- 博客(15)
- 收藏
- 关注
RSS订阅原创 pd学习，缺失
缺失信息的统计这里写的是isna 或isnull ，其实我用的只有后面这个，图方便我们就看看这个没啥意义，因为太多了看不到，我们要统计下当然，这里也有特殊的搜索渠道，一般来说，用的比较少数据删除这里介绍的是dropna函数，默认是删除行（事实上，我用的都是删除列）这个就相当于是高和重里面有一个是确实的，我们都删了，所以是删了174行填充值，明天补充~~...
2021-01-03 22:57:23
142
原创 pd学习Task6
连接这个其实我SQL里面学过，基本上用的SQL里面的会比较多，一共是利用了左连接右连接，里连接和外连接，这里也都有涉及当然，我们先读取数据再说牛逼，这里的是文件夹，里面有很多的表 首先得学会如何批量读取import pandas as pdimport numpy as npdate_range函数是生成一个固定频率的时间索引，其中periods：固定时期，取值为整数或Nonefor i in date: df=pd.read_csv('data/us_report/' + d +
2020-12-29 21:42:43
133
1
原创 pd学习 tesk05
变形事实上，这个我是没有听说过和使用过，算是一个全新的学习类似于是把表格的索引改变，一共有如下几个函数df = pd.DataFrame({'Class':[1,1,2,2],'Name':['San Zhang','San Zhang','Si Li','Si Li'], 'Subject':['Chinese','Math','Chinese','Math'], 'Grade':[80,75,90,85]})df.pivot(index='Name', columns='
2020-12-27 23:24:06
154
原创 pd学习 tesk04
分组df = pd.read_csv('data/car.csv')找到分组的本质意义：其实就是以某个单位对什么进行分组写法为df.groupby(分组依据)[数据来源].使用操作我们读取了习题的数据，并进行了基本的分组df.groupby('Brand')['Mileage'].mean()df.groupby(["Country","Type"])['Mileage'].mean()也可以设定条件语句condition = df.Weight > df.Weight.me
2020-12-24 10:57:43
109
原创 pd学习tesk3
索引import pandas as pdimport numpy as npdf = pd.read_csv('data/company.csv')df.head()这里，我们索引基本的列名df['age'].head()当然，也可以多个索引df[['age','EmployeeID']].head()因为这里[]是索引，索引就会打2个[]才可以当然，也有行索引，我看了手册。其实只要用loc就可以了df.loc[1]这个是根据最左边的id编号搜索的也可以这样df
2020-12-22 23:20:50
186
原创 pd学习 tesk2
pd基础文件读取这里基本上说的是指令，所以我就直接拿题目demoimport pandas as pdimport numpy as npdf = pd.read_csv('pokemon.csv') 当然，这里可以读取前几行与后几行的指令。通常来说，我一般就是用来看看基本情况而已df.head(3)# Name Type 1 Type 2 Total HP Attack Defense Sp. Atk Sp. Def Speed0 1 Bulbasaur Grass Poison
2020-12-19 03:10:37
186
2
原创 pandas 学习 tesk1
py基础知识理解for的使用，这个是我写的函数import pandas as pdl=[]def my_func(x): return 2*xfor i in range(5): l.append(my_func(i))l[0, 2, 4, 6, 8]相等于此代码[my_func(i) for i in range(5)]本质上是：把 A（i） for i in B 意思是把 A(函数) i为A里面的内容 B为for循环对象。基于此理解，多层嵌套就有了如下
2020-12-16 13:58:17
173
3
原创 tesk5
终于结束了，虽然模型融合没有真意义上demo完成。 采用的是得到的lgb模型，通过训练集带入测试得到的结果，当然敷衍提交的结果也不太好。总之，还是很很大的收获
2020-09-27 22:45:35
50
原创 tesk5
模型融合这里，我并没有成功demo。思路是依据lgb得到的模型 在训练集合种得到测试集 并提交结果。很遗憾没有进入排名~~·哈哈 不过这一路走来 真的感觉安排时间学习还是有蛮难的。
2020-09-27 22:40:25
75
原创 tesk4
建模与调参建模这里其实有很多种思考方式，在这里我采用的是传统的ML的LGB模型，如果使用DL中的时间序列模型可能效果也会好些，但是这样的数据预处理要稍作修改，这里我没有修改。调参一共分为3种，我才用的是传统的网格调参模型验证方面 我采用的是交叉验证 设k=10，并且设置基本的参数...
2020-09-27 22:32:15
83
原创 金融风控2
特征选取因为之前做过相关的特征分析，这里我们就针对查看相关的特征特性感觉有些数据存在nan，0值。而且，特征类型存在区别，需要给他们进行编码等操作。所以我们得先进行特征预处理。这种在匿名特征存在很多nan值，需要进行处理。常见的方法有用0补充，用周围的数值补充和...
2020-09-18 23:42:39
222
原创 零基础入门金融风控作业1
之前打过2个比赛：1.二手车交易预测 2.工业蒸汽预测 这次参加的这个风控预测都是抱着学习的心态来参加。赛题理解依据赛制是否预测用户贷款是否违约为任务，这个目的本质上是个二分类问题（后面根据模型再讨论），不过因为不了解相关内容，所以查了下相关资料发现了相关概念，这里存在样本不平衡的问题，所以再评分标准就需要使用下面AUC的概念。AUC:被定义为ROC曲线下与坐标轴围成的面积，显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间。AUC越接
2020-09-14 23:19:30
140
转载 pyttorch 中LSTM参数的理解
参考：https://zhuanlan.zhihu.com/p/102904450 与嘉神的 https://blog.csdn.net/ssjdoudou/article/details/105566465 结束会使用自己的demo讨论
2020-08-10 16:18:39
183
原创 关于MATELAB2019bc++可能出现的问题
关于MATELAB2019bc++可能出现的问题安装工具包安装工具包需要在后面输入 mex -setup时，可能会出现：未找到支持的编译器。您可以安装免费提供的 MinGW-w64 C/C++ 编译器；请参阅安装 MinGW-w64 编译器。有关更多选项，请访问 https://www.mathworks.com/support/compilers 的情况，这个时候是因为mat目前没有c++...
2020-01-07 22:16:49
682
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人