数据分析师-数据科学专业问答社区-CDA答疑社区

热线电话：13121318867

登录

zxq997

数据可视化（一）

原则：1. 选择可以讲故事的图表你首先需要思考清楚你想达到什么目的、传达什么信息、以及你的用户是谁等。2. 删减与故事无关的元素这并不意味着要减半数据量，而是要多留意图表垃圾、多余的信息、不必要的说明、阴影、装饰等。可视化的绝妙之处在于它可以四两拨千斤般强化并传达你想表达的故事。（但可别用3D图表——它会让视觉化感知效果出现偏差）。3. 为了更好的理解去设计创建好可视化原型后，退一

0.0000

0

2

0

关注作者

收藏

zxq997

百度的 ECharts 是一个很棒的工具，它支持在绘制完数据后再对其进行操作。这个被称为 Drag-Recalculate 的特性使得用户可以在图表之间拖动一部分的数据并得到实时的反馈。同时，ECharts 是专为绘制大量数据设计的。它可以瞬间在二维平面上绘制出 20 万个点，并用专为 ECharts 开发的轻量级 Canvas 库 ZRender 使数据动起来。你可以在这里对上图进行操

0.0000

0

4

0

关注作者

收藏

zxq997

Epoch 是一个基于 d3.js 开发的工具，它使得开发者可以方便地在他们的应用或是网站上部署实时图表。它的文档整洁，完全免费并且开源，这使得它对于不想花钱购买重量级解决方案的人来说是一个很好的选择。对普通数据和实时数据，Epoch 都支持 5 种图表类型。这个数量并不能与 FusionCharts 或是 Highcharts 这种特性完整的产品对抗，但它所专长的是以简单和友好的方式呈

0.0000

0

2

0

关注作者

收藏

zxq997

FusionCharts 支持 vanilla JavaScript、jQuery、Angular 等一系列高人气的库和框架。它内置 90 多种图表和超过 1000 种地图，相比 Google Charts 和 MetricsGraphics 要完整得多。你可以在这里查看它所支持的全部图表类型。考虑到应用或是网站的拓展性，如果你选择了一个功能不完整的绘图库，这就有可能在将来发展成一个问题

0.0000

0

2

0

关注作者

收藏

zxq997

MetricsGraphics

MetricsGraphics 是一个在 D3.js 的基础上专为可视化时间序列数据而开发的绘图库。虽然它只支持线图、散点图、柱状图、直方图和数据表格，但它在这几类图表上的表现非常强。跟 Google Charts 一样（MetricsGraphics 是 Mozilla 的产品），丰富的文档和例子使得它很容易上手。比如这个非常有趣的关于 UFO 目击事件的交互式例子。同时它也是一个

0.0000

0

2

0

关注作者

收藏

zxq997

文档和帮助信息丰富的 Google Charts 对于刚刚入门 JavaScript 绘图的人来说是极佳的选择。它的文档里到处都是带注释的代码和逐步的讲解，可以直接用来把 HTML5 / SVG 图标嵌入到你的网页中。适合人群：追求灵活性和良好文档的严肃开发者。

0.0000

0

2

0

关注作者

收藏

zxq997

使用 Anaconda 安装tensorflow

使用 Anaconda 安装Anaconda 安装只是社区而非官方支持按照以下步骤在 Anaconda 环境中安装 TensorFlow：按照 Anaconda 下载站点说明下载安装 Anaconda执行以下命令创建名为 tensorflow 的 conda 环境：$ conda create -n tensorflow执行以下命令激活 conda 环境：$ source acti

0.0000

0

3

0

关注作者

收藏

zxq997

使用 Docker 安装tensorflow

按照以下步骤使用 Docker 安装 TensorFlow：按照文档在你的机器上安装 Docker启动任一个包含 TensorFlow 镜像的 Docker 容器本节剩下部分解释如何启动 Docker 容器。要启动包含 TensorFlow 镜像的 Docker 容器，执行以下命令： $ docker run -it -p hostPort:containerPort TensorF

0.0000

0

0

0

关注作者

收藏

zxq997

使用本地 pip 安装tensorflow

我们已经将 TensorFlow 二进制文件上传到了 PyPI，因此你可以通过 pip 安装， REQUIRED_PACKAGES section of setup.py 文件列出了 pip 将要安装或升级的包。必备: Python要安装 TensorFlow，你的系统必须依据安装了以下任一 Python 版本：Python 2.7Python 3.3 如果你的系统还没有安装符合以上版本

0.0000

0

2

0

关注作者

收藏

zxq997

在 Mac OS X 上安装 TensorFlow(一)

确定如何安装 TensorFlow你可以选择一种方式安装 TensorFlow，支持下面的几种选择：virtualenv"本地" pipDocker从源代码安装，更专业有单独的文档记录我们建议使用 virtualenv 安装。virtualenv 是一个和其它 Python 项目开发隔离的虚拟 Python 环境，在同一台机器上不会干扰也不会被其它程序影响。virtualenv 安装过

0.0000

0

3

0

关注作者

收藏

啊啊啊啊啊吖

新算法的纳入标准是什么

我们仅考虑添加已经完善的算法。通常的标准是发布3年以上，被引用超过 200 次，而且被广泛使用。对广泛使用的方法提供了明确改进的技术（如增强型数据结构或更有效的近似技术）也将被考虑纳入。在满足上述标准的算法或技术中,只有这些能够适合现在 scikit-learn API 的, 预测/转换接口通常具有 numpy 阵列或稀疏矩阵的输入/输出。贡献者应该支持通过研究论文或其他类似软件包中的实

0.0000

0

4

0

关注作者

收藏

啊啊啊啊啊吖

在python里怎么在第三方安装机器学习库

如果您尚未安装具有 numpy 和 scipy 的 python 安装，建议您通过软件包管理器或通过 python 软件包进行安装。这些与 numpy, scipy, scikit-learn, matplotlib 和许多其他有用的科学和数据处理库。可用选项有:Canopy 和 Anaconda 适用于所有支持的平台Canopy 和 Anaconda 都运送了最新版本的 scikit-

0.0000

0

1

0

关注作者

收藏

啊啊啊啊啊吖

安装scikit-learn

Scikit-learn 要求:Python (>= 2.7 or >= 3.3),NumPy (>= 1.8.2),SciPy (>= 0.13.3).如果你已经有一个安全的 numpy 和 scipy，安装 scikit-learn 最简单的方法是使用 pippip install -U scikit-learn 或者 conda:conda install scikit-lea

0.0000

0

3

0

关注作者

收藏

啊啊啊啊啊吖

在python里除非特别指定，输入将被转换为 float64>>>>>> import numpy as np >>> from sklearn import random_projection >>> rng = np.random.RandomState(0) >>> X = rng.rand(10, 2000) >>> X = np.array(X, dtype='float32'

0.0000

0

1

0

关注作者

收藏

啊啊啊啊啊吖

模型持久化

可以通过使用 Python 的内置持久化模块（即 pickle ）将模型保存:>>>>>> from sklearn import svm >>> from sklearn import datasets >>> clf = svm.SVC() >>> iris = datasets.load_iris() >>> X, y = iris.data, iris.target >>> c

0.0000

0

2

0

关注作者

收藏

啊啊啊啊啊吖

数据数组的形状

数据总是二维数组，形状 (n_samples, n_features) ，尽管原始数据可能具有不同的形状。在数字的情况下，可以使用以下方式访问:>>>>>> digits.images[0] array([[ 0., 0., 5., 13., 9., 1., 0., 0.], [ 0., 0., 13., 15., 10., 15.,

0.0000

0

2

0

关注作者

收藏

啊啊啊啊啊吖

加载实例数据集

我们从我们的 shell 启动一个 Python 解释器，然后加载 iris 和 digits 数据集。我们的符号约定是 $ 表示 shell 提示符，而 >>> 表示 Python 解释器提示符:$ python >>> from sklearn import datasets >>> iris = datasets.load_iris() >>> digits = datasets.l

0.0000

0

1

0

关注作者

收藏

啊啊啊啊啊吖

监督学习和无监督学习是什么

监督学习 , 其中数据带有一个附加属性，即我们想要预测的结果值，这个问题可以是:分类 : 样本属于两个或更多个类，我们想从已经标记的数据中学习如何预测未标记数据的类别。分类问题的一个例子是手写数字识别，其目的是将每个输入向量分配给有限数目的离散类别之一。我们通常把分类视作监督学习的一个离散形式（区别于连续形式），从有限的类别中，给每个样本贴上正确的标签。回归 : 如果期望的输出由一个或多

0.0000

0

0

0

关注作者

收藏

啊啊啊啊啊吖

SVC和NuSVC为多元分类实现了 “one-against-one” 的方法 (Knerr et al., 1990) 如果n_class是类别的数量, 那么n_class*(n_class-1)/2分类器被重构, 而且每一个从两个类别中训练数据. 为了给其他分类器提供一致的交互,decision_function_shape选项允许聚合 “one-against-one” 分类器的结果成(n_

0.0000

0

3

0

关注作者

收藏

啊啊啊啊啊吖

支持向量机的优缺点

支持向量机的优势在于:在高维空间中非常高效.即使在数据维度比样本数量大的情况下仍然有效.在决策函数（称为支持向量）中使用训练集的子集,因此它也是高效利用内存的.通用性: 不同的核函数核函数与特定的决策函数一一对应.常见的 kernel 已经提供,也可以指定定制的内核.支持向量机的缺点包括:如果特征数量比样本数量大得多,在选择核函数核函数时要避免过拟合,而且正则化项是非常

0.0000

0

5

0

关注作者

收藏

<1…258259260…341>

CDA考试动态

CDA报考指南