我正在学习如何将 Django 框架用于一个工作项目，该框架将允许用户加载各种格式的文件（目前我只处理 CSV 文件），使用Pandas绘制该数据，并将该数据显示回用户通过 Django 模板。我在 iPython 中创建图形没有遇到任何问题，但一直在努力将其转换为 HTML Django 模板。
我遵循了以下示例matplotlib：
# graph input file
from matplotlib.backends.backend_agg import FigureCanvasAgg as FigureCanvas
from matplotlib.figure import Figure
from matplotlib.dates import DateFormatter
def graph(request):
fig = Figure()
ax = fig.add_subplot(111)
x = []
y = []
now = datetime.datetime.now()
delta = datetime.timedelta(days=1)
for i in range(10):
x.append(now)
now += delta
y.append(random.randint(0, 1000))
ax.plot_date(x, y, '-')
ax.xaxis.set_major_formatter(DateFormatter('%Y-%m-%d'))
fig.autofmt_xdate()
canvas = FigureCanvas(fig)
response = HttpResponse( content_type = 'image/png')
canvas.print_png(response) …我正在使用sklearn和Keras的组合与Theano作为后端运行.我正在使用以下代码 -
import numpy as np
import pandas as pd
from pandas import Series, DataFrame
import keras
from keras.callbacks import EarlyStopping, ModelCheckpoint
from keras.constraints import maxnorm
from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras.optimizers import SGD
from keras.wrappers.scikit_learn import KerasClassifier
from keras.constraints import maxnorm
from keras.utils.np_utils import to_categorical
from sklearn.model_selection import cross_val_score
from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import StratifiedKFold
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline
from sklearn.model_selection import train_test_split
from datetime import datetime
import …所以我有以下代码-
params = {'n_estimators': [1000, 2000], 'max_depth': [10, 20], 'min_samples_split': [2, 3],
'learning_rate': [0.1, 0.05, 0.01], 'loss': ('ls', 'huber', 'lad', 'quantile'), 'verbose': [1]}
gbr = ensemble.GradientBoostingRegressor()
clf = GridSearchCV(gbr, params)
而且，尽管我认为我没有考虑太多，但确定最佳参数需要很长时间。观看了几个小时后，我看到了很棒的实例（verbose:[1]）并希望阻止它继续下去。我不想早上再回来处理这件事并希望它已经完成。我想现在就完成它，同时又不想浪费在此过程中调整的时间。
有没有一种安全的方法可以让我停止调整并仍然获得最佳结果？
我不希望文件保存在我的服务器上,我只想在下一页中读取和打印文件.现在我有这个.
(index.html)
<form name="fileUpload" method="post">
<input type="file" />
<input type="submit" value="Submit" />
</form>
而我正试图做这样的事情 -
def upload_file(request):
if request.method == "POST":
upload = request.POST.get('fileUpload').read()
return render(request, 'directory/return.html', {'output': upload})
else:
return render(request, 'directory/index.html')
但显然这是行不通的.我希望它适用于文本文件和csv文件.
谢谢.
我试图通过我的Django应用程序运行以下R代码,最终结果是在Python Django网页中打印的R图.这是R的代码.
t=read.table(file=file("request.FILES['fileUpload']"))
colnames(t) <- c('x', 'y')
t = data.frame(t)
fit1 = lm(y ~ x, data = t)
par(mfrow=c(1,1))
plot(x=t$x, y=t$y, xlab="x", ylab="y", main="Simple Linear Regression", xlim=c(0,100), ylim=c(0,6), par=20)
abline(fit1, col="red")
这是我想在Django函数中实现的东西.
from django.shortcuts import render, HttpResponse
import pandas as pd
def upload_files(request):
if request.method == 'POST':
upload = pd.read_table(request.FILES['fileUpload'])
<< Run R Code Here and return the graph >>
response = RGraph
return response
OR
return render(request, 'Regression/index.html', {'graph':response})
return render(request, 'Regression/index.html')
HTML代码如下.
<html>
<title>Import File</title>
<body>
<h1>Import File</h1> …所以我的问题是我正在运行TensorFlow教程中的初学者级别代码,并根据我的需要对其进行了修改,但是当我使用它print sess.run(accuracy, feed_dict={x: x_test, y_: y_test})时总是打印出1.0,现在它总是猜测0并打印出~93%准确性.当我使用时tf.argmin(y,1), tf.argmin(y_,1),它会猜测所有1并且产生约7%的准确率.将两者相加,它等于100%.我不知道如何tf.argmin猜测1并tf.argmax猜测0.显然代码有问题.请看一下,让我知道我可以做些什么来解决这个问题.我认为在培训期间代码出错了,但我可能错了.
import tensorflow as tf
import numpy as np
from numpy import genfromtxt
data = genfromtxt('cs-training.csv',delimiter=',') # Training data
test_data = genfromtxt('cs-test.csv',delimiter=',') # Test data
x_train = []
for i in data:
x_train.append(i[1:])
x_train = np.array(x_train)
y_train = []
for i in data:
if i[0] == 0:
y_train.append([1., i[0]])
else:
y_train.append([0., i[0]])
y_train = np.array(y_train)
where_are_NaNs = isnan(x_train)
x_train[where_are_NaNs] = 0
x_test = []
for i …我有122个唯一值的字典。我为程序提供了45,000条记录和33个数据点，以供您在预测输出内容时参考。我注意到的只是预言[[1.]...]。我需要它来预测1的2的3的...直到122。所有的都是浮点数，所以我不知道这是否重要。
这是我的代码-
Y = faults['FAILMODE']
del faults['FAILMODE']
X = faults
len(Y.FAILMODE.unique())
122
这就是我打算将输出与实际字符串值（例如“排气”）相关联的方式
classes = {}
n = 1.
for u in Y:
if u not in classes:
classes[n] = u
n += 1.
else:
n += 1.
我使用它将所有数据转换为DataFrame中的唯一浮点数。
for col in X:
values = pd.Series(X[col])
X[col] = (values.factorize()[0]+1).astype('float')
Y = (Y.factorize()[0]+1).astype('float')
Y = pd.DataFrame(Y, columns = ['FAILMODE'])
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.33)
X_train = X_train.as_matrix()
X_test = X_test.as_matrix()
Y_train = Y_train.as_matrix()
Y_test = Y_test.as_matrix() …这是我的代码：
model = Sequential()
model.add(Dense(50, input_dim=33, init='uniform', activation='relu'))
for u in range(3): #how to efficiently add more layers
model.add(Dense(33, init='uniform', activation='relu'))
model.add(Dense(122, init='uniform', activation='sigmoid'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
#This line of code is an update to the question and may be responsible
model.fit(X_train, Y_train, nb_epoch=35, batch_size=20, validation_split=0.2, callbacks=[EarlyStopping(monitor='val_loss', patience=10)])
它正在运行 Epochs 并且准确性越来越好，但随后损失开始变得 nan 并且准确性下降了很多。我也使用过model.predict并从中得到了错误。
有人解决了吗？
我的问题是我的数据不能很好地表示实际情况,因为它有很多重复的行.考虑以下-
a b
1 23 42
2 23 42
3 23 42
4 14 12
5 14 12
我只想要1行并消除所有重复.它完成后应该如下所示.
a b
1 23 42
2 14 12
有这个功能吗？
python ×9
django ×3
keras ×3
numpy ×3
pandas ×3
data-science ×2
csv ×1
dataframe ×1
grid-search ×1
matplotlib ×1
r ×1
scikit-learn ×1
tensorflow ×1