是字典类的子类,在 collections 模块中 建议40:深入掌握 ConfigParse 建议41:使用 argparse 模块处理命令行参数 建议42:使用 pandas 处理大型 CSV 文件 Python 本身提供一个CSV文件处理模块,并提供reader、writer等函数。 Pandas 可提供分块、合并处理等,适用于数据量大的情况,且对二维数据操作更方便。 建议43:使用 ElementTree解析XML 建议44:理解模块 pickle 的优劣 优势:接口简单、各平台通用、支持的数据类型广泛、扩展性强 劣势:不保证数据操作的原子性、存在安全问题、不同语言之间不兼容 建议45:序列化的另一个选择 JSON 模块:load 和 dump 操作 建议46:使用 traceback 获取栈信息 建议47:使用 logging 记录日志信息 建议48:使用 threading 模块编写多线程程序 建议49:使用 Queue 模块使多线程编程更安全 05 设计模式 建议50:利用模块实现单例模式 建议51:用 mixin 模式让程序更加灵活 建议52:用发布-订阅模式实现松耦合 建议53:用状态模式美化代码 06 内部机制 建议54:理解 build-in 对象 建议55:__init__ ()不是构造方法,理解 __new__ ()与它之间的区别 建议56:理解变量的查找机制,即作用域 局部作用域 全局作用域 嵌套作用域 内置作用域 建议57:为什么需要self参数 建议58:理解 MRO(方法解析顺序)与多继承 建议59:理解描述符机制 建议60:区别 __getattr__ ()与 __getattribute__ ()方法之间的区别 建议61:使用更安全的 property 建议62:掌握元类 metaclass 建议63:熟悉 Python 对象协议 建议64:利用操作符重载实现中缀语法 建议65:熟悉 Python 的迭代器协议 建议66:熟悉 Python 的生成器 建议67:基于生成器的协程和 greenlet,理解协程、多线程、多进程之间的区别 建议68:理解 GIL 的局限性 建议69:对象的管理和垃圾回收 07 使用工具辅助项目开发 建议70:从 PyPI 安装第三方包 建议71:使用 pip 和 yolk 安装、管理包 建议72:做 paster 创建包 建议73:理解单元测试的概念 建议74:为包编写单元测试 建议75:利用测试驱动开发(TDD)提高代码的可测性 建议76:使用 Pylint 检查代码风格 代码风格审查 代码错误检查 发现重复以及不合理的代码,方便重构 高度的可配置化和可定制化 支持各种 IDE 和编辑器的集成 能够基于 Python 代码生成 UML 图 能够与 Jenkins 等持续集成工具相结合,支持自动代码审查 建议77:进行高效的代码审查 建议78:将包发布到 PyPI 08 性能剖析与优化 建议79:了解代码优化的基本原则 建议80:借助性能优化工具 建议81:利用 cProfile 定位性能瓶颈 建议82:使用 memory_profiler 和 objgraph 剖析内存使用 建议83:努力降低算法复杂度 建议84:掌握循环优化的基本技巧 减少循环内部的计算 将显式循环改为隐式循环,当然这会牺牲代码的可读性 在循环中尽量引用局部变量 关注内层嵌套循环 建议85:使用生成器提高效率 建议86:使用不同的数据结构优化性能 建议87:充分利用 set 的优势 建议88:使用 multiprocessing 模块克服 GIL 缺陷 建议89:使用线程池提高效率 建议90:使用 Cythonb 编写扩展模块
2023年10月18日
119 阅读
0 评论
0 点赞
2023-10-18
实训1 读取并查看某地区房屋销售数据的基本信息 Page-89
# -*- coding: utf-8 -*- """ 实训1 读取并查看某地区房屋销售数据的基本信息 Page-89 """ import pandas as pd # 读取“某地区房屋销售数据.csv”文件 # 更换为本地路路径,encoding 指定为gbk housesale = pd.read_csv('../data/某地区房屋销售数据.csv', encoding='gbk') # 查看housesale数据 print(housesale.head(5)) # 查看数据维度、大小以及特征名称 print('数据维度为:', housesale.ndim) print('数据大小为:', housesale.size) print('数据特征名称为:', housesale.columns) # 索引单身公寓(unite)房屋数据 # 使用loc()方法 temp = housesale.loc[:, '房屋类型']# loc为location缩写,切片操作,用[]。 print(temp.tail(5)) print(temp[temp == 'unit']) # 使用iloc()方法 temp = housesale.iloc[:,3] print(temp.tail(5)) print(temp[temp == 'unit'])
2023年10月18日
131 阅读
0 评论
1 点赞
1
...
9
10
11
...
15