axis

图像处理基础 一、软件安装 在计算机视觉课程中要在python的环境下面进行图像处理，所以需要选择可以编辑python语句的软件，在此选择的是PyCharm的可视化界面，除此之外，还有VScode,Sublime等编辑器 PyCharm要编译的话需要在Setting的Project interprete解释器中选择python.exe。在PyCharm中是没有自带的，所以使用PyCharm之前需要有python。 二、环境配置 python环境配置 ，可以选择去官网下载最新python或者使用Anaconda，Anaconda可以直接配置好Python 环境、pip 包管理工具、常用的库、配置好环境路径等等，对于新手比较友好。 1.Anaconda安装 使用Anaconda2-5.0.0版本一直安装失败，具体原因不是很清楚，后来换了一个镜像Anaconda2-5.3.1安装就虽然没有出错了，但是在编译代码后出现了这样的错误 UnicodeDecodeError: 'ascii' codec can't decode byte 0xcd in position 9: ordinal not in range(128) 解决办法：python2经常会遇见乱码的问题，并且一遇到中文就乱码。所以我们在安装的时候要注意，无论是解释器interpretor的安装路径还是用户项目的路径

题意翻译 给你一个长度为n(1<=n<=24)的正整数序列S，再有k(0<=k<=2)个正整数。 求有多少种S的排列方式使得其前缀和不会成为那k个数里的任意一个。 答案对1e9+7取模。 题解： n<=24，考虑状压DP 设dp[S]表示当前已选的集合为S,sum[S]为当前集合的数的和 sum很好得到， s u m [ i ] = s u m [ i sum[i]=sum[i s u m [ i ] = s u m [ i ^ l o w b i t ( i ) ] + s u m [ l o w b i t ( i ) ] lowbit(i)]+sum[lowbit(i)] l o w b i t ( i ) ] + s u m [ l o w b i t ( i ) ] dp[S]可以由 ∑ d p [ x ] ( x ∈ S ) \sum dp[x](x∈S) ∑ d p [ x ] ( x ∈ S ) 得到，而x可以通过枚举S中的1，然后异或即可得到 AC代码： # include <bits/stdc++.h> # include <ext/rope> using namespace std ; using namespace __gnu_cxx ; # define LL long long # define endl '\n' const int MAXN = 1

https://www.sohu.com/a/166996029_170798 数据可视化真是一个蛮头疼的问题，你不停地寻找最恰当的表达方法，让好不容易做出来的实验显得更惊艳。但有时候你踏破铁鞋终于找到了，做好了，写完文章投出去了，突然审稿人提了一些出乎意料的意见，这时头疼就变成了蛋疼。 比如，有时候我们会遇到一个很崎岖的数据集，有某组特大，有某组特小，于是你做出来的就是这样的： 正确是正确，但就是有点别扭。如果我想让B、C两组显得更清楚些，那么截断图是一个常规选则，像这样： Y轴断成了两截，一截是0~15，一截是60~80，这样我就可以看到那两组数值较小的数据的变化。如果B、C两组本来没多大意义，那不看也罢。但万一是两组药物把某个指标从A的高值降到这么低，我就很想展示它们之间的差别，现在C组的离散程度就比B组小。 这样操作起来也容易，就在Graphpad里进行。 Graphpad中截断图的做法 做好上面那张原图之后，双击Y轴，在弹出的对话框中选择Left Y axis选项卡。接下来第一行就是Gaps and Direction，点开下拉框，根据情况选2截或3截，本例中就选2截，图标方向随意。 此时下方多一了行，下拉框有Bottom和Top，分别选中后可对上下两截Y轴进行设置，如图将下半截设成0~15。同理选择Top后将上半截设成60~80。

在家为国家做贡献太无聊，不如跟我一起学点 Python 人生苦短，我用 Python 前文传送门： 小白学 Python 数据分析（1）：数据分析基础 小白学 Python 数据分析（2）：Pandas （一）概述 小白学 Python 数据分析（3）：Pandas （二）数据结构 Series 小白学 Python 数据分析（4）：Pandas （三）数据结构 DataFrame 引言 最近这个系列有段时间没更新，理由也就不找了，总结就一点，懒！懒得学习！ 我就是这么一个能勇于发现并且承认错误的人。 不过从这篇开始，我又恢复更新了，手动滑稽一下：） 接下来小编要分享一些 Pandas 的基础操作，可能会有些无聊，不过还是希望有兴趣的同学能对照着代码自己动手敲一下。 闲话不多聊，下面开始正题。 查看数据 前面的两篇内容中，我们介绍了 Pandas 的两种数据结构，本篇的内容将主要介绍一些有关于 DataFrame 的查找操作，毕竟 DataFrame 是一个二维类似于表一样的数据结构，我们平时会更多的使用 DataFrame 。 首先第一部还是导入 Pandas 与 NumPy ，并且要生成一个 DataFrame ，这里小编就简单的使用随机数的形式进行生成，代码如下： import numpy as np import pandas as pd dates = pd.date

目录 1.axis与skipna参数的使用 2.常用统计方法 3.求累计值:cumsum(累计和),累计积 4.唯一值：unique 5.值计数：value_counts() 6.成员资格：isin() 1.axis与skipna参数的使用 注意： np.nan 表示空值 # 建立数据集 import numpy as np import pandas as pd df = pd.DataFrame({'key1':[4,5,6,np.nan,2], # np.nan表示空值 'key2':[1,2,np.nan,15,10], 'key3':[1,2,3,'m','n'], 'key4':['a1','a2','a3','a4','a5']},index = ['a','b','c','d','e'] ) print(df) print('-----------------分割线-------------------') # 打印每列数据类型 print(df['key1'].dtype,df['key2'].dtype,df['key3'].dtype,df['key4'].dtype) # 求整体平均值（只会对数字列进行统计） print('----------------整体平均------------------') print(df.mean()) # 根据索引求平均值

daf import os os.chdir(‘C:\he\File’)# 数据的读写 from pandas import Series, DataFrame a=pd.read_excel(‘test.xlsx’)#读取excel数据 df.to_excel(‘test3.xlsx’)#写入到excel a.to_excel(‘test4.xlsx’) a.head()#查看前几行 a.tail()#查看后几行 a.sample(n=10)#随机抽取n行 a.shape#查看shape a.info()#查看缺失值，其中object是字符串的意思 a.describe()#统计类描述 pd.read_clipboard()#从剪贴板复制 df1.iloc[0,:]=np.nan 取一行数据 写数字 df1[‘市盈率’] 取一列数据 df1[‘市盈率’].notnull() 返回某个字段是否为空， 布尔值 df.two.isnull()#选择第二列 s[(s>2)& (s<4)]#序列的过滤 df[[‘A’,‘C’]]#选择多列 df[‘A’]#选择列 df.A#选择列 df.loc[‘a’:‘c’,[‘A’,‘C’]]# 选择多行，多列 df.loc[:,[‘A’,‘C’]]# 选择多列 df.loc[df.C > 0,:]#选取C列大于零的所有数据 df[df.c>0] df

import matplotlib as mpl import matplotlib.pyplot as plt import numpy as np import os import pandas as pd import sklearn import sys import tensorflow as tf import time from tensorflow import keras from tensorflow.keras import layers from tensorflow.keras.models import Model from tensorflow.keras.layers import GlobalAveragePooling2D, GlobalMaxPooling2D, Reshape, Dense, multiply, Permute, Concatenate, Conv2D, Add, Activation, Lambda print(tf.__version__) print(sys.version_info) for module in mpl, np, pd, sklearn, tf, keras: print(module.__name__, module.__version__) # %% train_dir = "./10monkeys

pyplot官网教程https://matplotlib.org/users/pyplot_tutorial.html import matplotlib . pyplot as plt import numpy as np 简单线段图 x = [ 1 , 2 , 3 , 4 ] #x坐标轴上点的数值 y = [ 1 , 4 , 9 , 16 ] #y坐标轴上点的数值 plt . plot ( x , y ) #根据提供的参数x,y绘制线条 plt . show ( ) #x显示图形 设定线条属性和坐标轴范围 ''' color：线条颜色，值r表示红色（red） marker：点的形状，值o表示点为圆圈标记（circle marker） linestyle：线条的形状，值dashed表示用虚线连接各点 ''' plt . plot ( x , y , color = 'r' , marker = 'o' , linestyle = 'dashed' ) #plt.plot(x, y, 'ro') ''' axis：坐标轴范围 语法为axis[xmin, xmax, ymin, ymax]， 也就是axis[x轴最小值, x轴最大值, y轴最小值, y轴最大值] ''' plt . axis ( [ 0 , 6 , 0 , 20 ] ) plt . show ( )

第一部分 import numpy as np import pandas as pd from pandas import Series , DataFrame import matplotlib . pyplot as plt from matplotlib import pyplot import time # 一、Series是一种类似与一维数组的对象，有下面两部分组成： # values：一组数据（ndarray类型） # index：相关的数据索引标签 # ndarray创建 s1 = Series ( data = np . random . randint ( 0 , 150 , size = 10 ) , index = list ( "abcdefhijk" ) , name = "Python" ) # 字典创建 # type(s2) <class 'pandas.core.series.Series'> core核心的意思 s2 = Series ( { "A" : 110 , "B" : 119 , "C" : 120 , "D" : 130 , "E" : 150 } , name = "s2" ) s3 = Series ( { "A" : 89 , "B" : 128 , "C" : 135 , "D" : 148 } , name = "s3" )

看看matplotlib是什么？ matplotlib是python上的一个2D绘图库，它可以在夸平台上边出很多高质量的图像。综旨就是让简单的事变得更简单，让复杂的事变得可能。我们可以用matplotlib生成 绘图、直方图、功率谱、柱状图、误差图、散点图等 。 matplotlib的发明人为John Hunter（1968－2012），很不幸，他已经在癌症治疗过程中引起的综合症中去世。一代伟人有很多贡献，我们要缅怀他。如果我们从他的贡献中受益很大的话，请考虑为 John Hunter Technology Fellowship 贡献你的力量。 下面的内容我们是基于matplotlib 版本1.5.3进行学习。 matplotlib在以后的工作与学习中有很大的用处，很有必要系统学习一下。 我的ipthon nootbook 中，当用plt.show()函数显示出来了图片，这时分把程序阻塞，然后关了figure之后，就可以继续运行，但是这时的上面所创建的figure与axes就相当于清除了。 在Ipython中，我们可能输入函数名加上？？得到函数的源码； matplotlib实际上为面向对象的绘图库，它所绘制的每个元素都有一个对象与之对应的。 figure就是一个图啦，axes表示图上的一个画图区域啦，一个图上可以有多个画图区域的啦，意思就是说，一个图上可以有多个子图啊。