文章目录前言一、数值数据类型1.整数类型①整型对象②支持的运算符2.布尔类型①bool对象③支持的运算符3.浮点类型4.复数类型二、序列数据类型1.不可变序列2.可变序列三、集合数据类型四、字典数据类型五、NoneType、NotImplementedType、EllipsisType1.NoneType2.NotImplementedType3.EllipsisType六、其他数据类型总结 前
转载
2024-04-14 22:02:49
52阅读
一般使用三个指标来度量一个关联规则，根据这三个指标可以筛选出满足条件的关联规则。 这三个指标是：Support（支持度）、Confidence（可信度）、Lift（提升度）。 以AB这个关联规则为例来说明： Support（支持度）：表示A、B同时使用的人数占所有用户数（研究关联规则的“长表”中的所有有使用的产品的用户数）的比例。如果用P(A)表示使用A的用户比例，其他产品类推，那么
转载
2024-05-03 13:48:41
81阅读
一. 概念关联分析用于发现隐藏在大型数据集中的有意义的联系。所发现的联系可以用关联规则（association rule）或频繁项集的形式表示。项集：在关联分析中，包含0个或多个项的集合被称为项集（itemset）。如果一个项集包含k个项，则称它为k-项集。例如:{啤酒，尿布，牛奶，花生} 是一个4-项集。空集是指不包含任何项的项集。关联规则（association rule）：是形如 X → Y
转载
2024-04-02 07:12:32
28阅读
1.1 Python语言简介Python 是一种简单、解释型、交互式、可移植、面向对象的语言。由吉多·范罗苏姆（Guido van Rossum）于1989年发明，1991年正式公布。Python 的特点：可读性强简洁面向对象免费开源可移植和跨平台 Python 会被编译成与操作系统相关的二进制代码，再由解释器执行。丰富的库 丰富的标准库，多种多样的扩展库。可扩展性 可嵌入到 C 和 C++ 语言
转载
2024-09-20 18:11:25
15阅读
关联规则关联规则分析是数据挖掘中最活跃的方法之一,目的是在一个数据集中找出各项之间的关联关系,而这种关系并没有在数据中直接表示出来算法名称算法描述Apriori关联规则最常用也是经典的挖掘频繁项集的算法,其核心思想是通过连接产生候选项及其支持度然后通过剪枝生成频繁项集FP-Tree针对Apriori算法固有的多次扫描事物数据集的缺陷,提出的不产生候选项频繁项集的方法.Apriori和FP-Tree
转载
2024-08-21 13:57:26
167阅读
1.Ali Borji, Laurent Itti, Exploiting Local and Global Patch Rarities for Saliency Detection, CVPR20121) 系统框架： 2) 算法思路：①
转载
2023-11-28 21:53:27
54阅读
基本概念(Basic Concepts)RDD - resillientdistributed dataset 弹性分布式数据集Operation - 作用于RDD的各种操作分为transformation和actionJob - 作业，一个JOB包含多个RDD及作用于相应RDD上的各种operationStage - 一个作业分为多个阶段Partition - 数据分区，一个RDD中的数据可以分
转载
2024-06-17 05:00:04
24阅读
1. 写在前面如果想从事数据挖掘或者机器学习的工作，掌握常用的机器学习算法是非常有必要的，常见的机器学习算法：监督学习算法：逻辑回归，线性回归，决策树，朴素贝叶斯，K近邻，支持向量机，集成算法Adaboost等无监督算法：聚类，降维，关联规则, PageRank等为了详细的理解这些原理，曾经看过西瓜书，统计学习方法，机器学习实战等书，也听过一些机器学习的课程，但总感觉话语里比较深奥，读起来没有耐心
我们在比较事物时，往往会用到“不同”，“一样”，“相似”等词语，这些词语背后都涉及到一个动作——双方的比较。只有通过比较才能得出结论，究竟是相同还是不同。但是万物真的有这么极端的区分吗？在我看来不是的，生活中通过“相似度”这词来描述可能会更加准确。比如男人和女人，虽然生理器官和可能思想有些不同，但也有相同的地方，那就是都是人，就是说相似度不为0；比如石头与小草，它们对于虚拟类都是一种实体类，相似度
转载
2024-08-03 15:51:43
203阅读
摘要Pandas是基于numpy来构建的，让numpy为中心的应用变得更加简单。Pandas主要包括两个数据结构，Series和DataFrame。既能处理时间序列的数据也能处理非时间序列的数据，同时在处理缺省值上面非常灵活。一.主要数据结构Series可以把series理解为一维数组或者向量，由value以及index组成。1.创建series>>> import pandas
# 如何计算偏度（Skewness）- Python实现指南
## 引言
在统计学中，偏度是用来描述数据分布形态的指标。它可以帮助我们判断数据分布是否对称，以及分布的偏斜方向。对于刚入行的小白来说，计算偏度可能会有些困难。本篇文章将带你一步一步了解如何使用Python计算偏度，以及实现的方法和代码。
## 流程概述
下面的表格展示了计算偏度的整个流程：
```
| 步骤 | 描述
原创
2024-01-10 05:34:11
140阅读
# 模块度计算在社区发现中的应用
在网络科学和社交网络分析中，模块度（Modularity）是一个重要的指标，用于评估网络中社区结构的质量。简而言之，模块度衡量的是网络中节点聚集在同一社区的程度。较高的模块度意味着节点之间的连接比跨社区的连接更加密集。
## 模块度的计算原理
模块度（Q）的计算方法如下：
- 设网络中有 \( m \) 条边，\( A \) 为邻接矩阵，\( k_i \)
在数据科学和机器学习应用中，间隙度的计算是评估数据集分布特征的一部分。本文将通过 Python 的实际应用，带你一步步完成间隙度的计算过程。
## 环境准备
在开始之前，我们需要确保环境已经搭建好。下面是所需的依赖项和安装命令，适用于多平台用户。
**依赖安装指南**
我们需要安装以下 Python 库：
- `numpy`
- `scipy`
- `matplotlib`
```bas
# 线性度计算在Python中的实现
线性度（Linearity）是一个测量量器在一种基准状态下的输出与输入之间关系的好坏。在数据科学、工程和测量中，线性度常用于校准设备表现的准确性。本文中，我们将探讨如何在Python中实现线性度计算，并使用可视化工具来展示数据。
## 线性度的基本概念
线性度的定义是：设备或系统的实际输出与其理想输出之间的差异。如果一个测量系统是线性的，那么输入与输出之
# Python计算偏度
## 介绍
在统计学中，偏度是描述数据分布偏斜程度的一种度量方式。它能够帮助我们了解数据的分布形态和对称性。通过计算偏度，我们可以判断数据集的偏斜方向以及偏斜程度。
在本文中，我们将介绍如何使用Python计算数据集的偏度，并通过代码示例演示如何实现。
## 什么是偏度？
偏度是一个统计术语，用于描述数据分布的偏斜程度。当数据分布呈现左偏态时，偏度为负值；当数据
原创
2024-01-23 04:43:53
104阅读
在我看来，python社区分为了三个流派，分别是python 2.x组织，3.x组织和PyPy组织。这个分类基本上可以归根于类库的兼容性和速度。这篇文章将聚焦于一些通用代码的优化技巧以及编译成C后性能的显著提升，当然我也会给出三大主要python流派运行时间。我的目的不是为了证明一个比另一个强，只是为了让你知道如何在不同的环境下使用这些具体例子作比较。使用生成器一个普遍被忽略的内存优化是生成器的使
转载
2024-07-04 16:15:00
36阅读
关于支持度、置信度、提升度以及apriori算法的理解（简单版）理解支持度所谓支持度，就是比如说10个用户购买商品，有8个用户购买商品A，那么商品A的支持度就是80%。支持度越大，关联规则越重要，因为支持度大代表买的人多呀。 这里的商品A可以是一件商品，也可以是几个商品组成的集合。小于最小支持度的A会在算法过程中被淘汰掉。理解置信度这个概念学过概率论就比较好理解，简单地说是购买商品A的人，会有多大
转载
2023-10-05 14:31:56
241阅读
度分布[编辑]维基百科，自由的百科全书
度分布是图论和网络理论中的概念。一个图（或网络）由一些顶点（节点）和连接它们的边（连结）构成。每个顶点（节点）连出的所有边（连结）的数量就是这个顶点（节点）的度。度分布指的是对一个图（网络）中顶点（节点）度数的总体描述。对于随机图，度分布指的是图中顶点度数的概率分布。 目录 隐藏] 1定义1
模糊系统 常规系统会在你输入后得到下一个时刻的输出，但在现实世界中会有很多情况不确定，但可以给出不同状态的集合，且是模糊集合，则称为模糊系统。 粗糙集 隶属度函数的选择主要由模糊集合决定，若某个 下面用一个简单的例子作介绍： 模糊pid matlab（simulink）仿真详细步骤 第一部分 创建一个模糊逻辑（.fis文件） 第一步：打开模糊推理系统编辑器 步骤： 在Commond Window
这是一系列自然语言处理的介绍，本文不会涉及公式推导，主要是一些算法思想的随笔记录。 信息熵信息是我们一直在谈论的东西，但信息这个概念本身依然比较抽象。在百度百科中的定义：信息，泛指人类社会传播的一切内容，指音讯、消息、通信系统传输和处理的对象。但信息可不可以被量化，怎样量化？答案当然是有的，那就是“信息熵”。早在1948年，香农(Shannon)在他著名的《通信的数学原理》论文中指出：“信息是用来
转载
2024-07-08 23:10:37
99阅读
