小编gol*_*ine的帖子

我有两个数据向量,我已将它们放入matplotlib.scatter().现在,我想过度拟合这些数据的线性拟合.我该怎么做？我尝试过使用scikitlearn和np.scatter.

在我的架构中,我想识别某些模式以限制用户可以输入的数据类型.我用正则表达式来限制哪些用户可以进入,但是当我尝试使用在线验证这样来验证JSON的正则表达式得到标记一个.

有没有办法让验证器忽略不同意它的正则表达式特殊字符,但仍保留正则表达式？

奇怪的是验证器只在某些情况下跳闸.例如,它标记第二个而不是正则表达式的第一个实例,尽管它们在这里是相同的:

            "institutionname": {
                "type": "string",
                "description": "institution name",
                "label": "name",
                "input-type": "text",
                "pattern": "^[A-Za-z0-9\s]+$"
            },
            "bio": {
                "type": "string",
                "label": "bio",
                "input-type": "text",
                "pattern": "^[A-Za-z0-9\s]+$",
                "help-box": "tell us about yourself"
            },

我有一个pandas数据帧,并希望删除所有列保存索引和一个名为'bob'的列

我该怎么做？

我有一个值向量,我想将其显示为饼图.矢量由1,2和3组成,我希望我的饼图显示矢量中1,2和3的百分比以及区域的标签.1是民主党人,2人是共和党人,3人是独立党人.我一直在使用的向量是数据帧的列.虽然我使用as.numeric()和as.factor()传递了它,但可能存在一些类型问题.

这是df的一个例子(注意,正如你在代码中看到的那样,我在第7章中有所讨论):

  Q6 Q7 Q8 Q9
3 30  3  5  1
4 30  3  5  1
5 65  3  2  2
6 29  3  5  1
7 23  1  4  1
8 24  1  5  1

这是我一直在尝试的代码:

install.packages('ggplot2')
library(ggplot2)

# pie graph for party
pie <- ggplot(data=data, aes(x = as.factor(data$Q7), fill = factor(cyl)))
pie + coord_polar(theta = "y")

它返回一个错误:'没有图中的图层'

谢谢您的帮助!

格式化分类预测器以在STAN中使用的正确方法是什么？我似乎无法将分类预测器输入为正常因子变量,那么转换正常分类变量以便STAN可以接受它的最快方法是什么？

例如,假设我有一个继续预测器和类似这样的分类预测器:

     income      country
1  62085.59      England
2  60806.33      England
3  60527.27      England
4  67112.64          USA
5  57675.92          USA
6  58128.44          USA
7  60822.47 South Africa
8  55805.80 South Africa
9  63982.99 South Africa
10 64555.45      Belgium

我如何准备将其输入rstan？

我想在input.txt中获取这一列的单词:

Suzuki music
Chinese music
Conservatory
Blue grass
Rock n roll
Rhythm
Composition
Contra
Instruments 

进入这种格式:

"suzuki music", "chinese music", "conservatory music", "blue grass", "rock n roll", "rhythm"...

这段代码:

with open ('artsplus_stuff.txt', 'r') as f:
    list.append(", ".join(['%s' % row for row in f.read().splitlines()]))
    for item in list:
        item.lower()

print list

返回一个列表,但第一个字母大写.

['铃木音乐,中国音乐,音乐学院,蓝草,摇滚,节奏,作曲,对比,乐器']

如何将所有物品放低？

谢谢!

答案不在此列表中:

Chess
Guitar
Woodworking
Gardening
Car_restoration
Metalworking
Marksman
Camping
Backpacking_(wilderness)
Hunting
Fishing
Whittling
Geocaching
Sports
Model_Building
Leatherworking
Bowling
Archery
Hiking
Connoisseur
Photography
Pool_(cue_sports)
Mountaineering
Cooking
Blacksmith …

我如何得到这样的数据帧:

soccer_player country position
"sam"         USA     left defender
"jon"         USA     right defender
"sam"         USA     left midfielder
"jon"         USA     offender
"bob"         England goalie
"julie"       England central midfielder
"jane"        England goalie

看起来像这样(每个国家/地区拥有独特玩家数量的国家/地区):

country player_count
USA     2
England 3

显而易见的复杂因素是每个玩家有多个观察,所以我不能简单table(df$country)地获得每个国家的观察数量.

我一直在玩table()和merge()功能,但没有运气.

如何从使用rpart的回归树生成预测区间？

据我所知,回归树以叶节点的平均值为条件对响应进行建模.我不知道如何从模型中获得叶节点的方差,但我想要做的是使用叶节点的均值和方差来模拟以获得预测间隔.

Predict.rpart()没有给出interval的选项.

示例:我使用虹膜数据拟合树,但是预测没有选项,"间隔"

> r1 <- rpart(Sepal.Length ~ ., cp = 0.001, data = iris[1:nrow(iris)-1,])
> predict(r1,newdata=iris[nrow(iris),],type = "interval")
Error in match.arg(type) : 
  'arg' should be one of “vector”, “prob”, “class”, “matrix”

当我导入.gexf文件时,它会标记一堆平行边.我不知道平行边是什么以及为什么我的图有问题.我正在尝试创建一个动态的gephi图.

我无法使用基于此帖子的 R和指导来聚类标准错误.cl函数返回错误:

Error in tapply(x, cluster1, sum) : arguments must have same length

在阅读之后,tapply我仍然不确定为什么我的群集参数是错误的长度,以及导致此错误的原因.

这是我正在使用的数据集的链接.

https://www.dropbox.com/s/y2od7um9pp4vn0s/Ec%201820%20-%20DD%20Data%20with%20Controls.csv

这是R代码:

# read in data
charter<-read.csv(file.choose())
View(charter)
colnames(charter)

# standardize NAEP scores
charter$naep.standardized <- (charter$naep - mean(charter$naep, na.rm=T))/sd(charter$naep, na.rm=T)

# change NAs in year.passed column to 2014
charter$year.passed[is.na(charter$year.passed)]<-2014

# Add column with indicator for in treatment (passed legislation)
charter$treatment<-ifelse(charter$year.passed<=charter$year,1,0)

# fit model
charter.model<-lm(naep ~ factor(year) + factor(state) + treatment, data = charter)
summary(charter.model)
# account for clustered standard errors by state …