小编Goi*_*Way的帖子

我想通过网络浏览器远程访问笔记本电脑服务器,以下显示我如何设置我的笔记本电脑服务器:

1.生成配置文件

$ jupyter-notebook --generate-config
$?cd ~/.jupyter

2.使用以下命令创建SSL证书(Linux和Windows).

req -x509 -nodes -days 365 -newkey rsa:1024 -keyout mycert.pem -out mycert.pem

3.编辑配置文件的配置文件,即jupyter_notebook_config.py生成的密码.

c = get_config()

# You must give the path to the certificate file.
c.NotebookApp.certfile = u'/home/azureuser/.jupyter/mycert.pem'

# Create your own password as indicated above
c.NotebookApp.password = u'sha1:b86e933199ad:a02e9592e5 etc... '

# Network and browser details. We use a fixed port (9999) so it matches
# our Azure setup, where we've allowed :wqtraffic on that port
c.NotebookApp.ip = …

在Python中，对于日语、中文和韩语，Python无法打印正确的字符串，例如hello日语、韩语和中文的字符串是：

\xe3\x81\x93\xe3\x82\x93\xe3\x81\xab\xe3\x81\xa1\xe3\x81\xaf\n\xec\x95\x88\xeb\x85\x95\xed\x95\x98\xec\x84\xb8\xec\x9a\x94\n\xe4\xbd\xa0\xe5\xa5\xbd\n

并打印这些字符串：

In [1]: f = open('test.txt')\n\nIn [2]: for _line in f.readlines():\n   ...:     print(_line)\n   ...:     \n\xe3\x81\x93\xe3\x82\x93\xe3\x81\xab\xe3\x81\xa1\xe3\x81\xaf\n\n\xec\x95\x88\xeb\x85\x95\xed\x95\x98\xec\x84\xb8\xec\x9a\x94\n\n\xe4\xbd\xa0\xe5\xa5\xbd\n\n\nIn [3]: f = open('test.txt')\n\nIn [4]: print(f.readlines())\n[ '\\xe3\\x81\\x93\\xe3\\x82\\x93\\xe3\\x81\\xab\\xe3\\x81\\xa1\\xe3\\x81\\xaf\\n', '\\xec\\x95\\x88\\xeb\\x85\\x95\\xed\\x95\\x98\\xec\\x84\\xb8\\xec\\x9a\\x94\\n', '\\xe4\\xbd\\xa0\\xe5\\xa5\\xbd\\n']\n\nIn [5]: a = '\xe4\xbd\xa0\xe5\xa5\xbd'\n\nIn [6]: a\nOut[6]: '\\xe4\\xbd\\xa0\\xe5\\xa5\\xbd'\n

我的Python版本是2.7.11，操作系统是Ubuntu 14.04

如何处理这些'\\xe4\\xbd\\xa0\\xe5\\xa5\\xbd\\n'字符串。

谢谢！

显示我的代码

>>> df = pd.DataFrame({'key1': ['a', 'a', 'b', 'b', 'a'], \
                   'key2': ['one', 'two', 'one', 'two', 'one'], \
                   'data1': np.random.randn(5), \
                   'data2': np.random.randn(5)})

>>> new_df = df.groupby(['key1', 'key2']).mean().unstack()
>>> print new_df
         data1               data2
key2       one       two       one       two
key1
a    -0.070742 -0.598649 -0.349283 -1.272043
b    -0.109347 -0.097627 -0.641455  1.135560 
>>> print new_df.columns
MultiIndex(levels=[[u'data1', u'data2'], [u'one', u'two']],
       labels=[[0, 0, 1, 1], [0, 1, 0, 1]],
       names=[None, u'key2'])

如您所见,MultiIndex数据帧与普通数据帧不同,因此如何访问MultiIndex数据帧中的数据.

目前,我的表有超过10000000个记录,并且有一个名为的列ID,如果ID在给定列表中,我想用新值更新名为'3rd_col' 的列.

我用.loc,这是我的代码

for _id in given_ids:
    df.loc[df.ID == _id, '3rd_col'] = new_value

但是上面代码的性能很慢,如何才能提高更新值的性能呢？

对不起,这里我想更具体地说明我的问题,不同的id根据函数分配不同的值,并且大约有4列要分配.

for _id in given_ids:
    df.loc[df.ID == _id, '3rd_col'] = return_new_val_1(id)
    df.loc[df.ID == _id, '4rd_col'] = return_new_val_2(id)
    df.loc[df.ID == _id, '5rd_col'] = return_new_val_3(id)
    df.loc[df.ID == _id, '6rd_col'] = return_new_val_4(id)

我想将所有的string值转换Pandas DataFrame成float,我可以定义一个简短的函数来做到这一点,但它不是Pythonic的方法.我的DataFrame看起来像这样:

>>> df = pd.DataFrame(np.array([['1', '2', '3'], ['4', '5', '6']]))
>>> df
   0  1  2
0  1  2  3
1  4  5  6
>>> df.dtypes
0    object
1    object
2    object
dtype: object
>>> type(df[0][0])
<type 'str'>

我只是想知道是否有一些内置函数Pandas DataFrame将所有string值转换为float.如果你知道Pandas doc上的内置函数,请发布链接.

我已经阅读了两个函数的文档,但据我所知,对于函数tf.nn.softmax_cross_entropy_with_logits(logits, labels, dim=-1, name=None),结果是交叉熵损失,其中维度logits和维度labels相同.

但是,对于功能tf.nn.sparse_softmax_cross_entropy_with_logits,尺寸logits和labels不一样？

你能举个更详细的例子tf.nn.sparse_softmax_cross_entropy_with_logits吗？

在文档中,predict_proba(self, x, batch_size=32, verbose=1)是

逐批生成输入样本的类概率预测.

并返回

Numpy概率预测数组.

假设我的模型是二元分类模型,输出是[a, b],a是概率class_0,b是概率class_1？

我阅读了tf.one_hot的文档并发现了

...... 新轴在尺寸轴上创建(默认值:新轴附加在末尾).

什么是The new axis？

如果indices是长度要素的向量,则输出形状将为:

如果轴== -1,则为x深度

深度x特征如果轴== 0

如果indices是具有形状[batch,features]的矩阵(批处理),则输出形状将为:

如果轴== -1,批次x的特征为x深度

如果轴== 1,则批量x深度x特征

深度x批次x特征如果轴== 0

为什么输出的形状由轴定义？

我创建了一些结算帐户，但我想删除一些，如您在图片中看到的那样，我想删除BillingAccount1，BillingAccount2因为 Google 告诉我这些帐户存在一些问题。

在文档中，我确实在系统上找到了删除按钮。

我像这样定义了一个张量

t_shape = [4, 1]
data = torch.rand(t_shape)

我想对每一行应用不同的函数。

funcs = [lambda x: x+1, lambda x: x**2, lambda x: x-1, lambda x: x*2]  # each function for each row.

我可以用下面的代码来做到这一点

d = torch.tensor([f(data[i]) for i, f in enumerate(funcs)])

如何使用 PyTorch 中定义的更高级 API 以正确的方式完成此操作？