目录1、构建数据集，数据对象2、产生1-项集函数，输入为交易记录D，输出为1-项集C13、输出为频繁1-项集ret1、所有1-项集的支持度suD4、拼接函数，输入为Ck-1、K参数，表示生成k-项集5、循环中关键数据L解析6、输入为交易记录D，及最小支持度参数minSupport7、计算规则的置信度8、对频繁项集中元素超过2的项集进行合并9、频繁项集和最小可信度生成规则根据以上分析，针对表 8-1

1、库import pandas as pdimport numpy as npimport matplotlib as mplimport matplotlib.pyplot as plt2、随机生成聚类中心点def initCentroids(dataSet,k):numSamples,dim=dataSet.shapecentroids=np.zeros((k,dim))for i in r

1、基本处理import matplotlib as mplimport matplotlib.pyplot as pltimport seaborn as snsimport pandas as pdimport numpy as np# %matplotlib inline# 处理seaborn图标内嵌中文字体问题plt.rcParams['font.sans-serif']=['SimHei

1、长度文本长度：按照字数、标点符号、中英文分词长度：词数，列表：list2、引入库import jiebaimport jieba.posseg as psgfrom collections import Counter3、读取#读取当前目录下的fenciExample.txt文本文件#这个文件是《舌尖上的中国》中某一集的解说词#输出文本中出现次数排在前20的单词# 读取shejian=open

1、基础K-fold(k折交叉切分)是一个生成器sklearn.model_selection.folder.split(<n_splits=整数k，大于等于2>,<random_state=随机数种子or随机数生成器>,<shuffle=布尔值，True-在切分数据集前先混洗数据集>)2、代码不混洗（前边有空格，需要自己删除哟）# 数训练据集X=np.arra

一、介绍1、官网Introduction — statsmodels是一个Python库，用 于拟合多种统计模型，执行统计测试以及数据探索和可视化。2、主要功能3、安装方法一：pip install statsmodels方法二：conda install –c conda-forge statsmodels二、t检验1、概念通过比较不同数据之间的差值，以观察数据之间有没有显著差异。适用于小样本（

1、导入包import numpy as npfrom sklearn.tree import DecisionTreeClassifierfrom sklearn importdatasetsfrom sklearn import model_selectionimport matplotlib.pyplot as plt2、导入数据采用鸢尾花数据集。鸢尾花数据集一共有150个数据,这些数据分为

1、函数sklearn.model_selection.train_test_split(数据集[test_size测试集大小，train_size训练集大小,random_state整数——随机数种子，否则为随机数生成器]，stratify数组[分层采样的标记数组]或none)返回值：一个列表，依次给出一/多个数据集划分的结果：训练集、测试集。2、代码（1）未分层X=[[1,2,3,4],[11

个股

1给出一个数据集data_multivar.txt，里面有200个点坐标，在平面坐标系下可以画出它的散点图，如图11-12所示。data_multivar.txt图11-12 数据集 data_multivar.txt 散点图用K均值聚类算法来训练模型，将该数据集的200个点分成4类。注意：运行之前，首先将给出的数据集data_multivar.txt 拷贝到相应的文件夹中。读者可以在程序中设置k