小编kom*_*an_的帖子

我想要一个用于快速、可视化输入的滑块，但也需要一个用于精确计算的相应数字输入。我已设法将滑块绑定value到input$，因此它们将遵循数字输入中写入的内容。但是，我似乎无法让它以相反的方式工作。

用户界面

    numericInput("num_l",
                 label = "Beam length in m.",
                 value = 10),

    numericInput("num_a",
                 label = "Choose position, where to apply force, starting from left, in m.",
                 value = input$slider_a), # THIS DOESN'T WORK

    numericInput("num_x",
                 label = "Calculate the deflection, at position starting from left, in m.",
                 value = input$slider_x), # NEITHER DOES THIS

服务器

output$slider <- renderUI({
    tagList( # Need this for multiple reactive sliders
        sliderInput("slider_a",
                    label = "Load force position:",
                    min = 0,
                    max = …

如果我设置shade_lowest = False,颜色栏仍然包含最低级别(purple-ish).有没有通用的方法来完全删除它？

import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt

a = np.random.normal(0, 1, 100)
b = np.random.normal(0, 1, 100)

fig, ax = plt.subplots()
sns.kdeplot(a, b, shade = True, shade_lowest = False, cmap = "viridis", cbar = True, n_levels = 4, ax = ax)

plt.show()

我一直在互联网上搜索，试图了解并行处理。

他们似乎都假设我有某种循环函数在运行，例如在 N 个核心之间划分并随后组合的数据集的每第 N 行，并且我指向许多并行化apply()函数。

（警告，下面丑陋的代码）

我的情况是我已经在表格上

tempJob <- myFunction(filepath, string.arg1, string.arg2)

其中路径是文件位置，字符串参数是对数据进行排序的各种方式。

我目前的工作流程只是积累了很多

tempjob1 <- myFunction(args)
tempjob2 <- myFunction(other args)
...
tempjobN <- myFunction(some other args here)

# Make a list of all temporary outputs in the global environment
temp.list <- lapply(ls(pattern = "temp"), get)

# Stack them all
df <- rbindlist(temp.list)

# Remove all variables from workspace matching "temp"
rm(list=ls(pattern="temp"))

这些作业是完全独立的，原则上可以在 8 个独立的 R 实例中运行（尽管我猜这会很麻烦）。我如何将前 8 个作业分成 8 个内核，每当一个内核完成其工作并将处理过的数据集返回到全局环境时，它就会简单地执行下一个作业。

假设我想对关闭灯时记录的数据拟合一条直线。现在我不小心把灯打开了，我的数据从数据点 101 开始有一个恒定的偏移量。

我怎样才能适应这个？我尝试为 x 加入一个条件，但出现错误

ValueError：具有多个元素的数组的真值不明确。使用 a.any() 或 a.all()

请记住取消注释其余代码（以遇到错误）。

import numpy as np
from scipy import optimize
import matplotlib.pyplot as plt

d1 = np.random.normal(0,0.1, 100)
d2 = np.random.normal(3,0.1, 100)

x = np.arange(0,200)
y = np.concatenate((d1,d2))

plt.plot(x, y)

# def line(x, a, b, offset):
#     if x < 101:
#         y = a * x + b
#     else:
#         y = (a * x + b) + offset
#     return y
# 
# popt, pcov = optimize.curve_fit(line, xdata …

我有一个给定的功能

def unnorm(x, alpha, beta):
    return (1 + alpha * x + beta * x ** 2)

然后我将其集成以查找范围内的归一化常量,并将其转换为采用相同参数的lambda函数unnorm.现在,为了创建一个合适的对象,我将这些函数组合在一起:

def normalized(x, alpha, beta):
    return unnorm(x, alpha, beta) * norm(x, alpha, beta)

这很好,但仍然有重复,并从全局命名空间中提取名称.

如何以更干净的方式组合这两个功能,而无需重新编写参数？例如

def normalized(func, normalizer):
    return func * normalizer

完整代码:

import sympy
import numpy as np
import inspect

def normalize_function(f, xmin, xmax):
    """
    Normalizes function to PDF in the given range
    """
    # Get function arguments
    fx_args = inspect.getfullargspec(f).args
    # Convert to symbolic notation
    symbolic_args = sympy.symbols(fx_args)
    # …

本质上，我这样做：

a = True
b = False
ls = [a, b]

a = False

print(ls)
> [True, False]

发生的事情是，a在第一次包含之后，发生的任何事情都会从列表中分离出来。有什么方法可以a以干净的方式更新并让列表自行更新？

当然，我可以简单地做ls[0] = False和被完成。但是在一个包含许多活动部件的大型项目中，我想避免非描述性的括号索引。

我假设我可以对实例化的类做一些凌乱的构造，然后迭代属性，但这听起来像是一团糟。或者是吗？

这里总新手.

我有一个输出写入公式的结果,变量基于输入

output$text_calc <- renderText({
    paste("The result is =", input$num_W * input$num_l - input$slider_a... )
    })

为了避免我的大脑爆炸长公式,我如何将输入定义为单个字母变量？我试过l <- input$num_l哪个给了我

"没有主动反应上下文就不允许操作.(你试图做一些只能在反应式表达式或观察者内部完成的事情.)"

放置reactive({})代码给出了

错误:无法将类型'闭包'强制类型为'character'类型的向量

来自R,我天真地尝试过

dfE_fitted['E_after'] = dfE_fitted['E_before']

那给了我

A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

很公平,我会尝试那样:

dfE_fitted.loc[:,'E_after'] = dfE_fitted['E_before']

这给了我

/Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/site-packages/pandas/core/indexing.py:337: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
self.obj[key] = _infer_fill_value(value)
/Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/site-packages/pandas/core/indexing.py:517: SettingWithCopyWarning: 
A value is trying to be set on a copy of a …

我的图像看起来像这样，有一些较大的杂质/曝光过度的斑点。通常，它们是否被检测到并不重要，因为测量是时间解析的，因此它们稍后会被删除。

然而，我对尽可能多的小点感兴趣——尽可能快。skimage.feature.peak_local_max做得非常好，并且很容易在不同的数据上使用，因为不需要花太多时间进行强度缩放。

但问题是，由于某种原因，大点会带来非常强烈的积极影响。

import skimage.io
import skimage.feature
import skimage.morphology
from matplotlib.collections import PatchCollection
import matplotlib.pyplot as plt


def plotRoi(spots, img_ax, color, radius):
    patches = []
    for spot in spots:
        y, x = spot
        c = plt.Circle((x, y), radius)
        patches.append(c)
    img_ax.add_collection(PatchCollection(patches, facecolors = "None", edgecolors = color, alpha = 0.3, linewidths = 1))


img = skimage.io.imread("/Path/to/img.png")
img = img[:,:,0]

fig, ax = plt.subplots()

ax.imshow(img, cmap = "Greys")
spots = skimage.feature.peak_local_max(img, min_distance = 0, exclude_border = True, num_peaks = 2000) …