数据类型 描述 bool_ 布尔值(真、 True 或假、 False ),用一个字节存储 int_ 默认整型(类似于 C 语言中的 long ,通常情况下是 int64 或 int32 ) intc 同 C 语言的 int 相同(通常是 int32 或 int64 ) intp 用作索引的整型(和 C 语言的 ssize_t 相同,通常情况下是 int32 或 int64 ) i
zxq997
2019-06-12
# 创建一个长度为10的数组,数组的值都是0 np.zeros(10, dtype=int) Out[12]: array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0]) In[13]: # 创建一个3×5的浮点型数组,数组的值都是1 np.ones((3, 5), dtype=float) Out[13]: array([[ 1., 1., 1., 1., 1.], [ 1.,
zxq997
2019-06-12
np.array 从 Python 列表创建数组: In[8]: # 整型数组: np.array([1, 4, 2, 5, 3]) Out[8]: array([1, 4, 2, 5, 3]) 请记住,不同于 Python 列表,NumPy 要求数组必须包含同一类型的数 据。如果类型不匹配,NumPy 将会向上转换(如果可行)。这里整型 被转换为浮点型: In[9]: np.array([3.
zxq997
2019-06-12
在实现层面,数组基本上包含一个指向连续数据块的指针。另一方面, Python 列表包含一个指向指针块的指针,这其中的每一个指针对应一个 完整的 Python 对象(如前面看到的 Python 整型)。另外,列表的优势 是灵活,因为每个列表元素是一个包含数据和类型信息的完整结构体, 而且列表可以用任意类型的数据填充。固定类型的 NumPy 式数组缺乏 这种灵活性,但是能更有效地存储和操作数据。
zxq997
2019-06-12
-- 第一题-- select 标识 ,count(标识) as 案件 from ermas_case_main group by 标识; -- 第二题 -- select 标识,count(*) from ermas_case_main group by 标识,interval(剩余本金,1000,2000,5000); -- 第三题-- select 标识,sum(逾期总额
zxq997
2019-06-12
MinMaxScaler , minmax_scale , 对于存在稀疏值调整数据: MaxAbsScaler, maxabs_scale, 对于存在多个异常值调整数据: RobustScaler, robust_scale , 非线性转换: QuantileTransformer , quantile_transform PowerTransformer
zxq997
2019-06-12
1.从scikit-learn上的datasets中直接下载的少量数据集:load_
zxq997
2019-06-12