Python进阶—Pandas

2023年7月7日上午7:29 • 人工智能 • 阅读 70

Pandas再来一次

文章目录

一、Series和DataFrame
二、选择数据
三、赋值及操作(增、删、改)
四、处理丢失数据
五、读取并写入文件
六、concat拼接
七、merge合并
八、pandas的plot

配合机器学习食用更佳。

一、Series和DataFrame

series的创建（列表、数组、字典）、values/index、索引（默认、指定）取一个值取多个值、遍历
dataframe的创建、values/index/columns、df.sort_index(axis=0) 行排序和列排序、df.sort_values(by=”) # 根据值排序，可以指定行还是列
df.describe()/df.T

import pandas as pd
import numpy as np

s1 = pd.Series([1,2,3,-5])
print(s1)

0    1
1    2
2    3
3   -5
dtype: int64

s1.values

array([ 1,  2,  3, -5])

s1.index

RangeIndex(start=0, stop=4, step=1)

for i in s1.index:
    print(i)

s1[0]

s2 = pd.Series([1,2,3,4],index=['a','b','c','d'])
print(s2)

a    1
b    2
c    3
d    4
dtype: int64

s2[0]

s2['a']

s2[['a','b','c','d']]

a    1
b    2
c    3
d    4
dtype: int64

s2[[0,1,2]]

a    1
b    2
c    3
dtype: int64

for i in s1:
    print(i)

for i in s2:
    print(i)

'a' in s2

True


dic1 = {'apple':5,'pen':3}
s3 = pd.Series(dic1)
print(s3)

apple    5
pen      3
dtype: int64


data = {'year':[2014,2015,2016,2017],
       'income':[1000,2000,3000,4000],
       'pay':[5000,20000,30000,40000]}
df1 = pd.DataFrame(data)
df1

yearincomepay0201410005000120152000200002201630003000032017400040000

df2 = pd.DataFrame(np.arange(12).reshape(3,-1))
print(df2)

   0  1   2   3
0  0  1   2   3
1  4  5   6   7
2  8  9  10  11

df3 = pd.DataFrame(np.arange(12).reshape(3,4),index=['a','b','c'],columns=['A','B','C','D'])
print(df3)

   A  B   C   D
a  0  1   2   3
b  4  5   6   7
c  8  9  10  11

df1.index

RangeIndex(start=0, stop=4, step=1)

df1.columns

Index(['year', 'income', 'pay'], dtype='object')

df1.values

array([[ 2014,  1000,  5000],
       [ 2015,  2000, 20000],
       [ 2016,  3000, 30000],
       [ 2017,  4000, 40000]])

df1.describe()

yearincomepaycount4.0000004.0000004.000000mean2015.5000002500.00000023750.000000std1.2909941290.99444914930.394056min2014.0000001000.0000005000.00000025%2014.7500001750.00000016250.00000050%2015.5000002500.00000025000.00000075%2016.2500003250.00000032500.000000max2017.0000004000.00000040000.000000

print(df1)

   year  income    pay
0  2014    1000   5000
1  2015    2000  20000
2  2016    3000  30000
3  2017    4000  40000

print(df1.T)

           0      1      2      3
year    2014   2015   2016   2017
income  1000   2000   3000   4000
pay     5000  20000  30000  40000

df1.sort_index(axis=1)

incomepayyear0100050002014120002000020152300030000201634000400002017

df1.sort_index(axis=0)

yearincomepay0201410005000120152000200002201630003000032017400040000

df3.sort_values(by='a',axis=1)

ABCDa0123b4567c891011

df3

ABCDa0123b4567c891011

二、选择数据

取行、取列、取多行、取多列、取元素、取True元素、切片
df[] # 只能取列可以取多列
df.loc[] # 按照标签取
df.iloc[] # 按照位置取
df[df>6] # 取True元素

dates = pd.date_range('20170101',periods=6)
df1 = pd.DataFrame(np.arange(24).reshape(6,4),index=dates,columns=['A','B','C','D'])
print(df1)

             A   B   C   D
2017-01-01   0   1   2   3
2017-01-02   4   5   6   7
2017-01-03   8   9  10  11
2017-01-04  12  13  14  15
2017-01-05  16  17  18  19
2017-01-06  20  21  22  23

df1['A']

2017-01-01     0
2017-01-02     4
2017-01-03     8
2017-01-04    12
2017-01-05    16
2017-01-06    20
Freq: D, Name: A, dtype: int64

df1[0:2]

ABCD2017-01-0101232017-01-024567

df1['20170102':'20170104']

ABCD2017-01-0245672017-01-038910112017-01-0412131415


df1.loc['20170102']

A    4
B    5
C    6
D    7
Name: 2017-01-02 00:00:00, dtype: int64

df1.loc['20170101','A']

df1.loc[:,'A']

2017-01-01     0
2017-01-02     4
2017-01-03     8
2017-01-04    12
2017-01-05    16
2017-01-06    20
Freq: D, Name: A, dtype: int64

df1.loc[:,['A','B']]

AB2017-01-01012017-01-02452017-01-03892017-01-0412132017-01-0516172017-01-062021

df1.loc[::2,['A','B']]

AB2017-01-01012017-01-03892017-01-051617


df1.iloc[2]

A     8
B     9
C    10
D    11
Name: 2017-01-03 00:00:00, dtype: int64

df1.iloc[[1,2]]

ABCD2017-01-0245672017-01-03891011

df1.iloc[1:3,2:4]

CD2017-01-02672017-01-031011

df1 > 6

ABCD2017-01-01FalseFalseFalseFalse2017-01-02FalseFalseFalseTrue2017-01-03TrueTrueTrueTrue2017-01-04TrueTrueTrueTrue2017-01-05TrueTrueTrueTrue2017-01-06TrueTrueTrueTrue

df1.A > 6

2017-01-01    False
2017-01-02    False
2017-01-03     True
2017-01-04     True
2017-01-05     True
2017-01-06     True
Freq: D, Name: A, dtype: bool

df1[df1>6]

ABCD2017-01-01NaNNaNNaNNaN2017-01-02NaNNaNNaN7.02017-01-038.09.010.011.02017-01-0412.013.014.015.02017-01-0516.017.018.019.02017-01-0620.021.022.023.0

三、赋值及操作(增、删、改)

增：在尾部增加一行、一列、在指定位置插入一列(insert) 添加一行只能先拆开后合并
删：del pop
改：找到相应位置改即可

df1

ABCD2017-01-0101232017-01-0245672017-01-038910112017-01-04121314152017-01-05161718192017-01-0620212223

df1.loc['20170101','A'] = 10000

df1

ABCD2017-01-01100001232017-01-0245672017-01-038910112017-01-04121314152017-01-05161718192017-01-0620212223

df1[df1>10] = -1

df1

ABCD2017-01-01-11232017-01-0245672017-01-038910-12017-01-04-1-1-1-12017-01-05-1-1-1-12017-01-06-1-1-1-1

df1['E'] = 10

df1

ABCDE2017-01-01-1123102017-01-024567102017-01-038910-1102017-01-04-1-1-1-1102017-01-05-1-1-1-1102017-01-06-1-1-1-110

df1['F'] = pd.Series([1,2,3,4,5,6],index=dates)
df1

ABCDEF2017-01-01-11231012017-01-0245671022017-01-038910-11032017-01-04-1-1-1-11042017-01-05-1-1-1-11052017-01-06-1-1-1-1106

s1 = pd.Series([1,2,3,4],index=['A','B','C','D'],)
df2 = df1.append(s1,ignore_index=True)
df2

ABCDEF0-1.01.02.03.010.01.014.05.06.07.010.02.028.09.010.0-1.010.03.03-1.0-1.0-1.0-1.010.04.04-1.0-1.0-1.0-1.010.05.05-1.0-1.0-1.0-1.010.06.061.02.03.04.0NaNNaN

df2.loc[7,['A','B','C']] = [1,2,3]

df2

ABCDEF0-1.01.02.03.010.01.014.05.06.07.010.02.028.09.010.0-1.010.03.03-1.0-1.0-1.0-1.010.04.04-1.0-1.0-1.0-1.010.05.05-1.0-1.0-1.0-1.010.06.061.02.03.04.0NaNNaN71.02.03.0NaNNaNNaN

s2 = pd.Series([1,2,4,5,6],index=['A','B','C','D','E'])
s2.name = 'wang'
df2.append(s2)

ABCDEF0-1.01.02.03.010.01.014.05.06.07.010.02.028.09.010.0-1.010.03.03-1.0-1.0-1.0-1.010.04.04-1.0-1.0-1.0-1.010.05.05-1.0-1.0-1.0-1.010.06.061.02.03.04.0NaNNaN71.02.03.0NaNNaNNaNwang1.02.04.05.06.0NaN

df1

ABCDEF2017-01-01-11231012017-01-0245671022017-01-038910-11032017-01-04-1-1-1-11042017-01-05-1-1-1-11052017-01-06-1-1-1-1106

df1.insert(1,'Z',df2['E'])

df1

AZGBCDEF2017-01-01-1NaNNaN1231012017-01-024NaNNaN5671022017-01-038NaNNaN910-11032017-01-04-1NaNNaN-1-1-11042017-01-05-1NaNNaN-1-1-11052017-01-06-1NaNNaN-1-1-1106

df2['E']

0    10.0
1    10.0
2    10.0
3    10.0
4    10.0
5    10.0
6     NaN
7     NaN
Name: E, dtype: float64

g = df1.pop('G')
g

2017-01-01   NaN
2017-01-02   NaN
2017-01-03   NaN
2017-01-04   NaN
2017-01-05   NaN
2017-01-06   NaN
Freq: D, Name: G, dtype: float64

del df1['Z']

df1

ABCDEF2017-01-01-11231012017-01-0245671022017-01-038910-11032017-01-04-1-1-1-11042017-01-05-1-1-1-11052017-01-06-1-1-1-1106

df2 = df1.drop(['A','B'],axis=1)

df2

CDEF2017-01-01231012017-01-02671022017-01-0310-11032017-01-04-1-11042017-01-05-1-11052017-01-06-1-1106

df1

ABCDEF2017-01-01-11231012017-01-0245671022017-01-038910-11032017-01-04-1-1-1-11042017-01-05-1-1-1-11052017-01-06-1-1-1-1106

四、处理丢失数据

dropna
fillna
isnull
np.any
np.all

dates = np.arange(20170101,20170105)
df1 = pd.DataFrame(np.arange(12).reshape(4,3),index=dates,columns=['A','B','C'])
df1

ABC2017010101220170102345201701036782017010491011

df2 = pd.DataFrame(df1,index=dates,columns=['A','B','C','D','E'])
df2

ABCDE20170101012NaNNaN20170102345NaNNaN20170103678NaNNaN2017010491011NaNNaN

s1 = pd.Series([3,4,6],index=dates[:3])
s2 = pd.Series([32,5,2],index=dates[1:])
df2['D'] = s1
df2['E'] = s2
df2

ABCDE201701010123.0NaN201701023454.032.0201701036786.05.02017010491011NaN2.0

df2.dropna(axis=0,how='any')

ABCDE201701023454.032.0201701036786.05.0

df2.dropna(axis=0,how='all')

ABCDE201701010123.0NaN201701023454.032.0201701036786.05.02017010491011NaN2.0

df2.dropna(axis=1,how='any')

ABC2017010101220170102345201701036782017010491011

df2.dropna(axis=1,how='all')

ABCDE201701010123.0NaN201701023454.032.0201701036786.05.02017010491011NaN2.0

df2.fillna(value=0)

ABCDE201701010123.00.0201701023454.032.0201701036786.05.020170104910110.02.0

df2.isnull()

ABCDE20170101FalseFalseFalseFalseTrue20170102FalseFalseFalseFalseFalse20170103FalseFalseFalseFalseFalse20170104FalseFalseFalseTrueFalse

np.any(df2.isnull())

True

np.all(df2.isnull())

False

五、读取并写入文件

read
to

file = pd.read_csv('../people.csv',encoding='gbk')
file

地点名字职位工资在职情况0北京小红渠道合作经理15000在职1北京小明行政专员8000离职2北京小白行政专员9000在职3上海小绿商户经理12000在职4上海小黄商户经理10000离职5上海小黑团队长12000在职6广州小紫渠道合作主管20000在职7广州小粉渠道合作主管20000在职8广州小青经理10000离职9广州小蓝团队长13000在职

file.loc[1,'地点'] = '志哥'

file

地点名字职位工资在职情况0北京小红渠道合作经理15000在职1志哥小明行政专员8000离职2北京小白行政专员9000在职3上海小绿商户经理12000在职4上海小黄商户经理10000离职5上海小黑团队长12000在职6广州小紫渠道合作主管20000在职7广州小粉渠道合作主管20000在职8广州小青经理10000离职9广州小蓝团队长13000在职

file.to_csv('peo2.csv')

六、concat拼接

0行1列 outer:默认，缺少部分填空 inner：缺少部分去掉 ignore_index=True不考虑原来的index

df1 = pd.DataFrame(np.arange(12).reshape((3,4)),columns=['a','b','c','d'])
df2 = pd.DataFrame(np.arange(12,24).reshape((3,4)),columns=['a','b','c','d'])
df3 = pd.DataFrame(np.arange(24,36).reshape((3,4)),columns=['a','b','c','d'])
print(df1)
print(df2)
print(df3)

   a  b   c   d
0  0  1   2   3
1  4  5   6   7
2  8  9  10  11
    a   b   c   d
0  12  13  14  15
1  16  17  18  19
2  20  21  22  23
    a   b   c   d
0  24  25  26  27
1  28  29  30  31
2  32  33  34  35

df4 = pd.concat([df1,df2,df3],axis=0)
df4

abcd00123145672891011012131415116171819220212223024252627128293031232333435

df4 = pd.concat([df1,df2,df3],axis=0,ignore_index=True)
df4

abcd00123145672891011312131415416171819520212223624252627728293031832333435

df5 = pd.concat([df1,df2,df3],axis=1)
df5

abcdabcdabcd00123121314152425262714567161718192829303128910112021222332333435

df1 = pd.DataFrame(np.arange(12).reshape((3,4)),columns=['a','b','c','f'])
df2 = pd.DataFrame(np.arange(12,24).reshape((3,4)),columns=['a','c','d','e'])
print(df1)
print(df2)

   a  b   c   f
0  0  1   2   3
1  4  5   6   7
2  8  9  10  11
    a   c   d   e
0  12  13  14  15
1  16  17  18  19
2  20  21  22  23

df6 = pd.concat([df1,df2],join='outer',ignore_index=True)
df6

abcfde001.023.0NaNNaN145.067.0NaNNaN289.01011.0NaNNaN312NaN13NaN14.015.0416NaN17NaN18.019.0520NaN21NaN22.023.0

df7 = pd.concat([df1,df2],join='inner',ignore_index=True)
df7

ac0021462810312134161752021

df1 = pd.DataFrame(np.arange(12).reshape((3,4)),columns=['a','b','c','f'])
df2 = pd.DataFrame(np.arange(12,24).reshape((4,3)),columns=['a','c','d'])
print(df1)
print(df2)

   a  b   c   f
0  0  1   2   3
1  4  5   6   7
2  8  9  10  11
    a   c   d
0  12  13  14
1  15  16  17
2  18  19  20
3  21  22  23

df8 = pd.concat([df1,df2],axis=0)
df8

abcfd001.023.0NaN145.067.0NaN289.01011.0NaN012NaN13NaN14.0115NaN16NaN17.0218NaN19NaN20.0321NaN22NaN23.0

df8 = pd.concat([df1,df2],axis=1)
df8

abcfacd00.01.02.03.012131414.05.06.07.015161728.09.010.011.01819203NaNNaNNaNNaN212223

七、merge合并

outter、inner（默认）、left、right
suffixes 为columns名增加后缀
left_index right_index 左index索引和右index索引拼接
indicator 显示merge信息

left = pd.DataFrame({'key':['K0','K1','K2','K3'],
                     'A':['A0','A1','A2','A3'],
                     'B':['B0','B1','B2','B3']})

right = pd.DataFrame({'key':['K0','K1','K2','K3'],
                     'C':['C0','C1','C2','C3'],
                     'D':['D0','D1','D2','D3']})

print(left)
print(right)

  key   A   B
0  K0  A0  B0
1  K1  A1  B1
2  K2  A2  B2
3  K3  A3  B3
  key   C   D
0  K0  C0  D0
1  K1  C1  D1
2  K2  C2  D2
3  K3  C3  D3

res = pd.merge(left,right,on='key')
res

keyABCD0K0A0B0C0D01K1A1B1C1D12K2A2B2C2D23K3A3B3C3D3

pd.concat([left,right],axis=1)

keyABkeyCD0K0A0B0K0C0D01K1A1B1K1C1D12K2A2B2K2C2D23K3A3B3K3C3D3

left = pd.DataFrame({'key1':['K0','K0','K1','K2'],
                     'key2':['K0','K1','K0','K1'],
                     'A':['A0','A1','A2','A3'],
                     'B':['B0','B1','B2','B3']})

right = pd.DataFrame({'key1':['K0','K1','K1','K3'],
                      'key2':['K0','K0','K0','K0'],
                     'C':['C0','C1','C2','C3'],
                     'D':['D0','D1','D2','D3']})

print(left)
print(right)

  key1 key2   A   B
0   K0   K0  A0  B0
1   K0   K1  A1  B1
2   K1   K0  A2  B2
3   K2   K1  A3  B3
  key1 key2   C   D
0   K0   K0  C0  D0
1   K1   K0  C1  D1
2   K1   K0  C2  D2
3   K3   K0  C3  D3


res = pd.merge(left,right,on=['key1','key2'],how='outer')
res

key1key2ABCD0K0K0A0B0C0D01K0K1A1B1NaNNaN2K1K0A2B2C1D13K1K0A2B2C2D24K2K1A3B3NaNNaN5K3K0NaNNaNC3D3


res = pd.merge(left,right,on=['key1','key2'],how='inner')
res

key1key2ABCD0K0K0A0B0C0D01K1K0A2B2C1D12K1K0A2B2C2D2


res = pd.merge(left,right,on=['key1','key2'],how='left')
res

key1key2ABCD0K0K0A0B0C0D01K0K1A1B1NaNNaN2K1K0A2B2C1D13K1K0A2B2C2D24K2K1A3B3NaNNaN


res = pd.merge(left,right,on=['key1','key2'],how='outer',indicator=True)
res

key1key2ABCD_merge0K0K0A0B0C0D0both1K0K1A1B1NaNNaNleft_only2K1K0A2B2C1D1both3K1K0A2B2C2D2both4K2K1A3B3NaNNaNleft_only5K3K0NaNNaNC3D3right_only


res = pd.merge(left,right,on=['key1','key2'],how='outer',indicator='indicator_column')
res

key1key2ABCDindicator_column0K0K0A0B0C0D0both1K0K1A1B1NaNNaNleft_only2K1K0A2B2C1D1both3K1K0A2B2C2D2both4K2K1A3B3NaNNaNleft_only5K3K0NaNNaNC3D3right_only

left = pd.DataFrame({'A':['A0','A1','A2'],
                     'B':['B0','B1','B2']},
                     index = ['K0','K1','K2'])
right = pd.DataFrame({'C':['C0','C2','C3'],
                      'D':['D0','D2','D3']},
                      index=['K0','K2','K3'])
print(left)
print(right)

     A   B
K0  A0  B0
K1  A1  B1
K2  A2  B2
     C   D
K0  C0  D0
K2  C2  D2
K3  C3  D3

res = pd.merge(left,right,left_index=True,right_index=True,how='outer')
res

ABCDK0A0B0C0D0K1A1B1NaNNaNK2A2B2C2D2K3NaNNaNC3D3

boys = pd.DataFrame({'k':['K0','K1','K2'],'age':[1,2,3]})

girls = pd.DataFrame({'k':['K0','K0','K3'],'age':[4,5,6]})

print(boys)
print(girls)


res = pd.merge(boys,girls,on='k',suffixes=['_boy','_girl'],how='outer')
res

kage_boyage_girl0K01.04.01K01.05.02K12.0NaN3K23.0NaN4K3NaN6.0

八、pandas的plot

画二维数据 index和value

import matplotlib.pyplot as plt

data = pd.Series(np.random.randn(1000),index=np.arange(1000))
data = data.cumsum()
data.plot()
plt.show()
print(data.head())

0    1.034952
1    1.375026
2    1.193759
3    1.519312
4    1.499621
dtype: float64

data = pd.DataFrame(np.random.randn(1000,4),index=np.arange(1000),columns=['A','B','C','D'])
data = data.cumsum()
print(data.head())

          A         B         C         D
0  0.026638 -0.482280 -1.087122  0.081180
1 -0.855294  0.472860 -1.712153 -0.122494
2 -2.542649  0.781326 -1.618599 -1.055795
3 -2.540139  1.202146  0.936892 -2.537980
4 -1.896418  0.601826  1.585485 -2.012536

data.plot()
plt.show()

ax = data.plot.scatter(x='A',y='B',color='Blue',label='class 1')
data.plot.scatter(x='A',y='C',color='Green',label='class 2',ax=ax)
plt.show()

Original: https://blog.csdn.net/qq_49821869/article/details/122399570
Author: aJupyter
Title: Python进阶—Pandas

原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/675766/

转载文章受原作者版权保护。转载请注明原作者出处！

人工智能

【自取】最近整理的，有需要可以领取学习：

Linux核心资料大放送~

全栈面试题汇总（持续更新&可下载）

一个提高学习100%效率的工具！

【超详细】深度学习面试题目！

LeetCode Python刷题答案下载！

LeetCode Java版刷题答案下载！

LeetCode C++ 版本，抓紧保存！

LeetCode GO语言刷题答案下载！

机器学习：使用matlab实现SVM解决分类问题

文章目录 tips 大佬的函数 * 训练SVM模型利用模型预测模型可视化线性边界复杂非线性边界参数选择 tips 因为现在已经有许多很成熟的SVM软件或者包来实现最小化代…

人工智能 2023年6月15日
00120
哈威放大器_EV22K5-12/24_现货

啊哦~你想找的内容离你而去了哦内容不存在，可能为如下原因导致： ① 内容还在审核中 ② 内容以前存在，但是由于不符合新的规定而被删除 ③ 内容地址错误 ④ 作者删除了内容。可…

人工智能 2023年6月28日
0082
注意力机制 – 注意力汇聚：Nadaraya-Watson核回归

文章目录注意力汇聚：Nadaraya-Watson核回归 * 1 – 生成数据集 2 – 平均汇聚 3 – 非参数注意力汇聚 4 &#8211…

人工智能 2023年6月18日
00100
tensorflow 2.7 无法导入keras

tensorflow用起来真的奇怪的问题巨多，各种包的版本奇形怪状，同样的bug用别人的方法解决不了，谁知道明天又是什么版本。。。上图：本来想使用tf.keras.optimi…

人工智能 2023年5月23日
00105
pandas.DataFrame.interpolate函数方法的使用

Pandas dataframe.interpolate()功能本质上是用来填充NA DataFrame 或系列中的值。但是，这是一个非常强大的功能，可以填补缺失的值。它使用各种插…

人工智能 2023年7月15日
0072
MySQL高级SQL语句

目录一、常用查询 1、按关键字排序 1.1 前期准备 1.2 升序、降序列出数据 1.3 找出其中南京的数据并以分数降序列出 1.4 查询学生信息先按兴趣id降序排列，相同分数的…

人工智能 2023年7月30日
0047
英伟达显卡【NVIDIA GeForece RTX3060 laptop GPU】装深度学习环境，学习框架为Pytorch

1.安装python包管理器Anaconda，在其官网【Anaconda | The World’s Most Popular Data Science Platfor…

人工智能 2023年7月23日
00107
基于ESP32CAM的物联网相机系统⑧（用原生JavaWeb实现双摄像头WIFI图传）

第一篇：最简单DIY基于ESP32CAM的物联网相机系统①（用网页实现拍照图传）第二篇：最简单DIY基于ESP32CAM的物联网相机系统②（在JAVAWEB服务器实现图片查看器）第…

人工智能 2023年6月20日
0077
Python 箱型图的绘制并提取特征值

文章目录一、简介二、绘制与提取 * 1、图形绘制 2、ax.boxplot 函数的使用 3、特征值提取三、多箱型图绘制 * 1、一种类型 2、多种类型参考：https://…

人工智能 2023年6月19日
00161
R实战 | 聚类分析

聚类分析 R中有各种各样的聚类分析函数。本文主要介绍其中的三种方法: 层次聚集、 &…

人工智能 2023年5月31日
0082
【实战 01】心脏病二分类数据集

目录 1. 获取数据集 2. 数据集介绍 3. 数据预处理 4. 构建随机森林分类模型 5. 预测测试集数据 6. 构建混淆矩阵 7. 计算查全率、召回率、调和平均值 8. ROC…

人工智能 2023年6月15日
0090
Qt——常用控件详解

QAbstractButton类是按钮部件的抽象基类，提供了按钮所共有的功能。 QAbstractButton类实现了一个抽象按钮，并且让它的子类来指定如何处理用户的动作，并指定如…

人工智能 2023年6月27日
0061
KBQA简述

KBQA 知识图谱问答，又称 Knowledge-based QA 或 KBQA,是一种基于结构化知识库（即知识图谱）的智能问答方法。给定自然语言问题，该类方法基于知识图对问题进行…

人工智能 2023年7月28日
0058
过拟合的原因有哪些

问题：关于过拟合的原因有哪些？过拟合是指机器学习模型在训练集上表现良好，但在非训练集上表现较差的现象。在深入探讨过拟合的原因之前，我们先了解一下过拟合的一般机制。过拟合的一般机…

人工智能 2023年12月30日
0045
Ubuntu 下 Apache2 和 PHP 服务器环境配置

１、简介本文主要是 Ubuntu 下 Apache2 和 PHP 服务器环境配置方法，同样适用于 Debian系统：Ubuntu 20.0.4注意：文中运行的命令基本上需要管理员…

人工智能 2023年6月4日
0083
人工智能系列之机器学习DBSCAN聚类算法

1 介绍DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一个出现得比较早（1996年），比较…

人工智能 2023年5月31日
00106

2024 年 5 月
一	二	三	四	五	六	日
		1	2	3	4	5
6	7	8	9	10	11	12
13	14	15	16	17	18	19
20	21	22	23	24	25	26
27	28	29	30	31

Python进阶—Pandas

文章目录

大家都在看