摘要：
在python中，用于数组拼接的主要来自numpy包，当然pandas包也可以完成。 而，numpy中可以使用append和concatenate函数： 1. 建立数组 # pandas有专门的连接方法 import numpy as np # np.size(a, 0) 行数 # np.size( 阅读全文
2020年4月9日
2020年4月7日
摘要：
hive中可用于分组排序的函数主要有：row_number，rank，dense_rank，它们分别有不同的特点，关键词主要用到：partition by和order by等。 【1】row_number：排序时给每一行分配唯一的顺序，相同行顺序也不同 select age, grade, row_ 阅读全文
2020年4月6日
摘要：
ROC曲线：全称 Receiver Operating Characteristic曲线，即受试者工作特性曲线，在机器学习领域常用于判断分类器的好坏。 要了解ROC曲线，首先要了解该曲线的横纵坐标 —— FPR（1-特异度）和TPR（召回率或者灵敏度）。 1. 基本概念 —— 混淆矩阵 绘制混淆矩阵 阅读全文
摘要：
1. 稀疏矩阵的建立：coo_matrix() from scipy.sparse import coo_matrix # 建立稀疏矩阵 data = [1,2,3,4] row = [3,6,8,2] col = [0,7,4,9] c = coo_matrix((data,(row,col)), 阅读全文
摘要：
mysql中的条件语句主要有if 和case when。 首先，一个初始表格：felix_test 1. IF(expr1,expr2,expr3)：如果第一个条件为True,则返回第二个参数，否则返回第三个 select if(author='Felix', 'yes', 'no') as AU 阅读全文
摘要：
类似于mysql，hive中也有处理日期和时间的方法。 1. 日期转时间戳：unix_timestamp select unix_timestamp('2020/03/25 15:54:24', 'yyyy/MM/dd HH:mm:ss') from db_name.tb_name # 如果不写第二 阅读全文
2020年3月31日
摘要：
pearson相关系数：用于判断数据是否线性相关的方法。 注意：不线性相关并不代表不相关，因为可能是非线性相关。 Python计算pearson相关系数： 1. 使用numpy计算（corrcoef），以下是先标准化再求相关系数 import numpy as np import pandas as 阅读全文
摘要：
在进行数据分析或者机器学习时，通常需要对数据进行预处理，其中主要的步骤就是数据标准化/归一化。 常用的数据标准化和归一化方法主要有： 1. 最大最小标准化 y=(x-min(x))/(max(x)-min(x))，x为一序列，即x={x1,x2,x3......}，max(x)为最大值，min(x) 阅读全文
2020年3月28日
摘要：
最近使用Pyspark的时候，遇到一些新的问题，希望记录下来，解决的我会补充。 1. WARN DomainSocketFactory: The short-circuit local reads feature cannot be used 2. pyspark TypeError: 'Pipel 阅读全文
摘要：
1. Python的figure参数主要有： def figure(num=None, # autoincrement if None, else integer from 1-N figsize=None, # defaults to rc figure.figsize dpi=None, # d 阅读全文
