chenos121-CSDN博客

原创基于TD3的sdn流量调度

解析得到的结果类似于：# {(3, 2): (2, 2), (1, 3): (2, 1), (3, 1): (1, 2), (1, 4): (3, 1), (2, 3): (2, 2), (4, 2): (2, 3), (4, 1): (1, 3), (2, 4): (3, 2)}.format(Hostdst.IP(), dsport, size, type, deadline, src, dst, Hostsrc.IP()), shell=False)#在源主机上运行客户端。

2023-11-14 15:43:35 110

原创采用DDPG做sdn的QoS代码解析

2023-11-14 15:34:59 122

原创 autodl外挂vscode调试llama2

通过调试是可以详细知道实现细节，有助于理解涉及的技术点。有时还可以把其中的代码片段单独拎出来，自己通过torch.randn(x,x,x,x)的随机数据来跑一遍，有助于理解所采用的pytorch的实现技巧。最好在autodl上先创建一个pytorch的conda环境，如何创建具体参考其帮助文档，有时想通过调试看懂大模型代码，可以借助于autodl外接vscode进行调试。再通过autodl学术资源加速方式下载github上llama2代码。一步一步链接到开启的autodl实例。

2023-11-13 12:34:40 258

原创 python网络自动化运维开发实践-环境配置及测试

3. 打开电脑的vmnet8网卡，并将IP地址设置为自动获取，VMnet1禁用状态。Vmnet8获取到的IP地址为192.168.99.1确认云设置连接端口vmnet8（且IP地址为192.168.99.1）和UDP，若不是则删除原先连接再重新连接一下。（注：该centos虚拟机只要安装好vscode就行，另外IP地址是192.168.99.0/24的网段，后续有其他功能再添加，也可以采用ubuntu，win10等搭建虚拟机，安装好vscode。

2023-11-13 10:03:14 105

原创 python网络自动化运维开发实践-拓扑搭建

项目需求：如下图所示是一个包含三层网络结构（核心层，汇聚层和接入层）的网络拓扑。

2023-11-13 09:30:14 209

原创 4.11 数据预处理-5

使用pandas可以很方便的对离散型特征进行one-hot编码, 一般来说，进行onehot编码后，如果有N个特征，已知前N-1个特征的特征值之后，第N个特征的特征值也就知道了。['优', '优', '差', '优', '及格', ..., '差', '良', '中', '及格', '差']['优', '良', '差', '优', '差', ..., '差', '中', '差', '差', '差']Categories (5, object): ['差' < '及格' < '中' < '良' < '优']

2023-11-13 08:44:49 34

原创 4.11 数据预处理-4

st1['身高标准差标准化']=StandardScaler(st1['身高'])st1['体重标准差标准化']=StandardScaler(st1['体重'])st1['身高小数定标标准化']=DecimalScaler(st1['身高'])st1['体重小数定标标准化']=DecimalScaler(st1['体重'])st1['体重离差标准化']=MinMaxScale(st1['体重'])st1['身高离差标准化']=MinMaxScale(st1['身高'])## 自定义离差标准化函数。

2023-11-12 00:34:28 28

原创 4.11 数据预处理-3

比如在分析银行欺诈案例时，核心就是要发现异常值，这个时候异常值对我们是有用的，再比如，在统计某个城市的平均收入的时候，有人月收入是好几个亿，这个时候这个人就是一个异常值，这个异常值会拉高城市的整体平均收入，因此可能会得到一个不真实的分析结果。四分位数给出了数据分布的中心、散布和形状的某种指示，具有一定的鲁棒性，即 25% 的数据可以变得任意远而不会很大地扰动四分位数，所以异常值通常不能对这个标准施加影响，鉴于此，箱线图识别异常值的结果比较客观，因此在识别异常值方面具有一定的优越性。

2023-11-12 00:33:29 15

原创 4.11 数据预处理-2

如果两个变量的变化趋于一致，也就是说如果其中一个大于自身的期望值，另一个也大于自身的期望值，那么两个变量之间的协方差就是正值；解释：相关系数的取值范围为[-1, 1],当接近1时，表示两者具有强烈的正相关性，比如‘s’和‘x’；当接近-1时，表示有强烈的的负相关性，比如‘s’和‘c’，而若值接近0，则表示相关性很低。df1 = pd.DataFrame({'类型':['A','B','A','B','A'],'数目':[30,15,30,15,18]})当两个变量的线性关系增强时，相关系数趋于1或-1；

2023-11-12 00:32:23 19

原创 4.11 数据预处理-1

引入相关模块import numpy as np # pandas和numpy常常结合在一起使用，导入numpy库import pandas as pd # 导入pandas库print(pd.__version__) # 打印pandas版本信息1.4.1。

2023-11-12 00:28:07 26

原创 4.10 时间序列

带时间戳的数据是时间序列数据的最基本类型，它将值与时间点相关联，对它可以进行相关的时间操作，如何定义转换非常关键。同时一个具体的时间包含了丰富的信息，如年份、在周几、在几月、在哪个季度，需要我们进行属性的读取。

2023-11-12 00:26:51 23

原创 4.9 透视表和重塑dataframe

在数据分析中，常常需要用到数据透视表和交叉表，下面介绍pandas.DataFrame.pivot_table数据透视表和pandas.DataFrame.crosstab交叉表的用法和区别。

2023-11-12 00:24:57 81

原创 4.8 数据拼接

'left'和'right'的merge方式其实是类似的，分别被称为左连接和右连接。至于'left'和'right'中（乃至于下面将介绍的'outer'）连接的键是一对多的情况，原理和上方的'inner'是类似的.pd.merge(st3,st4,how='inner',left_on='姓名',right_on='名称')merge的'inner'的类型称为内连接，它在拼接的过程中会取两张表的键（key）的交集进行拼接。st4 = st2.drop(['学号','年龄','体重'],axis = 1)

2023-11-12 00:22:52 31

原创 4.7 pandas的索引处理

与单层索引的dataframe类似，多层索引包括数据元素、行索引和列索引三部分。最左边是最外层索引，依次往右属于各内层索引，需要注意，一般多层索引时，通过调用sort_index()方法可以对索引从外层依次往内层进行排列，将具有相同索引的行放一起，这样利于后续进行分组聚合操作。MultiIndex多层索引有个属性level，表示第几层索引，最外层为第0层索引，依次往内，对应1，2...层索引。columns=[["水果", "水果","水果","水果", "蔬菜", "蔬菜","蔬菜","蔬菜"],

2023-11-12 00:21:10 26

原创 4.6 Pandas数据可视化

Pandas提供了plot()方法，可以快速方便地将Series和DataFrame中的数据可视化, 是matplotlib模块的pyplot类的封装。plot 默认为折线图，调用方式为：df.plot()#针对dataframe的数值列分别绘制折线图s.plot()#对series的数据绘制折线图可以在 plot 后增加调用来使用其他的图形：df.plot.line() # 折线的全写方式df.plot.bar() # 柱状图df.plot.barh() # 横向柱状图（条形图）

2023-11-12 00:19:30 29

原创 4.5 数据处理操作-map apply applymap

在日常的数据处理中，经常会对一个DataFrame进行逐行、逐列和逐元素的操作。Pandas中的map、apply和applymap可以解决绝大部分这样的数据处理需求。

2023-11-12 00:17:42 27

原创 4.5 数据处理操作-groupby分组

在处理数据的过程中，知道如何对数据集进行分组、聚合操作是一项必备的技能，能够大大提升数据分析的效率。在日常的数据分析中，经常需要将数据根据某个（多个）字段划分为不同的群体（group）进行分析，如电商领域将全国的总销售额根据省份进行划分，分析各省销售额的变化情况，社交领域将用户根据画像（性别、年龄）进行细分，研究用户的使用情况和偏好等。分组是指根据一个或多个键将数据拆分为多个组的过程，这里的键可以理解为分组的条件。聚合指的是任何能够从数组产生标量值的数据转换过程。

2023-11-12 00:16:26 118

原创 4.4 pandas的统计功能

ser01 = data.describe().loc['count'] == 0 #找出对dataframe进行统计描述中的count（数目）为0的，当该列全为空值时count为0。describe方法除了支持传统数值型以外，还能够支持对category类型的数据进行描述性统计，四个统计量分别为列非空元素的数目，类别的数目，数目最多的类别，数目最多类别的数目。其中count对应为列非空元素的数目，unique对应为类别的数目，top对应为数目最多的类别，freq对应为数目最多类别的数目。

2023-11-12 00:15:04 154

原创 4.3.4 Pandas读写html表格数据

使用该方法，无需了解HTML知识，无需编写一长串HTML代码，就能把DataFrame等复杂的数据结构转换成HTML表格，可以将DataFrame的内部结构自动转换为嵌入在表格中的<TH>,<TR>,<TD>标签，保留所有内部层级结构。pandas的read_html()方法功能强大，用于抓取网页的Table表格型数据，无需掌握bs4或者xpath等工具，短短的几行代码就可以将网页表格数据抓取下来。columns=['张三', '李四', '王五', '赵六']))

2023-11-12 00:12:40 461

原创 4.3 pandas读写文件

引入相关模块import numpy as np #导入numpy库import pandas as pd # 导入pandas库# 打印pandas版本信息1.5.3。

2023-11-12 00:10:14 50

原创 4.2 Pandas数据结构的增删改查操作

'爱好': pd.Series(['跳舞','篮球','唱歌','看书','跳舞','篮球','唱歌','唱歌','足球','看书'],index=idx),'性别': pd.Series(['女','男','男','男','女','男','女','女','男','女'],index=idx),'籍贯': ['福田','龙岗','南山','龙岗','龙华','宝安','龙岗','福田','宝安','福田'],

2023-11-12 00:05:13 65

原创 4.1 pandas数据结构

Pandas 是基于NumPy 的一种强大的分析结构化数据的工具，可以从各种文件格式比如CSV、Excel、JSON、SQL导入数据。Pandas提供了大量能使我们快速便捷处理数据的函数和方法，可以对各种数据进行运算操作，比如归并、再成形、选择，还有数据清洗和数据加工特征。被广泛应用在学术、金融、统计学等各个数据分析领域。熟练并掌握pandas常规用法是正确构建机器学习模型的第一步。Pandas纳入了标准的数据模型，提供了高效操作大型数据集所需的工具。

2023-11-11 23:58:05 27 1

原创 2.3 NumPy数组常用操作续

如arr3_6_2[0,0,0]=49,所以排序后49的位置就用下标0表示，arr3_6_2[1,0,0]=29，所以排序后29的位置就用下标1表示,arr3_6_2[2,0,0]=30，所以排序后30的位置就用下标2表示。list01 = sorted([arr3_6_2[0,j,i],arr3_6_2[1,j,i],arr3_6_2[2,j,i]])#保持其他轴向下标不变，对排序的轴向取值从0到n-1，得到的索引值组成的一维数组进行排序。所以若轴0的数目不为偶数则报错。

2023-11-11 23:54:13 14 1

原创 2.4 numpy读写文件操作

arr4_1_8 = np.loadtxt('test01.csv',dtype=np.str_,delimiter=',')#dtype指定读取的数据类型为str类型。① 将上面中所创建的 test1.txt、test2.txt、test3.txt、test4.txt 和 test.csv文件的数据读取并保存到数组中。对于多维数组，可以采用NumPy中load()和save()(或savez())函数读写成二进制格式文件，这类函数具有自动处理数组元素类型和形状的功能。

2023-11-11 23:50:20 213 1

原创 2.3 NumPy数组常用操作

import numpy as np #导入 NumPy 库np.__version__ #打印numpy版本Out[1]:'1.22.2'

2023-11-11 23:48:43 39 1

原创 2.2 NumPy数组的切片和索引操作 -续

导入 NumPy 库：In [1]:import numpy as np #导入 NumPy 库np.__version__ #打印numpy版本Out[1]:'1.24.2'细心的读者可以发现，前面的切片和索引操作只能索引出有规律的元素数据，比如同轴向，若要索引如下元素则无法实现，下面就介绍数组的高级索引，可以实现对任意元素的索引。

2023-11-11 23:46:07 27

原创 2.2 NumPy数组的切片和索引操作

导入 NumPy 库：In [1]:import numpy as np #导入NumPy库np.__version__ #打印numpy版本Out[1]:'1.24.2'

2023-11-11 23:43:49 115

原创 2.1 数值计算库Numpy

In [4]:#不用print语句直接通过变量名输出该变量结果：arr1_1_1Out[4]:In [5]:arr1_1_2Out[5]:这种方式简化了输出，还有一个好处是输出了对应的数据类型，后面主要用这种模式输出可以看出arr1_1_1和arr1_1_2都是NumPy数组，arr1_1_1数组元素为元素默认类型，而arr1_1_2数组元素类型为<U1。<U1表示：<表示字节顺序，小端（最小有效字节存储在最小地址中）U表示Unicode，数据编码。

2023-11-11 23:35:46 42

翻译 ComputeShaderSort11 Sample

根据自己理解翻译，水平有限。。。 Sample OverviewThis sample demonstrates the basic usage of the DirectX 11 Compute Shader 4.0 feature to implement a bitonic sort algorithm. It also highlights the consideratio

2013-06-16 01:20:20 1029