阿优乐扬
阿优乐扬

数据分析入门之KNN影片类型和癌症预测

文章目录

  • 1、预测电影类型
    • 1.1、导入相关库
    • 1.2、导入数据
    • 1.3、切分出 x 和 y
    • 1.4、声明算法
    • 1.5、进行训练
    • 1.6、生成数据(导入预测值)
    • 1.7、使用算法进行预测
  • 2、预测是否患癌症
    • 2.1、获取数据
      • 2.1.1、导入数据
      • 2.1.2、切分出 x数据 和 y目标值
      • 2.1.3、分出训练集和测试集
    • 2.3、声明算法并学习
    • 2.4、结果预测
    • 2.5、概率预测
    • 2.6、预测值与真实值对比
    • 2.7、计算预测的准确率
      • 方法一：均值法
      • 方法二：knn.score()

操作环境： window10，Python3.7，Jupyter notebook
数据资料： https://www.lanzous.com/i96s2id

1、预测电影类型

  • 一部电影的类型可以通过它的 武打镜头 和 接吻镜头 的多少了确定影片是 动作片 还是 爱情片
电影名称 武打镜头 接吻镜头 分类情况
大话西游 36 1 动作片
杀破狼 43 2 动作片
前任3 0 10 爱情片
战狼2 59 1 动作片
泰坦尼克号 1 15 爱情片
星语心愿 2 19 爱情片

1.1、导入相关库

import numpy as np
import pandas as pd
from pandas import Series, DataFrame
from sklearn.neighbors import KNeighborsClassifier

1.2、导入数据

  • 准备数据，Dataframe类型的数据，numpy类型的数据
  • 数据 x 必须是二维的[[样本一], [样本二], [样本三]]
  • 目标值 y 没有定义要求
data = pd.read_excel('movies.xlsx', sheet_name=1)
data

数据分析入门之KNN影片类型和癌症预测_第1张图片

1.3、切分出 x 和 y

x = data[['武打镜头', '接吻镜头']]
y = data['分类情况']

数据分析入门之KNN影片类型和癌症预测_第2张图片

1.4、声明算法

knn = KNeighborsClassifier(n_neighbors=5)

1.5、进行训练

knn.fit(x, y)

KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski',
                     metric_params=None, n_jobs=None, n_neighbors=5, p=2,
                     weights='uniform')

1.6、生成数据(导入预测值)

1、碟中谍6——>动作片
2、李茶的姑妈——>爱情片

x_test = np.array([[100, 2], [2, 15]])

1.7、使用算法进行预测

knn.predict(x_test)

array(['动作片', '爱情片'], dtype=object)


2、预测是否患癌症

  • 细胞核的特征:
  1. 第一个特征是ID；第二个特征是这个案例的癌症诊断结果，编码“M”表示恶性，“B”表示良性。
  2. 其他30个特征是数值的其他指标，包括细胞核的半径（Radius）、质地(Texture)、周长(Perimeter)、面积(Area)和光滑度(Smoothness)等的均值、标准差和最大值。

2.1、获取数据

  • x数据，样本（人）特征，细胞核的质地、光滑度等
  • y目标值，样本（人）诊断结果、两种：M恶性，B良性

2.1.1、导入数据

import numpy as np
import pandas as pd
from pandas import Series, DataFrame
from sklearn.neighbors import KNeighborsClassifier
# 导入数据
# 二分类问题，良性和恶行
data = pd.read_csv('cancer.csv', sep='\t')
data
ID Diagnosis radius_mean texture_mean perimeter_mean area_mean smoothness_mean compactness_mean concavity_mean concave_mean ... radius_max texture_max perimeter_max area_max smoothness_max compactness_max concavity_max concave_max symmetry_max fractal_max
0 842302 M 17.99 10.38 122.80 1001.0 0.11840 0.27760 0.30010 0.14710 ... 25.380 17.33 184.60 2019.0 0.16220 0.66560 0.7119 0.2654 0.4601 0.11890
1 842517 M 20.57 17.77 132.90 1326.0 0.08474 0.07864 0.08690 0.07017 ... 24.990 23.41 158.80 1956.0 0.12380 0.18660 0.2416 0.1860 0.2750 0.08902
2 84300903 M 19.69 21.25 130.00 1203.0 0.10960 0.15990 0.19740 0.12790 ... 23.570 25.53 152.50 1709.0 0.14440 0.42450 0.4504 0.2430 0.3613 0.08758
3 84348301 M 11.42 20.38 77.58 386.1 0.14250 0.28390 0.24140 0.10520 ... 14.910 26.50 98.87 567.7 0.20980 0.86630 0.6869 0.2575 0.6638 0.17300
4 84358402 M 20.29 14.34 135.10 1297.0 0.10030 0.13280 0.19800 0.10430 ... 22.540 16.67 152.20 1575.0 0.13740 0.20500 0.4000 0.1625 0.2364 0.07678
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
564 926424 M 21.56 22.39 142.00 1479.0 0.11100 0.11590 0.24390 0.13890 ... 25.450 26.40 166.10 2027.0 0.14100 0.21130 0.4107 0.2216 0.2060 0.07115
565 926682 M 20.13 28.25 131.20 1261.0 0.09780 0.10340 0.14400 0.09791 ... 23.690 38.25 155.00 1731.0 0.11660 0.19220 0.3215 0.1628 0.2572 0.06637
566 926954 M 16.60 28.08 108.30 858.1 0.08455 0.10230 0.09251 0.05302 ... 18.980 34.12 126.70 1124.0 0.11390 0.30940 0.3403 0.1418 0.2218 0.07820
567 927241 M 20.60 29.33 140.10 1265.0 0.11780 0.27700 0.35140 0.15200 ... 25.740 39.42 184.60 1821.0 0.16500 0.86810 0.9387 0.2650 0.4087 0.12400
568 92751 B 7.76 24.54 47.92 181.0 0.05263 0.04362 0.00000 0.00000 ... 9.456 30.37 59.16 268.6 0.08996 0.06444 0.0000 0.0000 0.2871 0.07039

2.1.2、切分出 x数据 和 y目标值

  • 将数据一分为二，划分后数据是一 一对应的
# 诊断结果、目标值
y = data['Diagnosis']

# 训练数据，特征，细胞核一系列特征，光滑度，质地等
x = data.iloc[:,2:] #第二列后面的所有数据

2.1.3、分出训练集和测试集

from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2) #使用20%的数据来测试数据

数据分析入门之KNN影片类型和癌症预测_第3张图片

2.3、声明算法并学习

knn = KNeighborsClassifier()
# 算法学习455个样本
knn.fit(x_train, y_train)

KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski',
                     metric_params=None, n_jobs=None, n_neighbors=5, p=2,
                     weights='uniform')

2.4、结果预测

# 使用算法进行预测
y_pre = knn.predict(x_test)
y_pre

array(['B', 'B', 'B', 'B', 'B', 'M', 'M', 'B', 'B', 'M', 'B', 'B', 'M',
       'B', 'B', 'B', 'M', 'B', 'B', 'M', 'M', 'B', 'M', 'M', 'B', 'B',
       'B', 'B', 'B', 'B', 'B', 'B', 'B', 'M', 'B', 'B', 'M', 'M', 'M',
       'B', 'M', 'M', 'B', 'B', 'B', 'M', 'B', 'B', 'M', 'M', 'M', 'B',
       'B', 'B', 'B', 'B', 'M', 'B', 'M', 'B', 'B', 'B', 'M', 'B', 'M',
       'B', 'M', 'B', 'B', 'B', 'B', 'B', 'M', 'B', 'B', 'B', 'B', 'B',
       'M', 'B', 'M', 'B', 'M', 'B', 'M', 'B', 'B', 'B', 'B', 'B', 'M',
       'M', 'M', 'B', 'M', 'M', 'B', 'B', 'B', 'B', 'B', 'M', 'B', 'M',
       'B', 'B', 'B', 'M', 'B', 'B', 'M', 'B', 'B', 'M'], dtype=object)

2.5、概率预测

knn.predict_proba(x_test) # proba概率

array([[1. , 0. ],
       [0.8, 0.2],
       [1. , 0. ],
       [1. , 0. ],
       [1. , 0. ],
		......
       [1. , 0. ],
       [0. , 1. ],
       [1. , 0. ],
       [0.6, 0.4],
       [0. , 1. ]])

2.6、预测值与真实值对比

# 真实情况进行比对，验证算法好不好
display(y_pre)

# 刚才保留，真实的数据
display(y_test.values)

array(['B', 'B', 'B', 'B', 'B', 'M', 'M', 'B', 'B', 'M', 'B', 'B', 'M',
       'B', 'B', 'B', 'M', 'B', 'B', 'M', 'M', 'B', 'M', 'M', 'B', 'B',
       'B', 'B', 'B', 'B', 'B', 'B', 'B', 'M', 'B', 'B', 'M', 'M', 'M',
       'B', 'M', 'M', 'B', 'B', 'B', 'M', 'B', 'B', 'M', 'M', 'M', 'B',
       'B', 'B', 'B', 'B', 'M', 'B', 'M', 'B', 'B', 'B', 'M', 'B', 'M',
       'B', 'M', 'B', 'B', 'B', 'B', 'B', 'M', 'B', 'B', 'B', 'B', 'B',
       'M', 'B', 'M', 'B', 'M', 'B', 'M', 'B', 'B', 'B', 'B', 'B', 'M',
       'M', 'M', 'B', 'M', 'M', 'B', 'B', 'B', 'B', 'B', 'M', 'B', 'M',
       'B', 'B', 'B', 'M', 'B', 'B', 'M', 'B', 'B', 'M'], dtype=object)
       
array(['B', 'B', 'B', 'B', 'B', 'M', 'M', 'M', 'B', 'M', 'B', 'B', 'B',
       'B', 'B', 'B', 'M', 'B', 'B', 'M', 'M', 'B', 'M', 'M', 'B', 'B',
       'B', 'B', 'B', 'B', 'B', 'B', 'B', 'M', 'B', 'B', 'M', 'M', 'M',
       'B', 'M', 'M', 'M', 'B', 'B', 'B', 'B', 'M', 'M', 'M', 'M', 'B',
       'B', 'B', 'B', 'B', 'M', 'B', 'M', 'B', 'B', 'B', 'M', 'B', 'M',
       'B', 'M', 'B', 'B', 'B', 'B', 'B', 'M', 'B', 'B', 'B', 'B', 'B',
       'M', 'B', 'M', 'B', 'M', 'B', 'M', 'B', 'B', 'B', 'B', 'B', 'M',
       'B', 'M', 'B', 'M', 'M', 'B', 'B', 'B', 'B', 'B', 'M', 'B', 'M',
       'M', 'B', 'B', 'M', 'B', 'B', 'M', 'B', 'M', 'M'], dtype=object)

2.7、计算预测的准确率

方法一：均值法

  • 用预测值和真实值对比，返回结果为 True 和 False ，对其求均值得到准确率
(y_pre == y_test.values).mean()

0.9298245614035088

方法二：knn.score()

knn.score(x_test, y_test) #x_test是用来测试的数据， y_test是真实的数据

0.9298245614035088

你可能感兴趣的:(数据分析入门)

  • Python数据分析入门与Pandas master_chenchengg pythonpython办公效率python开发IT
    Python数据分析入门与Pandas一、开启Python之旅：为什么选择Python进行数据分析缘起：从Excel到Python的转变为何Python是数据分析的首选语言Python的魅力：简洁与强大并存二、初识Pandas：解锁数据处理的超级能力Pandas是什么：从零开始了解Series与DataFrame：Pandas的核心数据结构如何创建第一个DataFrame：动手试试看三、数据清洗：
  • 3.Python数据分析—数据分析入门知识图谱&索引(知识体系中篇) 以山河作礼。 Python数据分析项目数据分析知识图谱数据挖掘python开发语言
    3.Python数据分析—数据分析入门知识图谱&索引-知识体系中篇一·个人简介二·数据获取和处理2.1数据来源：2.2数据清洗：2.2.1缺失值处理：2.2.2异常值处理：2.3数据转换：2.3.1数据类型转换：2.3.2数据编码：2.4数据合并与重塑：2.4.1数据合并：2.4.2数据拼接：2.4.3数据重塑：三·数据探索与分析3.1描述性统计分析3.2数据可视化原则和技巧3.3探索性数据分析（
  • 第十三届脑电数据分析入门班（训练营：2023.11.15~11.28） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★脑电图具有高时间分辨率、成本低、无创以及便于操作等特点，在认知神经科学领域具有独特的应用优势。熟悉脑电的神经生理学基
  • 第十三届脑电数据分析入门班（训练营：2023.11.15~11.28） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★脑电图具有高时间分辨率、成本低、无创以及便于操作等特点，在认知神经科学领域具有独特的应用优势。熟悉脑电的神经生理学基
  • QGIS数据分析入门——Qgis下载及界面介绍（一） shishi521 qgis数据分析数据挖掘qgis
    QGIS是免费的地图数据展示和分析工具。课程任务本教程使用QGIS3.20建议您按照本教程中的详细制图步骤，通过QGIS使用示范数据一步一步实际动手操作，完成教程中的制图任务。将会学到的其他技巧如何查看和修改QGIS下载安装，设置中文。如何使用QGIS界面介绍。软件下载1.软件下载直接百度搜索“qgis下载”，从.org这样的结尾的官网上下载2.直接点击我分享的下载地址下载QGIShttps://
  • 第十二届脑电数据分析入门班（训练营：2023.9.6~9.19） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★脑电图具有高时间分辨率、成本低、无创以及便于操作等特点，在认知神经科学领域具有独特的应用优势。熟悉脑电的神经生理学基
  • RNA-seq转录组数据分析 医学小白学生信
    B站：RNA-seq转录组数据分析入门实战1linux常用命令touchtext.txt#新建文件rm-rf/var/log/httpd/access#将会删除/var/log/httpd/access目录以及其下所有文件、文件夹rm-f*html#删除所有html格式文件rm-f*zip#删除所有zip格式文件tarzxvf#解压tar.gz文件tarjxvfsamtools-1.11.tar.
  • 第十一届脑电数据分析入门班（训练营：2023.7.19~8.1） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★脑电图具有高时间分辨率、成本低、无创以及便于操作等特点，在认知神经科学领域具有独特的应用优势。熟悉脑电的神经生理学基
  • Python数据分析入门书籍推荐！ IT青年
    在当下这个数据驱动的时代，毫不夸张的说各行各业的商业决策和运营管理都离不开数据分析，因此数据分析已经成为当前每个人的必备技能和加分项。对于许多初学者来讲，想要入门Python数据分析常常不知道从何下手。本文将为大家推荐一些适合零基础学习者阅读的Python数据分析入门书籍，感兴趣的话就接着看下去吧！为了帮助大家更轻松的学好Python开发，Python爬虫技术，Python数据分析等相关知识,给大
  • DAY7+ 学习笔记 by 康康 ReneeeeKKKK
    《R与tidyverse——数据分析入门》学习笔记R与tidyverse——数据分析入门3.dataframe和tibbleR中的多变量数据的标准保存形式是dataframe；tibble是dataframe的进化版。一个正确的dataframe书中截图创建tibble3.1新建一个tibbletbble()【注意】tibble是按列写入的举例：my_tibble_1=4&Petal.Length
  • 空间数据分析入门POI与莫兰指数基础知识笔记 肖永威 数据分析人工智能及Python数据分析空间数据分析POI莫兰指数python
    1.空间分析与POI1.1.什么是POIPOI是“PolntofInformation”的缩写，中文可以翻译为“信息点”。POI是地图上任何非地理意义的有意义的点，如商店、酒吧、加油站、医院、车站等。这些点通常包括名称、类别、经纬度和地址等基本信息。此外，POI数据还可以进一步扩展，包括营业时间、联系电话、人均消费等信息，以满足不同应用场景的需求。POI数据的应用场景非常广泛，包括但不限于：城市规
  • 数据分析入门指南：用 Python 开启数据之旅 东离与糖宝 合作推广数据分析python数据挖掘
    文章目录前言发现宝藏为什么选择Python进行数据分析？准备工作数据分析基础1.数据加载2.数据探索3.数据清洗4.数据可视化探索更多可能性好书推荐总结前言为了巩固所学的知识，作者尝试着开始发布一些学习笔记类的博客，方便日后回顾。当然，如果能帮到一些萌新进行新技术的学习那也是极好的。作者菜菜一枚，文章中如果有记录错误，欢迎读者朋友们批评指正。（博客的参考源码可以在我主页的资源里找到，如果在学习的过
  • 后天开课 | 第十一届脑电数据分析入门班（训练营：2023.7.19~8.1） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★脑电图具有高时间分辨率、成本低、无创以及便于操作等特点，在认知神经科学领域具有独特的应用优势。熟悉脑电的神经生理学基
  • 第十二届脑电数据分析入门班（训练营：2023.9.6~9.19） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★脑电图具有高时间分辨率、成本低、无创以及便于操作等特点，在认知神经科学领域具有独特的应用优势。熟悉脑电的神经生理学基
  • 第十三届脑电数据分析入门班（训练营：2023.11.15~11.28） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★脑电图具有高时间分辨率、成本低、无创以及便于操作等特点，在认知神经科学领域具有独特的应用优势。熟悉脑电的神经生理学基
  • 浅谈数据分析思维 戏说猫狗
    笔名：戏说猫狗全文共2331字，阅读需要6分钟我之前有写过数据分析系列《数据分析从简入手，一招让你更专业》（点击可跳转入门篇），是以案例入手讲数据分析入门的。但这次我不讲如何进行数据分析，而是来浅谈一下数据分析的思维和现状。因为数据驱动产品一定少不了数据分析这个话题，我尽量以最简单通俗的语言来聊一聊。——BEGIN——数据分析是个什么东西？我们把这个名词分解来看：数据和分析。这里面最主要的不是数据
  • 第十二届脑电数据分析入门班（训练营：2023.9.6~9.19） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★脑电图具有高时间分辨率、成本低、无创以及便于操作等特点，在认知神经科学领域具有独特的应用优势。熟悉脑电的神经生理学基
  • 探索数据的奥秘：一份深入浅出的数据分析入门指南 uncle_ll 数据库数据分析数据挖掘入门
    数据分析书籍推荐入门读物深入浅出数据分析啤酒与尿布数据之美数学之美数据分析ScipyandNumpyPythonforDataAnalysisBadDataHandbook集体智慧编程MachineLearninginAction机器学习实战BuildingMachineLearningSystemswithPython数据挖掘导论MachineLearningforHackers专业读物Intr
  • 明天开课 | 第十一届脑电数据分析入门班（训练营：2023.7.19~8.1） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★脑电图具有高时间分辨率、成本低、无创以及便于操作等特点，在认知神经科学领域具有独特的应用优势。熟悉脑电的神经生理学基
  • Python数据分析入门到进阶：数据清洗（含详细代码） Python_魔力猿 python数据分析开发语言
    在上一篇文章中，介绍了如何使用python导入数据，导入数据后的第二步往往就是数据清洗，下面我们来看看如何使用pandas进行数据清洗工作导入相关库importpandasaspddataframe=pd.read_csv(r'C:/Users/DELL/data-science-learning/python数据分析笔记/探索性数据分析/train.csv')dataframe.head(5)P
  • 数据分析入门准备 小跳蛙leapfrog 数据分析数据挖掘人工智能
    目标：数据挖掘，数据分析偏数据挖掘方向春招找到工作，11月找到实习入门参考资料：1.数据分析求职面试指南拿下Offer：数据分析师求职面试指南（掌阅）2.stone教你如何做数据分析项目Stone教你如何做数据分析项目（上）_哔哩哔哩_bilibili计划：三天看完并修改简历
  • 第十二届脑电数据分析入门班（训练营：2023.9.6~9.19） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★脑电图具有高时间分辨率、成本低、无创以及便于操作等特点，在认知神经科学领域具有独特的应用优势。熟悉脑电的神经生理学基
  • 从零开始了解大数据(七)：总结 橘子-青衫 从零开始了解大数据大数据大数据hadoophivebigdatahdfs数据仓库
    系列文章目录从零开始了解大数据(一)：数据分析入门篇-CSDN博客从零开始了解大数据(二)：Hadoop篇-CSDN博客从零开始了解大数据(三)：HDFS分布式文件系统篇-CSDN博客从零开始了解大数据(四)：MapReduce篇-CSDN博客从零开始了解大数据(五)：YARN篇-CSDN博客从零开始了解大数据(六)：数据仓库Hive篇-CSDN博客目录系列文章目录前言一、数据分析1.企业数据分析
  • 「曾哥读书」数据中台实战：手把手教你搭建数据中台 frozeng
    本书题目中有两个“数据中台”，但是实际上大部分内容是“电商数据分析”。名不副实，所以豆瓣上的评分有点低。但是如果把它当作电商数据分析入门书来看，基本的架构还是挺完整的。推荐指数：6颗星01整体评价本书一开始想介绍数据中台产品，但是写着写着就偏离了方向，后面花了大量篇幅介绍电商数据分析方法，有点两头不到岸。中台没讲明白，数据分析也没讲透。数据中台实战：手把手教你搭建数据中台02分章节评价本书共分11
  • 第十三届脑电数据分析入门班（训练营：2023.11.15~11.28） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★脑电图具有高时间分辨率、成本低、无创以及便于操作等特点，在认知神经科学领域具有独特的应用优势。熟悉脑电的神经生理学基
  • 第十二届脑电数据分析入门班（训练营：2023.9.6~9.19） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★脑电图具有高时间分辨率、成本低、无创以及便于操作等特点，在认知神经科学领域具有独特的应用优势。熟悉脑电的神经生理学基
  • 数据分析入门自学计划制定--20180520 先生买多花吧
    首先说一下数据分析入门：根据某公司数据分析岗位的招聘信息以及自身情况制定以下学习计划：1、深入浅出数据分析：重点了解数据分析的流程、应用场景、以及书中提到的若干数据分析工具，无需纠结分析模型的实现。5个小时，足够你对数据分析工作建立初步的印象，消除陌生感。2、深入浅出统计学：要了解常用数理统计模型(描述统计指标、聚类、决策树、贝叶斯分类、回归等)，重点放在学习模型的工作原理、输入内容和输出内容，至
  • 第十三届脑电数据分析入门班（训练营：2023.11.15~11.28） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★脑电图具有高时间分辨率、成本低、无创以及便于操作等特点，在认知神经科学领域具有独特的应用优势。熟悉脑电的神经生理学基
  • 如何成为顶尖的“数据分析师”？10年前辈万字经验 浪尖聊大数据-浪尖 数据仓库大数据编程语言人工智能数据分析java
    转自：https://www.toutiao.com/i6873267140791632388/这几年越来越多的小伙伴涌入数据分析行业，呈现出井喷现象。每每有读者和学员问我如何转行、行业发展前景和个人发展路径，我都会提醒大家大家透过现象看本质，不要只是被表面光环迷惑，这几年数据分析岗的看似的火其实依托于互联网行业、依托于各大培训机构的吹捧。但实际上呢，数据分析入门并不代表成功，只是一个起点，和每个
  • 什么是数据分析思维 IT从业者张某某 数据分析入门到进阶数据分析
    参考一文学会如何做电商数据分析（附运营分析指标框架）电子商务该如何做数据分析？如何数据分析入门（从各项指标表象进入）https://www.processon.com/outline/6589838c3129f1550cc69950数据分析步骤什么是数据分析思维主旨数据分析中的核心竞争力根本不在具体的工具或技能，而是在于分析思维技能决定下限，思维决定上限技能工具类：Excel、Python、SQL
  • jvm调优总结（从基本概念 到 深度优化） oloz javajvmjdk虚拟机应用服务器
    JVM参数详解：http://www.cnblogs.com/redcreen/archive/2011/05/04/2037057.html   Java虚拟机中，数据类型可以分为两类：基本类型和引用类型。基本类型的变量保存原始值，即：他代表的值就是数值本身；而引用类型的变量保存引用值。“引用值”代表了某个对象的引用，而不是对象本身，对象本身存放在这个引用值所表示的地址的位置。
  • 【Scala十六】Scala核心十：柯里化函数 bit1129 scala
    本篇文章重点说明什么是函数柯里化，这个语法现象的背后动机是什么，有什么样的应用场景，以及与部分应用函数(Partial Applied Function)之间的联系   1. 什么是柯里化函数 A way to write functions with multiple parameter lists. For instance def f(x: Int)(y: Int) is a
  • HashMap dalan_123 java
    HashMap在java中对很多人来说都是熟的；基于hash表的map接口的非同步实现。允许使用null和null键；同时不能保证元素的顺序；也就是从来都不保证其中的元素的顺序恒久不变。 1、数据结构     在java中，最基本的数据结构无外乎：数组 和 引用（指针），所有的数据结构都可以用这两个来构造，HashMap也不例外，归根到底HashMap就是一个链表散列的数据
  • Java Swing如何实时刷新JTextArea，以显示刚才加append的内容 周凡杨 java更新swingJTextArea
    在代码中执行完textArea.append("message")后，如果你想让这个更新立刻显示在界面上而不是等swing的主线程返回后刷新，我们一般会在该语句后调用textArea.invalidate()和textArea.repaint()。 问题是这个方法并不能有任何效果，textArea的内容没有任何变化，这或许是swing的一个bug，有一个笨拙的办法可以实现
  • servlet或struts的Action处理ajax请求 g21121 servlet
    其实处理ajax的请求非常简单，直接看代码就行了： //如果用的是struts //HttpServletResponse response = ServletActionContext.getResponse(); // 设置输出为文字流 response.setContentType("text/plain"); // 设置字符集 res
  • FineReport的公式编辑框的语法简介 老A不折腾 finereport公式总结
    FINEREPORT用到公式的地方非常多，单元格（以=开头的便被解析为公式），条件显示，数据字典，报表填报属性值定义，图表标题，轴定义，页眉页脚，甚至单元格的其他属性中的鼠标悬浮提示内容都可以写公式。 简单的说下自己感觉的公式要注意的几个地方：   1.if语句语法刚接触感觉比较奇怪，if(条件式子,值1,值2)，if可以嵌套，if(条件式子1，值1，if(条件式子2，值2，值3)
  • linux mysql 数据库乱码的解决办法 墙头上一根草 linuxmysql数据库乱码
    linux 上mysql数据库区分大小写的配置 lower_case_table_names=1 1-不区分大小写 0-区分大小写   修改/etc/my.cnf 具体的修改内容如下:   [client] default-character-set=utf8   [mysqld] datadir=/var/lib/mysql socket=/va
  • 我的spring学习笔记6-ApplicationContext实例化的参数兼容思想 aijuans Spring 3
    ApplicationContext能读取多个Bean定义文件，方法是： ApplicationContext appContext = new ClassPathXmlApplicationContext（ new String[]｛“bean-config1.xml”，“bean-config2.xml”，“bean-config3.xml”，“bean-config4.xml
  • mysql 基准测试之sysbench annan211 基准测试mysql基准测试MySQL测试sysbench
    1 执行如下命令，安装sysbench-0.5： tar xzvf sysbench-0.5.tar.gz  cd sysbench-0.5  chmod +x autogen.sh  ./autogen.sh  ./configure --with-mysql --with-mysql-includes=/usr/local/mysql
  • sql的复杂查询使用案列与技巧 百合不是茶 oraclesql函数数据分页合并查询
      本片博客使用的数据库表是oracle中的scott用户表;          -------------------  自然连接查询           查询 smith 的上司(两种方法) &
  • 深入学习Thread类 bijian1013 javathread多线程java多线程
    一．             线程的名字 下面来看一下Thread类的name属性，它的类型是String。它其实就是线程的名字。在Thread类中，有String getName()和void setName(String)两个方法用来设置和获取这个属性的值。 同时，Thr
  • JSON串转换成Map以及如何转换到对应的数据类型 bijian1013 javafastjsonnet.sf.json
            在实际开发中，难免会碰到JSON串转换成Map的情况，下面来看看这方面的实例。另外，由于fastjson只支持JDK1.5及以上版本，因此在JDK1.4的项目中可以采用net.sf.json来处理。 一.fastjson实例 JsonUtil.java package com.study; impor
  • 【RPC框架HttpInvoker一】HttpInvoker：Spring自带RPC框架 bit1129 spring
    HttpInvoker是Spring原生的RPC调用框架，HttpInvoker同Burlap和Hessian一样，提供了一致的服务Exporter以及客户端的服务代理工厂Bean，这篇文章主要是复制粘贴了Hessian与Spring集成一文，【RPC框架Hessian四】Hessian与Spring集成   在 【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中
  • 【Mahout二】基于Mahout CBayes算法的20newsgroup的脚本分析 bit1129 Mahout
    #!/bin/bash # # Licensed to the Apache Software Foundation (ASF) under one or more # contributor license agreements. See the NOTICE file distributed with # this work for additional information re
  • nginx三种获取用户真实ip的方法 ronin47
    随着nginx的迅速崛起，越来越多公司将apache更换成nginx. 同时也越来越多人使用nginx作为负载均衡, 并且代理前面可能还加上了CDN加速，但是随之也遇到一个问题：nginx如何获取用户的真实IP地址,如果后端是apache,请跳转到<apache获取用户真实IP地址>，如果是后端真实服务器是nginx，那么继续往下看。 实例环境： 用户IP 120.22.11.11
  • java-判断二叉树是不是平衡 bylijinnan java
    参考了 http://zhedahht.blog.163.com/blog/static/25411174201142733927831/ 但是用java来实现有一个问题。 由于Java无法像C那样“传递参数的地址，函数返回时能得到参数的值”，唯有新建一个辅助类：AuxClass import ljn.help.*; public class BalancedBTree {
  • BeanUtils.copyProperties VS PropertyUtils.copyProperties 诸葛不亮 PropertyUtilsBeanUtils
     BeanUtils.copyProperties VS  PropertyUtils.copyProperties  作为两个bean属性copy的工具类，他们被广泛使用，同时也很容易误用，给人造成困然；比如：昨天发现同事在使用BeanUtils.copyProperties copy有integer类型属性的bean时，没有考虑到会将null转换为0，而后面的业
  • [金融与信息安全]最简单的数据结构最安全 comsci 数据结构
          现在最流行的数据库的数据存储文件都具有复杂的文件头格式，用操作系统的记事本软件是无法正常浏览的，这样的情况会有什么问题呢？        从信息安全的角度来看，如果我们数据库系统仅仅把这种格式的数据文件做异地备份，如果相同版本的所有数据库管理系统都同时被攻击，那么
  • vi区段删除 Cwind linuxvi区段删除
    区段删除是编辑和分析一些冗长的配置文件或日志文件时比较常用的操作。简记下vi区段删除要点备忘。   vi概述    引文中并未将末行模式单独列为一种模式。单不单列并不重要，能区分命令模式与末行模式即可。   vi区段删除步骤： 1. 在末行模式下使用:set nu显示行号 非必须，随光标移动vi右下角也会显示行号，能够正确找到并记录删除开始行
  • 清除tomcat缓存的方法总结 dashuaifu tomcat缓存
    用tomcat容器，大家可能会发现这样的问题，修改jsp文件后，但用IE打开 依然是以前的Jsp的页面。 出现这种现象的原因主要是tomcat缓存的原因。 解决办法如下: 在jsp文件头加上 <meta http-equiv="Expires" content="0"> <meta http-equiv="kiben&qu
  • 不要盲目的在项目中使用LESS CSS dcj3sjt126com Webless
    　如果你还不知道LESS CSS是什么东西，可以看一下这篇文章，是我一朋友写给新人看的《CSS——LESS》 　　不可否认，LESS CSS是个强大的工具，它弥补了css没有变量、无法运算等一些“先天缺陷”，但它似乎给我一种错觉，就是为了功能而实现功能。 　　比如它的引用功能 ? .rounded_corners{     
  • [入门]更上一层楼 dcj3sjt126com PHPyii2
    更上一层楼 通篇阅读完整个“入门”部分，你就完成了一个完整 Yii 应用的创建。在此过程中你学到了如何实现一些常用功能，例如通过 HTML 表单从用户那获取数据，从数据库中获取数据并以分页形式显示。你还学到了如何通过 Gii 去自动生成代码。使用 Gii 生成代码把 Web 开发中多数繁杂的过程转化为仅仅填写几个表单就行。 本章将介绍一些有助于更好使用 Yii 的资源：
  • Apache HttpClient使用详解 eksliang httpclienthttp协议
    Http协议的重要性相信不用我多说了，HttpClient相比传统JDK自带的URLConnection，增加了易用性和灵活性（具体区别，日后我们再讨论），它不仅是客户端发送Http请求变得容易，而且也方便了开发人员测试接口（基于Http协议的），即提高了开发的效率，也方便提高代码的健壮性。因此熟练掌握HttpClient是很重要的必修内容，掌握HttpClient后，相信对于Http协议的了解会
  • zxing二维码扫描功能 gundumw100 androidzxing
    经常要用到二维码扫描功能 现给出示例代码 import com.google.zxing.WriterException; import com.zxing.activity.CaptureActivity; import com.zxing.encoding.EncodingHandler; import android.app.Activity; import an
  • 纯HTML+CSS带说明的黄色导航菜单 ini htmlWebhtml5csshovertree
    HoverTree带说明的CSS菜单:纯HTML+CSS结构链接带说明的黄色导航   在线体验效果：http://hovertree.com/texiao/css/1.htm代码如下,保存到HTML文件可以看到效果：   <!DOCTYPE html > <html > <head> <title>HoverTree
  • fastjson初始化对性能的影响 kane_xie fastjson序列化
    之前在项目中序列化是用thrift，性能一般，而且需要用编译器生成新的类，在序列化和反序列化的时候感觉很繁琐，因此想转到json阵营。对比了jackson，gson等框架之后，决定用fastjson，为什么呢，因为看名字感觉很快。。。   网上的说法：   fastjson 是一个性能很好的 Java 语言实现的 JSON 解析器和生成器，来自阿里巴巴的工程师开发。
  • 基于Mybatis封装的增删改查实现通用自动化sql mengqingyu DAO
    1.基于map或javaBean的增删改查可实现不写dao接口和实现类以及xml，有效的提高开发速度。 2.支持自定义注解包括主键生成、列重复验证、列名、表名等 3.支持批量插入、批量更新、批量删除 <bean id="dynamicSqlSessionTemplate" class="com.mqy.mybatis.support.Dynamic
  • js控制input输入框的方法封装(数字，中文，字母，浮点数等) qifeifei javascript js
    在项目开发的时候，经常有一些输入框，控制输入的格式，而不是等输入好了再去检查格式，格式错了就报错，体验不好。 /** 数字，中文，字母,浮点数(+/-/.) 类型输入限制，只要在input标签上加上 jInput="number,chinese,alphabet,floating" 备注：floating属性只能单独用*/     funct
  • java 计时器应用 tangqi609567707 javatimer
    mport java.util.TimerTask;   import java.util.Calendar;   public class MyTask extends TimerTask {        private static final int
  • erlang输出调用栈信息 wudixiaotie erlang
    在erlang otp的开发中，如果调用第三方的应用，会有有些错误会不打印栈信息，因为有可能第三方应用会catch然后输出自己的错误信息，所以对排查bug有很大的阻碍，这样就要求我们自己打印调用的栈信息。用这个函数：erlang:process_display (self (), backtrace).需要注意这个函数只会输出到标准错误输出。 也可以用这个函数：erlang:get_s
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他