小编Eul*_*ter的帖子

我在这里看：numpy

我可以看到您可以使用np.random.standard_cauchy()指定数组的命令来从标准柯西采样。

我需要从 Cauchy 中采样，它可能具有x_0 != 0和gamma != 1，即可能不位于原点，也不具有等于 1 的比例。

我怎样才能做到这一点？

我认为我的问题与这个问题或其他问题有一些共同点，但无论如何，我的问题并不是专门针对它们的。

我想，在找到某些点的 voronoi 镶嵌之后，能够检查其他给定点在镶嵌中的位置。特别是：

假设有 50 个额外点，我希望能够计算每个 voronoi 单元包含多少这些额外点。

我的 MWE

from scipy.spatial import ConvexHull, Voronoi, voronoi_plot_2d
import matplotlib.pyplot as plt

points = [[0,0], [1,4], [2,3], [4,1], [1,1], [2,2], [5,3]]
#voronoi
vor = Voronoi(points)
voronoi_plot_2d(vor)
plt.show()

现在我得到了加分

extraPoints = [[0.5,0.2], [3, 0], [4,0],[5,0], [4,3]]
# In this case we have that the first point is in the bottom left, 
# the successive three are in the bottom right and the last one
# is in the …

我有一个矩阵X,有7000列和38000行.因此它numpy array具有形状(38000, 7000).

我实例化了模型

model = RidgeCV(alphas = (0.001,0.01, 0.1, 1)

然后安装它

model.fit(X, y)

y响应向量在哪里是具有形状的numpy数组(38000,).

通过运行这个我得到一个Memory Error.

我怎么解决这个问题？

我的想法

我的第一个想法是将矩阵X"水平"划分.我的意思是,我将X划分为两个具有相同列数的矩阵(从而保留所有特征),但行数较少.那么我每次都为每个子矩阵拟合模型？但我担心这实际上不等于拟合整个矩阵.

有任何想法吗？

我玩弄了颜色图，尝试了其中的许多，并尝试在 matplotlib 和 seaborn 中制作自己的颜色图。

但是现在我想知道我使用的是哪种颜色图。我怎样才能做到这一点？有类似的命令matplotlib.whichColormap吗？

我可以选择矩阵的所有行和矩阵的一系列列，如下所示：

library(Rcpp)
cppFunction('
NumericMatrix subset(NumericMatrix x){
  return x(_, Range(0, 1));
}
')

但是，我想根据 a 选择列NumericVector y，例如，可能类似于c(0, 1, 0, 0, 1). 我试过这个：

library(Rcpp)
cppFunction('
NumericMatrix subset(NumericMatrix x, NumericVector y){
  return x(_, y);
}
')

但它不编译。我该怎么做？

我到处找，但找不到我想要的。基本上，MNIST 数据集具有像素值在范围内的图像[0, 255]。人们说，一般来说，最好做到以下几点：

• 将数据缩放到[0,1]范围。
• 将数据标准化为具有零均值和单位标准偏差(data - mean) / std。

不幸的是，没有人展示过如何做这两件事。它们都减去平均值0.1307并除以标准偏差0.3081。这些值基本上是数据集的均值和标准差除以 255：

from torchvision.datasets import MNIST        
import torchvision.transforms as transforms 

trainset = torchvision.datasets.MNIST(root='./data', train=True, download=True)
print('Min Pixel Value: {} \nMax Pixel Value: {}'.format(trainset.data.min(), trainset.data.max()))
print('Mean Pixel Value {} \nPixel Values Std: {}'.format(trainset.data.float().mean(), trainset.data.float().std()))
print('Scaled Mean Pixel Value {} \nScaled Pixel Values Std: {}'.format(trainset.data.float().mean() / 255, trainset.data.float().std() / 255))

这输出以下

Min Pixel Value: 0 
Max Pixel Value: 255
Mean Pixel Value 33.31002426147461 …

我如何确保通过0.2在每次迭代时添加我得到正确的结果？

some = 0.0
for i in 1:10
    some += 0.2
    println(some)
end

上面的代码给了我

0.2
0.4
0.6000000000000001
0.8
1.0
1.2
1.4
1.5999999999999999
1.7999999999999998
1.9999999999999998

我的最小工作示例如下:我有一个循环迭代一定次数.在每次迭代中,我想创建一个具有名称的新密钥,该密钥取决于当前索引值,例如key_j,并为其分配特定值.有没有办法做到这一点？

for j in range(10):
    dict[key_j] = j**2

谢谢

这是我的X：

 X =  np.array([[  5.,   8.,   3.,   4.,   0.,   5.,   4.,   0.,   2.,   5.,  11.,
              3.,  19.,   2.],
           [  5.,   8.,   3.,   4.,   0.,   1.,   4.,   0.,   3.,   5.,  13.,
              4.,  19.,   2.],
           [  5.,   8.,   3.,   4.,   0.,   4.,   4.,   0.,   3.,   5.,  12.,
              2.,  19.,   2.],
           [  5.,   8.,   3.,   4.,   0.,   1.,   4.,   0.,   4.,   5.,  12.,
              4.,  19.,   2.],
           [  5.,   8.,   3.,   4.,   0.,   1.,   4.,   0.,   3.,   5.,  12.,
              5.,  19.,   2.], …

我正在尝试显示投掷公平骰子的概率密度的直方图.基本上应该有6个条,每个条的高度为1/6,间距相等.我试过这个:

fair = np.array([1, 2, 3, 4, 5, 6]*100)
plt.hist(fair, density=True, label='Fair Die')
plt.show()

我也尝试过这个

plt.hist(fair, bins=11, density=True, label='Fair Die', align='mid')

但它似乎没有用.我不明白为什么hist命令默认情况下不能生成正确的直方图,它是如此简单的直方图.