pandas之替换函数 一般而言，替换操作是针对某一个列进行的，因此下面的例子都以 Series 举例。 pandas 中的替换函数可以归纳为三类：映射替换、逻辑替换、数值替换。 其中映射替换包含 replace 方法、str.replace 方法以及 cat.codes 方法，此处介绍 replace 的用法。 在 replace
MinkowskiPooling池化（下） MinkowskiPoolingTranspose class MinkowskiEngine.MinkowskiPoolingTranspose(kernel_size, stride, dilation=1, kernel_generator=None, dimension=None) 稀疏张量的池转置层。 展开功能，然后将其除以贡献的非零元素的数量。 __init__(kernel_size,
第七章 缺失数据 一、缺失值的统计和删除 缺失信息的统计 缺失数据可以使用isna或isnull（两个函数没有区别）来查看每个单元格是否缺失 df.isna().sum()/df.shape[0] # 查看每列缺失的比例 sum默认对列求和 sub_set = df[['Height', 'Weight', 'Transfer']] df[sub_set.isna().
excel进行数据的操作最便捷的库是pandas，但是如何使用pandas对excel中的文本进行清洗，这是一个很技巧性的工作。之前常见的思路是操作结果保存到新的excel文件中，这会让代码可读性和清洗速度大大降低，这很不pythonic，所以今天分享pandas的文本数据处理技巧。 pandas中有Series和DataFram
excel进行数据的操作最便捷的库是pandas，但是如何使用pandas对excel中的文本进行清洗，这是一个很技巧性的工作。之前常见的思路是操作结果保存到新的excel文件中，这会让代码可读性和清洗速度大大降低，这很不pythonic，所以今天分享pandas的文本数据处理技巧。 pandas中有Series和DataFram
1. 问题描述： 使用opencv读入图片，不管使用cv.imshow还是plt.imshow都不行 。同时一会儿可以显示图片，一会儿又不能显示图片。 Jupyter报错为： Image data of dtype object cannot be converted to float IDLE中不让他显示，直接print,报错：nontype. 2. 解决
这是在datawhale学习小组学习pandas的第四章内容，分组，以下是学习笔记，仅供参考，不喜勿喷 DataWhale 第四章 分组 一、分组模式及其对象 1. 分组的一般模式 df.groupby(分组依据)[数据来源].使用操作 #分组的常用形式 学生体测的数据集上，如果想要按照性别统计身高中位数 import n
编写可调模板并使用自动调谐器 这是TVM中自动调试模块的入门说明。 自动调试有两个步骤。第一步是定义搜索空间。第二步是运行搜索算法来探索这个空间。本文可以学习如何在TVM中执行这两个步骤。整个工作流程由矩阵乘法示例说明。 注意，本文无法在Windows或最新版本的macOS上运行。
第三章 索引 一、索引器 1.表的列索引 df=pd.read_csv('data/learn_pandas.csv',usecols=['School','Grade','Name','Gender','Weight','Transfer']) df['Name'].head() 解释： 1. usecols是什么意思: pd.read_csv
import numpy as np import pandas as pd 在开始学习前，请保证 pandas 的版本号不低于如下所示的版本，否则请务必升级！请确认已经安装了 xlrd, xlwt, openpyxl 这三个包，其中xlrd版本不得高于 2.0.0 。 pd.__version__ '1.1.5' pip install -U pandas==1.1.5 # 版本不够时更新
文件的读取和写入 文件读取 df_csv = pd.read_csv('G:\代码\joyful-pandas-master\data\my_csv.csv') # 可以写相对路径也可以写绝对路径 df_csv col1col2col3col4col502a1.4apple2020/1/113b3.4banana2020/1/226c2.5orange2020/1/535d3.2lemon2020/1/7 df_txt = pd.read_
N维数组-ndarray 1 ndarray的属性2 ndarray的形状3 ndarray的类型4 总结 1 ndarray的属性 数组属性反映了数组本身固有的信息。 属性名字属性解释ndarray.shape数组维度的元组ndarray.ndim数组维数ndarray.size数组中的元素数量ndarray.itemsize一个数组元素的长度（字
预备知识 一、Python基础 1、列表推导式与条件赋值 列表推导是（list comprehension）是一种简单的创造列表的方式，常应用于创建新的列表，其中每个元素是应用于另一个序列的每个成员或可迭代的某些操作的结果，或者创建满足特定条件的哪些元素的子序列。例如创建如下一个列表： L=[] de
二、张量的简介与创建 2.1张量的概念 张量的概念：Tensor 张量是一个多维数组，它是标量、向量、矩阵的高维拓展 Tensor与Variable Variable是torch.autograd(torch.autograd.Variable)中的数据类型，主要用于封装Tensor 进行自动求导 data：被包装的Tensor grad：data的梯度 grad_fn：创
字符串拼接 numpy.char.add(x1, x2) Return element-wise string concatenation for two arrays of str or unicode. 把x1和x2拼接在一起 >>>import numpy as np >>>np.char.add("aaa","bbb") array('aaabbb', dtype='<U6')
Anaconda使用 为什么使用 Anaconda 缺点 文件比较大 优点 包非常齐全, 一般不会出现问题. 虚拟环境不会重新安装包,而是使用已有包的链接 conda常用命令 进入cmd conda create -n env1 python=3.6 创建python3.6的env1虚拟环境 conda activate xxxx 开启xxxx环
在Tensor后加 .long(), .int(), .float(), .double()等即可，也可以用.to()函数进行转换，所有的Tensor类型可参考https://pytorch.org/docs/stable/tensors.html import torch a = torch.DoubleTensor((3, 2)) print(a.dtype) a = a.float() print(a.dtype) torch.float64torch.f
一、np.zeros()函数的作用: np.zeros()函数返回一个元素全为0且给定形状和类型的数组： zeros(shape, dtype=float, order=‘C’) 1.shape:形状 2.dtype:数据类型，可选参数，默认numpy.float64 3.order:可选参数，c代表与c语言类似，行优先；F代表列优先 例1： import numpy as np print(
a = np.linspace(b,c,d) b 为开始点， c 为终点， d 为一共多少个数， 对于 a 的切片可以按照列表的切片 re = np.where(矩阵) 可以看出，他用第一行来表示行数，第二行来表示列数，结果返回的是索引值 >>> print(b)[[ 0 1 2 3 4 5 6 7 8] [ 9 10 11 12 13 14 15 16 17] [
NumPy provides an N-dimensional array type, the ndarray, which describes a collection of “items” of the same type. NumPy提供了一个N维数组类型ndarray，它描述了相同类型的“items”的集合。 ndarray和原生 python列表的区别： 从图中我们可以看出ndarray在存储
Ndarray对象 import numpy as np # 单维度 a = np.array([1, 2, 3, 4, 5, 6]) print("单维度:", a) # 多维度 b = np.array([[1, 2, 3], [4, 5, 6]]) print("多维度:", b) # 最小维度 c = np.array([1, 2, 3, 4], ndmin=2) print("最小维度:", c) # dtype 参数 d = n
自己一直以来都是使用的pytorch，最近打算好好的看下tensorflow，新开一个系列：pytorch和tensorflow的爱恨情仇（相爱相杀。。。） 无论学习什么框架或者是什么编程语言，最基础的就是其基本的数据类型了，接下来我们就一一看看吧。 1、python基本数据类型 数字型：整型、浮点型、布尔型、复数型
目录 张量的概念 创建张量 张量的数据类型 NumPy数据转换 固定张量 全0张量 全1张量 元素值相同的张量 随机数张量 正态分布 截断正态分布 设置随机种子 均匀分布 序列张量 张量的运算 四则运算 平方、次方与开方 其他运算 重载运算符 矩阵乘法 张量的统计 回到
数据分析： 数据准备（读写各种各样的文件格式和数据库）数据处理（对数据进行清洗、修整、整合等处理以便进行分析）数据分析（根据分析目的对数据集做合适的数学和统计运算）数据可视化（展示数据分析成果） 一.NumPy简介 1. （1.NumPy（Numerical Python的简称）是高性能科学计算和数据分析的基础包，
"""矩阵""" import numpy as np a = np.arange(12).reshape(3, 4) print('原数组：') print(a) print('转置数组：') print(a.T) # 返回一个新的矩阵, 填充为随机数据 print(np.empty((2, 2))) print(np.zeros((2, 2))) print(np.ones((2, 2))) #
