xuefliang

Sys.setlocale(locale='Chinese') library(readxl) user <- read_excel("C:\\Users\\xuefliang\\Downloads\\vaccine_user_list.xls")

shell sudo enter - chroot sudo python shadowsocks/shadowsocks/local.py -c shadowsocks/ user-config.json -d start

1、git clone https://github.com/breakwa11/gfw_whitelist 2、proxyswither Automatic中填写 file:/home/xuefliang/shadowsocks/shadowsocks/whitelist.pac whitelist.pac中代理地址和端口和实际使用的需要一致

import pandas as pd import numpy as np from sklearn import preprocessing,linear_model,metrics data = pd.DataFrame({'pet': ['cat', 'dog', 'dog', 'fish', 'cat', 'dog', 'cat', 'fish'],                     'children': [4., 6, 3, 3, 2, 3, 5, 4],                     'salary': [90, 24, 44, 27, 32, 59, 36, 27]})                     lb = preprocessing.LabelBinarizer() #标签二值化（Label binarization） #LabelBinarizer通常用于通过一个多类标签（label）列表，创建一个label指示器矩阵 pdlb=pd.DataFrame(lb.fit_transform(data['pet']),columns=['cat','dog','fish']) #横向合并 data=pd.concat([data,pdlb],axis=1) #数据标准化(Standardization or Mean Removal and Variance Scaling) #scale进行标准化缩放的数据均值为0，具有单位方差。 data['children']=preprocessing.scale(data['children']) #数据规范化（Normalization） #把数据集中的每个样本所有数值缩放到(-1,1)之间。 #X_normalized = preprocessing.normalize(X, norm='l2') #二进制化（Binarization） #将数值型数据转化为布尔型的二值数据，可以设置一个阈值

a <- c(1,2,5,6,7) #中位数 median(a) #中位数绝对偏差(median absolute deviation) mad(a) mad() 函数的结果默认乘了一个常数,将constant = 1，就是不乘常数。 MAD就是先求出给定数据的中位数（注意并非均值），然后原数列的每个值与这个中位数求出绝对差，然后再求新数列的中位数，就是 MAD 。 例如 有数列 85 9 6 3 2 3 4 9 显然中位数是 5 ，然后求出绝对差后的数列80 4 1 2 3 2 1 4 所以 MAD 就是 2. 实际上计算mad的过程就是：给定一个向量，先求出中位数，再求出原向量的每一个元素与该中位数的距离，从而得到一个新向量（元素全为大于零的数）。再求这个新向量的中位数。

pip install scikit - learn == 0.18 . rc2   from sklearn.neural_network import MLPClassifier X = [[0., 0.], [1., 1.]] y = [0, 1] clf = MLPClassifier(solver='lbgfs',alpha=1e-5,hidden_layer_sizes=(5, 2), random_state=1) clf.fit(X, y) clf.predict([[2., 2.], [-1., -2.]]) 参考文献： http://scikit-learn.org/stable/modules/neural_networks_supervised.html

import numpy as np a = np.array([[1, 2, 3], [4, 5, 6]], float) a.flatten()