小编zth*_*.nc的帖子

我有一个现有的Flask应用程序,我希望有一个到另一个应用程序的路由.更具体地说,第二个应用程序是Plotly Dash应用程序.如何在现有的Flask应用程序中运行我的Dash应用程序？

@app.route('/plotly_dashboard') 
def render_dashboard():
    # go to dash app

我还尝试添加一个到Dash实例的路由,因为它是一个Flask应用程序,但我收到错误:

AttributeError: 'Dash' object has no attribute 'route'

当我尝试使用virtualenv venv来自终端的命令使用python创建虚拟环境时,我收到以下错误:

Using base prefix '/Users/zacharythomas/anaconda3'
New python executable in /Users/zacharythomas/venv/bin/python
dyld: Library not loaded: @rpath/libpython3.6m.dylib
Referenced from: /Users/zacharythomas/venv/bin/python
Reason: image not found
ERROR: The executable /Users/zacharythomas/venv/bin/python is not functioning
ERROR: It thinks sys.prefix is '/Users/zacharythomas' (should be '/Users/zacharythomas/venv')
ERROR: virtualenv is not compatible with this system or executable

我不是第一个遇到类似错误的人 - 我尝试按照这个答案的建议并运行:

gfind ~/.virtualenvs/my-virtual-env/ -type l -xtype l -delete

这没有用.也没有sudo virtualenv venv像超级用户一样运行命令.

我接下来应该调查什么？

我在R中有一个停用词的字符向量:

stopwords = c("a" ,
            "able" ,
            "about" ,
            "above" ,
            "abst" ,
            "accordance" ,
            ...
            "yourself" ,
            "yourselves" ,
            "you've" ,
            "z" ,
            "zero")

假设我有字符串:

str <- c("I have zero a accordance")

如何删除我定义的停用词str？

我认为gsub或其他grep工具可能是一个很好的选择,尽管其他建议是受欢迎的.

双方!并%允许您从一个Jupyter笔记本运行shell命令.

%提供由IPython的内核,并允许您运行"神奇的命令",其中许多包括知名的shell命令.!由Jupyter提供,允许shell命令在单元格内运行.

我没有找到太多的比较两者,并且对于简单的shell命令等cd,我看到的主要区别%是交互式的,实际上会在笔记本中改变你在shell 中的位置.

在考虑在Jupyter笔记本中使用哪个符号用于shell命令时,还有其他的对比点或规则吗？

为什么我们安装scikit-learn包:

conda install scikit-learn 

但是然后使用名称在脚本中导入(模块)包sklearn,例如:

from sklearn import x

我想在Google工作表中写一个公式，以便可以附加到按钮上，以使1每次单击该单元格中的值都会增加。 这是我在该主题上能找到的最好的。

我试图这样做，但无济于事。我正在使用Windows 7和Chrome。

(如果答案确实是R如何使用二进制数来存储小小数,那么仍然会喜欢听到有关为什么会发生这种情况的人的详细信息)

我用R来计算总和,特别是这个:

这是我的R代码:

r = 21 #Number of times the loop executes 
n = 52 
sum = 0 #Running total 
for(k in 0:r){
  sum = sum + (1-(choose(2^(k), n)*(factorial(n)/(2^(n*k)))))
  print(sum)
}

如果你看一下输出,你会注意到:

[1] 1
[1] 2
...
[1] 11.71419
[1] 11.71923
[1] 11.72176
[1] 12.72176
[1] 13.72176

为什么在第19次迭代后它开始递增1？

还有其他免费提供的计算引擎更适合这项任务吗？

我正在使用python 2.7获取数据框的数字列，data并将其设为具有日期索引的单个对象（系列），该日期是的另一列data。

new_series = pd.Series(data['numerical_column'] , index=data['dates'])

但是，当我这样做时，我NaN在系列中得到了一堆值：

dates
1980-01-31   NaN
1980-02-29   NaN
1980-03-31   NaN
1980-04-30   NaN
1980-05-31   NaN
1980-06-30   NaN
...

为什么我的numerical_data价值观消失了？

我知道通过执行以下操作显然可以实现此目标，尽管我很好奇为什么最初的方法失败了。

new_series = data.set_index('dates')['numerical_column']

我的朋友和我执行的代码这一行Python 2和Python 3：

import numpy as np  
mat = np.array([[1,0,0],[-1,3,3],[1,2,2]]) 
np.linalg.inv(mat)

返回：

array([[  1.00000000e+00,   0.00000000e+00,   0.00000000e+00],
   [  1.50119988e+16,   6.00479950e+15,  -9.00719925e+15],
   [ -1.50119988e+16,  -6.00479950e+15,   9.00719925e+15]])

这是奇怪的给定：

np.linalg.matrix_rank(mat)

返回2，从而表明矩阵不可逆。

我从这个线程中了解到这可能是由于 numpy 和 python 处理浮点数的方式，尽管我的矩阵由整数组成。

是否有特殊原因mat会破坏 numpy 的反向实现？

已经提出了这个问题的变体（请参阅这个问题），但我还没有找到一个好的解决方案，这似乎是groupbyPandas 中的常见用例。

假设我有数据框lasts并且分组依据user：

lasts = pd.DataFrame({'user':['a','s','d','d'],
                   'elapsed_time':[40000,50000,60000,90000],
                   'running_time':[30000,20000,30000,15000],
                   'num_cores':[7,8,9,4]})

我有这些我想要应用的函数groupby_obj（这些函数的作用并不重要，我编写了它们，只需知道它们需要数据框中的多个列）：

def custom_func(group):
    return group.running_time.median() - group.num_cores.mean()

def custom_func2(group):
    return max(group.elapsed_time) -min(group.running_time) 

我可以将apply这些函数中的每一个单独地添加到数据帧，然后合并生成的数据帧，但这似乎效率低下，不优雅，我想必须有一个单行解决方案。

我还没有真正找到一个，尽管这篇博客文章（在页面底部搜索“创建一个函数来获取一组统计数据”）建议将这些函数作为字典包装到一个函数中：

def get_stats(group):
    return {'custom_column_1': custom_func(group), 'custom_column_2':custom_func2(group)}

但是，当我运行代码时，我得到的是一列字典结果，groupby_obj.apply(get_stats)而不是列：

user
a    {'custom_column_1': 29993.0, 'custom_column_2'...
d    {'custom_column_1': 22493.5, 'custom_column_2'...
s    {'custom_column_1': 19992.0, 'custom_column_2'...
dtype: object

user custom_column_1    custom_column_2
a    29993.0                10000
d    22493.5                75000
s    19992.0                30000