1、用“排序”功能，按>=0~<=30、>30~<=60、>60~<=90、>90~<=120、……分组。 2、用“高级筛选”功能： 假设源数据在A列，A1~A3000 先在第一行加个抬头； 在B1~C1输入同样抬头。 B2输入：>=0、C2输入：<=30 选A列数据区域——菜单栏——数据——筛选——高级筛选——列标区域：已导入——条件区域：导入B1:C2——方式：将筛选结果复制到其他位置（点选
zxq997
2019-03-17
问题描述：如何解决在文本文件导入个人信息到Excel表格时身份证后3位数值显示为0？ 解决方法：在分列第3步选取身份证列，修改为文本
zxq997
2019-03-17
COUNT(A:A)统计A列数值单元格个数 COUNTA(A:A)统计A列非空单元格个数 COUNTBLANK(A:A)统计空白单元格个数 COUNTIF(A:A,"ABC")统计等于ABC的单元格个数 COUNTIFS(A:A,">1",A:A,"<90")统计大于1小于90的单元格个数 还有一些其它方式也可以间接计算单元格个数，根据具体情况
zxq997
2019-03-17
90%原因都是因为文本型数字的原因。 解决方法： （一）如果数字有绿三角就选取区域，然后打开绿三角 - 转换为数字。加 （二）如果没有绿三角，用选择性粘贴的方法：复制空单元格 - 选择性粘贴 - 粘贴运算：加
zxq997
2019-03-17
创建一个名为“func（）”的函数，它将获取一个我们将其命名为“obj”的对象。虽然我们使用的名称是'obj'，但是任何实例化的对象都可以被调用到这个函数中。 代码：用函数实现多态性 class India(): def capital(self): print("New Delhi is the capital of India.") def language(self): print("H
zxq997
2019-03-14
python通过加载sklearn包，方便的使用f1_score函数。 函数原型：sklearn.metrics.f1_score(y_true, y_pred, labels=None, pos_label=1, average=’binary’, sample_weight=None) 参数： y_true : 1d array-like, or label indicator arra
zxq997
2019-03-14
CNN基本上是一种已知为卷积神经网络的模型，并且由于其有用性，最近它已经获得了很多人气。CNN使用多层感知器进行计算工作。与其他图像分类算法相比，CNN使用相对较少的预处理。这意味着网络通过传统算法手工设计的过滤器进行学习。因此，对于图像处理任务，CNN是最适合的选择。 MNIST数据集： mnist数据集是手写图像的数据集，如下图所示。 a 通过使用CNN（卷积神经网络）和功能模型，我们可以
zxq997
2019-03-14
当对象被破坏时调用析构函数。在Python中，C 中不需要析构函数，因为Python有一个垃圾收集器，可以自动处理内存管理。 在__del__（）方法是一种公知的作为在Python析构函数方法。当删除对象的所有引用时，即当对象被垃圾收集时，调用它。 析构函数声明的语法 : def __del__(self): # body of destructor 这是析构函数的简单示例。通过使用d
zxq997
2019-03-14
zxq997
2019-03-14
第一种分法 •离散型数据 离散随机变量是指一个只取有限个或可数无限个数值的随机变量。 通常用古典概型来描述。 •连续型数据 连续随机变量是指一个取任何实数的概率都为零的变量。 通常用几何概型来描述。 第二种分法 •横截面数据 •时间序列数据 •面板数据 第三种分法 •定类尺度 国籍：中国 （无序） • •定序尺度 健康状况：良好 （有序） • •定距尺度 出生年份：1981 （0点有意义） •
zxq997
2019-03-14
假设 A 是一个 n1×k1 矩阵， B 是一个 n2×k2 矩阵，并且 k1 = n2，那么这两个矩阵的乘积 AB 则是一个 n1×k2 矩阵，其中第 (i,j) 项为： A i1B1j Ai2B2j … AikBkj 下面，我们仅计算矩阵 A 的第 i 行（可以视为一个向量）与矩阵 B 的第 j 列（也可以视为 一个向量）的点积，具体代码如下所示： def matrix_product_e
zxq997
2019-03-14
import pandas as pd import numpy as np import matplotlib.pyplot as plt s=pd.Series([1,3,5,np.nan,6,8]) dates=pd.date_range('20130101',periods=6) df=pd.DataFrame(np.random.rand(6,4),index=dates,columns
zxq997
2019-03-14
奇异值分解在某些方面与对称矩阵或Hermite矩阵基于特征向量的对角化类似。然而这两种矩阵分解尽管有其相关性，但还是有明显的不同。谱分析的基础是对称阵特征向量的分解，而奇异值分解则是谱分析理论在任意矩阵上的推广。 假设M是一个m×n阶矩阵，其中的元素全部属于域 K，也就是实数域或复数域。如此则存在一个分解使得 a 其中U是m×m阶酉矩阵；Σ是半正定m×n阶对角矩阵；而V*，即V的共轭转置，是n
zxq997
2019-03-14
行列式，记作 det(A)，是一个将方阵 A 映射到实数的函数。行列式等于矩阵特 征值的乘积。行列式的绝对值可以用来衡量矩阵参与矩阵乘法后空间扩大或者缩小 了多少。如果行列式是 0，那么空间至少沿着某一维完全收缩了，使其失去了所有的 体积。如果行列式是 1，那么这个转换保持空间体积不变。
zxq997
2019-03-14
在之前的文章中，我们学会了怎么隐藏数据，接下来学怎么访问隐藏的数据，使用object访问类外的隐藏变量，会抛出异常。 那么我们可以通过另一种语法访问隐藏属性的值： # A Python program to demonstrate that hidden # members can be accessed outside a class class MyClass: # Hidden mem
zxq997
2019-03-14
