插值插值，是离散函数逼近的重要方法，利用它可通过函数在有限个点处的取值状况，估算出函数在其他点处的近似值。–摘自百度百科插值与拟合有一定差别，但其目的都是类似的，根据已有数值，生成预测函数，来预测目标值。下面介绍一下，在Python中如何实现插值。import scipy.interpolate as spi# 准备数据，X和Y都是有限离散点集，X与Y是一一对应的# 我们想用X逼近YXY# 准备插

空值判断：对整个Series/Dataframe判断+对单独值判断

举例：有df如下>import numpy as np>df = pd.DataFrame({"name":["apple", "pear", "pig", "dog", "cat"], "number_1":[1,np.nan,3,np.nan,5], "number_2":[np.nan, 2,3,4,5]})>print(df)namenumber_1...

1 PCA目的/作用主成分分析算法（PCA）是最常用的线性降维方法，它的目标是通过某种线性投影，将高维的数据映射到低维的空间中，并期望在所投影的维度上数据的信息量最大（方差最大），以此使用较少的数据维度，同时保留住较多的原数据点的特性。PCA降维的目的，就是为了在尽量保证“信息量不丢失”的情况下，对原始特征进行降维，也就是尽可能将原始特征往具有最大投影信息量的维度上进行投影。将原特征投影到...

1、方法：使用python opencv返回点集cnt的最小外接矩形，所用函数为 cv2.minAreaRect(cnt) ，cnt是点集数组或向量（里面存放的是点的坐标），并且这个点集中的元素不定个数。2、举例说明：画一个任意四边形（任意多边形都可以）的最小外接矩形，那么点集cnt 存放的就是该四边形的4个顶点坐标（点集里面有4个点）cnt = np.array([[x1,y...

1、方法：使用python opencv返回点集cnt的最小外接矩形，所用函数为 cv2.minAreaRect(cnt) ，cnt是点集数组或向量（里面存放的是点的坐标），并且这个点集中的元素不定个数。2、举例说明：画一个任意四边形（任意多边形都可以）的最小外接矩形，那么点集cnt 存放的就是该四边形的4个顶点坐标（点集里面有4个点）cnt = np.array([[x1,y...

使用df.dropDataFrame.drop(labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors=‘raise’)1、labels：要删除的标签，一个或者多个(以list形式)；2、axis：指定哪一个轴，=0删除行，=1删除列；3、columns：指定某一列或者多列(以list形式)；

CART，分类回归树，是几乎所有复杂决策树算法的基础。下面简单介绍其算法原理。

我们在读取csv文件的时候，有的时候可能没有表头，或者想换一个表头，该怎么操作？df = pd.read_csv('data.csv', sep='\t',header=None, names=['var_code','var_name','var_desc'])```

使用df.dropDataFrame.drop(labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors=‘raise’)1、labels：要删除的标签，一个或者多个(以list形式)；2、axis：指定哪一个轴，=0删除行，=1删除列；3、columns：指定某一列或者多列(以list形式)；