zip zip函数接受任意多个（包括0个和1个）序列作为参数，合并后返回一个tuple列表,请看示例： a=[1,2,3] b=[4,5,6] ab=zip(a,b) print(list(ab)) #需要加list来可视化这个功能 """ [(1, 4), (2, 5), (3, 6)] """ zip 中的运算 a=[1,2,3] b=[4,5,6] ab=zip(a,b) print(list(ab)) for i,j in zip(a,b): print(i/2,j*2) ""&quot...

添加线程 本节我们来学习threading模块的一些基本操作，如获取线程数，添加线程等。首先别忘了导入模块： import threading 获取已激活的线程数 threading.active_count() # 2 查看所有线程信息 threading.enumerate() # [<_MainThread(MainThread, started 140736011932608)>, <Thread(SockThread, started daemon 123145376751616)>] 输出的结果是一个<_MainThread(…)>...

和Threading的比较 多进程 Multiprocessing 和多线程 threading 类似, 他们都是在 python 中用来并行运算的. 不过既然有了 threading, 为什么 Python 还要出一个 multiprocessing 呢? 原因很简单, 就是用来弥补 threading 的一些劣势, 比如在 threading 教程中提到的GIL. 使用 multiprocessing 也非常简单, 如果对 threading 有一定了解的朋友, 你们的享受时间就到了. 因为 python 把 multiprocessing 和 threading 的使用方法做的几乎差...

如何在列表，字典，集合中根据条件筛选数据 列表 list = [2,2,-3,-5,9,6,7,5,8,7] # 选出>0的项 # 1. filter(lambda x: x>0,data) [2,2,9,6,7,5,8,7] # 2.列表解析 [x for x in data if x>0] [2,2,9,6,7,5,8,7] # 测试性能 timeit filter(lambda x: x>0,data) # 909ns timeit [x for x in data if x>0] # 455ns # 都远快于迭代 字典 d = {x:randint...

转自：https://morvanzhou.github.io/tutorials/data-manipulation/np-pd/ Numpy属性 使用numpy首先要导入模块 import numpy as np #为了方便使用numpy 采用np简写 列表转化为矩阵： array = np.array([[1,2,3],[2,3,4]]) #列表转化为矩阵 print(array) """ array([[1, 2, 3], [2, 3, 4]]) """ Numpy的几种属性 接着我们看看这几种属性的结果: ...

Pandas基本介绍 Numpy 和 Pandas 有什么不同 如果用 python 的列表和字典来作比较, 那么可以说 Numpy 是列表形式的，没有数值标签，而 Pandas 就是字典形式。Pandas是基于Numpy构建的，让Numpy为中心的应用变得更加简单。 要使用pandas，首先需要了解他主要两个数据结构：Series和DataFrame。 Series import pandas as pd import numpy as np s = pd.Series([1,3,6,np.nan,44,1]) print(s) """ 0 1.0 ...

转自：https://morvanzhou.github.io/tutorials/data-manipulation/plt/ 基本用法 使用import导入模块matplotlib.pyplot，并简写成plt 使用import导入模块numpy，并简写成np import matplotlib.pyplot as plt import numpy as np 使用np.linspace定义x：范围是(-1,1);个数是50. 仿真一维数据组(x ,y)表示曲线1. x = np.linspace(-1, 1, 50) y = 2*x + 1 使用plt.figure定义一个图...

转自：https://morvanzhou.github.io/tutorials/machine-learning/tensorflow/ 感谢莫烦！爱你 处理结构 计算图纸 Tensorflow 首先要定义神经网络的结构, 然后再把数据放入结构当中去运算和 training. 因为TensorFlow是采用数据流图（data flow graphs）来计算, 所以首先我们得创建一个数据流流图, 然后再将我们的数据（数据以张量(tensor)的形式存在）放在数据流图中计算. 节点（Nodes）在图中表示数学操作,图中的线（edges）则表示在节点间相互联系的多维数据数组, 即张...

例子3 添加层 def add_layer() 定义 add_layer() 在 Tensorflow 里定义一个添加层的函数可以很容易的添加神经层,为之后的添加省下不少时间. 神经层里常见的参数通常有weights、biases和激励函数。 首先，我们需要导入tensorflow模块。 import tensorflow as tf 然后定义添加神经层的函数def add_layer(),它有四个参数：输入值、输入的大小、输出的大小和激励函数，我们设定默认的激励函数是None。 def add_layer(inputs, in_size, out_size, activatio...

Tensorboard 可视化好助手1 注意: 本节内容会用到浏览器, 而且与 tensorboard 兼容的浏览器是 “Google Chrome”. 使用其他的浏览器不保证所有内容都能正常显示. 学会用 Tensorflow 自带的 tensorboard 去可视化我们所建造出来的神经网络是一个很好的学习理解方式. 用最直观的流程图告诉你你的神经网络是长怎样,有助于你发现编程中间的问题和疑问. 效果 好，我们开始吧。 这次我们会介绍如何可视化神经网络。因为很多时候我们都是做好了一个神经网络，但是没有一个图像可以展示给大家看。这一节会介绍一个TensorFlow的可视化工具 — t...

前言 博主之前在使用anaconda的时候不想破坏原有的python环境，于是利用虚拟环境建立一个叫做tensorflow的虚拟环境，可以成功的在anaconda上面使用tensorflow1.8.0的版本，但是由于想感受一下新版本的变化，博主尝试更新到了conda能够支持的最新版本1.10.0，现在跟大家分享一下其中的问题和解决方法，好了，开始动手吧~ 虚拟环境配置 傻瓜式按照步骤做即可： 1.没有pip的安装pip sudo apt-get install python3-pip 2.没有虚拟环境的安装环境 sudo pip3 install virtualenv 3.创...

转自：https://morvanzhou.github.io/tutorials/machine-learning/sklearn/ 感谢莫烦 选择学习方法 看图选方法 安装完 Sklearn 后，不要直接去用，先了解一下都有什么模型方法，然后选择适当的方法，来达到你的目标。 Sklearn 官网提供了一个流程图， 蓝色圆圈内是判断条件，绿色方框内是可以选择的算法： 从 START 开始，首先看数据的样本是否 >50，小于则需要收集更多的数据。 由图中，可以看到算法有四类，分类，回归，聚类，降维。 其中 分类和回归是监督式学习，即每个数据对应一个 label。 聚类...

转自https://morvanzhou.github.io/tutorials/data-manipulation/scraping/ 了解网页结构 学习爬虫, 首先要懂的是网页. 支撑起各种光鲜亮丽的网页的不是别的, 全都是一些代码. 这种代码我们称之为 HTML, HTML 是一种浏览器(Chrome, Safari, IE, Firefox等)看得懂的语言, 浏览器能将这种语言转换成我们用肉眼看到的网页. 所以 HTML 里面必定存在着很多规律, 我们的爬虫就能按照这样的规律来爬取你需要的信息. 其实除了 HTML, 一同构建多彩/多功能网页的组件还有 CSS 和 JavaScr...

转自https://morvanzhou.github.io/tutorials/machine-learning/tensorflow/ Classification分类学习 这次我们会介绍如何使用TensorFlow解决Classification（分类）问题。 之前的视频讲解的是Regression (回归)问题。 分类和回归的区别在于输出变量的类型上。 通俗理解定量输出是回归，或者说是连续变量预测； 定性输出是分类，或者说是离散变量预测。如预测房价这是一个回归任务； 把东西分成几类, 比如猫狗猪牛，就是一个分类任务。 MNIST 数据 首先准备数据（MNIST库） from ...