Doc 说：
Hooks 是外部平台和数据库的接口，如 Hive、S3、MySQL、Postgres、HDFS 和 Pig。Hooks 在可能的情况下实现一个公共接口，并充当操作符的构建块。参考
但是我们为什么需要它们？
我想从一个 Postgres 数据库中选择数据，然后存储到另一个。例如，我可以在由 python 操作员运行的 python 脚本中使用 psycopg2 驱动程序，或者气流出于某种原因应该知道我在脚本中到底在做什么，所以，我需要使用 PostgresHook 而不仅仅是 psycopg2 驱动程序？
OC：MS Windows 10 专业版
康达：4.7.11
点数：19.2.2
蟒蛇：3.7.4
CUDA：10.1.168
需要在隔离的 conda 环境中安装 pycuda。我在 conda docs 中创建了新的 env ：
conda create -n cudaenv
conda install -n cudaenv cudatoolkit
然后安装pip：
conda install -n cudaenv pip
conda activate cudaenv
并尝试在其中安装 pycuda：
pip install pycuda-2019.1.2+cuda101-cp37-cp37m-win_amd64.whl
...然后发生错误
(cudaenv) D:\Downloads>**pip install pycuda-2019.1.2+cuda101-cp37-cp37m-win_amd64.whl**f
WARNING: pip is configured with locations that require TLS/SSL, however the ssl module in Python is not available.
Processing d:\downloads\pycuda-2019.1.2+cuda101-cp37-cp37m-win_amd64.whl
Collecting appdirs>=1.4.0 (from pycuda==2019.1.2+cuda101)
WARNING: Retrying (Retry(total=4, connect=None, read=None, redirect=None, status=None)) after connection broken …我有一些数据:
df_shuffled = shuffle(df, random_state=123)
X = scale(df_shuffled[df_shuffled.columns[:-1]])
y = df_shuffled["cnt"]
然后我学会了简单的线性模型:
from sklearn.linear_model import LinearRegression
regr = LinearRegression()
regr.fit(X, y)
我知道我不应该使用学习样本来验证模型,但我只是想知道如果我理解它是如何工作的.
我有很好的预测,使用该模型:
regr.predict(X)[:5]
array([ 5454.26166397, 3943.78784705, 2125.27231678, 2967.02153671,
4474.29945607])
这与原始数据非常接近:
y[:5]
488 6421
421 3389
91 2252
300 3747
177 4708
Name: cnt, dtype: int64
另外,我有coefs:
list(zip(df.columns, regr.coef_))
[('season', 570.86663333510262),
('yr', 1021.9670828146905),
('mnth', -141.30042168132388),
('holiday', -86.757534933339258),
('weekday', 137.22544688027938),
('workingday', 56.39322955869352),
('weathersit', -330.23017254975974),
('temp', 367.45598306317618),
('atemp', 585.57493105545359),
('hum', -145.60889630046199),
('windspeed(mph)', 12457254171589.174),
('windspeed(ms)', -12457254171787.625)]
我们知道,我们可以使用这样的学习模型进行预测: y = Xw,其中y是预测值向量,X是数据矩阵,w是coef向量(regr.coef_).但是威士忌不起作用!
np.dot(X, regr.coef_)[:5] …