作者文章归档：daxiahy
KNN最邻近分类在距离空间里，如果一个样本的最接近的k个邻居里，绝大多数属于某个类别，则该样本也属于这个类别
案例一：电影数据分类# 案例一：电影数据分类
from sklearn import neighbors # 导入KNN分类模块
import warnings
warnings.filterwarnings('ignore')
# 不发出警告
data = pd.DataFrame({'name':['北京遇上西雅图','喜欢你','疯狂动物城','战狼2','力王','敢死队'],
数据缺失主要包括记录缺失和字段信息缺失等情况，其对数据分析会有较大影响，导致结果不确定性更加显著isnull：缺失值为True，非缺失值为False
notnull：缺失值为False，非缺失值为Truefillna
replace
缺失值插补方法
（1）均值/中位数/众数插补
（2）临近值插补
（3）插值法 —— 拉格朗日插值法
拉格朗日插值法
分析数据的分布情况 能够快速发现数据分布规律 研究数据的分布特征和分布类型，分定量数据、定性数据区分基本统计量
导包#导包
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline#数据读取
data=pd.read_csv('E:/Data_analysis/data/深圳罗湖二手房信息.csv',
encoding='gbk',engine='python')Matplotlib → 一个python版的matlab绘图接口，以2D为主，支持python、numpy、pandas基本数据结构，运营高效且有较丰富的图表库import numpy as np
import pandas as pd
import matplotlib.pyplot as plt# 图表窗口1 → plt.show()
plt.plot(np.random.rand(10))
plt.show()
# 直接生成图表% matplotlib in介绍
基于Numpy构建，为数据分析而存在
一位数组series+二维数组dataframe
可直接读取数据并做处理
兼容各种数据库
支持各种分析算法Series 是带有标签的一维数组，可以保存任何数据类型（整数，字符串，浮点数，Python对象等）,轴标签统称为索引
s = pd.Series(np.random.rand(5))
s.index
s.values
核心：series相比于ndarray，是一个自带索引index的数组 → 一维数组 + python开源的科学计算工具包
高级数值编辑工具
强大的N维数组对象ndarry
对数组结构数据进行运算（不用遍历循环）
随机数，线性代数，傅里叶变换等“秩”
ar.ndim
维度
ar.shape
元素总数n*m
ar.size
元素的数值类型
ar.dtype
元素的字节大小
ar.itemsize
元素的缓冲区
ar.data
数据类up主：欣小萌
视频切出图片的代码：/article/2020/3/12/77.html
去github上下载facenet，并且下载作者训练好的模型，如果模型下载不下来，我这有百度网盘地址。
首先切换到你的工作环境（工作目录，虚拟环境等）。
facenet-master/image_test 该目录为实验目录，用作对比人脸图片之间的欧氏距离，
作用：
空洞卷积提供了更大的感受野，可以得到更大的特征图，有助于小物体的识别和分割。
上采样，让小图变成大图
与上面方法对比仅提高了识别准确率
对于一个各层参数结构都设计好的神经网络，输入图片的大小都是固定的，如Alexnet、Net,VGGNet,GoogleNet等网络。
FCN的精髓就是让
import pandas as pd
names=['preg','plas','pres','skin','test','mass','pedi','age','class']
df = pd.read_csv("./pima-indians-diabetes.csv",names=names)
df.head()
【0】Pregnancies：怀孕次数
【1】Glucose：葡萄糖
【2】BloodPresfrom sklearn.feature_selection import SelectKBest
from sklearn.datasets import load_iris
iris = load_iris()
X,y = iris.data,iris.target
X[:5,:]
X_new = SelectKBest(k=2).fit_transform(X,y)
X_new[:5,:] # 计算相关系数后 发现这两列和y值相关度最高
结果：
X_new[:5,:] # 计算相关系数后 发现这两列和y值相关度最高
1