程序员经验分享-hwhale

2022年泰迪杯数据分析_B题：银行客户忠诚度分析赛题数据_任务五

2023-10-27

银行客户长期忠诚度预测建模，此处忠诚度的指标选取为客户的流失情况，该指标分为两类，长期客户忠诚用1表示，不忠诚则用0表示。

对此预测建模中，使用到机器学习分类中的随机森林分类。

import pandas as pd

long_data26=pd.read_excel('result4.xlsx')

long_data26.Age

0       52
1       41
2       42
3       61
4       39
        ..
9175    37
9176    37
9177    39
9178    34
9179    40
Name: Age, Length: 9180, dtype: int64

long_data26
CustomerId CreditScore Gender Age Tenure Balance NumOfProducts HasCrCard IsActiveMember EstimatedSalary Exited Status AssetStage IsActiveStatus IsActiveAssetStage CrCardAssetStage
0 15553251 713 1 52 0 185891.54 1 1 1 46369.57 1 1 3 3 9 9
1 15553256 619 1 41 8 0.00 3 1 1 79866.73 1 2 2 5 6 6
2 15553283 603 1 42 8 91611.12 1 0 0 144675.30 1 2 0 2 2 5
3 15553308 589 1 61 1 0.00 1 1 0 61108.56 1 1 2 0 0 6
4 15553387 687 1 39 2 0.00 3 0 0 188150.60 1 1 2 0 0 0
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
9175 15815628 711 1 37 8 113899.92 1 0 0 80215.20 0 2 0 2 2 5
9176 15815645 481 0 37 8 152303.66 2 1 1 175082.20 0 2 3 5 9 9
9177 15815656 541 1 39 9 100116.67 1 1 1 199808.10 1 2 0 5 8 9
9178 15815660 758 1 34 1 154139.45 1 1 1 60728.89 0 1 3 3 9 9
9179 15815690 614 1 40 3 113348.50 1 1 1 77789.01 0 1 0 3 8 9

9180 rows × 16 columns

通过观察不难发现，数据中某些列存在较大的波动，因此此处都个别列进行面元划分、标准化处理等操作。

将年龄进行离散化处理，划分为7个年龄段，7个类别

long_data0=long_data26.copy()
long_data0.loc[(long_data0['Age']<18),'离散化年龄']=1
long_data0.loc[(long_data0['Age']>=18) & (long_data0['Age']<30),'离散化年龄']=2
long_data0.loc[(long_data0['Age']>=30) & (long_data0['Age']<40),'离散化年龄']=3
long_data0.loc[(long_data0['Age']>=40) & (long_data0['Age']<50),'离散化年龄']=4
long_data0.loc[(long_data0['Age']>=50) & (long_data0['Age']<60),'离散化年龄']=5
long_data0.loc[(long_data0['Age']>=60) & (long_data0['Age']<70),'离散化年龄']=6
long_data0.loc[(long_data0['Age']>=70),'离散化年龄']=7
long_data0
CustomerId CreditScore Gender Age Tenure Balance NumOfProducts HasCrCard IsActiveMember EstimatedSalary Exited Status AssetStage IsActiveStatus IsActiveAssetStage CrCardAssetStage 离散化年龄
0 15553251 713 1 52 0 185891.54 1 1 1 46369.57 1 1 3 3 9 9 5.0
1 15553256 619 1 41 8 0.00 3 1 1 79866.73 1 2 2 5 6 6 4.0
2 15553283 603 1 42 8 91611.12 1 0 0 144675.30 1 2 0 2 2 5 4.0
3 15553308 589 1 61 1 0.00 1 1 0 61108.56 1 1 2 0 0 6 6.0
4 15553387 687 1 39 2 0.00 3 0 0 188150.60 1 1 2 0 0 0 3.0
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
9175 15815628 711 1 37 8 113899.92 1 0 0 80215.20 0 2 0 2 2 5 3.0
9176 15815645 481 0 37 8 152303.66 2 1 1 175082.20 0 2 3 5 9 9 3.0
9177 15815656 541 1 39 9 100116.67 1 1 1 199808.10 1 2 0 5 8 9 3.0
9178 15815660 758 1 34 1 154139.45 1 1 1 60728.89 0 1 3 3 9 9 3.0
9179 15815690 614 1 40 3 113348.50 1 1 1 77789.01 0 1 0 3 8 9 4.0

9180 rows × 17 columns

对CreditScore、EstimatedSalary、EstimatedSalary三个列的数据进行最大-最小值标准化处理。

the_min1=long_data0['CreditScore'].min()
the_max1=long_data0['CreditScore'].max()

the_min2=long_data0['EstimatedSalary'].min()
the_max2=long_data0['EstimatedSalary'].max()

# the_min3=long_data0['Balance'].min()
# the_max3=long_data0['Balance'].max()

long_data0['标准化信用']=((long_data0['CreditScore']-the_min1)/(the_max1-the_min1))*10
long_data0['标准化个人年收入']=((long_data0['EstimatedSalary']-the_min2)/(the_max2-the_min2))*10
#long_data0['标准化金融资产']=((long_data0['Balance']-the_min3)/(the_max3-the_min3))*10
long_data0
CustomerId CreditScore Gender Age Tenure Balance NumOfProducts HasCrCard IsActiveMember EstimatedSalary Exited Status AssetStage IsActiveStatus IsActiveAssetStage CrCardAssetStage 离散化年龄 标准化信用 标准化个人年收入
0 15553251 713 1 52 0 185891.54 1 1 1 46369.57 1 1 3 3 9 9 5.0 7.26 2.318373
1 15553256 619 1 41 8 0.00 3 1 1 79866.73 1 2 2 5 6 6 4.0 5.38 3.993573
2 15553283 603 1 42 8 91611.12 1 0 0 144675.30 1 2 0 2 2 5 4.0 5.06 7.234663
3 15553308 589 1 61 1 0.00 1 1 0 61108.56 1 1 2 0 0 6 6.0 4.78 3.055473
4 15553387 687 1 39 2 0.00 3 0 0 188150.60 1 1 2 0 0 0 3.0 6.74 9.408872
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
9175 15815628 711 1 37 8 113899.92 1 0 0 80215.20 0 2 0 2 2 5 3.0 7.22 4.011000
9176 15815645 481 0 37 8 152303.66 2 1 1 175082.20 0 2 3 5 9 9 3.0 2.62 8.755319
9177 15815656 541 1 39 9 100116.67 1 1 1 199808.10 1 2 0 5 8 9 3.0 3.82 9.991866
9178 15815660 758 1 34 1 154139.45 1 1 1 60728.89 0 1 3 3 9 9 3.0 8.16 3.036486
9179 15815690 614 1 40 3 113348.50 1 1 1 77789.01 0 1 0 3 8 9 4.0 5.28 3.889666

9180 rows × 19 columns

通过spss软件的斯皮尔逊相关系数分析，并 做热力图可得知，HasCrCard(是否持有信用卡)列数据对长期忠诚度指标相关性甚小，所以模型训练时将删去此列。

long_data99=long_data0.loc[:,['CustomerId','标准化信用','Gender','离散化年龄','Status','AssetStage','NumOfProducts','IsActiveMember','标准化个人年收入']]
long_data99['Exited']=long_data0['Exited']
long_data99
CustomerId 标准化信用 Gender 离散化年龄 Status AssetStage NumOfProducts IsActiveMember 标准化个人年收入 Exited
0 15553251 7.26 1 5.0 1 3 1 1 2.318373 1
1 15553256 5.38 1 4.0 2 2 3 1 3.993573 1
2 15553283 5.06 1 4.0 2 0 1 0 7.234663 1
3 15553308 4.78 1 6.0 1 2 1 0 3.055473 1
4 15553387 6.74 1 3.0 1 2 3 0 9.408872 1
... ... ... ... ... ... ... ... ... ... ...
9175 15815628 7.22 1 3.0 2 0 1 0 4.011000 0
9176 15815645 2.62 0 3.0 2 3 2 1 8.755319 0
9177 15815656 3.82 1 3.0 2 0 1 1 9.991866 1
9178 15815660 8.16 1 3.0 1 3 1 1 3.036486 0
9179 15815690 5.28 1 4.0 1 0 1 1 3.889666 0

9180 rows × 10 columns



from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier  # 导入sklearn库的RandomForestClassifier函数
from sklearn import metrics  # 分类结果评价函数
from matplotlib import pyplot as plt
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_curve
from sklearn.metrics import auc

x=long_data99.iloc[:,1:-1]     #特征
y=long_data99.iloc[:,-1]       #标签
x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=0, train_size=0.8) 
model = RandomForestClassifier()  # 实例化模型RandomForestClassifier
model.fit(x_train, y_train)  # 在训练集上训练模型
# 在测试集上测试模型
expected = y_test  # 测试样本的期望输出
predicted = model.predict(x_test)  # 测试样本预测

print(metrics.classification_report(expected, predicted))  # 输出结果，精确度、召回率、f-1分数

              precision    recall  f1-score   support

           0       0.86      0.94      0.90      1457
           1       0.66      0.43      0.52       379

    accuracy                           0.84      1836
   macro avg       0.76      0.69      0.71      1836
weighted avg       0.82      0.84      0.82      1836

print(metrics.confusion_matrix(expected, predicted))  # 混淆矩阵

[[1372   85]
 [ 215  164]]

auc = metrics.roc_auc_score(y_test, predicted)
accuracy = metrics.accuracy_score(y_test, predicted)  # 求精度
print("Accuracy: %.2f%%" % (accuracy * 100.0))

Accuracy: 83.66%

# y_test.shape
# x_test.shape
predicted

array([0, 0, 0, ..., 0, 0, 0], dtype=int64)

5.2

使用混淆矩阵以及F1 Score方法对模型进行评估

def plot_confusion_matrix(cm, classes,normalize=False,title='Confusion matrix',cmap=plt.cm.Blues):
    """
    This function prints and plots the confusion matrix.
    Normalization can be applied by setting `normalize=True`.
    """
    if normalize:
        cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]
        print("Normalized confusion matrix")
    else:
        print('Confusion matrix, without normalization')
    print(cm)
    plt.imshow(cm, interpolation='nearest', cmap=cmap)
    plt.title(title)
    plt.colorbar()
    tick_marks = np.arange(len(classes))
    plt.xticks(tick_marks, classes, rotation=45)
    plt.yticks(tick_marks, classes)
    fmt = '.2f' if normalize else 'd'
    thresh = cm.max() / 2.
    for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):
        plt.text(j, i, format(cm[i, j], fmt),
                 horizontalalignment="center",
                 color="white" if cm[i, j] > thresh else "black")
    plt.tight_layout()
    plt.ylabel('True label')
    plt.xlabel('Predicted label')

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import KFold, cross_val_score
from sklearn.metrics import confusion_matrix, recall_score, classification_report
import itertools
cnf_matrix = confusion_matrix(expected, predicted) #计算混淆矩阵
class_names = [0,1]
plt.figure()
plot_confusion_matrix(cnf_matrix, classes = class_names, title = 'Confusion matrix')  #绘制混淆矩阵
np.set_printoptions(precision=2)
print('Accary:', (cnf_matrix[1,1]+cnf_matrix[0,0])/(cnf_matrix[1,1]+cnf_matrix[0,1]+cnf_matrix[0,0]+cnf_matrix[1,0]))
print('Recall:', cnf_matrix[1,1]/(cnf_matrix[1,1]+cnf_matrix[1,0]))     
print('Precision:', cnf_matrix[1,1]/(cnf_matrix[1,1]+cnf_matrix[0,1]))  
print('Specificity:', cnf_matrix[0,0]/(cnf_matrix[0,1]+cnf_matrix[0,0]))
plt.show()

Confusion matrix, without normalization
[[1372   85]
 [ 215  164]]
Accary: 0.8366013071895425
Recall: 0.43271767810026385
Precision: 0.6586345381526104
Specificity: 0.9416609471516816

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-w59QsDp2-1669538327358)(output_24_1.png)]

long_data99
CustomerId 标准化信用 Gender 离散化年龄 Status AssetStage NumOfProducts IsActiveMember 标准化个人年收入 Exited
0 15553251 7.26 1 5.0 1 3 1 1 2.318373 1
1 15553256 5.38 1 4.0 2 2 3 1 3.993573 1
2 15553283 5.06 1 4.0 2 0 1 0 7.234663 1
3 15553308 4.78 1 6.0 1 2 1 0 3.055473 1
4 15553387 6.74 1 3.0 1 2 3 0 9.408872 1
... ... ... ... ... ... ... ... ... ... ...
9175 15815628 7.22 1 3.0 2 0 1 0 4.011000 0
9176 15815645 2.62 0 3.0 2 3 2 1 8.755319 0
9177 15815656 3.82 1 3.0 2 0 1 1 9.991866 1
9178 15815660 8.16 1 3.0 1 3 1 1 3.036486 0
9179 15815690 5.28 1 4.0 1 0 1 1 3.889666 0

9180 rows × 10 columns

#考虑类别的不平衡性，需要计算类别的加权平均，则使用‘weighted’
#F1分数（F1-score）是分类问题的一个衡量指标,常常将F1-score作为最终测评的方法。

from sklearn.metrics import f1_score
 
print(f1_score(expected, predicted, average='weighted'))  

0.8231781531939228

通过混淆矩阵的热力图以及F1 Score的得到的测评分数可知，上述预测模型准确率召回率精确率都不错，因此上述综合评判，预测模型性能良好

5.3

想要使用预测数据预测客户长期忠诚度，则还需对预测数据进行同样的标准化、离散化、面元划分等处理。

long_data_test=pd.read_csv('long-customer-test.csv')

long_data0=long_data_test.copy()
long_data0.loc[(long_data0['Age']<18),'离散化年龄']=1
long_data0.loc[(long_data0['Age']>=18) & (long_data0['Age']<30),'离散化年龄']=2
long_data0.loc[(long_data0['Age']>=30) & (long_data0['Age']<40),'离散化年龄']=3
long_data0.loc[(long_data0['Age']>=40) & (long_data0['Age']<50),'离散化年龄']=4
long_data0.loc[(long_data0['Age']>=50) & (long_data0['Age']<60),'离散化年龄']=5
long_data0.loc[(long_data0['Age']>=60) & (long_data0['Age']<70),'离散化年龄']=6
long_data0.loc[(long_data0['Age']>=70),'离散化年龄']=7
long_data0
CustomerId CreditScore Gender Age Tenure Balance NumOfProducts HasCrCard IsActiveMember EstimatedSalary 离散化年龄
0 15647311 608 1 41 1 83807.86 1 0 1 112542.58 4.0
1 15737452 653 0 58 1 132602.88 1 1 0 5097.67 5.0
2 15577657 732 0 41 8 0.00 2 1 1 170886.17 4.0
3 15589475 591 1 39 3 0.00 3 1 0 140469.38 3.0
4 15687946 556 1 61 2 117419.35 1 1 1 94153.83 6.0
... ... ... ... ... ... ... ... ... ... ... ...
995 15732202 615 0 34 1 83503.11 2 1 1 73124.53 3.0
996 15735078 724 1 53 1 139687.66 2 1 1 12913.92 5.0
997 15707861 520 1 46 10 85216.61 1 1 0 117369.52 4.0
998 15594612 702 0 44 9 0.00 1 0 0 59207.41 4.0
999 15806360 609 0 41 6 0.00 1 0 1 112585.19 4.0

1000 rows × 11 columns

long_data0.loc[(long_data0.Tenure>6),'Status']='老客户'
long_data0.loc[(long_data0.Tenure<=3),'Status']='稳定客户'
long_data0.loc[(long_data0.Status.isna()),'Status']='新客户'

long_data0.loc[(long_data0.Balance>120000),'AssetStage']='高资产'
long_data0.loc[(long_data0.Balance>90000) & (long_data0.Balance<=120000),'AssetStage']='中上资产'
long_data0.loc[(long_data0.Balance>50000) & (long_data0.Balance<=90000),'AssetStage']='中下资产'
long_data0.loc[(long_data0.Balance<=50000),'AssetStage']='低资产'
long_data0
CustomerId CreditScore Gender Age Tenure Balance NumOfProducts HasCrCard IsActiveMember EstimatedSalary 离散化年龄 Status AssetStage
0 15647311 608 1 41 1 83807.86 1 0 1 112542.58 4.0 稳定客户 中下资产
1 15737452 653 0 58 1 132602.88 1 1 0 5097.67 5.0 稳定客户 高资产
2 15577657 732 0 41 8 0.00 2 1 1 170886.17 4.0 老客户 低资产
3 15589475 591 1 39 3 0.00 3 1 0 140469.38 3.0 稳定客户 低资产
4 15687946 556 1 61 2 117419.35 1 1 1 94153.83 6.0 稳定客户 中上资产
... ... ... ... ... ... ... ... ... ... ... ... ... ...
995 15732202 615 0 34 1 83503.11 2 1 1 73124.53 3.0 稳定客户 中下资产
996 15735078 724 1 53 1 139687.66 2 1 1 12913.92 5.0 稳定客户 高资产
997 15707861 520 1 46 10 85216.61 1 1 0 117369.52 4.0 老客户 中下资产
998 15594612 702 0 44 9 0.00 1 0 0 59207.41 4.0 老客户 低资产
999 15806360 609 0 41 6 0.00 1 0 1 112585.19 4.0 新客户 低资产

1000 rows × 13 columns

from sklearn.preprocessing import LabelEncoder
t1=long_data0.loc[:,'Status']    #要输入的是标签，不是特征矩阵，所以允许一维数据
t2=long_data0.loc[:,'AssetStage']

le1 = LabelEncoder()     #实例化
le1 = le1.fit(t1) # 导入数据
label1 = le1.transform(t1) # transform接口调取结果
long_data0.loc[:,"Status"] = label1
print(long_data0['Status'].unique())

le2 = LabelEncoder()     #实例化
le2 = le2.fit(t2) # 导入数据
label2 = le2.transform(t2) # transform接口调取结果
long_data0.loc[:,"AssetStage"] = label2
long_data0['AssetStage'].unique()

[1 2 0]





array([1, 3, 2, 0])

the_min1=long_data0['CreditScore'].min()
the_max1=long_data0['CreditScore'].max()

the_min2=long_data0['EstimatedSalary'].min()
the_max2=long_data0['EstimatedSalary'].max()

# the_min3=long_data0['Balance'].min()
# the_max3=long_data0['Balance'].max()

long_data0['标准化信用']=((long_data0['CreditScore']-the_min1)/(the_max1-the_min1))*10
long_data0['标准化个人年收入']=((long_data0['EstimatedSalary']-the_min2)/(the_max2-the_min2))*10
#long_data0['标准化金融资产']=((long_data0['Balance']-the_min3)/(the_max3-the_min3))*10
long_data0
CustomerId CreditScore Gender Age Tenure Balance NumOfProducts HasCrCard IsActiveMember EstimatedSalary 离散化年龄 Status AssetStage 标准化信用 标准化个人年收入
0 15647311 608 1 41 1 83807.86 1 0 1 112542.58 4.0 1 1 5.16 5.631343
1 15737452 653 0 58 1 132602.88 1 1 0 5097.67 5.0 1 3 6.06 0.250472
2 15577657 732 0 41 8 0.00 2 1 1 170886.17 4.0 2 2 7.64 8.553206
3 15589475 591 1 39 3 0.00 3 1 0 140469.38 3.0 1 2 4.82 7.029924
4 15687946 556 1 61 2 117419.35 1 1 1 94153.83 6.0 1 0 4.12 4.710429
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
995 15732202 615 0 34 1 83503.11 2 1 1 73124.53 3.0 1 1 5.30 3.657276
996 15735078 724 1 53 1 139687.66 2 1 1 12913.92 5.0 1 3 7.48 0.641911
997 15707861 520 1 46 10 85216.61 1 1 0 117369.52 4.0 2 1 3.40 5.873077
998 15594612 702 0 44 9 0.00 1 0 0 59207.41 4.0 2 2 7.04 2.960302
999 15806360 609 0 41 6 0.00 1 0 1 112585.19 4.0 0 2 5.18 5.633476

1000 rows × 15 columns

处理结果如下：

long_data99=long_data0.loc[:,['CustomerId','标准化信用','Gender','离散化年龄','Status','AssetStage','NumOfProducts','IsActiveMember','标准化个人年收入']]
long_data99
CustomerId 标准化信用 Gender 离散化年龄 Status AssetStage NumOfProducts IsActiveMember 标准化个人年收入
0 15647311 5.16 1 4.0 1 1 1 1 5.631343
1 15737452 6.06 0 5.0 1 3 1 0 0.250472
2 15577657 7.64 0 4.0 2 2 2 1 8.553206
3 15589475 4.82 1 3.0 1 2 3 0 7.029924
4 15687946 4.12 1 6.0 1 0 1 1 4.710429
... ... ... ... ... ... ... ... ... ...
995 15732202 5.30 0 3.0 1 1 2 1 3.657276
996 15735078 7.48 1 5.0 1 3 2 1 0.641911
997 15707861 3.40 1 4.0 2 1 1 0 5.873077
998 15594612 7.04 0 4.0 2 2 1 0 2.960302
999 15806360 5.18 0 4.0 0 2 1 1 5.633476

1000 rows × 9 columns

使用模型对数据进行预测：

x_test=long_data99.iloc[:,1:]     #特征
predicted = model.predict(x_test)  # 测试样本预测
len(predicted)

1000

long_data99['Exited']=predicted
long_data99
CustomerId 标准化信用 Gender 离散化年龄 Status AssetStage NumOfProducts IsActiveMember 标准化个人年收入 Exited
0 15647311 5.16 1 4.0 1 1 1 1 5.631343 1
1 15737452 6.06 0 5.0 1 3 1 0 0.250472 1
2 15577657 7.64 0 4.0 2 2 2 1 8.553206 0
3 15589475 4.82 1 3.0 1 2 3 0 7.029924 1
4 15687946 4.12 1 6.0 1 0 1 1 4.710429 0
... ... ... ... ... ... ... ... ... ... ...
995 15732202 5.30 0 3.0 1 1 2 1 3.657276 0
996 15735078 7.48 1 5.0 1 3 2 1 0.641911 0
997 15707861 3.40 1 4.0 2 1 1 0 5.873077 0
998 15594612 7.04 0 4.0 2 2 1 0 2.960302 1
999 15806360 5.18 0 4.0 0 2 1 1 5.633476 0

1000 rows × 10 columns

result=long_data99.loc[:,['CustomerId','Exited']]
result.set_index("CustomerId",inplace=True)
result.to_excel("result5.xlsx",encoding = 'openpyxl')

如下图为指定的 5 个客户 ID 的预测结果：

result1=result[result.index.isin([15579131,15674442,15719508,15730076,15792228])].sort_index()
result1
Exited
CustomerId
15579131 0
15674442 0
15719508 1
15730076 0
15792228 1
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)

泰迪杯

数据分析

python

2022年泰迪杯数据分析_B题：银行客户忠诚度分析赛题数据_任务五 的相关文章

  • 如何覆盖 Django 的默认管理模板和布局

    我正在尝试覆盖 Django 的默认模板 现在只有base site html 我正在尝试更改 django 管理文本 我做了以下事情 我在我的应用程序目录中创建了一个文件夹 opt mydjangoapp templates admin

  • 检测到通过 ChromeDriver 启动的 Chrome 浏览器

    我正在尝试在 python 中使用 selenium chromedriver 来访问 www mouser co uk 网站 然而 从第一次拍摄开始 它就被检测为机器人 有人对此有解释吗 此后我使用的代码 options Options

  • 在 Pandas 中，如何从基于另一个数据框的数据框中删除行？

    我有 2 个数据框 一个名为 USERS 另一个名为 EXCLUDE 他们都有一个名为 电子邮件 的字段 基本上 我想删除 USERS 中包含 EXCLUDE 中包含电子邮件的每一行 我该怎么做 您可以使用boolean indexing

  • 如何在 Jupyter Notebook 中运行 Python 异步代码？

    我有一些 asyncio 代码在 Python 解释器 CPython 3 6 2 中运行良好 我现在想在具有 IPython 内核的 Jupyter 笔记本中运行它 我可以运行它 import asyncio asyncio get ev

  • 从 Python 下载/安装 Windows 更新

    我正在编写一个脚本来自动安装 Windows 更新 我可以将其部署在多台计算机上 这样我就不必担心手动更新它们 我想用 Python 编写这个 但找不到任何关于如何完成此操作的信息 我需要知道如何搜索更新 下载更新并从 python 脚本安

  • Python 是解释型的还是编译型的，或者两者兼而有之？

    据我了解 An 解释的语言是由解释器 将高级语言转换为机器代码然后执行的程序 实时运行和执行的高级语言 它一次处理一点程序 A compiled语言是一种高级语言 其代码首先由编译器 将高级语言转换为机器代码的程序 转换为机器代码 然后由执

  • Python 使用 Gstreamer 访问 USB 麦克风时遇到问题，以便在 Raspberry Pi 上使用 Pocketsphinx 执行语音识别

    所以Python的表现就好像它根本听不到我的麦克风发出的任何声音 问题就在这里 我有一个Python 2 7 假设使用的脚本Gstreamer通过以下方式访问我的麦克风并为我进行语音识别口袋狮身人面像 我在用着脉冲音频我的设备是树莓派 我的

  • 字符串中的注释和注释中的字符串

    我正在尝试使用 Python 和 Regex 计算 C 代码中包含的注释中的字符数 但没有成功 我可以先删除字符串以删除字符串中的注释 但这也会删除注释中的字符串 结果会很糟糕 是否有机会通过使用正则表达式来询问不匹配注释中的字符串 反之亦

  • 编辑 Jupyter Notebook 时 VS Code 中缺少“在选择中查找”

    使用 Jupyter Notebook 时 VSCode 中缺少 在选择中查找 按钮 它会减慢开发速度 所以我想请问有人知道如何激活它吗 第一张图显示了在 python 文件中的搜索 替换 第二张图显示了笔记本电脑中缺少的按钮 Python

  • CNTK 抱怨 LSTM 中的动态轴

    我正在尝试在 CNTK 中实现 LSTM 使用 Python 来对序列进行分类 Input 特征是固定长度的数字序列 时间序列 标签是 one hot 值的向量 Network input input variable input dim

  • 如何在 Django 中使用基于类的视图创建注册视图？

    当我开始使用 Django 时 我几乎使用 FBV 基于函数的视图 来处理所有事情 包括注册新用户 但当我更深入地研究项目时 我意识到基于类的视图通常更适合大型项目 因为它们更干净且可维护 但这并不是说 FBV 不是 无论如何 我将整个项目

  • Python、subprocess、call()、check_call 和 returncode 来查找命令是否存在

    我已经弄清楚如何使用 call 让我的 python 脚本运行命令 import subprocess mycommandline lumberjack sleep all night work all day subprocess cal

  • Pandas 堆积条形图中元素的排序

    我正在尝试绘制有关某个地区 5 个地区的家庭在特定行业赚取的收入比例的信息 我使用 groupby 按地区对数据框中的信息进行排序 df df orig groupby District Portion of income value co

  • Python：我不明白 sum() 的完整用法

    当然 我明白你使用 sum 与几个数字 然后它总结所有 但我正在查看它的文档 我发现了这一点 sum iterable start 第二个参数 start 的作用是什么 这太尴尬了 但我似乎无法通过谷歌找到任何示例 并且对于尝试学习该语言的

  • Werkzeug 中的线程和本地代理。用法

    首先 我想确保我正确理解了功能的分配 分配本地代理功能以通过线程内的模块 包 共享变量 对象 我对吗 其次 用法对我来说仍然不清楚 也许是因为我误解了作业 我用烧瓶 如果我有两个 或更多 模块 A B 我想将对象C从模块A导入到模块B 但我

  • 从 python 检测 macOS 中的暗模式

    我正在编写一个 PyQt 应用程序 我必须添加一个补丁 以便在启用暗模式的 Macos 上可以读取字体 app QApplication Fix for the font colours on macos when running dark

  • Python对象初始化性能

    我只是做了一些快速的性能测试 我注意到一般情况下初始化列表比显式初始化列表慢大约四到六倍 这些可能是错误的术语 我不确定这里的行话 例如 gt gt gt import timeit gt gt gt print timeit timeit

  • 附加两个具有相同列、不同顺序的数据框

    我有两个熊猫数据框 noclickDF DataFrame 0 123 321 0 1543 432 columns click id location clickDF DataFrame 1 123 421 1 1543 436 colu

  • 导入错误：无法导入名称“时间戳”

    我使用以下代码在 python 3 6 3 中成功安装了 ggplot conda install c conda forge ggplot 但是当我使用下面的代码将其导入笔记本时 出现错误 from ggplot import Impor

  • 通过 Web 界面执行 python 单元测试

    是否可以通过 Web 界面执行单元测试 如果可以 如何执行 EDIT 现在我想要结果 对于测试 我希望它们是自动化的 可能每次我对代码进行更改时 抱歉我忘了说得更清楚 EDIT 这个答案此时已经过时了 Use Jenkins https j

随机推荐

  • Python 正则表达式验证IPv4地址

    1 Simple regex to check for an IP address 0 9 1 3 3 0 9 1 3 2 Accurate regex to check for an IP address allowing leading

  • SecureCRT 从安装到当成串口简单使用的教程：

    目录 1 安装 SecureCRT 9 2安装与激活教程 哔哩哔哩 bilibili 看这个视频教程 里面置顶的评论里有安装包 2 配置串口 选择这个 Port会自动的识别出来你的端口 如果没有 就查驱动 然后这里什么都不要选 3 配置显示

  • publish.vue?02fe:77 Uncaught (in promise) TypeError: _api_edu_course__WEBPACK_IMPORTED_MODULE_0__.de

    前端Vue点击事件后没反应 数据库数据未更新 后端未报错 然后发现控制台报错如下 Uncaught in promise TypeError api edu course WEBPACK IMPORTED MODULE 0 default

  • 读取jar文件内容

    一 SpringBoot项目打包成jar后读取文件的大坑 使用ClassPathResource获取classpath下文件失败 java io FileNotFoundException class path resource World

  • less 函数_前端开发：less-gulp如何使用？

    大家好 我来了 本期为大家带来的前端入门知识是 前端开发 less gulp如何使用 有兴趣做前端的朋友 和我一起来看看吧 主要内容 less gulp less和gulp 学习目标 第一节 less上 1 less介绍 是css的预处理语

  • 从 Deblur GAN ( Keras ) 导出模型训练参数

    由于 deblur gan master 实现上用的是 deblur gan 0c0c0296f143b7a070a0969cb64a8774f8e79f1d 也有一个去模糊的生成模型 generator h5 先安装 Keras 运行 p

  • 家人们，有多久没看读者了

    我好像很久没有看 读者 了 可能是高中毕业之后 当时我很喜欢读这个期刊 虽然里面的很多文章都不太懂 但我还是把它当作小说来看 最近突然想起它 于是一口气看完了一年的 读者 期刊 希望提升一下自己的写作能力 没想到 读完以后却让我充满了感慨

  • 学计算机的前后对比,2020计算机考研(408)大纲前后对比分析!

    2020计算机考研 408 大纲已发布 计算机考研 408 大纲对于考研计算机复习具有指导意义 让复习方向化零为整 提高复习效率 在考研大纲发布后 学府考研招生老师第一时间整理2020计算机考研 408 大纲 速来查阅吧 更有2020考研大

  • 重置密码解决MySQL5.7 for Linux错误 ERROR 1045 (28000): Access denied for user 'root'@'localhost'

    一般这个错误是由密码错误引起 解决的办法自然就是重置密码 假设我们使用的是root账户 1 重置密码的第一步就是跳过MySQL的密码认证过程 方法如下 vim etc my cnf 注 windows下修改的是my ini 在文档内搜索my

  • centos4.7+rac+oracle10g + asm安装遇到问题

    author skate time 2010 12 23 centos4 7 rac oracle10g asm安装遇到问题 1 在ORACLE 10G在安装cluster时 第到61 的时候 就提示如下错误 WARNING Error w

  • 构建面向全世界的网站——gettext支持多种语言

    原文地址 http book 51cto com art 200905 123469 htm 构建面向全世界的网站 Web的出现使人们之间的交流简单得不可思议 通过一个Internet连接和一个Web浏览器 你就可以与任何人通信 而此时此刻

  • 【ArcGIS】ArcGIS10.2完整安装操作手册-配置SDE的ST_Geometry

    操作原因 在 Oracle 中 ST Geometry 和 ST Raster 的 SQL 函数使用通过 Oracle 的外部过程代理 即 extproc 访问的共享库 要将 SQL 和 ST Geometry 或 ST Raster 配合

  • Go语言基础篇 (二)安装VSCode开发环境

    文章目录 前言 开发环境概述 安装VSCode 安装Remote SSH插件 Linux系统安装openssh 配置Remote SSH 测试 下期预告 参考连接 前言 无论什么编程语言 一个得心应手的开发环境 不仅可以提高我们的开发效率

  • (z) 什么是好的硬件工程师

    1 具备高质量产品交付能力 具备完备的知识体系 有完整的较复杂硬件产品的交付能力和经验 全面把握硬件研发流程 对可靠性 可维护性 可测试性 可生产性 可供应性有深入理解和实战经验 首先要结果导向 做过好的产品 或者说做得出好产品的工程师 才

  • 天池布匹瑕疵检测代码实现问题

    天池布匹瑕疵检测GitHub代码实现 一 数据处理 转换成coco数据集 实现过程遇到的问题 数据集处理部分分为两组 每组都要删除一次模板图片 GitHub上少了第二次数据删除处理操作 后续数据处理操作都是合理的 没有问题 下一节会贴出预训

  • unity 利用PlayerPrefs实现关卡解锁功能

    关卡结构 在关卡中确认过关的地方 添加 public int jiesuo jiesuo SceneManager GetActiveScene buildIndex PlayerPrefs SetInt jiesuo jiesuo 然后在

  • Centos8 配置静态IP

    安装centos 8之后 重启启动网络时 会出现以下报错 报错信息如下 Failed to start network service Unit network service not found 意思为无法重启网络服务 原因是无法找到ne

  • Pig基本语法项目实战

    Apache Pig是一个高级过程语言 适合使用Hadoop和Mapreduce平台来查询大型半结构化数据 当Pig处理数据时 Pig本身 会在后台生成一系列得MapReduce操作来执行任务 这个过程对用户来说是透明的 用于执行Pig L

  • mysql连接符_【MySQL】字符串连接

    CONCAT 函数 可以连接一或者多个字符串 不过其中如果有 Null 就直接返回 Null mysql gt select concat 11 22 33 44 concat 11 22 33 44 11223344 1 row in s

  • 2022年泰迪杯数据分析_B题：银行客户忠诚度分析赛题数据_任务五

    银行客户长期忠诚度预测建模 此处忠诚度的指标选取为客户的流失情况 该指标分为两类 长期客户忠诚用1表示 不忠诚则用0表示 对此预测建模中 使用到机器学习分类中的随机森林分类 import pandas as pd long data26 p

热门标签