吃了写代码不规范的亏。。。明明记得之前写过某个功能，但是因为文件命名太随意，“123”，“111”，“a”，“test”等不知所谓的名称都被我用上了，以至于找代码时候焦头烂额，以后一定要养成规范命名的好习惯。不过如果已经这样写了，需要找某个函数时，可以用全局搜索的方式，通过找关键字，定位函数，定位文件。具体操作参看：pycharm如何全局进行查找一个关键词...

给定一个数据样本集，若想得到总体的概率分布，通常有两类方法：参数估计和非参数估计。参数估计需要先假定这个数据样本服从某种分布，再使用数据去拟合分布中的参数，含有较大的主观成分。而非参数估计，即核密度估计（Kernel Density Estimation，KDE），不需要预先假设，从数据本身出发，来估计未知的密度函数。一、估计过程1、以每个点的数据+带宽（邻域）作为参数，用核函数估计样本中每个数据

The number of FixedLocator locations (13), usually from a call to set_ticks, does not match the number of ticklabels (12).最近在使用matplotlib绘制雷达图时，出现了如上所述问题。我建立时序预测模型对风机的各项参数做了预测，最后想可视化这些参数各自的预测误差。解决方案：保

神经网络中常常用到归一化。归一化要注意的点及代码如下（以最大最小归一化为例）：训练，测试数据分开归一化；X，y分开归一化。使用训练数据进行归一化，得到参数后，再用来归一化测试数据。X和y也要分开归一化，这样才好根据各自的参数对预测数据进行还原（inverse）。注意不要上来就对所有数据进行归一化，因为在实际使用中，我们并不知道预测数据的分布。x_scaler = preprocessing.Min

数据#使用pd读取数据data = pd.read_csv('E:\\2019data\\diff_turbine\\2019WT04990.csv', encoding='utf-8')print(data.head())data = data.sort_values(by = 'TO_CHAR')print(data.head())输出参考链接：pandas dataframe按日期排序

出现这个错误的原因是python代码是基于TensorFlow1.0的，而系统中的TensorFlow版本为2.0所以两种解决思路：把1.0的代码改为2.0把TensorFlow降为1.0我选择了第一种方法AttributeError: module 'tensorflow' has no attribute 'ConfigProto'出现报错的语句：config = tf....

在理解小波系数的维度的时候，被小波分解的尺度和层数搞迷糊了，看了几个博客和文档，整理了自己的理解。先看小波分解过程以及频率的划分尺度和分解层数不是一个概念，但是有如下的关系：尺度与分解频率成反比分解层数是对频率范围进行一定的划分因此，分解层数和尺度是一一对应的，有几个分解层数就有几个尺度。尺度就像是把尺子，每个分解层都是在用不同的尺子对原始信号进行度量。所以，有几个分解层数就有几把尺子。而分析频率

阿惠碎碎念：晕晕乎乎研究生阶段就已经过了大半年了，文献也没读多少。。。咸鱼呐！要改了。在有限的几次实验操作中，我发现用python对CSV文件执行操作还挺常用的。为了方便自己之后查阅，也方便大家参考，特来整理一下~整理的操作包括最基本的读取写入、选择、删除、去掉重复数据等。可能存在不足，欢迎批评指正！读取文件格式如下读取文件数据import pandas as pd#pathn...

在观察数据的大致分布时，分位数是个常用的统计值，下面介绍在hive sql中计算分位数的语法hive sql中计算分位数的函数：PERCENTILE_APPROX（适用于大数据量）使用格式：-- 以数组形式返回多个百分位近似计算结果。array<double> percentile_approx (double <colname>, array(<p1> [,

一直想写篇度量指标的文章，梳理一下这块的知识点，可能想了太多次，总以为自己已经写过了，今天看文章列表，竟然没有相关的内容，刚好最近在做多分类模型，借此机会整理一下。混淆矩阵（confusion matrix）在介绍各种指标前，先介绍混淆矩阵，基本所有的评价指标都是基于混淆矩阵计算得来的。混淆矩阵每一行代表数据的真实类别，每一列代表预测类别。以下是一个三分类问题的混淆矩阵：二分类和多分类都有混淆矩阵