小编mic*_*196的帖子

我有以下DataFrame data随机索引值:

      A   B
100   0   7
203   5   4
5992  0  10
2003  9   8
20   10   5
12    6   2

我想添加一个带有行号的新列'C'.例如:

      A   B   C
100   0   7   0
203   5   4   1
5992  0  10   2
2003  9   8   3
20   10   5   4
12    6   2   5

谢谢您的帮助!

我目前正在使用一个基本的 LSTM 来进行回归预测，我想实现一个因果 CNN，因为它应该在计算上更有效。

我正在努力弄清楚如何重塑我当前的数据以适应因果 CNN 单元格并表示相同的数据/时间步长关系以及应该设置的膨胀率。

我当前的数据是这样的：(number of examples, lookback, features)这是我现在正在使用的 LSTM NN 的一个基本示例。

lookback = 20   #  height -- timeseries
n_features = 5  #  width  -- features at each timestep

# Build an LSTM to perform regression on time series input/output data
model = Sequential()
model.add(LSTM(units=256, return_sequences=True, input_shape=(lookback, n_features)))
model.add(Activation('elu'))

model.add(LSTM(units=256, return_sequences=True))
model.add(Activation('elu'))

model.add(LSTM(units=256))
model.add(Activation('elu'))

model.add(Dense(units=1, activation='linear'))

model.compile(optimizer='adam', loss='mean_squared_error')

model.fit(X_train, y_train,
          epochs=50, batch_size=64,
          validation_data=(X_val, y_val),
          verbose=1, shuffle=True)

prediction = model.predict(X_test)

然后我创建了一个新的 CNN 模型（虽然不是因果关系，因为'causal'填充只是Conv1D …

我试图将以下列表值输入到下面的url字符串中.当我执行以下操作时:

tickers = ['AAPL','YHOO','TSLA','NVDA']
url = 'http://www.zacks.com/stock/quote/{}'.format(tickers)`

Python返回

http://www.zacks.com/stock/quote/['AAPL', 'YHOO', 'TSLA', 'NVDA']`

我希望它做的是迭代列表并返回以下内容:

http://www.zacks.com/stock/quote/AAPL
http://www.zacks.com/stock/quote/YHOO
http://www.zacks.com/stock/quote/TSLA
http://www.zacks.com/stock/quote/NVDA

谢谢.

我之前问过类似的问题 - pandas - Reorganize a multi-row & multi-column DataFrame into single-row & multi-column DataFrame，但是，当我使用提供的解决方案时：

v = df.unstack().to_frame().sort_index(level=1).T
v.columns = v.columns.map('_'.join)

在以下 DataFrame 上（与上述答案中的示例相比，具有切换的列和行值），

index      A          B       C
    1  Apple     Orange   Grape
    2    Car      Truck   Plane
    3  House  Apartment  Garage

但是，这一行：v.columns = v.columns.map('_'.join)抛出以下错误：TypeError: sequence item 1: expected str instance, int found

有什么办法可以得到下面的输出吗？

     A_1     A_2    A_3  B_1    B_2    B_3    C_1        C_2     C_3
0  Apple  Orange  Grape  Car  Truck  Plane  House  Apartment  Garage

谢谢。

这个问题是我上一个问题的后续问题：Multi-feature causal CNN-Keras implementation，但是，有很多事情我不清楚，我认为这值得一个新问题。这里有问题的模型是根据上述帖子中接受的答案构建的。

我正在尝试将因果 CNN 模型应用于具有 5 个特征的 10 个序列的多元时间序列数据。

lookback, features = 10, 5

• 过滤器和内核应该设置为什么？

  • 过滤器和内核对网络有什么影响？
  • 这些只是一个任意数量 - 即 ANN 层中的神经元数量吗？
  • 或者它们会对网络如何解释时间步长产生影响？

• 应该将扩张设置为什么？

  • 这只是一个任意数字还是代表lookback模型的？

filters = 32
kernel = 5
dilations = 5
dilation_rates = [2 ** i for i in range(dilations)]

model = Sequential()
model.add(InputLayer(input_shape=(lookback, features)))
model.add(Reshape(target_shape=(features, lookback, 1), input_shape=(lookback, features)))

根据前面提到的答案，输入需要根据以下逻辑重新整形：

• 后Reshape5个输入特征现在都被视为对于TimeDistributed层的时间层

• 当 Conv1D 应用于每个输入特征时，它认为层的形状是 (10, 1)

• 使用默认的“channels_last”，因此...

• 10个时间步是时间维度
• 1 是“通道”，特征图的新位置

# Add causal layers
for dilation_rate in dilation_rates:
    model.add(TimeDistributed(Conv1D(filters=filters, …

我想重新组织下面的多行DataFrame，

       1          2       3
A  Apple     Orange   Grape
B    Car      Truck   Plane
C  House  Apartment  Garage

到此单行DataFrame中。

     1_A     2_A    3_A  1_B    2_B    3_B    1_C        2_C     3_C
0  Apple  Orange  Grape  Car  Truck  Plane  House  Apartment  Garage

谢谢您的帮助！

我有以下两个DataFrame,

stats:

player_id   player_name   gp    ab   run   hit
    28920      S. Smith    1     2     1     3
    33351    T. Mancini    0     0     0     0
    30267     C. Gentry    0     0     0     0
    34885        H. Kim    1     0     0     0
    31988     J. Schoop    0     0     0     0
     5908    J.J. Hardy    1     3     0     0

&game:

player_id   player_name   gp    ab   run    hit
    28920      S. Smith    1     4     1      1
    33351    T. Mancini    1     1     0      1
    34885        H. Kim    1     1     2 …