前言好大夫在线网（https://www.haodf.com），是封ip的，当然通过（高匿）代理IP一般就能解决。but恶心的地方在于该站使用了知道创宇的云拦截，能够获取机子的真实ip，使用代理ip并没有什么卵用。爬取源及爬取内容爬取源是11万条医生页面的url，获取页面的一些访问信息。目录结构代码import requestsfrom lxml import etreei...

前言好大夫在线网（https://www.haodf.com），是封ip的，当然通过（高匿）代理IP一般就能解决。but恶心的地方在于该站使用了知道创宇的云拦截，能够获取机子的真实ip，使用代理ip并没有什么卵用。爬取源及爬取内容爬取源是11万条医生页面的url，获取页面的一些访问信息。目录结构代码import requestsfrom lxml import etreei...

1.需求和例子需求：获得变量的名称实现例子：aaa = '23asa'bbb = 'kjljl2'loc = locals()def get_variable_name(variable):print locfor key in loc:if loc[key] == variable:return keyprint get_v

from sklearn import metricsy_true = [0, 1, 2, 0, 1, 2]y_pred = [0, 2, 1, 0, 0, 1]y_true_1 = [0, 1, 2, 0, 1, 2]y_pred_1 = [0, 2, 3, 0, 0, 1]y_true_2 = [0, 1, 2, 0, 1, 2]y_pred_2 = [0, 1, 1, 0, 0, 1]

使用sklearn做各种回归基本回归：线性、决策树、SVM、KNN集成方法：随机森林、Adaboost、GradientBoosting、Bagging1. 数据准备为了实验用，我自己写了一个二元函数，y=0.5*np.sin(x1)+ 0.5*np.cos(x2)+0.1*x1+3。其中x1的取值范围是0~50，x2的取值范围是-10~10，x1和x2的训练集一共有500个，测试集有100

交叉分类表，是以两个不同时期的地理实体类型为横纵坐标的表格。①用于参照的时期的类型位于表格的上方，按照横方向排列②用以比较的时期的类型位于表格的左方，垂直排列③在横纵坐标上类型的排列顺序一致④位于对角线上的方格中记录的是两个时期的数据集中没有发生类型变化的单元格数量，非对角线上记录的是从参考时期的类型到比较时期的类型变化的单元格的数量⑤最后一行和最后一列是分别对行和列的单元格数量

决策树决策树(DTs)是一种用于分类和回归的非参数监督学习方法。目标是创建一个模型，通过从数据特性中推导出简单的决策规则来预测目标变量的值。例如，在下面的例子中，决策树通过一组if-then-else决策规则从数据中学习到近似正弦曲线的情况。树越深，决策规则越复杂，模型也越合适。决策树的一些优势是:便于说明和理解，树可以可视化表达；需要很少的数据准备。其他技术通常需要数据标准化，需要创建虚拟

# !/usr/bin/env python# -*- coding: utf-8 -*-# @Version： 1.0# @Time： 2018/10/23 上午10:40# @Author： Yeoman# @Description：import urllib.requestimport lxml.etreeimport ...

运行Python程序有2种方式：使用交互式的带提示符的解释器传统的使用源文件的方式1.第一种方式打开解释器输入代码，即可运行2.第二种方式新建一个python文件（我在D盘下新建了一个）在该文件中写下面代码#!/usr/bin/env python#-*- coding:utf-8 -*-#Filename:hello.pyprint 'hello,world'　　这里需要解释一下前

决策树决策树(DTs)是一种用于分类和回归的非参数监督学习方法。目标是创建一个模型，通过从数据特性中推导出简单的决策规则来预测目标变量的值。例如，在下面的例子中，决策树通过一组if-then-else决策规则从数据中学习到近似正弦曲线的情况。树越深，决策规则越复杂，模型也越合适。决策树的一些优势是:便于说明和理解，树可以可视化表达；需要很少的数据准备。其他技术通常需要数据标准化，需要创建虚拟