使用python查询Oracle数据库
需要使用的库：cx_Oracle使用pip安装即可pip install cx_Oracle完成了cx_Oracle的安装之后，几乎就可以按照连接MySQL的思路操作Oracle。import cx_Oracleconn = cx_Oracle.connect('user', 'passwd', 'ipadress')cursor = conn.cursor()sql = 'select * fr
FLASK数据库模型
今日鸡汤云想衣裳花想容，春风拂槛露华浓。SQLAlchemy 是一个基于 Python 实现的 ORM 库，是一种 面对对象 的数据库编程框架 (关系对象映射)。快速入门文档http://www.pythondoc.com/flask-sqlalchemy/quickstart.html安装pip install sqlalchemy在 Flask 项目中的 URI 配置class Config:
QtScrcpy，人人可用的多屏协同
相信肯定有人用过华为的多屏协同功能，需要华为的手机，华为的电脑，最终才可以使用。当然，之后有人陆续弄到了破解版，即便不是华为电脑也可以使用。不久前，小米推出了自己的多屏协同，不限电脑，只需要小米手机即可。他们的缺点显而易见，必须使用特定品牌的手机，甚至特定的品牌的电脑才可以。另外还有什么高延迟，只支持windows系统等等。那么作为程序员的我们是否可以找到一款更好的多屏协同的软件呢，答案是肯定的，
在Markdown中用mermaid语法绘制图表
Python数据挖掘与文本分析＆Stata应用能力提升与实证前沿云特训~Mermaid可以用文本方式绘制图表和流程图，相比Visio而言更加的轻量便捷，此外Markdown内部支持Mermaid语法，可以有效避免切换软件，让我们更加专注于内容本身。mermaid官方文档https://mermaid-js.github.io/mermaid/#/README图表类型支持饼形图(PieChart)流
半个小时学会Markdown标记语法
Python数据挖掘与文本分析＆Stata应用能力提升与实证前沿云特训学习编程的过程需要敲大量代码，遇到很多错误，好脑子不如烂笔头，能一边敲代码一边做笔记，学起来事倍功半，今天分享大家一个做笔记的工具软件Typora。N级标题ThisisanH2ThisisanH3加粗、斜体高亮下划线删除线引用列表有序列表无序列表代码块表格超链接插入图片任务清单数学公式mermaid图表N级标题一个#就是一个级，
Python语法快速入门视频课程
《Python语法快速入门》已经在B站更新，为了让大家更方便的学习和观看，我已经将代码和视频整理到博客Thunderhit，内容目录⭐表示内容的难易程度Win环境配置⭐Mac环境配置⭐python跟英语一样是一门语言⭐数据类型-字符串⭐⭐⭐⭐数据类型-列表元组集合⭐⭐数据类型-字典⭐数据类型-布尔值&None⭐逻辑语句⭐⭐⭐⭐列表推导式⭐⭐⭐理解函数⭐常用内置函数⭐⭐⭐内置库之文件路径pa
小案例: Pandas的apply方法
pandas中有一个特别好用的apply方法，包括列内计算，只对某列进行某种计算列间计算，对多个列之间进行复杂的计算下面我们看实验数据```importpandasaspdimportnumpyasnpmatrix=[['张三','1995-12-31','山东','本科'],['李四','1993-05-29
机器学习day19概率图模型
概率图模型概率图模型（Probabilistic Graphic Model），能够很好地挖掘潜在的内容。概率图中的节点分为隐含节点和观测节点，边分为有向边和无向边。从概率论的角度，节点对应于随机变量，边对应于随机变量的依赖或相关关系，其中有向边表示单向的依赖，无向边表示互相依赖。概率图模型分为贝叶斯网络（Bayesian Network）和马尔可夫网络（Markov Network）两大类。贝叶
机器学习day18聚类算法评价
聚类算法评估假设没有外部标签数据，我们怎么评价不同聚类算法的优劣？非监督学习往往没有标注数据，这是模型，算法的设计直接影响最终的输出和模型的性能。为了评估不同的聚类算法，我们可以从簇下手。以中心定义的数据簇，这类数据集体倾向于球形分布，中心往往被定义为质心，即此数据簇所有点的平均值。集合中数据到中心的距离相比到其他簇中心的距离更近。以密度定义的数据簇，这类数据集合呈现和周围数据簇明显不同的密度，或
机器学习day17使用自组织映射网络
设定输出层神经元的数量输出层神经元的数量与训练集样本的类别数相关。不清楚类别数，尽可能多设置节点数。分类过细可适当减少输出节点，减少从未更新权值的死节点。设计输出层节点的排列输出层节点的排列依赖于实际的需要。排列方式尽可能直观地反映出实际问题的物理意义。例如一般的分类问题，一个输出节点代表一个模式类，用一维线阵结构简单明了，对于颜色，路径类问题，二维平面则简单直观。初始化权值可以随机初始化，尽量保
R语言dplyr包实操
1.dplyr简介dplyr是R语言的数据分析包，类似于python中的pandas，能对dataframe类型的数据做很方便的数据处理和分析操作。最初我也很奇怪dplyr这个奇怪的名字，我查到其中一种解释-d代表dataframe-plyr是英文钳子plier的谐音dplyr如同R的大多数包，都是函数式编程，这点跟Python面向对象编程区别很大。优点是初学者比较容易接受这种函数式思维，有点类似
机器学习day16自组织映射神经网络
高斯混合模型计算初始随机设置各参数的值，然后重复迭代下面的步骤，直至收敛根据当前的参数，计算每个点由某各分模型生成的概率使用步骤2计算出来的概率，来改进每个模型的均值，方差和权重我们一开始不用知道K个正态分布的参数，也不知道点是由哪个分布生成，在迭代过程中。先固定当前的正态分布不变，获取每个点由每个数据点生成的概率。然后固定改生成概率不变，根据数据点和生成概率，获取更佳的正态分布，如此循环反复，直
文本分析在经管领域中的应用概述
在大数据的今天，通过互联网超文本链接，无数的个人、团体、公司、政府等不同组织形态的主体均深深嵌入到互联网世界，在网络世界中留下了大量的文本。社会、管理、经济、营销、金融等不同学科，均可以研究网络上海量的文本，扩宽的研究对象和研究领域。下面大部分内容是三份文档翻译汇总而来，我觉得讲的挺明白的，其中加入了我的一点点理解和扩充。一、文本产生及其作用方式Howtextreflectsitsproducer
机器学习day15高斯混合模型
K均值缺点需要人工预先设置K值，而且该值与真实的数据分布未必吻合K值只能收敛到局部最优，效果受到初始值影响较大容易受到噪声影响样本点被划分到单一的类里面高斯混合模型高斯混合模型（Gaussian Mixed Model，GMM）也是常见的聚类算法。使用EM算法进行迭代计算。高斯混合模型假设了每个簇的数据符合正态分布（高斯分布），当前的数据分布就是各个簇的高斯分布叠加在一起。当数据明显无法使用一个正
nltk.download()下载不了怎么办？？
nltk.download()下载不了怎么办？？1.安装nltk库pipinstallnltk2.nltk_data.zip下载链接:https://pan.baidu.com/s/1oGgMCvWEvnUviWjneWmNNA密码:j643下载解压nltk_data备用3.nltk配置importnltknltk.download()运行代码，屏幕中会弹出一个弹出框在弹出框可以看到存储地址将nl
机器学习day14 K均值算法
K均值算法K均值聚类的核心目标是将给定的数据集划分成K个簇，并给出每个数据对应的簇中心点。数据预处理，包括但不限于归一化，离群点处理等随机选择K个簇中心，我们记为定义代价函数，令t=0,1,2,3...，进行迭代，重复直至J收敛此时，对于每个样本，将分配到距离最近的簇对于每个簇k，重新计算各个簇的中心K均值在迭代中，如果J没有达到最小值，那么首先重新计算当前簇的中心，调整每个样例所属的类别来让J的
用Python绘制近20年地方财政收入变迁史视频
bar_char_race_cn库解决bar_chart_race库不支持中文的问题安装pipinstallbar_char_race_cn注意:使用前需提前安装ffmpeg使用准备测试数据importpandasaspddf=pd.read_csv('data/财政收入.csv')defyear2timestamp(year):#转为可比较大小的日期格式returnpd.Timestamp(st
机器学习day13非监督学习
非监督学习给机器输入大量的特征数据，并期望机器通过学习找到数据中存在的共性特征或结构，亦或数据之间的关联。比如说，视频网站根据用户的观看行为进行分组，采取不同的推荐策略。这类非监督学习问题并不像监督学习那般希望预测某一个输出结果。非监督学习包含两大类学习方法，数据聚类和特征变量关系，输入数据没有标签信息。聚类算法往往通过多次迭代寻找数据的最优分割，特征变量关联则是利用各种相关性分析方法寻找变量之间
机器学习day12线性判别分析
线性判别分析线性判别分析（LinearDiscriminantAnalysis，LDA）是一种监督学习算法，常常用于数据降维。LDA是为分类问题服务的，因此需要先找到一个投影方向图片，使得投影后的样本尽可能按照原始类别分开。简单的二分类问题，存在两个类别的样本，图片。两个类别的均值分别为图片我们则希望投影之后，尽可能把这两个数据集分开，即在投影上距离越大越好。距离表示：图片其中图片表示两类的中心在
机器学习day11降维
降维用一个低维度的向量表示原来高维度的特征，避免维度灾难。降维方法主成分分析线性判别分析等距映射局部线性嵌入拉普拉斯特征映射局部保留投影PCA最大方差理论原始数据高维向量包含冗余与噪声。主成分分析(Principal Components Analysis,PCA)是最经典的降维方法，具有线性、非监督、全局等特点。PCA需要定义主成分，设计提取主成分。举个例子如果在三维空间里面，一系列数据点过一个
今日推荐
周排行