原创 Pandas中set_index和reset_index的用法及區別

1.set_index DataFrame可以通過set_index方法,可以設置單索引和複合索引。 DataFrame.set_index(keys, drop=True, append=False, inplace=False

原创 NumPy 廣播機制(Broadcast)

廣播機制的作用 廣播(Broadcast)是 numpy 對不同形狀(shape)的數組進行數值計算的方式, 對數組的算術運算通常在相應的元素上進行。 矩陣之間相加和相乘時用到的廣播機制 在對兩個形狀不同的矩陣進行加法運算的時候先

原创 Python中float類型和float64類型之間的轉換

1. ‘float’轉’float64’ xxx原本是’float’類型的 x = np.float64(x) 經過上面的xxx就變成了’float64’類型 2.’float64’轉‘float’ yyy原本是’float64

原创 Python列表用切片進行淺拷貝的用法和陷阱

轉自:https://www.cnblogs.com/gscnblog/p/10372539.html Python 列表賦值:複製“值”還是“引用”? 很多入門 Python 的人會犯這樣一個錯誤:在賦值操作=中搞不清是賦了“值

原创 用LSTM進行時間序列預測(單步,多步,單變量,多變量)

0. LSTM用於時間序列預測 LSTM因其具有記憶的功能,可以利用很長的序列信息來建立學習模型,所以用它來進行時間序列的預測會很有優勢。 在實際工程中用LSTM進行時間序列的預測主要有兩個難點:一是前期對數據的處理,二是初始模型

原创 用kd樹實現k近鄰算法

爲什麼要用kd樹實現k近鄰算法 與簡單的KNN實現不同的是利用kd樹可以顯著減小距離的計算次數。簡單KNN實現時要計算目標點與所有其他點的距離,而kd樹不必計算所有距離。 簡單KNN可以參考k近鄰法原理及編程實現。 構造kd樹 在

原创 k近鄰法(一)

算法描述 給定一個訓練數據集,對新的輸入實例,在訓練數據集中找到與該實例最鄰近的k個實例,這k個實例的多數屬於某個類,就把該輸入實例分爲這個類。 三個基本要素 1.距離度量 兩個實例之間的距離可以用LpL_pLp​範數來定義,其中

原创 LeetCode:22. 括號生成

LeetCode:括號生成 問題描述 數字 n 代表生成括號的對數,請你設計一個函數,用於能夠生成所有可能的並且有效的括號組合。 示例: 輸入:n = 3 輸出:[ “((()))”, “(()())”, “(())()”, “(

原创 python的賦值及深拷貝和淺拷貝

1. 從編程中遇到的一個問題說起 我在變成的時候遇到一個問題讓我很困惑,下面是我將那個例子簡化後的樣子: import numpy as np def process(b): b[1] = 10 return b a =

原创 LeetCode:三數之和&四數之和

1.方法概述 (1)前期處理 三數之和用三個指針,四數之和用四個指針,最開始都要進行從小到大的排序。 (2)粗處理 編寫三數之和的時候第一個指針剛開始指向所給數組的第一個元素;第二個指針記爲L指針,初始指向第一個指針所指元素的下一

原创 Python中@property的用法

Python中的@property說白了就是將方法當作屬性來調用,這樣做能使調用方法時簡潔一點。 操作方法 class Person(object): def __init__(self, name, age):

原创 線性迴歸損失函數求偏導(手推)

至於爲什麼可以去掉書中也沒說,我推測可以在求梯度之前對訓練數據標準化,使其均值爲0,這樣的話xix_ixi​的均值就是0了,可以直接去掉,同時也會使得計算簡便。

原创 如何訓練LSTM

0. 承前啓後 通過學習前兩篇文章如何搭建LSTM和如何理解LSTM的輸入輸出格式之後我們以此爲基礎開始學習如何訓練LSTM。 1. 定義LSTM的結構 rnn = torch.nn.LSTM(30, 1, 2, batch_fi

原创 Python中的實例方法、類方法和靜態方法

轉自:https://www.cnblogs.com/wcwnina/p/8644892.html Python中至少有三種比較常見的方法類型,即實例方法,類方法、靜態方法。它們是如何定義的呢?如何調用的呢?它們又有何區別和作用呢

原创 如何理解LSTM的輸入輸出格式

1. 定義LSTM結構 bilstm = nn.LSTM(input_size=10, hidden_size=20, num_layers=2, bidirectional=True) 定義一個兩層雙向的LSTM,input