Python 是一门面向对象，解释型的高级程序设计语言，它的语法非常简洁、优雅，而这也是 Python的一些设计哲学。Python 自带了很完善的库，涵盖了数据库，网络，文件处理，GUI 等方方面面，通过这些库，我们可以比较快速地解决一些棘手问题，也可以将其作为基础库，开发出一些高级库。目前 Python 在大部分领域都占有一席之地，比如 Web 开发，机器学习，科学计算等。不少大型网站都是使用

使用拉格朗日插值法对缺失值进行插补，使用缺失值前后5个未缺失的数据参与建模，在进行插值之前，会对数据进行异常值检测，发现2015/2/21日的数据是异常的（数据大于5000）， 所以把该日期数据定义为空缺值，利用拉格朗日插值对2015/2/21， 2015/2/14的数据进行插补，结果是4275.255和4156.86， 这两天使周末，而周末的销售额一般要大于周一到周五的值，所以插值的结果比较符合

在学习sklearn(机器学习)过程中，模型原理可谓是枯燥无味，加上大多数模型训练过程也是不可见的，这使得很多小伙伴们望而却步，当然也有很多学者试图通过各种方式以可视化模型学习及预测过程，但大多数是复杂且不美观的。本文将给大家带来一个全新方式。当机器学习遇到简洁、强大且美观的plotly可视化库时，可谓是强强联手，从模型训练、预测、决策边界、残差、交叉验证、网格搜索到模型评价，均可以很容易地可视化

从大量文本中自动提取人们谈论的主题(主题识别)是自然语言处理的基本应用之一。大型文本示例包括社交媒体订阅、消费者对酒店、电影和其他业务的评价、用户评论、新闻和客户发来的邮件。在本中，将使用LDA 从 20Newsgroup 数据集 中提取主题的实战案例。欢迎深入探讨，喜欢记得点赞、关注、收藏。【注】完整版代码、数据、技术交流文末获取主题识别的基础知识本节将涵盖主题识别和建模的原则。云朵君将和大家一

欢迎关注，专注 Python、数据分析、数据挖掘、好玩工具！时间序列数据是以时间为索引的数据点的集合，它存在于各个领域和行业，零售行业的商品销售时间序列，来自监控设备、应用程序或云资源的指标，或者物联网传感器生成的测量时间序列等等，都是时间序列数据的例子。与时间序列有关的最常见机器学习任务，包括预测、平滑处理、侦测（例如界外值、异常点或变化点侦测）以及分类等。今天，我们介绍的这款工具为 Gluon

假如我们想要用 openai api 对一个段文本进行总结，我们通常的做法就是直接发给 api 让他总结。但是如果文本超过了 api 最大的 token 限制就会报错。这时，我们一般会进行对文章进行分段，比如通过 tiktoken 计算并分割，然后将各段发送给 api 进行总结，最后将各段的总结再进行一个全部的总结。LangChain 很好的帮我们处理了这个过程，使得我们编写代码变的非常简单。#

目前 Python 已经成为最受欢迎的程序设计语言之一。由于 Python 语言的简洁性、易读性以及可扩展性，用 Python 做科学计算的研究机构日益增多，很多知名大学已经采用 Python 来教授程序设计课程。在日常工作中一些比较繁琐的数据处理逻辑，我们在 Python 中总能找到一些数据处理技巧，这些技巧节省我们大量的宝贵的时间并使自己的工作更简单。在这篇文章中，我将介绍我使用过的 23 个

最近阅读几篇异常检测综述，这里整理分享给大家，之前分享了赵越博士的异常检测库Python Outlier Detection (PyOD) [1]，内容写的很好，还提供了关于异常检测的学习资料[2]，我阅读了几篇综述，个人比较推荐以下三篇：●[3]：全文偏基础，介绍了异常类型、时序模式、异常检测常见的模型方法，还有公开数据集和评估指标。适合入门阅读。推荐指数：4星；●[4]：作者介绍了异常检测面临

决策树模型因为其特征预处理简单、易于集成学习、良好的拟合能力及解释性，是应用最广泛的机器学习模型之一。不同于线性模型【数学描述：f(W*X +b)】是通过数据样本学习各个特征的合适权重，加权后做出决策。决策树会选择合适特征并先做特征划分后，再做出决策（也就是决策边界是非线性的，这提高了模型的非线性能力）。一、树模型的概括决策树呈树形结构，更通俗来讲，树模型的数学描述就是**“分段函数”**。如下一

欢迎关注 ，专注Python、数据分析、数据挖掘、好玩工具！解释机器学习模型是一个困难的过程，因为通常大多数模型都是一个黑匣子，我们不知道模型内部发生了什么。创建不同类型的可视化有助于理解模型是如何执行的，但是很少有库可以用来解释模型是如何工作的。Evidently 是一个开源 Python 库，用于创建交互式可视化报告、仪表板和 JSON 配置文件，有助于在验证和预测期间分析机器学习模型。它可以