数据处理基础numpy基础1.numpy创建数组及基础属性2.数组的特点3.创建常见数组pandas基础numpy基础1.numpy创建数组及基础属性2.数组的特点3.创建常见数组pandas基础numpy是数据处理的基础，pandas也是基于numpy的，首先是numpy数组的创建。一般我们默认导入了一下库import numpy as npimport pandas as pd1.numpy创

windows文件权限解除

右键属性>>安全>>高级更改高级然后确定>>确定>>应用然后回到应用。这样就能进入Application Data文件夹了

时间序列就是以时间为索引的数据，比如下面这种形式python使用ARIMA建模，主要是使用statsmodels库首先是建模流程，如果不是太明白不用担心，下面会详细的介绍这些过程

1相对路径1同一级目录<img src="1.jpg" \>2下一级目录3.jpg路径------web\images\3.jpg1.html路径-----web\1.html<img src="images/3.jpg" \>3上一级路径demo1.html----路径web\html\demo1.html2.jpg-------路径web\2.jpg<img sr

机器学习实战机器学习三把斧1.数据清洗1.1缺失值的处理某一列的特征缺失值达到40%左右，删除这个特征值；或者某一个样本的缺失值过大，那么删除这个样本。而当某个特征的缺失值较少的时候，不能删除这个特征。建模预测：把缺失值当做模型的预测值，用预测的值填充缺失值多重插补：前向填充，后项填充高维映射：就是把缺失值作为一个新的类，只对分类的变量比较好，在广告CTR（点击率）1.2异常值的处理异常：真实的异

pyecharts的全局配置和系列配置

这种使用方法已经弃用了，改成下面即可import statsmodels.api as smmodel = sm.tsa.arima.ARIMA(train_data, order=(1,1,1))result = model.fit()

索引（…）必须用某种集合调用，但未传递任何集合columns=['v1', 'v2', 'v3', 'v4', 'v5','v6', 'price']df_test=columns.remove('price')原因是remove是没有返回值的，改成下面即可columns.remove('price')df_test.columns=columns还有一种情况Index(…) must be ca