小编Ale*_*erg的帖子

将函数应用于Pandas索引的最佳方法是什么DataFrame？目前我正在使用这种冗长的方法:

pd.DataFrame({"Month": df.reset_index().Date.apply(foo)})

其中Date是索引foo的名称,是我正在应用的函数的名称.

有没有简单的方法来验证docker-compose文件(docker-compose.yml又名fig.yml)的语法等,而不必正确运行docker？

我正在尝试向我的构建/测试管道添加快速检查以验证我的撰写文件.

我在我的Django模型中添加了一个新的,不可为空的字段,并尝试使用迁移来部署该更改.如何将现有模型的默认值设置为这些模型的某些函数而不是常量？

举一个例子,假设我之前有一个created_on字段,我刚刚添加了一个updated_on字段,其值我想先设置为模型created_on.我如何在迁移中执行此操作？

这就是我想要开始的:

    migrations.AddField(
        model_name='series',
        name='updated_as',
        field=models.DateTimeField(default=????, auto_now=True),
        preserve_default=False,
    ),

如果我的模型看起来像:

class Publisher(models.Model):
    pass

class Book(models.Model):
    publisher = models.ForeignKey(Publisher)

class Page(models.Model):
    book = models.ForeignKey(Book)

我想得到Publisher我的查询集Publisher.object.all().如果那时想确保预取我可以做:

Publisher.objects.all().prefetch_related('book_set')`

我的问题是:

1. 有没有办法使用select_related或必须使用预取prefetch_related？
2. 有没有办法预取 page_set？这不起作用:

Publisher.objects.all().prefetch_related('book_set', 'book_set_page_set')

我目前有一个DataFrame布局:

        Jan Feb Mar Apr ...
2001    1   12  12  19  
2002    9   ...
2003    ...

我想"取消"数据看起来像:

Date    Value
Jan 2001    1
Feb 2001    1
Mar 2001    12
...
Jan 2002    9

使用pandas/NumPy实现此目的的最佳方法是什么？

目前median,Pandas的GroupBy对象上有一种方法.

有没有办法在分组上计算任意percentile(参见:http://docs.scipy.org/doc/numpy-dev/reference/generated/numpy.percentile.html)？

中位数将是百分位数的计算q=50.

我试图使用migrations.RunSQLDjango迁移来运行一些任意的SQL代码.我想仅针对某些db后端运行此迁移(例如仅针对postgres).

我想使用这样的东西,但我没有看到类中的数据库连接信息Migration.

在Django中(当使用django.contrib.auth时)我可以添加Group到另一个Group吗？即,Group是另一个成员Group？

如果是这样,我该怎么做？我将Users 添加到一个Group使用user_set,但从我收集的默认Group模型没有多少到它自己.

文档:https://docs.djangoproject.com/en/1.7/topics/auth/default/#groups

如果我打算部署一个Django + Postgres网站,我想对PaaS这样做,那么Heroku和Elastic Beanstalk将为我提供哪些主要区别？

有哪些功能但另一个没有？在两个平台上部署和维护站点的经验如何比较？

我想使用多个GPU来利用数据并行性来训练我的Tensorflow模型.

我目前正在使用以下方法培训Tensorflow模型:

x_ = tf.placeholder(...)
y_ = tf.placeholder(...)
y = model(x_)
loss = tf.losses.sparse_softmax_cross_entropy(labels=y_, logits=y)
optimizer = tf.train.AdamOptimizer()
train_op = tf.contrib.training.create_train_op(loss, optimizer)
for i in epochs:
   for b in data:
      _ = sess.run(train_op, feed_dict={x_: b.x, y_: b.y})

我想利用多个GPU以数据并行化的方式训练这个模型.即我想将我的批次分成两半并在我的两个GPU之一上运行每一批.

cifar10_multi_gpu_train似乎提供了一个很好的例子,可以创建从多个GPU上运行的图形中获取的损失,但我没有找到一个很好的例子,在使用时进行这种训练,feed_dict而placeholder不是数据加载器队列.

UPDATE

似乎:https://timsainb.github.io/multi-gpu-vae-gan-in-tensorflow.html可能会提供一个很好的例子.他们似乎average_gradients从中cifar10_multi_gpu_train.py创建了一个占位符,然后为每个GPU切片.我想你也需要分割create_train_op为三个阶段:compute_gradients,average_gradients然后apply_gradients.