Python酷库之旅-第三方库Pandas(061)

目录

一、用法精讲

236、pandas.Series.explode方法

236-1、语法

236-2、参数

236-3、功能

236-4、返回值

236-5、说明

236-6、用法

236-6-1、数据准备

236-6-2、代码示例

236-6-3、结果输出

237、pandas.Series.searchsorted方法

237-1、语法

237-2、参数

237-3、功能

237-4、返回值

237-5、说明

237-6、用法

237-6-1、数据准备

237-6-2、代码示例

237-6-3、结果输出

238、pandas.Series.ravel方法

238-1、语法

238-2、参数

238-3、功能

238-4、返回值

238-5、说明

238-6、用法

238-6-1、数据准备

238-6-2、代码示例

238-6-3、结果输出

239、pandas.Series.repeat方法

239-1、语法

239-2、参数

239-3、功能

239-4、返回值

239-5、说明

239-6、用法

239-6-1、数据准备

239-6-2、代码示例

239-6-3、结果输出

240、pandas.Series.squeeze方法

240-1、语法

240-2、参数

240-3、功能

240-4、返回值

240-5、说明

240-6、用法

240-6-1、数据准备

240-6-2、代码示例

240-6-3、结果输出

二、推荐阅读

1、Python筑基之旅

2、Python函数之旅

3、Python算法之旅

4、Python魔法之旅

5、博客个人主页

一、用法精讲

236、pandas.Series.explode方法
236-1、语法
# 236、pandas.Series.explode方法
pandas.Series.explode(ignore_index=False)
Transform each element of a list-like to a row.Parameters:
ignore_index
bool, default False
If True, the resulting index will be labeled 0, 1, …, n - 1.Returns:
Series
Exploded lists to rows; index will be duplicated for these rows.
236-2、参数

236-2-1、ignore_index(可选，默认值为False)：布尔值，若设置为False，则保持原始索引，展开后的新Series保持原始Series的索引；若设置为True，则忽略原始索引，展开后的新Series使用新的整数索引。

236-3、功能

        将包含列表、元组或类似的可迭代对象的Series进行展开，使每个元素在新Series中都有一行。简单来说，它可以将一个包含列表的Series转换为一个平坦的Series，其中每个列表元素占据一行。

236-4、返回值

        返回一个新的Series，其索引可能是原来的索引(如果ignore_index=False)或者是重新生成的整数索引(如果ignore_index=True)每个列表-like 元素中的项都变成新的行，如果某元素不是列表-like，则保持不变。

236-5、说明

        使用场景：

236-5-1、处理嵌套列表数据：在处理从JSON、数据库或其他数据源导入的嵌套数据时，常常会遇到列表嵌套在单个单元格中的情况。explode()方法可以将这些嵌套列表展开为单独的行，便于进一步分析。如：电商订单数据，每个订单包含多个商品。

236-5-2、数据清洗与预处理：在数据清洗过程中，常常需要将一个单元格中的多个值分成多行，以便进行进一步的操作和清洗。如：用户标签数据，每个用户可能有多个标签。

236-5-3、文本分析：在自然语言处理和文本分析中，常常需要将文本数据拆分成单词或短语，然后对这些拆分后的单词或短语进行分析，explode()方法可以帮助将分词后的列表展开为单独的行。如：分词后的文本数据。

236-5-4、时间序列数据处理：在时间序列数据处理中，可能会有某些时间点对应多个事件或值的情况，explode()方法可以将这些多值的时间点展开为多个时间点，以便于进一步分析和处理。如：某时间点的多个事件。

236-6、用法
236-6-1、数据准备
无
236-6-2、代码示例
# 236、pandas.Series.explode方法
# 236-1、处理嵌套列表数据
import pandas as pd
# 示例数据
orders = pd.Series([['item1', 'item2'], ['item3'], ['item4', 'item5', 'item6']])
# 使用explode方法展开商品列表
exploded_orders = orders.explode()
print(exploded_orders, end='\n\n')# 236-2、数据清洗与预处理
import pandas as pd
# 示例数据
user_tags = pd.Series([['tag1', 'tag2'], ['tag3'], ['tag4', 'tag5', 'tag6']])
# 使用explode方法展开标签列表
exploded_tags = user_tags.explode()
print(exploded_tags, end='\n\n')# 236-3、文本分析
import pandas as pd
# 示例数据
texts = pd.Series([['word1', 'word2', 'word3'], ['word4'], ['word5', 'word6']])
# 使用explode方法展开分词后的列表
exploded_texts = texts.explode()
print(exploded_texts, end='\n\n')# 236-4、时间序列数据处理
import pandas as pd
# 示例数据
time_series = pd.Series([['event1', 'event2'], ['event3'], ['event4', 'event5', 'event6']])
# 使用explode方法展开时间点的事件列表
exploded_time_series = time_series.explode()
print(exploded_time_series)
236-6-3、结果输出
# 236、pandas.Series.explode方法
# 236-1、处理嵌套列表数据
# 0    item1
# 0    item2
# 1    item3
# 2    item4
# 2    item5
# 2    item6
# dtype: object# 236-2、数据清洗与预处理
# 0    tag1
# 0    tag2
# 1    tag3
# 2    tag4
# 2    tag5
# 2    tag6
# dtype: object# 236-3、文本分析
# 0    word1
# 0    word2
# 0    word3
# 1    word4
# 2    word5
# 2    word6
# dtype: object# 236-4、时间序列数据处理
# 0    event1
# 0    event2
# 1    event3
# 2    event4
# 2    event5
# 2    event6
# dtype: object
237、pandas.Series.searchsorted方法
237-1、语法
# 237、pandas.Series.searchsorted方法
pandas.Series.searchsorted(value, side='left', sorter=None)
Find indices where elements should be inserted to maintain order.Find the indices into a sorted Series self such that, if the corresponding elements in value were inserted before the indices, the order of self would be preserved.NoteThe Series must be monotonically sorted, otherwise wrong locations will likely be returned. Pandas does not check this for you.Parameters:
value
array-like or scalar
Values to insert into self.side
{‘left’, ‘right’}, optional
If ‘left’, the index of the first suitable location found is given. If ‘right’, return the last such index. If there is no suitable index, return either 0 or N (where N is the length of self).sorter
1-D array-like, optional
Optional array of integer indices that sort self into ascending order. They are typically the result of np.argsort.Returns:
int or array of int
A scalar or array of insertion points with the same shape as value.
237-2、参数

237-2-1、value(必须)：标量或数组型数据，表示要查找的值。

237-2-2、side(可选，默认值为'left')：{'left', 'right'}，表示在找到等于value的元素时，是插入到左边还是右边。'left'表示插入到等于value的元素的左侧，'right'表示插入到右侧。

237-2-3、sorter(可选，默认值为None)：可选数组型数据，表示Series排序后的索引。

237-3、功能

        用于查找一个值或一组值在一个排序好的Series中应插入的位置，以保持顺序不变，该方法对于二分查找、数据插入和位置索引等操作非常有用。

237-4、返回值

        返回整数或整数数组，表示插入位置的索引。

237-5、说明

        无

237-6、用法
237-6-1、数据准备
无
237-6-2、代码示例
# 237、pandas.Series.searchsorted方法
# 237-1、基本用法
import pandas as pd
# 创建一个排序好的Series
s = pd.Series([1, 2, 3, 4, 5])
# 查找插入值的位置
index = s.searchsorted(3)
print(index, end='\n\n')# 237-2、使用'side'参数
import pandas as pd
# 创建一个排序好的Series
s = pd.Series([1, 2, 3, 3, 4, 5])
# 查找插入值的位置（插入左侧）
index_left = s.searchsorted(3, side='left')
print(index_left)
# 查找插入值的位置（插入右侧）
index_right = s.searchsorted(3, side='right')
print(index_right, end='\n\n')# 237-3、处理未排序的Series
import pandas as pd
# 创建一个未排序的Series
s = pd.Series([5, 1, 4, 2, 3])
# 获取排序后的索引
sorter = s.argsort()
# 查找插入值的位置
index = s.searchsorted(3, sorter=sorter)
print(index)
237-6-3、结果输出
# 237、pandas.Series.searchsorted方法
# 237-1、基本用法
# 2# 237-2、使用'side'参数
# 2
# 4# 237-3、处理未排序的Series
# 2
238、pandas.Series.ravel方法
238-1、语法
# 238、pandas.Series.ravel方法
pandas.Series.ravel(order='C')
Return the flattened underlying data as an ndarray or ExtensionArray.Deprecated since version 2.2.0: Series.ravel is deprecated. The underlying array is already 1D, so ravel is not necessary. Use to_numpy() for conversion to a numpy array instead.Returns:
numpy.ndarray or ExtensionArray
Flattened data of the Series.
238-2、参数

238-2-1、order(可选，默认值为'C')：字符串类型，选项有：

  • 'C'：按照C语言的行优先顺序(行优先，即先按行读取再按列读取)展平数组。
  • 'F'：按照Fortran语言的列优先顺序(列优先，即先按列读取再按行读取)展平数组。
  • 'A'：如果原始数据在内存中是按行优先顺序存储的，则返回按行优先顺序展平的数组；如果原始数据在内存中是按列优先顺序存储的，则返回按列优先顺序展平的数组。
  • 'K'：尽可能保持原始数据的存储顺序。
238-3、功能

        用于将Series对象展平为一个一维的NumPy数组。

238-4、返回值

        返回一个一维的NumPy数组，其中包含了原Series对象中的所有数据。

238-5、说明

        此方法目前版本仍然能用，但后续将被pandas.Series.to_numpy方法替代。

238-6、用法
238-6-1、数据准备
无
238-6-2、代码示例
# 238、pandas.Series.ravel方法
import pandas as pd
import numpy as np
# 创建一个Pandas Series对象
data = pd.Series([1, 2, 3, 4, 5])
# 使用ravel()方法
flattened_data_C = data.ravel(order='C')
flattened_data_F = data.ravel(order='F')
print("Flattened data (C order):", flattened_data_C)
print("Flattened data (F order):", flattened_data_F)
238-6-3、结果输出
# 238、pandas.Series.ravel方法
# Flattened data (C order): [1 2 3 4 5]
# Flattened data (F order): [1 2 3 4 5]
239、pandas.Series.repeat方法
239-1、语法
# 239、pandas.Series.repeat方法
pandas.Series.repeat(repeats, axis=None)
Repeat elements of a Series.Returns a new Series where each element of the current Series is repeated consecutively a given number of times.Parameters:
repeats
int or array of ints
The number of repetitions for each element. This should be a non-negative integer. Repeating 0 times will return an empty Series.axis
None
Unused. Parameter needed for compatibility with DataFrame.Returns:
Series
Newly created Series with repeated elements.
239-2、参数

239-2-1、repeats(必须)：整数或整数数组，如果是单个整数，则Series中的每个元素都会被重复该整数指定的次数；如果是一个与Series等长的整数数组，则每个元素会按照对应位置的整数进行重复。

239-2-2、axis(可选，默认值为None)：参数在Series中无效，因为Series是一维的，因此这个参数在这里不被使用。

239-3、功能

        用于将Series中的每个元素按指定的次数重复，该方法对于数据扩展或增加数据量非常有用。

239-4、返回值

        返回一个新的Pandas Series对象，其中每个元素按指定的次数进行了重复。

239-5、说明

        无

239-6、用法
239-6-1、数据准备
无
239-6-2、代码示例
# 239、pandas.Series.repeat方法
import pandas as pd
# 创建一个Pandas Series对象
data = pd.Series([1, 2, 3])
# 每个元素重复3次
repeated_data_1 = data.repeat(3)
# 每个元素根据给定的数组分别重复
repeated_data_2 = data.repeat([1, 2, 3])
print("Repeated data (3 times):")
print(repeated_data_1)
print("\nRepeated data (1, 2, 3 times respectively):")
print(repeated_data_2)
239-6-3、结果输出
# 239、pandas.Series.repeat方法
# Repeated data (3 times):
# 0    1
# 0    1
# 0    1
# 1    2
# 1    2
# 1    2
# 2    3
# 2    3
# 2    3
# dtype: int64
# 
# Repeated data (1, 2, 3 times respectively):
# 0    1
# 1    2
# 1    2
# 2    3
# 2    3
# 2    3
# dtype: int64
240、pandas.Series.squeeze方法
240-1、语法
# 240、pandas.Series.squeeze方法
pandas.Series.squeeze(axis=None)
Squeeze 1 dimensional axis objects into scalars.Series or DataFrames with a single element are squeezed to a scalar. DataFrames with a single column or a single row are squeezed to a Series. Otherwise the object is unchanged.This method is most useful when you don’t know if your object is a Series or DataFrame, but you do know it has just a single column. In that case you can safely call squeeze to ensure you have a Series.Parameters:
axis
{0 or ‘index’, 1 or ‘columns’, None}, default None
A specific axis to squeeze. By default, all length-1 axes are squeezed. For Series this parameter is unused and defaults to None.Returns:
DataFrame, Series, or scalar
The projection after squeezing axis or all the axes.
240-2、参数

240-2-1、axis(可选，默认值为None)：{None, 0, 1}，选项有：

  • None：默认值，自动删除长度为1的维度。
  • 0或index：如果Series或DataFrame在索引轴上只有一个值，则压缩该维度。
  • 1或columns：如果Series或DataFrame在列轴上只有一个值，则压缩该维度。
240-3、功能

        用于去除Series中长度为1的维度，它常用于处理从DataFrame中提取的单列或单行结果，使得返回的结果更加简洁。

240-4、返回值

        返回一个去除了长度为1的维度后的对象，如果没有长度为1的维度，则返回原对象。

240-5、说明

        无

240-6、用法
240-6-1、数据准备
无
240-6-2、代码示例
# 240、pandas.Series.squeeze方法
# 240-1、从DataFrame提取单行或单列
import pandas as pd
# 创建一个DataFrame
df = pd.DataFrame({'A': [10, 20, 30],'B': [15, 25, 35]
})
# 提取单列
single_column = df[['A']]
squeezed_column = single_column.squeeze()
# 提取单行
single_row = df.iloc[[0]]
squeezed_row = single_row.squeeze()
print("Original single column DataFrame:")
print(single_column)
print("Squeezed Series from single column:")
print(squeezed_column)
print("Original single row DataFrame:")
print(single_row)
print("Squeezed Series from single row:")
print(squeezed_row, end='\n\n')# 240-2、数据分组后的操作
import pandas as pd
# 创建一个DataFrame
df = pd.DataFrame({'Category': ['A', 'A', 'B'],'Value': [10, 20, 30]
})
# 按'Category'分组并计算均值
grouped = df.groupby('Category').mean()
# 获取特定类别的数据并使用squeeze
single_category_mean = grouped.loc[['A']]
squeezed_category_mean = single_category_mean.squeeze()
print("Grouped mean DataFrame:")
print(single_category_mean)
print("Squeezed mean for single category:")
print(squeezed_category_mean, end='\n\n')# 240-3、提高内存效率和性能
import pandas as pd
# 创建一个大型DataFrame
large_df = pd.DataFrame({'Value': range(1000000)})
# 提取单列并使用squeeze
squeezed_series = large_df[['Value']].squeeze()
# 检查内存使用
print("Memory usage of original DataFrame:", large_df.memory_usage(deep=True).sum())
print("Memory usage of squeezed Series:", squeezed_series.memory_usage(deep=True), end='\n\n')# 240-4、与函数进行交互
import matplotlib.pyplot as plt
# 定义一个只接受 Series 的绘图函数
def plot_series(series):series.plot(kind='line', title='Series Plot')plt.show()
# 提取数据并传递给函数
data = df[['Value']].iloc[0:3]  # 提取单列
plot_series(data.squeeze())# 240-5、简化输出
# 计算平均值并使用squeeze
processed_result = df[['Value']].mean().squeeze()
def display_result(result):print(f"Processed Result: {result}")
# 使用squeeze简化输出
display_result(processed_result)# 240-6、数据清洗与转换
import pandas as pd
# 创建一个包含冗余维度的DataFrame
redundant_df = pd.DataFrame({'Value': [[10], [20], [30]]})
# 使用apply和squeeze清理数据
cleaned_series = redundant_df['Value'].apply(lambda x: pd.Series(x).squeeze())
print("Original DataFrame with redundant dimension:")
print(redundant_df)
print("Cleaned Series:")
print(cleaned_series, end='\n\n')# 240-7、数学与统计计算
import pandas as pd
# 创建一个DataFrame
df = pd.DataFrame({'Value': [10, 20, 30]})
# 计算总和并使用squeeze
total_sum = df[['Value']].sum().squeeze()
print("Total sum of values:", total_sum)
240-6-3、结果输出
# 240、pandas.Series.squeeze方法
# 240-1、从DataFrame提取单行或单列
# Original single column DataFrame:
#     A
# 0  10
# 1  20
# 2  30
# Squeezed Series from single column:
# 0    10
# 1    20
# 2    30
# Name: A, dtype: int64
# Original single row DataFrame:
#     A   B
# 0  10  15
# Squeezed Series from single row:
# A    10
# B    15
# Name: 0, dtype: int64# 240-2、数据分组后的操作
# Grouped mean DataFrame:
#           Value
# Category       
# A          15.0
# Squeezed mean for single category:
# 15.0# 240-3、提高内存效率和性能
# Memory usage of original DataFrame: 8000132
# Memory usage of squeezed Series: 8000132# 240-4、与函数进行交互
# 见图1# 240-5、简化输出
# Processed Result: 20.0# 240-6、数据清洗与转换
# Original DataFrame with redundant dimension:
#   Value
# 0  [10]
# 1  [20]
# 2  [30]
# Cleaned Series:
# 0    10
# 1    20
# 2    30
# Name: Value, dtype: int64# 240-7、数学与统计计算
# Total sum of values: 60

图1：

二、推荐阅读

1、Python筑基之旅
2、Python函数之旅
3、Python算法之旅
4、Python魔法之旅
5、博客个人主页

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.rhkb.cn/news/390046.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Kubernetes 学习记录

Kubernetes 学习记录

https://note.youdao.com/ynoteshare/index.html?idbc7bee305611b52d6900ba209a92bd4d&typenote&_time1694072007342 概览 K8S官网文档：https://kubernetes.io/zh/docs/home/ K8S 是Kubernetes的全称，源于希腊语，意为“舵手”或“…
阅读更多...
江科大/江协科技 STM32学习笔记P17

江科大/江协科技 STM32学习笔记P17

文章目录 一、TIM输入捕获输入捕获与输出比较的关系频率测量测频法测周法 输入捕获的电路异或门的执行逻辑 输入捕获通道主从触发模式输入捕获基本结构PWMI基本结构输入捕获模式测频率main.c 输入捕获模式测占空比main.c 一、TIM输入捕获 输入捕获与输出比较的关系 在输出比较中…
阅读更多...
PMP--冲刺--易混概念

PMP--冲刺--易混概念

文章目录 十大知识领域一、整合管理项目管理计划与项目文件的区分： 二、范围管理三、进度管理赶工与快速跟进的区分：赶工增加资源，以最小的成本代价来压缩进度工期；快速跟进，将正常情况下按顺序进行的活动或阶段改为至…
阅读更多...
秋招突击——算法训练——8/1——用友集团笔试

秋招突击——算法训练——8/1——用友集团笔试

文章目录 引言正文小友的生产线个人实现参考实现 小友策划游戏人物个人实现参考实现 最佳工作任务安排个人实现参考实现 大众评分最高的一次旅程 总结 引言 今天晚上七点钟到九点钟是用友集团的笔试，作为今天算法练习的主要内容！具体怎么样，…
阅读更多...
Python练习2

Python练习2

文章目录 主要内容一.Python基础练习题1.密码验证合格程序代码如下（示例）: 2.两数之和代码如下（示例）: 3.字符个数统计代码如下（示例）: 总结 主要内容 Python基础练习题 一.Python基础练习题 1.密码验证合…
阅读更多...
频率的工程测量01 - Rif算法的构造

频率的工程测量01 - Rif算法的构造

1.原始文档 《用于正弦波频率估计的修正I-Rife算法》，王哲文，2024 DOI： 10. 16337/j. 1004‑9037. 2024. 02. 019 1.1 这篇论文所属的自科基金U21A20500：近5年所承担的重要科研项目表-智能感知系统与安全教育部重点实验室&#…
阅读更多...
lua学习（1）

lua学习（1）

vscode打开c或者lua文件 插件显示禁用，怎么开启插件。 1. lua 字符串 单个引号和双引号都可变量的定义默认是全局的删除一个变量将其赋值为nil即可 如： bnilnil还可以对表中的数据进行删除，也可删除一个表只要变量不是nil，变…
阅读更多...
c语言第七天笔记

c语言第七天笔记

作业题： 设计TVM（地铁自动售票机）机软件。 输入站数，计算费用，计费规则，6站2元，7-10站3元，11站以上为4元。 输入钱数，计算找零(找零时优先找回面额大的钞票)&#xff0…
阅读更多...
Nat网络地址转换实验

Nat网络地址转换实验

一、实验拓扑 二、实验要求 三、实验思路 四、实验展示 1.接口IP配置 telnet路由器 r1 r2 r3 pc2 2.全网可达（给边界路由器，私家路由器写上缺省 ，还要用到nat地址转换，多对多一对多，端口映射）因为左右…
阅读更多...
华为LTC流程体系详解

华为LTC流程体系详解

LTC，全称Lead to Cash，中文翻译为从线索到现金，是一种企业运营管理思想，也是一个集成的业务流程。它涵盖了企业从接触客户到收到客户回款的整个流程，通过科学化管理，实现更高效地将线索客户转化为付费客户。…
阅读更多...
说说ip地址和mac地址的区别

说说ip地址和mac地址的区别

随着互联网的飞速发展，网络连接已成为我们日常生活中不可或缺的一部分。然而，在享受网络带来的便利时，你是否曾好奇过那些让设备能够相互通信的关键技术？IP地址与MAC地址，作为网络通信中的两大基石，它们各自…
阅读更多...
3D生物打印咋实现？重组弹性蛋白来助力！

3D生物打印咋实现？重组弹性蛋白来助力！

Human-Recombinant-Elastin-Based Bioinks for 3D Bioprinting of Vascularized Soft Tissues是发表于《ADVANCED MATERIALS》上的一篇文章，介绍了一种基于重组人原弹性蛋白的生物墨水，用于3D生物打印复杂软组织。该生物墨水由GelMA和MeTro组成&#xff…
阅读更多...
[Docker][Docker Container]详细讲解

[Docker][Docker Container]详细讲解

目录 1.什么是容器？2.容器命令1.docker creatre2.docker run3.docker ps4.docker logs5.docker attach6.docker exec7.docker start8.docker stop9.docker restart10.docker kill11.docker top12.docker stats13.docker container inspect14.docker port15.docker c…
阅读更多...
设施农业“AutoML“时代:大模型自动调参,让农业算法模型更简单易用

设施农业“AutoML“时代:大模型自动调参,让农业算法模型更简单易用

（于景鑫 北京市农林科学院智能装备技术研究中心）设施农业是现代农业的重要发展方向,但在数字化、智能化的进程中仍面临诸多挑战。传统的农业算法模型虽然可以为设施农业提供一定的决策支持,但在实际应用中往往受限于参数调优复杂、模型泛化能力差等因素。…
阅读更多...
实例分割-Yolact/Yolact++训练自己数据集

实例分割-Yolact/Yolact++训练自己数据集

前言 本文主要用于记录实例分割模型yolact和yolact的环境配置，以及成功训练自己数据集的整个过程~ 注意：这里要重点提醒一下，DCNv2对RTX系列不友好，我第一次使用4090服务器，编译持续有问题，被迫放弃&#…
阅读更多...
window安装elasticsearch和可视化界面kibana

window安装elasticsearch和可视化界面kibana

ElasticSearch 官网下载zip安装包并解压 Elasticsearch：官方分布式搜索和分析引擎 | Elastic 修改配置文件 改选项是指定ssl访问还是普通http访问 不改的话使用http访问不了，得使用https 浏览器访问 localhost:9200 Kibana Download Kibana Free |…
阅读更多...
Android Listview notifyDataSetChanged() 不起作用

Android Listview notifyDataSetChanged() 不起作用

private ArrayList<Map<String, String>> data new ArrayList<Map<String, String>>(); private ArrayList<Map<String, String>> delivered_data new ArrayList<Map<String, String>>(); 如果直接将arraylist 的数据直接…
阅读更多...
机器学习-31-多变量异常检测LOF算法(实战)

机器学习-31-多变量异常检测LOF算法(实战)

一文读懂异常检测 LOF 算法（Python代码） 1 LOF算法 一个经典的异常检测算法：局部离群因子(Local Outlier Factor)，简称LOF算法。 Local Outlier Factor(LOF)是基于密度的经典算法(Breuning et. al. 2000), 文章发表于SIGMOD 2000, 到目前已经有3000+的引用。 在LOF之前…
阅读更多...
人大高瓴发布Think-on-Graph 2.0，基于知识图的大模型推理再升级！

人大高瓴发布Think-on-Graph 2.0，基于知识图的大模型推理再升级！

经常参加高考的朋友可能会体会到&#xff0c;比起死记硬背知识点&#xff0c;将知识整理成脉络往往会获得事半功倍的效果。其实对于大模型来说也是如此&#xff0c;哪怕被允许“开卷作答”&#xff0c;即通过检索增强&#xff08;Retrieval-augmented generation&#xff0c;RA…
阅读更多...
HCIP学习作业一 | HCIA复习

HCIP学习作业一 | HCIA复习

要求&#xff1a; R1-R2-R3-R4-R5 RIP 100 运行版本2 R6-R7 RIP 200 运行版本1 1.使用合理IP地址规划网络&#xff0c;各自创建环回接口 2.R1创建环回 172.16.1.1/24 172.16.2.1/24 172.16.3.1/24 3.要求R3使用R2访问R1环回 4.减少路由条目数量&#xff0c;R1-R2之间…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023