Jupyter Notebook

https://www.jianshu.com/p/2cf00bb9db34?utm_source=oschina-app 穷学生学习神经网络一定体会过 “等待”的痛苦 。。。 循环一次epoch急死人,但是有几十个上百个循环等着你! 你盯着屏幕看着进度条像蜗牛一样推进，真是恨铁不成钢，心想等日后发达了一定要买一台好电脑... 只能先干干其他的事儿，但是心里又不放心，总是会来看，结果还是没训练完，算了，正事儿是干不了了，刷刷手机吧~ ... ...(半小时过去) 终于训练完啦！看看结果： woc...@#$& &* *& 苦逼地重新训练一次....o(╥﹏╥)o 前几天看网上说Google推出了免费的GPU专门给机器学习的穷孩子们用！顿时让我激动了起来，马上去试用了一下。（哦，自备梯子...） 参考教程： Google Colab Free GPU Tutorial 薅资本主义羊毛，用Google免费GPU 但是因为自己的项目跟教程中的不太一样，有一些细节没有说清楚，查了很多资料终于解决，决定这里把我自己的使用过程记录下来： Google Colaboratory 直接Google一下： 点击进去看看： 发现是Colaboratory的简介，里面附有一些简单的代码告诉你怎么使用这个玩意儿。你会发现它跟Jupyternotebook很像，因为它就是在jupyter

工欲善其事必先利其器，一个好的工具能让起到事半功倍的效果，Python社区提供了足够多的优秀工具来帮助开发者更方便的实现某些想法，下面这几个工具给我的工作也带来了很多便利，推荐给追求美好事物的你。 Python Tutor Python Tutor 是由 Philip Guo 开发的一个免费教育工具，可帮助学生攻克编程学习中的基础障碍，理解每一行源代码在程序执行时在计算机中的过程。通过这个工具，教师或学生可以直接在 Web 浏览器中编写 Python 代码，并逐步可视化地运行程序。如果你不知道代码在内存中是如何运行的，不妨把它拷贝到Tutor里可视化执行一遍，加深理解。 地址： www.pythontutor.com/ IPython IPython 是一个 for Humans 的 Python 交互式 shell，用了它之后你就不想再用自带的 Python shell 了，IPython 支持变量自动补全，自动缩进，支持 bash shell 命令，内置了许多实用功能和函数，同时它也是科学计算和交互可视化的最佳平台。在公众号【Pyhon之禅】回复 “ipython” 获取《IPython交互式编程和数据可视化教程》。 这里还要注意：不管你是为了Python就业还是兴趣爱好，记住：项目开发经验永远是核心，如果你没有2020最新python入门到高级实战视频教程

数据处理过程的数据类型 当利用pandas进行数据处理的时候，经常会遇到数据类型的问题，当拿到数据的时候，首先需要确定拿到的是正确类型的数据，一般通过数据类型的转化，这篇文章就介绍pandas里面的数据类型（data types也就是常用的dtyps），以及pandas与numpy之间的数据对应关系。 主要介绍object，int64，float64，datetime64，bool等几种类型，category与timedelta两种类型会单独的在其他文章中进行介绍。当然本文中也会涉及简单的介绍。 数据类型的问题一般都是出了问题之后才会发现的，所以有了一些经验之后就会拿到数据之后，就直接看数据类型，是否与自己想要处理的数据格式一致，这样可以从一开始避免一些尴尬的问题出现。那么我们以一个简单的例子，利用jupyter notebook进行一个数据类型的介绍。 ####按照惯例导入两个常用的数据处理的包，numpy与pandas import numpy as np import pandas as pd # 从csv文件读取数据，数据表格中只有5行，里面包含了float，string，int三种数据python类型，也就是分别对应的pandas的float64，object，int64 # csv文件中共有六列，第一列是表头，其余是数据。 df = pd.read_csv("sales

Anaconda安装 软件下载不做过多赘述( https://www.anaconda.com ) 我用的是windows10系统,安装包如下: 打开安装包: 继续往下走 如果你电脑只有一个用户的话就用选justme即可 选好路径(尽量不要包含中文) 不要勾上环境变量,稍后我们手动去加,否则会影响其他的软件使用python3解释器 最后也不要画√,直接finish即可 这样就安装完成了, 但是桌面找不到快捷方式 你可以在左下角去搜, 也可以在你安装目录下找(在你anaconda安装的位置找到Scripts文件夹,再找anaconda-navigator.exe文件) 添加环境变量 复制你安装软件目录下的Scripts文件夹的路径 并粘贴到如下图的位置,并保存 这样启动cmd,在cmd中选对你要写代码的路径,再输入 jupyter notebook后回车,再让你选个浏览器打开.即可 找你需要的路径,再shift+鼠标右键,找到下图的选项,即可打开对应位置的cmd窗口了 此时再输入jupyter notebook即可 () 浏览器会显示如下图(注意,你在写代码时一定不能关掉刚才的cmd窗口,关掉的话浏览器里的内容也就消失了) 或者在刚才打开的anaconda-navigator 中选中三角,里面有四种方式供你选,如果你要安装python模块时就在这个Open

PyCaret 库支持在「低代码」环境中训练和部署有监督以及无监督的机器学习模型，提升机器学习实验的效率。 想提高机器学习实验的效率，把更多精力放在解决业务问题而不是写代码上？低代码平台或许是个不错的选择。 最近，机器之心发现了一个开源低代码机器学习 Python 库 PyCaret，它支持在「低代码」环境中训练和部署有监督以及无监督的机器学习模型。 GitHub 地址： https:// github.com/pycaret/pyca ret 用户文档： https://www. pycaret.org/guide Notebook 教程： https://www. pycaret.org/tutorial PyCaret 库支持数据科学家快速高效地执行端到端实验，与其他开源机器学习库相比，PyCaret 库只需几行代码即可执行复杂的机器学习任务。 该库适合有经验的数据科学家、倾向于低代码机器学习解决方案的公民数据科学家，以及编程背景较弱甚至没有的新手。 PyCaret 库支持多种 Notebook 环境，包括 Jupyter Notebook、Azure notebook 和 Google Colab。从本质上来看，PyCaret 是一个 Python 封装器，封装了多个机器学习库和框架，如 sci-kit-learn、XGBoost、Microsoft LightGBM

提高Python数据分析速度的八个小技巧 01 使用Pandas Profiling预览数据 这个神器我们在之前的文章中就详细讲过，使用Pandas Profiling可以在进行数据分析之前对数据进行快速预览，拿我们使用过很多次的NBA数据集来说，导入数据集之后 一行代码就生成丰富的交互式数据EDA报告 可以看到，除了之前我们需要的一些描述性统计数据，该报告还包含以下信息： 类型推断：检测数据帧中列的数据类型。 要点：类型，唯一值，缺失值 分位数统计信息，例如最小值，Q1，中位数，Q3，最大值，范围，四分位数范围 描述性统计数据，例如均值，众数，标准偏差，总和，中位数绝对偏差，变异系数，峰度，偏度 最常使用的值 直方图 相关性矩阵 缺失值矩阵，计数，热图和缺失值树状图 文本分析：了解文本数据的类别（大写，空格），脚本（拉丁，西里尔字母）和块（ASCII） 02 使用cufflinks绘制图表 上一个神器Pandas Profiling可以快速帮助我们预览数据，那么这个神器cufflinks可以帮我们直接使用DataFrame快速绘制交互式图表。就像seaborn封装了matplotlib一样，cufflinks在plotly的基础上做了一进一步的包装，方法统一，参数配置简单。 对pandas熟悉的同学可能知道pandas可以直接调用.plot()绘图，我们来看看 df.plot()

【推荐阅读】微服务还能火多久？>>> 第一步，激活环境： conda activate 环境名（例如我的py36） 添加核： python -m ipykernel install --user --name 环境名 --name kernelname （kernel的名字，可以随便取） 输入： jupyter notebook 就可以看到添加进来的核。 点赞 收藏 分享 文章举报 ML_BOY 发布了79 篇原创文章 · 获赞 243 · 访问量 54万+ 私信 关注 来源： oschina 链接： https://my.oschina.net/u/4290288/blog/3235542

数据可以帮助我们描述这个世界、阐释自己的想法和展示自己的成果，但如果只有单调乏味的文本和数字，我们却往往能难抓住观众的眼球。而很多时候，一张漂亮的可视化图表就足以胜过千言万语。本文将介绍 5 种基于 Plotly 的可视化方法，你会发现，原来可视化不仅可用直方图和箱形图，还能做得如此动态好看甚至可交互。 对数据科学家来说，讲故事是一个至关重要的技能。为了表达我们的思想并且说服别人，我们需要有效的沟通。而漂漂亮亮的可视化是完成这一任务的绝佳工具。本文将介绍 5 种非传统的可视化技术 ，可让你的数据故事更漂亮和更有效。这里将使用 Python 的 Plotly 图形库（也可通过 R 使用），让你可以毫不费力地生成动画图表和交互式图表。 那么，Plotly 有哪些好处？Plotly 的整合能力很强：可与 Jupyter Notebook 一起使用，可嵌入网站，并且完整集成了 Dash——一种用于构建仪表盘和分析应用的出色工具。 启动 如果你还没安装 Plotly，只需在你的终端运行以下命令即可完成安装： 安装完成后，就开始使用吧！ 动画 在研究这个或那个指标的演变时，我们常涉及到时间数据。 Plotly 动画工具仅需一行代码就能让人观看数据随时间的变化情况 ，如下图所示： 代码如下： 只要你有一个时间变量来过滤，那么几乎任何图表都可以做成动画。下面是一个制作散点图动画的例子： 太阳图

本文章用的是阿里云的Ubuntu系统，在配置jupyter notebook问题上主要问题是在网络设置上出了一些问题，本人不懂网络结构的知识，只能具体写下我用的是哪个参数，具体原因小伙伴想知道的我可以自学解释一下原因，如果没有就这样看下去吧。 1.首先是阿里云上买到自己的例程 2.打开例程后进入linux（Ubuntu 18.04 LTS），配置python等环境 配置环境有两种方法 利用 anaconda 配置 利用 virtualenv 配置（个人用这种） 上面两种都差不多，看个人习惯，目前使用没有遇到什么差别。 3.下载jupyter，具体操作可以参考 https://blog.csdn.net/langhailove_2008/article/details/79110949 4.下载后打开配置文件进行修改： 1 vim /root/.jupyter/jupyter_notebook_config.py 其中比较容易引起歧义的是配置文件中： 1 c.NotebookApp.ip = 'xx.xxx.xx.xxx' #即对外提供访问的ip 2 c.NotebookApp.port = 9527 #即对外提供访问的端口 3 c.NotebookApp.open_browser = False #False即启动不打开浏览器 4 c.NotebookApp.password =

3 月，跳不动了？>>> 转载的一篇文章，Mark 转载一篇入门帖 本文作者为 Marin Gilles ，他是来自法国的一位物理学博士生，用 Python 开发了自己的物理学模拟框架。本文分为两部分，是 Python 翻译组 成立后的第一篇译文，译者 EarlGrey 。 Jupyter Notebook （此前被称为 IPython notebook ）是一个交互式笔记本，支持运行 40 多种编程语言。在本文中，我们将介绍 Jupyter notebook 的主要特性，以及为什么对于希望编写漂亮的交互式文档的人来说是一个强大工具。 在开始使用 notebook 之前，我们先需要安装该库。你可以在 Jupyter 官网 上找到完整的步骤。 译者注：其实只要 pip install jupyter 就可以了 jupyter notebook 运行上面的命令之后，你将看到类似下面这样的输出： [I 20:06:36.367 NotebookApp] Writing notebook server cookie secret to /run/user/1000/jupyter/notebook_cookie_secret [I 20:06:36.813 NotebookApp] Serving notebooks from local directory: /home/your