- 博客(5)
- 收藏
- 关注
RSS订阅转载 python自动化办公--excel
python自动化办公–excelexcel读取使用库：openpyxl读取excel文件from openpyxl import load_workbookexl = load_workbook(filename = 'test.xlsx')print(exl.sheetnames)打印工作表名print(ex1.sheetnames)打印文件内容区域范围sheet = ex1.activeprint(sheet.dimensions)读取单元格c
2021-06-18 20:32:55
97
原创 python办公自动化--案例练习
题目：生成随机的测验试卷文件 假如你是一位地理老师， 班上有 35 名学生， 你希望进行美国各州首府的一个 小测验。不妙的是，班里有几个坏蛋， 你无法确信学生不会作弊。你希望随机调整 问题的次序， 这样每份试卷都是独一无二的， 这让任何人都不能从其他人那里抄袭答案。当然，手工完成这件事又费时又无聊。 好在， 你懂一些 Python。 下面是程序所做的事： - 创建 35 份不同的测验试卷。 - 为每份试卷创建 50 个多重选择题，次序随机。 - 为每个问题提供一个正确答案
2021-06-14 22:43:41
802
3
转载 异常检测--基于统计学方法
异常检测–基于统计学方法1、参数方法1.1 基于正态分布的一元异常点检测如常用的3sigma原则中，如果数据点超过范围(μ−3σ,μ+3σ)，那么这些点很有可能是异常点。这个方法还可以用于可视化。箱线图对数据分布做了一个简单的统计可视化，利用数据集的上下四分位数（Q1和Q3）、中点等形成。异常点常被定义为小于Q1－1.5IQR或大于Q3+1.5IQR的那些数据。1.2 多元异常点检测在各个维度的特征之间相互独立的情况下，基于正态分布的一元异常点检测扩充到多元情形时，可以求出每一维度的均
2021-05-14 21:19:08
303
转载 初识异常检测
初始异常检测一、异常检测的基本概念异常检测（Outlier Detection），顾名思义，是识别与正常数据不同的数据，与预期行为差异大的数据。1. 异常检测任务分类有监督：训练集的正例和反例均有标签无监督：训练集无标签半监督：在训练集中只有正例，异常实例不参与训练（新颖性检测）2、异常的类别点异常（point anomalies）指的是少数个体实例是异常的，大多数个体实例是正常的，例如正常人与病人的健康指标；条件异常（conditional anomalies），又称上下文异
2021-05-12 00:32:21
84
转载 多分类算法常见的评估指标
datawhale组队学习task1--笔记记录参考链接：https://github.com/datawhalechina/team-learning-data-mining/tree/master/HeartbeatClassification多分类算法常见的评估指标如下：其实多分类的评价指标的计算方式与二分类完全一样，只不过我们计算的是针对于每一类来说的召回率、精确度、准确率和 F1分数。1、混淆矩阵（Confuse Matrix）（1）若一个实例是正类，并且被预测为正类，即为真正类TP
2021-03-16 16:30:53
6915
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人