小编Mar*_*ico的帖子

我正在使用LSTM处理时间序列预测问题.输入包含多个功能,因此我使用的是多变量LSTM.问题是存在一些缺失值,例如:

    Feature 1     Feature 2  ...  Feature n
 1    2               4             nan
 2    5               8             10
 3    8               8              5
 4    nan             7              7
 5    6              nan            12

而不是插入缺失值,这可能会在结果中引入偏差,因为有时在同一个特征上有很多连续的时间戳和缺失值,我想知道是否有办法让LSTM学习缺失值,例如,使用掩蔽层或类似的东西？有人可以向我解释一下处理这个问题的最佳方法是什么？我正在使用Tensorflow和Keras.

我有一个时间序列数据框，该数据框很大，并且在两列（“湿度”和“压力”）中包含一些缺失值。我想以一种巧妙的方式来估算这些缺失的值，例如使用最近的邻居的值或前一个和后一个时间戳的平均值，是否有一种简单的方法？我尝试使用fancyimpute，但是数据集包含大约180000个示例，并给出了内存错误

simpson's rule从scipy.integrate库中使用时出现问题。即使所有数字均为正且x轴上的值从左向右递增，有时计算得出的面积也为负。例如：

from scipy.integrate import simps

x = [0.0, 99.0, 100.0, 299.0, 400.0, 600.0, 1700.0, 3299.0, 3300.0, 3399.0, 3400.0, 3599.0, 3699.0, 3900.0,
    4000.0, 4300.0, 4400.0, 4900.0, 5000.0, 5100.0, 5300.0, 5500.0, 5700.0, 5900.0, 6100.0, 6300.0, 6600.0,
    6900.0, 7200.0, 7600.0, 7799.0, 8000.0, 8400.0, 8900.0, 9400.0, 10000.0, 10600.0, 11300.0, 11699.0,
    11700.0, 11799.0]

y = [3399.68, 3399.68, 3309.76, 3309.76, 3274.95, 3234.34, 3203.88, 3203.88, 3843.5,
     3843.5,  4893.57, 4893.57, 4893.57, 4847.16, 4764.49, 4867.46, 4921.13, 4886.32,
     4761.59, 4731.13, 4689.07, 4649.91, 4610.75, 4578.84, 4545.48, 4515.02, …

我有以下问题：我有一个这样的数据框：

   col1   col2   col3
0   2       5      4
1   4       3      5
2   6       2      7 

现在我有一个数组，例如 a = [5,5,5] 并且我想在 col3 中插入​​这个数组，但只在特定的行（比如 0 和 2）中插入并获得类似的东西：

   col1   col2   col3
0   2       5    [5,5,5]
1   4       3      5
2   6       2    [5,5,5]

问题是，当我尝试这样做时：

 zip_df.at[[0,2],'col3'] = a 

我收到以下错误ValueError: Must have equal len keys and value when setting with an ndarray。我怎么解决这个问题？

例如，我有一个 numpy 数组，假设它有一个形状 (10,10)。现在我想将 np.exp() 应用到这个数组，但只是一些满足条件的特定元素。例如，我想将 np.exp 应用于所有不是 0 或 1 的元素。有没有办法在不使用 for 循环遍历数组的每个元素的情况下做到这一点？

I would like to build a Neural Network that at the same time output a label for classification and a value for regression. I would like to do that using Keras. Right now my code is only for classification:

 mdl = Sequential()
 mdl.add(Dense(100, activation='relu', input_dim=X_train.shape[1]))
 mdl.add(Dense(200, activation='relu'))
 mdl.add(Dense(100, activation='relu'))
 mdl.add(Dense(6, activation='softmax'))

 mdl.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])

 # early stopping implementation
 filepath="weights.best.hdf5"
 checkpoint = ModelCheckpoint(filepath, monitor='val_acc', verbose=1, 
 save_best_only=True, mode='max')
 early_stop = EarlyStopping(monitor='val_acc', patience=100, mode='max') 
 callbacks_list = [checkpoint, early_stop]


 # fit network
 history = …