小编HJA*_*A24的帖子

如果在二项分布中p成功的概率具有形状参数α> 0且β> 0的β分布,则分布是β二项式.形状参数定义成功的概率.我想从β二项分布的角度找到最能描述我的数据的α和β的值.我的数据集players 包括许多棒球运动员的命中数(H),击球次数(AB)和转换次数(H/AB)的数据.我在Python的Beta二项功能中借助JulienD的答案来估算PDF

from scipy.special import beta
from scipy.misc import comb

pdf = comb(n, k) * beta(k + a, n - k + b) / beta(a, b)

接下来,我写了一个loglikelihood函数,我们将最小化.

def loglike_betabinom(params, *args):
   """
   Negative log likelihood function for betabinomial distribution
   :param params: list for parameters to be fitted.
   :param args:  2-element array containing the sample data.
   :return: negative log-likelihood to be …

在否定的语义范围内，情感词的行为非常不同。我想使用Das 和 Chen (2001)的稍微修改版本， 他们检测诸如no、not和never 之类的词，然后在否定和子句级标点符号之间出现的每个词后附加一个“neg”后缀。我想创建与 spaCy 的依赖解析类似的东西。

import spacy
from spacy import displacy

nlp = spacy.load('en')
doc = nlp(u'$AAPL is óóóóópen to ‘Talk’ about patents with GOOG definitely not the treatment #samsung got:-) heh')

options = {'compact': True, 'color': 'black', 'font': 'Arial'}
displacy.serve(doc, style='dep', options=options)

可视化依赖路径：

不错，在依赖标签方案中存在一个否定修饰符； NEG

为了识别否定，我使用以下内容：

 negation = [tok for tok in doc if tok.dep_ == 'neg']

现在我想检索否定的范围。

import spacy
from spacy import displacy
import pandas as pd …

我想找到静态视频流的像素。通过这种方式，我可以检测视频流中的徽标和其他不动的项目。我的脚本背后的想法如下：

• 在名为的列表中收集许多大小相等和灰度大小的帧 previous
• 如果收集到一定数量的帧，则调用该函数 np.std
• 此函数循环遍历新图像的所有x-和y-coordinates。
• 根据所有帧对应坐标的灰度值计算所有坐标的灰度值的标准差

我的脚本：

import math
import cv2
import numpy as np


video = cv2.VideoCapture(0)
previous = []
n_of_frames = 200

while True:
   ret, frame = video.read()
   if ret:
      cropped_img = frame[0:150, 0:500]
      gray = cv2.cvtColor(cropped_img, cv2.COLOR_BGR2GRAY)
      if len(previous) == n_of_frames:
         stdev_gray = np.std(previous, axis=2)
         previous = previous[1:]
         previous.append(gray)
      else:
         previous.append(gray)

      cv2.imshow('frame', frame)

      key = cv2.waitKey(1)
      if key == ord('q'):
         break

video.release()
cv2.destroyAllWindows()

这个过程非常缓慢，我很好奇是否有更快的方法来做到这一点。我对 Cython 等持开放态度。非常感谢！

我想收集包含以下词语的所有推文： 比特币、以太坊、莱特币或 Denarius

但是，我想排除可以归类为转推和包含链接的推文的推文。我从以下网站（https://www.followthehashtag.com/help/hidden-twitter-search-operators-extra-power-followthehashtag）知道我可以添加-filter:links以排除包含链接的推文。通过比较以下搜索词可以清楚地看到这一点；

https://twitter.com/search?f=tweets&vertical=news&q=Bitcoin&src=typd

与https://twitter.com/search?f=tweets&q=Bitcoin%20-filter%3Alinks&src=typd

这同样适用于转推，我可以使用-filter:retweets（参见https://twitter.com/search?f=tweets&q=Bitcoin%20-filter%3Aretweets&src=typd）

我想添加这些标准以确保我减少“噪音”并且不太可能违反任何 API 限制。我编写了以下 Python 脚本：

import sys
import time
import json
import pandas as pd
from tweepy import OAuthHandler
from tweepy import Stream
from tweepy.streaming import StreamListener

USER_KEY = ''
USER_SECRET = ''
ACCESS_TOKEN = ''
ACCESS_SECRET = ''

crypto_tickers = ['bitcoin', 'ethereum', 'litecoin', 'denarius', '-filter:links', '-filter:retweets']

class StdOutListener(StreamListener):

def on_data(self, data):
    tweet = json.loads(data)
    print(tweet)


def on_error(self, status):
    if status == 420:
        sys.stderr.write('Enhance …

我有一个带有 xy 坐标的文本文件，名为xy.txt.

29.66150677   -98.39336541
29.66150677   -98.39337576
29.66150651   -98.39336541
29.66150328   -98.39337576
29.66150677   -98.39336475
29.66150677   -98.39338611
29.66150393   -98.39338611
29.66150677   -98.39339646
29.66150659   -98.39339646
29.66150677   -98.39339693
29.66151576   -98.39334472
29.66151576   -98.39335506
29.66151511   -98.39334472
29.66151058   -98.39335506
29.66151576   -98.39334322
29.66151576   -98.39336541
29.66151576   -98.39337576
29.66151576   -98.39338611
29.66151576   -98.39339646
29.66151576   -98.39340681
29.66151067   -98.39340681
29.66151576   -98.39341515
29.66152475   -98.39332402
29.66152475   -98.39333437
29.66152443   -98.39332402
29.66151973   -98.39333437
29.66152475   -98.39332332
29.66152475   -98.39334472
29.66152475   -98.39335506
29.66152475   -98.39336541
29.66152475   -98.39337576
29.66152475   -98.39338611
29.66152475   -98.39339646
29.66152475   -98.39340681
29.66152475   -98.39341716
29.66151699   -98.39341716
29.66152475   -98.39342722
29.66153375 …

Run Code Online (Sandbox Code Playgroud)

我有以下图片

我使用找到轮廓

contours, hierarchy = cv2.findContours(thresh, cv2.RETR_LIST, cv2.CHAIN_APPROX_NONE)
contour = contours[0]

接下来，我确定center轮廓的

def find_center(contour: np.ndarray) -> tuple:
    M = cv2.moments(contour)
    x = int(M["m10"] / M["m00"])
    y = int(M["m01"] / M["m00"])

    return x, y

我想在网格中显示轮廓，其中center代表原点/(0,0) 点。所以，我减去 的center每个 xy 点的contour。

接下来，我想使用这些新坐标作为 的输入plt.contour。我需要创建一个网格

xs = new_contour[:,:,0].flatten()
ys = new_contour[:,:,1].flatten()

x = np.arange(int(min(xs)), int(max(xs)), 1) 
y = np.arange(int(min(ys)), int(max(ys)), 1) 
X, Y = np.meshgrid(x, y)

如何定义/处理Z输出开始如下所示：

编辑

按照建议，我尝试使用patch.Polygon.

p = …