我已经看过这个问题了:pandas在dict的数据框架中创建了命名列.但是,我的例子略有不同.

我有一本字典: my_dict = {'key1' : [1,2,3], 'key2' : [4,5,6], 'key3' :[7,8,9]}

我创建了一个pandas数据帧:df = pd.DataFrame.from_dict(my_dict, orient='index')这是面向行的.但是,写作时columns = ['one', 'two', 'three']我得到一个错误,如上面的链接.

我怎么命名他们？

我正在尝试解决时间序列预测问题.我尝试使用ANN和LSTM,使用各种参数进行了很多练习,但我能得到的只比持久性预测好8%.

所以我想知道:因为你可以在keras中保存模型; 是否有任何预先训练的模型(LSTM,RNN或任何其他ANN)用于时间序列预测？如果是这样,我怎么得到它们？在Keras有吗？

我的意思是,如果有一个包含经过预先训练的模型的网站,那将非常有用,这样人们就不必花太多时间训练它们.

同样,另一个问题:

是否可以执行以下操作？假设我现在有一个数据集,我用它来训练我的模型.假设在一个月内,我将访问另一个数据集(对应于相同的数据或类似数据,将来可能,但不是唯一的).那么继续训练模型是否可能？与批量培训不同.当您分批进行时,您可以在一瞬间获得所有数据.可能吗？如何？

我只是运行以下命令来创建Conda环境:

conda create -n tensorflow python=3.5

但是,我现在要删除它.当我尝试做:

conda remove -n tensorflow

要么

conda remove --name tensorflow

我收到以下错误:

CondaValueError: no package names supplied,
       try "conda remove -h" for more details

但是,如果我试着看看我有哪些环境,我可以看到:

base                  *  C:\Users\Me\Anaconda3
flask_env                C:\Users\Me\Anaconda3\envs\flask_env
tensorflow               C:\Users\Me\Anaconda3\envs\tensorflow

我的想法是,我已经使用包tensorflow的相同名称调用了环境..即使我没有在"基础"环境中安装tensorflow

我正在我的大学参加数值分析课程。我们正在研究LU 分解。在看我的讲师之前，我尝试实现我的版本。我认为我的速度非常快，但实际上比较它们，我的讲师版本即使使用循环也要快得多！这是为什么？

讲师版

def LU_decomposition(A):
    """Perform LU decomposition using the Doolittle factorisation."""

    L = np.zeros_like(A)
    U = np.zeros_like(A)
    N = np.size(A, 0)

    for k in range(N):
        L[k, k] = 1
        U[k, k] = (A[k, k] - np.dot(L[k, :k], U[:k, k])) / L[k, k]
        for j in range(k+1, N):
            U[k, j] = (A[k, j] - np.dot(L[k, :k], U[:k, j])) / L[k, k]
        for i in range(k+1, N):
            L[i, k] = (A[i, k] - np.dot(L[i, :k], U[:k, k])) / U[k, …

语境

我有几点

 points = np.random.uniform(0,10, size = (10,2))
# array([[ 7.35906037,  6.50049804],
       [ 3.21883403,  3.81452312],
       [ 3.52107154,  1.68233797],
       [ 1.47699577,  6.01692348],
       [ 3.76051589,  0.25213394],
       [ 8.93701081,  5.20377479],
       [ 6.5347188 ,  2.12940006],
       [ 3.62550069,  5.80619507],
       [ 1.33393325,  5.0088937 ],
       [ 6.99034593,  7.40277623]])

并对其进行“分类”或标记。这意味着我有一个清单

    labels = np.random.randint(0,3, size = 10)
  # array([2, 0, 1, 2, 2, 1, 1, 0, 1, 2])

它代表中每个点的标签（按顺序）points。

我也有一些要点

    extraPoints = np.random.uniform(0,10, size = (3,2))
# array([[ 1.91211141,  3.71208978],
#   [ 8.10463536,  1.88948511],
#   [ 9.79796593, …

问题陈述

geom_bar有没有办法改变条形图中条形内部的透明度ggplot2？基本上我想让“填充”比“颜色”更透明。

最小工作示例

# Create fake data
df <- data.frame(language=c("Python", "Python", "R", "Julia", "R"), 
                 filetype=c("Script", "Notebook", "Notebook", "Script", "Script"), 
                 count=c(3,10,4,2,1))
# Make a barplot with ggplot
ggplot(data=df) +
 geom_bar(aes(x=filetype, y=count, fill=language), position="dodge", stat="identity")

我尝试使用alpha外部，aes()但它只是使一切变得透明。如果您还可以使这种透明度变化出现在图例中，那就加分了！

解决方案

我想我可能已经找到了解决方案。诀窍是添加color=language到aes(). 我认为这有效地将填充颜色与轮廓颜色分开。这样，当我们alpha在里面设置value的时候geom_bar就可以得到想要的效果了。这是完整的例子

# Create fake data
df <- data.frame(language=c("Python", "Python", "R", "Julia", "R"), 
                 filetype=c("Script", "Notebook", "Notebook", "Script", "Script"), 
                 count=c(3,10,4,2,1))
# Make a barplot with ggplot
ggplot(data=df) +
 geom_bar(aes(x=filetype, y=count, fill=language, …

我的问题

假设我有

a = np.array([ np.array([1,2]), np.array([3,4]), np.array([5,6]), np.array([7,8]), np.array([9,10])])
b = np.array([ np.array([5,6]), np.array([1,2]), np.array([3,192])])

它们是两个大小不同的数组，包含其他数组（内部数组的大小相同！）

我想计算b中有多少项（即内部数组）。请注意，我没有考虑他们的位置！

我怎样才能做到这一点？

我的尝试

count = 0
for bitem in b:
     for aitem in a:
         if aitem==bitem:
               count+=1

有没有更好的办法？特别是一行，也许有些理解。

我试图写一个MLP与TensorFlow（我刚开始学，所以对代码的歉意！）的多元回归（无MNIST，请）。这是我的MWE，我在这里选择使用sklearn的linnerud数据集。（实际上，我使用的是更大的数据集，在这里我只使用了一层，因为我想使MWE较小，但如有必要，可以添加）。顺便说一下，我之所以使用它shuffle = False，train_test_split是因为实际上我正在使用时间序列数据集。

微机

######################### import stuff ##########################
import numpy as np
import pandas as pd
import tensorflow as tf
from sklearn.datasets import load_linnerud
from sklearn.model_selection import train_test_split


######################## prepare the data ########################
X, y = load_linnerud(return_X_y = True)
X_train, X_test, y_train, y_test = train_test_split(X, y, shuffle = False, test_size = 0.33)


######################## set learning variables ##################
learning_rate = 0.0001
epochs = 100
batch_size = 3


######################## set …

所以我在这里关注了几个帖子，比如这个。

所以我已经用 Anaconda 安装了 python 3.6。然后我进入 PATH 并插入 Python 的路径。

所以现在当我输入cmd“python”时，我得到了响应

Python 3.6.3 |Anaconda custom (64-bit)| (default, Oct 15 2017, 03:27:45) [MSC v.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>>

但是，如果我输入“python3”，我会遇到常见的问题

'python3' is not recognized as an internal or external command,
operable program or batch file.

这是为什么？

如何转换像上面这样的行向量 ( 1x3)

a = [1 2 3];

进入列向量？