Jupyter Notebook

现阶段python在人工智能及数据分析中得到了很多的实践成果。而python的编辑器也有很多种，如：pychram、N++、jupyter……其中jupyter以web的形式来进行编辑的工具。接下来讲下如何使用睿江云服务来部署jupyter这强大的工具。 一、环境配置 1.centeos7 2.python3 二、安装jupyter notebook 安装jupyter 安装Jupyter Notebook 通过pip安装Jupyter Notebook #安装jupyter notebook python3 -m pip install jupyter #安装完会在python3的包管理器，创建一个软连接以便在任何地方都可以直接执行 ln -s /usr/local/python3/bin/jupyter /usr/bin/jupyter 通过jupyter notebook命令启动Jupyter服务器，验证是否安装成功 [root@instance-hrnebyqu bin]# jupyter notebook --allow-root [I 11:26:22.273 NotebookApp] JupyterLab beta preview extension loaded from /root/anaconda3/lib/python3.6/site-packages

作者|LAKSHAY ARORA 编译|VK 来源|Analytics Vidhya 概述 PyCaret是一个超级有用的Python库，用于在短时间内执行多个机器学习任务 学习如何依赖PyCaret在几行代码中构建复杂的机器学习模型 介绍 我建立的第一个机器学习模型是一个相当麻烦的代码块。我仍然记得构建一个集成模型，它需要许多行代码，它十分需要一个向导来解开这些混乱的代码！ 当涉及到构建可解释的机器学习模型时，尤其是在行业中，编写高效的代码是成功的关键。所以我强烈建议使用PyCaret库。 我希望PyCaret在我的刚学习机器学习的日子里出现！这是一个非常灵活和有用的库，我在最近几个月已经相当依赖。我坚信任何有志成为数据科学或分析专业人士的人都会从使用PyCaret中受益匪浅。 我们将看到PyCaret到底是什么，包括如何在你的机器上安装它，然后我们将深入研究如何使用PyCaret来构建可解释的机器学习模型，包括集成模型。 目录 什么是PyCaret？为什么要使用它？ 安装PyCaret 熟悉PyCaret 使用PyCaret训练我们的机器学习模型 使用PyCaret构建集成模型 分析模型 做出预测 保存并加载模型 什么是PyCaret？为什么要使用它？ PyCaret是Python中一个开源的机器学习库，它可以帮助你从数据准备到模型部署。它很容易使用

为了让Jupyter Notebook支持虚拟运行环境，需要在Anaconda里安装一个插件。 回到终端下面，退出目前正在运行的Jupyter Notebook Server，然后执行： conda install nb_conda 再重新开启Jupyter Notebook： jupyter notebook 这下我们就能看到差别了——除了最新安装设定的tfpy3外，之前用Anaconda设置过的其他虚拟环境也都可以在此选择使用。太棒了！ 来源： oschina 链接： https://my.oschina.net/u/4403178/blog/4281609

更新 更新以后,每次启动终端会提示,import sitecustomize failed,原因是 setdefaultencoding 在Python2.5以后删掉了,因此我们将 sitecustomize.py的文件内容改为: import sys reload(sys) #重新载入 sys.setdefaultencoding('utf-8') 启动终端不会再有错误提示,但是在启动 jupyter notebook的时候,有错误,于是又将这个文件的内容更新为: import sys reload(sys) # Python2.5 初始化后会删除 sys.setdefaultencoding 这个方法，我们需要重新载入 sys.setdefaultencoding('utf-8') str = '中文' str.encode('gb18030') 在启动终端时会显示错误,但是启动jupyter notebook 则可以显示当前目录下的中文.最后我将两个export 语句写入了.bashrc文件.使用notebook时,保证当前目录下无中文. 我用的方法: UnicodeDecodeError: 'ascii' codec can't decode byte 0xe5 in position 4: ordinal not in range(128) 如果出现编码问题

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

关于工具，推荐两种： jupyter notebook pycharm jupyter notebook:推荐下载anaconda，好用，有服务器可以架在服务器上，非常舒服 pycharm ：不多说懂得都懂。 这里特别说一下jupyter安装插件Nbextensions（功能强大） pip install jupyter_contrib_nbextensions jupyter contrib nbextension install -- user 之后进入jupyter就能看到Nbextensions选项（没有重启一下） 关于功能： 　　我只开启了上面这些，有需要的可以百度一下，这里很多我也不知道（手动滑稽） 来源： oschina 链接： https://my.oschina.net/u/4399228/blog/4268896

“人生苦短，我用Python”。Python编程语言是最容易学习、并且功能强大的语言。只需会微信聊天、懂一点英文单词即可学会Python编程语言。但是很多人声称自己精通Python，然后自己却写不出Pythonic的代码，对很多常用的包不是很了解。万丈高楼平地起，咱们先从Python中最最基础的开始。 01 Python的优点 Python是一种类似人类讲话的语言 极其简单易学的语言 也是开源的语言之一 可移植性良好，在各大平台都可以运行，比如Windows、Mac、Linux上都可运行 丰富的第三方库：只有你想不到，没有Python做不到 解释性语言：可以直接从源代码运行。 既支持面向对象编程，又支持面向过程编程。 可扩展性好，部分程序可以使用其他语言编程，比如C/C++ 02 Python开发环境 目前，主流的Python开发环境有三个（开发环境也被称为IDE, Integrated Development Environment）,分别是PyCharm、Anaconda 和Jupyter Notebook，我们称之为Python三剑客。为了说明它们的主要区别，笔者引用Python实战圈圈友劳元辉的一段话：“我三剑客在手，感觉可以屠进天下报表和模型。Anaconda，最主要是整体开发环境和第三方库的安装方便；Pycharm

目录 0 环境 1 引言 2 思路 3 图像分类 4 总结 0 环境 Python版本：3.6.8 系统版本：macOS Mojave Python Jupyter Notebook 1 引言 七月了，大家最近一定被一项新的政策给折磨的焦头烂额，那就是垃圾分类。《上海市生活垃圾管理条例》已经正式实施了，相信还是有很多的小伙伴和我一样，还没有完全搞清楚哪些应该扔在哪个类别里。感觉每天都在学习一遍垃圾分类，真令人头大。 听说一杯没有喝完的珍珠奶茶应该这么扔 1、首先，没喝完的奶茶水要倒在水池里 2、珍珠，水果肉等残渣放进湿垃圾 3、把杯子要丢入干垃圾 4、接下来是盖子，如果是带盖子带热饮（比如大部分的热饮），塑料盖是可以归到可回收垃圾的嗷 看到这里，是不是大家突然都不想喝奶茶了呢，哈哈。不过不要紧，垃圾分类虽然要执行，但是奶茶也可以照喝。 那么，这里我们想讨论一下，人工智能和数据科学的方法能不能帮助我们进行更好的垃圾分类？这样我们不用为了不知道要扔哪个垃圾箱而烦恼。 2 思路 这问题的解决思路或许不止一条。这里只是抛砖引玉一下，提供一些浅显的见解。 第一种方案，可以把垃圾的信息制成表格化数据，然后用传统的机器学习方法。 第二种方案，把所有的垃圾分类信息做成知识图谱，每一次的查询就好像是在翻字典一样查阅信息。 第三种方案，可以借助现在的深度学习方法，来对垃圾进行识别和分类

第一步 安装Miniconda3 wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh chmod +x bash Miniconda3-latest-Linux-x86_64.sh 一路选择安装好 第二步 设置Conda源为中科大源（必要，不然会因为网速慢无法下载） conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main conda config --set show_channel_urls yes 替换默认镜像源 conda config --set channel_alias https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud 第三步 安装 jupyter notebook conda install jupyter 第四步 安装 xeus-cling conda install xeus-cling -c conda-forge 第五步

Jupyter notebook只能打开当前目录下的数据集（txt、CSV等），所以需要把数据集倒导入到当前目录下，导入的方法是 1.文件不大时 直接上传文件。pd.read_csv读取. 2.文件较大时 把数据集拷贝到Jupyter notebook的目录下，如果不知道Jupyter notebook的默认目录就修改它的目录，修改方法见 https://www.zhihu.com/question/31600197?sort=created 然后把数据集拷贝到这个目录下就好了。 来源： oschina 链接： https://my.oschina.net/u/4294880/blog/4260409