数据科学专业问答社区，好文章，一字千金--CDA答疑社区

热线电话：13121318867

登录

ermutuxia

excel中如何将横向的文字变成竖向

1.选中要竖排的单元格，邮件点击设置单元格格式，进入对齐选项卡，看右侧文本那里，在那里调整文字方向2.3.然后点击确定

0.5504

8

0

0

关注作者

收藏

ged_2357

时间智能函数

时间智能函数，汇总时间周期下或时间位移量下的数值缺点：每个计算逻辑不一样，参照时间点还是时间段，位移量是多长，返回值是时间点还是段下值。在使用时间智能函数的时候，需要先进行充分的测试，包括参照的是点还是段、位移量、返回的是点还是段函数名参照点位移量返回值切片器totalmtd（）时间点到当前月的第一天返回的是当前月第一天到今天的汇总值如果切片器是时间段，是受后点影响mPreviousMonth时间

22.5691

2

1

0

关注作者

收藏

ged_2357

案例：基准比、均比、标准比1、计算平均值的陷阱这种直接用average的写法来求，是错误的，因为直接用average算出来的是主键的平均，对于商机记录表来说，一条记录代表一条商机，这样算出来的是每条商机的平均额，所以是错误的。所有城市总平均 = CALCULATE(average('商机记录'[商机金额(M)]),all('商机相关企业信息'[城市]))正确的写法应该是：算出来商机金额的总额除以

33.8570

1

3

0

关注作者

收藏

ged_2357

DAX表达式的结果应用在数据透视表中DAX表达式的结果作用于整列或者表中所有行还需注意以下几点：a. 表名用''引用。b. 字段名（列名）用[]引用。c. 要注意函数表达式中参数的数据类型，尤其是要将“表”与“数值”正确区分。d. 与Excel公式相同，除了直接在编辑器的公式区域输入公式外还可以通过单击公式编辑栏前的“fx”图标启动“插入函数”对话框，在对话框中选择需要的函数使用。e. 表达式中的

0.0002

2

5

0

关注作者

收藏

LXM21

信息增益（ ID3算法）定义：以某特征划分数据集前后的熵的差值可理解为：划分前样本集合D的熵是一定的，entroy(前)，使用某个特征A划分数据集D，计算划分后的数据子集的熵 entroy(后) 信息增益 = entroy(前) - entroy(后) 对于待划分的数据集D，其 entroy(前)是一定的，但是

24.8586

4

3

0

关注作者

收藏

guuggu

决策树之信息增益理解

最开始,我认为信息增益指的是误差大小,学习过后才知道信息增益指的是同一类别里,决策树上下节点间同一特征下的期望误差,该误差值越大,则代表这条信息流里需要解释的信息量越多我知道这很绕,之所以我会纠结这个点,是因为gda的公式里,是上个节点的h值减去下节点的h值取最大,而通常对于h值的理解是越大越好,而gda反而要求下节点的h值越小越好,这里就很奇怪,后来问了同学,被他的一句话提醒了----'我们希望

23.0062

5

4

0

关注作者

收藏

慢慢爬的Rui

Anaconda 安装graphviz

Graphviz作为决策树可视化工具,本文接收GraphViz如何安装: 1, 在 anaconda 导航点击左侧environment , 在搜索中搜索graphviz ,找到graphviz相关包与依赖组件2. 点击apply,开始安装,安装成功后会显示 3. 使用代码测试 ,输出决策树PDF

22.3975

2

5

0

关注作者

收藏

176****1457

mysql学习day4 开窗函数以及习题讲解

一：开窗函数不同的数据库中叫法不同，但用法一样。写法：开窗函数名([]) over([partition by ] [order by [desc]] [< 滑动窗口>])1：开窗函数是在满足某种条件的记录集合上执行的特殊函数。对于每条记录都要在此窗口内执行函数，有的函数随着记录不同，窗口大小都是固定的，这种属于静态窗口；有的函数则相反，不同

14.1913

4

2

0

关注作者

收藏

anranhui

决策树中经常用熵作为判别条件而不是基尼不纯度？基尼不纯度是什么？

绝大部分情况下熵（entropy）和基尼指数（Gini Index）在决策树节点分裂时做出的决策都是等价的。先看一下如何定义节点分裂时的不纯度函数（impurity）有三种（假设有k个类别）：不难看出，三个函数均为凸函数。只不过误分率（函数1）是分段线性函数（piece-wise linear），有时候节点分裂会无法降低不纯度。所以函数2和3一般是常采用的手段，它们的优势如下：二者

14.4630

4

2

0

关注作者

收藏

玉子酱

SQL基础——让我又爱又恨#Day 4

慢慢的我发现，我其实是对SQL有种又爱又恨的情绪在的。当因为一句语句怎么想不知道要怎么写的时候，真的犹如蚂蚁在心上爬，但是当这个问题又想明白了，写语句如同有灵感写作文那般行云流水，我又是那么沾沾自喜的。今天的课程内容是开窗函数和一些面试题的练习。面试题对现在的我来说还是有点难的，还没有那么快能上手，还是要多练，自己要动手操作不能只看老师的结果。然后说一下今天的学习让我对开窗函数理解到的内容点。

498.9033

3

2

0

关注作者

收藏

读童话的狼

jupyter 安装mayavi

此安装文件针对py3.7,其他版本从这个链接下载：https://www.lfd.uci.edu/~gohlke/pythonlibs/#vtk（文件一直上传不成功，可以从这个链接下载对应的版本）将文件放到anaconda安装目录下，在此目录下打开命令行下面依次在命令窗口输入：1. pip install PyQt4-4.11.4-cp37-cp37m-win_amd

14.4610

5

2

0

关注作者

收藏

PhilipLiang

ID3，C4.5，CART算法对比

ID3ID3决策树可以有多个分支，但是不能处理特征值为连续的情况。在ID3中，每次根据“最大信息熵增益”选取当前最佳的特征来分割数据，并按照该特征的所有取值来切分，也就是说如果一个特征有4种取值，数据将被切分4份，一旦按某特征切分后，该特征在之后的算法执行中，将不再起作用。ID3算法十分简单，核心是根据“最大信息熵增益”原则选择划分当前数据集的最好特征，信息熵是信息论里面的概念，是信息的度量方式

0.0237

1

7

0

关注作者

收藏

anranhui

树算法：ID3，C4.5，C5.0和CART¶的相互关系

ID3（迭代二分法3）由Ross Quinlan于1986年开发。该算法创建多路树，为每个节点（即，以贪婪的方式）找到分类特征，该分类特征将为分类目标产生最大的信息增益。将树长到最大大小，然后通常应用修剪步骤以提高树概括未见数据的能力。C4.5是ID3的后继版本，并通过动态定义离散属性（基于数字变量）来消除要素必须分类的限制，该离散属性将连续属性值划分为离散的间隔集。C4.5将训练后的树（即

14.3059

2

4

0

关注作者

收藏

1309_1565582599

Power Pivot 中DAX表达式的练习

（一）DAX表达式概念（二）DAX表达式练习要求及步骤（三）具体步骤实现1.打开PBD--导入数据--DAX表达式练习数据.xlsx2.主页--转换数据--进入PQ--检查数据类型，提升标题行--关闭并应用思考：什么样的数据需要将第一行提升为标题行？-->当一个表中所有的字段类型都是b文本型时，PBD会默认将第一行作为标题行，这种情况不需要我们单独操作一次；-->反

14.1456

2

4

0

关注作者

收藏

梁韵莹

#0607期DAY4# MySQL语法每日复盘盘盘

进入SQL学习的倒数第二天了！周四的学习，早上围绕开窗函数下午围绕 QL知识点的进阶应用开展🙌1. 开窗函数开窗函数本质是聚合函数select *, (字段名) over ( [partition by 分组字段] [order by 排序字段 desc] [滑动窗口]) from table; -- 开窗函数基础语法- over()中没有指定分区/排序/滑动窗口 : 默

17.1541

2

0

0

关注作者

收藏

shauna570392

在word里如何能编辑分数呢？

公式法1、按 Alt = 组合键，插入一个公式输入框，并自动定位到“设计”选项卡，单击“分数”，选择“分数（坚式）”（“分数”下的第一个），则一个“分数（坚式）”插入到公式输入框中；选中分母中的虚框，输入3；选中分子中的虚线框，输入2；则一分数打出来；分数默认居中对齐，单击公式输入框右下角的指向下的小三角，选择“两端对齐 → 左对齐”，则分数左对齐，操作过程步骤，如图1所示：a

14.1454

1

4

0

关注作者

收藏

liting李

WIN7没有windows powershell怎么办

powershell的名字是windows管理框架核心，win7应该是自带的，没有的话可以下载安装.方法一：直bai接网上下载安du装包进行安装[Powershell 3.0地址：zhihttp://www.microsoft.com/en-us/download/details.aspx?id=34595]方法二：下载WebPI [http://www.microsoft.com/web

0.0106

1

2

0

关注作者

收藏

陈革007

机器学习: 在K-Means中如何选择k?

K-Means 算法的最大缺点是不能自动选择分类数k，常见的确定k的方法有：（1）根据先验知识来确定（2）手肘法（3）轮廓系数法

0.1829

3

1

0

关注作者

收藏

陈革007

机器学习: K均值算法的调优一般可以从哪几个角度出发？

1) 对于离群点和孤立点敏感：数据归一化和离群点处理。2) k值选择：手肘法，轮廓系数法选择3) 初始聚类中心的选择：多次选择4) 大数据集minibachkmeans

0.1829

3

4

0

关注作者

收藏

陈革007

机器学习: Kmeans的原理，优缺点

1）从N个数据对象中挑选出k个质心。2）计算N个数据对象距离不同质心的距离，并将N个数据对象划分到与之距离最小的质心，形成新的k个聚类。3）重新计算步骤2中获取新的k个聚类的质心，计算方法为求取聚类中所有数据对象的均值。4）重复2-3步骤，直到每个聚类的数据成员不再发生变化。优点：1）计算机时间短，速度快2）容易解释3）对球状聚类效果还不错缺点：1) 对于离群点和孤立点敏感

14.2039

3

2

0

关注作者

收藏

<1…163164165…404>

CDA考试动态

CDA报考指南