问、时间序列模型预测方法有哪些？ 答： 算数平均法：对时间序列的过去数据进行简单平均来进行预测 移动平均法：不考虑远期的数据，仅考虑近期数据产生的影响 加权移动平均法：给予近期数据较大的权重，远期数据较小的权重 指数平滑法：给予近期数据较大的权重，远期数据较小的权重，但是权重以指数的形式递减
dreamhappy2012
2019-03-28
问、怎样做时间序列分析？ 答： 时间序列分析尝试找出序列值在过去所呈现的特征模式，假定这种模 式在未来能够持续，进而对未来进行预测 时间序列基本特征：趋势性，序列相关性，随机性 时间序列模型预测方法：算数平均法，移动平均法，加权移动平均，指数平滑法，自回归和移动平均法(ARIMA) ARIMA模型的优点：信息浪费最少，集趋势性，相关性和随机性于一身
dreamhappy2012
2019-03-28
问、什么是时间序列？ 答： 时间序列是按照时间顺序，按照一定的时间间隔取得的一系列观测值 时间间隔可以是日，周，月，季度，年等等 例子：国内生产总值，消费者物价指数，利率，汇率，股票价格
dreamhappy2012
2019-03-28
问、pd.date_range函数怎么规范化？ 答： 默认情况下，pd.date_range函数会保留完整的时间信息，可通过normalize参数使其规范化。
dreamhappy2012
2019-03-26
问、怎么创建指定长度DatetimeIndex索引？ 答： 在pd.date_range函数中传入起始或结束日期，再传入一个表示时间的数据，创建指定长度DatetimeIndex索引
dreamhappy2012
2019-03-26
问、python的日期范围索引 答： 使用pd.data_range函数可以创建指定长度的DatetimeIndex索引 index=pd.date_range(“2018/04/01”，“2018/05/30”） index
dreamhappy2012
2019-03-26
问、时间序列怎么使用索引与切片？ 答： 时间序列索引方法和pandas用法一样。 时间序列切片的使用方法和pandas用法也是一样的。 对于长时间序列，可通过年、月来获取时间序列切片 对于具有重复索引的时间序列，可通过is_unique进行查验
dreamhappy2012
2019-03-26
问、创建一个时间序列Series 答： pandas中的时间序列指的是以时间数据为索引Series和DataFrame。 创建一个时间序列Series 创建的这个时间序列Series的索引是DatetimeIndex对象。DatetimeIndex对象的每个标量值是pandas的Timestamp对象，该对象可保存频率信息， 2.38gd�6֨�*3
dreamhappy2012
2019-03-26
问、字符串和datetime数据需要怎么进行转换？ 答： 在数据分析中，字符串和datetime数据需要进行转换，通过str可直接将datetime类型数据转换为字符串数据。 如果需要将datetime类数据类型转换为特定的字符串数据，需要使用strftime（） %y 两位数的年份表示（00-99） %Y 四位数的年份表示（000-9999） %m 月份（
dreamhappy2012
2019-03-26
问、python的标准库datetime可用于创建时间数据类型有哪些？ 答： 1.datetime.date：表示日期的类 2.datetime.datetime：表示日期时间的类 3.datetime.time：表示时间的类 4.datetime.timedelta：表示时间间隔，即两个时间点的间隔
dreamhappy2012
2019-03-26
问、时间序列有哪些基本操？ 答： 1.datetime库：构造时间数据及其字符串的相互转换 2.时间序列：构造时间序列和使用 3.日期与时期：日期与时期的使用 4.频率转换与重采样：resample函数的使用
dreamhappy2012
2019-03-26
问、什么是时间序列分？ 答： 时间序列分析(Time-Series Analysis)是指将原来的销售分解为四部分来看——趋势、周期、时期和不稳定因素，然后综合这些因素，提出销售预测。强调的是通过对一个区域进行一定时间段内的连续遥感观测，提取图像有关特征，并分析其变化过程与发展规模。当然，首先需要根据检测对象的时相变化特点来确定遥感监测的周期，从而选择合适的遥感数据。
dreamhappy2012
2019-03-26
问、基于物品的协同过滤原理是什么？ 答： • 基于物品的协同过滤原理和基于用户的协同过滤原理类似，只是在计算邻居时采用物品本身，而不是从用户的角度，即基于用户对物品的偏好找到相似的物品 • 然后根据用户的历史偏好，推荐相似的物品给用户。 • 就是我们常见的：购买该商品的用户还购买了如下商品
dreamhappy2012
2019-03-25
问、什么是基于物品的协同过滤算法？ 答： 全球著名的电子商务公司亚马逊的研发团队，提出了基于物品的协同过滤算法(Item-to-Item Collaborative Filtering)。 • 基于物品的协同过滤(Item Collaboration Filter,简称ItemCF)算法给用户推荐那些和他们之前喜欢的物品相似的物品。
dreamhappy2012
2019-03-25
问、基于用户的协同过滤算法局限性？ 答： • 首先每次计算用户之间相似度的时候，需要遍历每个用户和所有用户的评分，这样在网站用户增长到一定程度后，计算用户之间的相似度的过程将会变得越发的困难； • 同时，基于用户的协同过滤的算法，并不是那么容易从数学原理的角度去解释。 • 用户的口味其实变化还是很快的，不是静态的，所以兴趣迁移问题很难反应出来。 • 数据稀疏，用户和用户之间有共同的消费行为实际上是
dreamhappy2012
2019-03-25
问、 解释皮尔逊相关度评价 答： • 皮尔逊相关度评价是另一种计算用户间关系的方法。比欧几里德距离评价的计算要复杂一些，但对于评分数据不规范时，皮尔逊相关度评价能够给出更好的结果。 • 皮尔逊相关系数的计算公式如下，结果是一个在-1与1之间的系数。该系数用来说明两个用户间联系的强弱程度。 • 相关系数的分类 • 0.8-1.0 极强相关 • 0.6-
dreamhappy2012
2019-03-25
问、利用欧几里德距离怎么寻找偏好相似的用户 ？ 答： • 欧几里德距离评价是一个较为简单的用户关系评价方法。原理是通过计算两个用户在散点图中的距离来判断不同的用户是否有相同的偏好。以下是欧几里德距离评价的计算公式。 • 系数越小表示两个用户间的距离越近，偏好也越是接近。但太小的数值可能无法准确的表现出不同用户间距离的差异，因此对求得的系数取倒数，使用户间的距离约接近，数值越大。
dreamhappy2012
2019-03-25
