小编Kor*_*rem的帖子

我有以下问题:

在__m128i寄存器中,按以下顺序排列有16个8位值:

[ 1, 5, 9, 13 ] [ 2, 6, 10, 14] [3, 7, 11, 15]  [4, 8, 12, 16]

我想要实现的是有效地改组字节以获得这种排序:

[ 1, 2, 3, 4 ] [ 5, 6, 7, 8] [9, 10, 11, 12]  [13, 14, 15, 16]

它实际上类似于4x4矩阵转置,但在一个寄存器内的8位元件上运行.

您能不能指出哪种SSE(优先<= SSE2)指令适合实现这一点？

我想知道一种使用Python和scipy执行ANCOVA(协方差分析)的方法.它基本上是回归线的统计比较.我知道Python可以做ANOVA,它也可以用Scipy.stats进行回归线拟合.如果有可能的话,我不知道如何将它们放在一起以获得有效的ANCOVA.

我创建了一个pandas数据框,然后将其转换为数据透视表.

我的数据透视表看起来像这样:

Operators   TotalCB     Qd(cb)  Autopass(cb)
Aircel India    55        11       44
Airtel Ghana    20        17        3
Airtel India    41         9        9
Airtel Kenya    9          4        5
Airtel Nigeria  24        17        7
AT&T USA        18        10        8

我想知道如何添加计算列,以便我使用Autopass%(Autopass(cb)/TotalCB*100)获取我的数据透视表,就像我们能够使用计算字段选项在Excel中创建它们一样.

我希望我的数据透视表输出如下所示:

Operators   TotalCB     Qd(cb)  Autopass(cb)    Qd(cb)% Autopass(cb)%
Aircel India    55          11    44             20%     80%
Airtel Ghana    20          17     3             85%     15%
Airtel India    41          29     9             71%     22%
Airtel Kenya     9           4     5             44%     56%
AT&T USA        18          10     8             56% …

我有一个代码框架,涉及使用dill转储会话.这曾经工作得很好,直到我开始使用熊猫.以下代码在CentOS 6.5版上引发了PicklingError:

import pandas
import dill
dill.dump_session('x.dat')

问题似乎源于pandas.algos.实际上,运行它来重现错误就足够了:

import pandas.algos
import dill
dill.dump_session('x.dat') / dill.dumps(pandas.algos)

错误是pickle.PicklingError: Can't pickle <cyfunction lambda1 at 0x1df3050>: it's not found as pandas.algos.lambda1.

问题是,我的电脑上没有出现这个错误.它们都有相同版本的pandas(0.14.1),dill(0.2.1)和python(2.7.6).

看一下badobjects,我得到:

>>> dill.detect.badobjects(pandas.algos, depth = 1)
{'__builtins__': <module '__builtin__' (built-in)>, 
'_return_true': <cyfunction lambda2 at 0x1484d70>, 
'np': <module 'numpy' from '/usr/local/lib/python2.7/site-packages/numpy-1.8.2-py2.7-linux-x86_64.egg/numpy/__init__.pyc'>, 
'_return_false': <cyfunction lambda1 at 0x1484cc8>, 
'lib': <module 'pandas.lib' from '/home/talkr/.local/lib/python2.7/site-packages/pandas/lib.so'>}

这似乎是由于pandas.algos两个OS-s(可能是不同的编译器？)的不同处理.在我的电脑,在这里dump_session是没有错误的,pandas.algos._return_false是<cyfunction <lambda> at 0x06DD02A0>,虽然在CentOS它<cyfunction lambda1 at 0x1df3050>.为什么处理方式不同？

一开始，我尝试过conda install dill，conda但无法在互联网上找到它。

然后我从这里下载了默认 IPython 目录中的.tgz和.zip文件：https : //pypi.python.org/pypi/dill

之后我尝试了以下命令：
conda install dill-0.2b1.zip
conda install "C:\<rest_of_the_complete_path>\dill-0.2b1.zip"
对于.tgz. 所有四次尝试都产生了错误：
No packages found matching:

我做错了什么？我正在尝试重复以下链接中给出的示例：http : //nbviewer.ipython.org/gist/minrk/5241793

编辑 1：我dill通过运行.exe来自https://pypi.python.org/pypi/dill的文件安装在我的系统上。这一步安装dill在我的系统 python ( C:\Python27) 上，但没有安装在我的 Anaconda Python 上。我假设这两个numpypython是分开的，因为我可以在两者上导入常用模块（例如）——我通过的 pythoncmd和我通过我的 IPython 笔记本访问的那个——但我dill只能在我访问的 python 上导入cmd而不是在我的 IPython 笔记本中。

我一直在试图弄清楚GridSearchCV的best_score_参数是如何计算的(换句话说,它是什么意思).该文件说:

左侧数据的best_estimator得分.

所以,我试着将它翻译成我理解的东西并计算实际"y"的r2_score和每个kfold的预测ys - 并得到不同的结果(使用这段代码):

test_pred = np.zeros(y.shape) * np.nan 
for train_ind, test_ind in kfold:
    clf.best_estimator_.fit(X[train_ind, :], y[train_ind])
    test_pred[test_ind] = clf.best_estimator_.predict(X[test_ind])
r2_test = r2_score(y, test_pred)

我到处寻找有关best_score_的更有意义的解释,但找不到任何东西.有人愿意解释吗？

谢谢

我想在每次将.csv文件加载到数据帧时创建新行时获取行数:

def file_len(fname):
    with open(fname) as f:
        for i, l in enumerate(f):
            pass
    return i + 1

csv_path = "C:/...."
max_length = file_len(csv_path)

data = read_csv(csv_path, sep=';', encoding='utf-8')

使用该代码,我获得了最大行数,但我不知道如何在每次创建一行时获取数据帧中的行数.我想用它们来制作0-100%的进度条

我正在尝试实现自己的Imputer.在某些条件下,我想过滤一些列车样本(我认为质量低).

但是,因为该transform方法只返回X而不是y,并且y本身是一个numpy数组(我无法根据我的知识过滤),而且 - 当我使用时GridSearchCV- y我的transform方法收到的是None,我不能似乎找到了办法.

只是为了澄清:我非常清楚如何过滤数组.我找不到一种方法来将y矢量上的样本过滤适合当前的API.

我真的想从一个BaseEstimator实现中做到这一点,以便我可以使用它GridSearchCV(它有一些参数).我是否错过了实现样品过滤的不同方式(不是通过BaseEstimator,而是GridSearchCV顺从)？目前的API有什么办法吗？

低于Slice和手动反向操作之间的性能差异.如果是这种情况,那是什么原因？

timeit.timeit("a[::-1]","a=[1,2,3,4,5,6]",number=100)
6.054327968740836e-05

timeit.timeit("[a[i] for i in range(len(a)-1,-1,-1)]","a=[1,2,3,4,5,6]",number=100)
0.0003132152330920235

我有一种情况，我想强制从某个（抽象）类继承的每个类来实现一个方法。这是我通常会使用@abstractmethod 实现的目标。但是，考虑到这种多重继承的情况：

from abc import ABCMeta, abstractmethod
class A(object):
    __metaclass__ = ABCMeta

    @abstractmethod
    def very_specific_method(self):
        pass

class B(A):
    def very_specific_method(self):
        print 'doing something in B'

class C(B):
    pass

我也想强制C实施该方法。我希望每个直接或间接继承 A 的类都被强制实现该方法。这可能吗？

澄清：我希望这适用于特定方法，而不是所有抽象方法。抽象方法应该继续以相同的方式工作，但也许应该创建一个新的装饰器来指示不同类型的方法。

旁注：我在问题中使用了 abc，因为这似乎与该问题最相关。我了解抽象方法通常如何工作并定期使用它们。这是一种不同的情况，我不介意不是通过 abc 完成的。