pythonsse

1. 如何實現C/C++與python的通信

用C/C++對腳本語言的功能擴展是非常敬春常見的事情，Python也不例外。除了SWIG，市面上還有若干用於Python擴展的工具包，比較知名的還有Boost.Python、SIP等，此外，Cython由於可以直接集成C/C++代碼，並方便的生成Python模塊，故也可以完成擴展Python的任務。答主在這里選用SWIG的一個重要原因是，它不僅可以用於Python，也可以用於其他語言。如今SWIG已經支持C/C++的好基友Java，主流腳本語言Python、Perl、Ruby、PHP、JavaScript、tcl、Lua，還有斗稿謹Go、C#，以及R。SWIG是基於配置的，也就是說，原則上一套配置改變不同的編譯方法就能適用各種語言（當然，這是理想情況了……）SWIG的安裝方便，有Windows的預編譯包，解壓即用，綠色健康。主流Linux通常集成swig的包，也可以下載源代碼自己編譯，SWIG非常小巧，通常安裝不會出什麼問題。用SWIG擴展Python，你需要有一個待擴展的C/C++庫。這個庫有可能是你自己寫的，也有可能是某個項目提供的。這里舉一個不浮誇的例子：希望在Python中用到SSE4指令集的CRC32指令。首先打開指令集的文檔可以看到有6個函數。分析6個函數的原型，其參數和返回值都是簡單的整數。於是書寫SWIG的配置文件（為了簡化起見，未包含2個64位函數）：/*File:mymole.i*/%molemymole%{#include"nmmintrin.h"%}int_mm_popcnt_u32(unsignedintv);unsignedint_mm_crc32_u8(unsignedintcrc,unsignedcharv);unsignedint_mm_crc32_u16(unsignedintcrc,unsignedshortv);unsignedint_mm_crc32_u32(unsignedintcrc,unsignedintv);接下來使用SWIG將這個配置文件編譯為所謂PythonMoleWrapperswig-pythonmymole.i得到一個mymole_wrap.c和一個mymole.py。把它編譯為Python擴展：Windows：cl/LDmymole_wrap.c/o_mymole.pyd-IC:\Python27\includeC:\Python27\libs\python27.libLinux：gcc-fPIC-sharedmymole_wrap.c-o_mymole.so-I/usr/include/python2.7/-lpython2.7注意輸出文件名前面要加一個下劃線。現在可以立即在Python下使用這個mole了：>>>importmymole>>>mymole._mm_popcnt_u32(10)2回顧這個配置文件分為3個部分：定義mole名稱mymole，通常，mole名稱要和文件名保持一致。%{%}包裹的部分是C語言的代碼，這段代碼會原封不動的復制到mymole_wrap.c欲導出的函數簽名列表。直接從頭文件里復制過來即可。還記得本文第2節的那個great_function嗎？有了SWIG，事情就會變得如此簡單：/*great_mole.i*/%molegreat_mole%{intgreat_function(inta){returna+1;}%}intgreat_function(inta);換句話說，SWIG自動完成了諸如Python類型轉換、mole初始化、導出代碼表生成的諸多工作。對於C++，SWIG也可以應對。例如以下代碼有C++類的定義：//great_class.h#ifndefGREAT_CLASS#defineGREAT_CLASSclassGreat{private:ints;public:voidsetWall(int_s){s=_s;};intgetWall(){returns;};};#endif//GREAT_CLASS對應空基的SWIG配置文件/*great_class.i*/%molegreat_class%{#include"great_class.h"%}%include"great_class.h"這里不再重新敲一遍class的定義了，直接使用SWIG的%include指令SWIG編譯時要加-c++這個選項，生成的擴展名為cxxswig-c++-pythongreat_class.iWindows下編譯：cl/LDgreat_class_wrap.cxx/o_great_class.pyd-IC:\Python27\includeC:\Python27\libs\python27.libLinux，使用C++的編譯器g++-fPIC-sharedgreat_class_wrap.cxx-o_great_class.so-I/usr/include/python2.7/-lpython2.7在Python交互模式下測試：>>>importgreat_class>>>c=great_class.Great()>>>c.setWall(5)>>>c.getWall()5也就是說C++的class會直接映射到PythonclassSWIG非常強大，對於Python介面而言，簡單類型，甚至指針，都無需人工干涉即可自動轉換，而復雜類型，尤其是自定義類型，SWIG提供了typemap供轉換。而一旦使用了typemap，配置文件將不再在各個語言當中通用。參考資料：SWIG的官方文檔，質量比較高。SWIGUsersManual有個對應的中文版官網，很多年沒有更新了。寫在最後：由於CPython自身的結構設計合理，使得Python的C/C++擴展非常容易。如果打算快速完成任務，Cython（C/C++調用Python）和SWIG（Python調用C/C++）是很不錯的選擇。但是，一旦涉及到比較復雜的轉換任務，無論是繼續使用Cython還是SWIG，仍然需要學習Python源代碼。本文使用的開發環境：Python2.7.10Cython0.22SWIG3.0.6Windows10x64RTMCentOS7.1AMD64MacOSX10.10.4文中所述原理與具體環境適用性強。文章所述代碼均用於演示，缺乏必備的異常檢查

2. python氣象繪圖windrose

#導入包

import numpy as np

import pandas as pd

from matplotlib import pyplot as plt

from matplotlib.ticker import FuncFormatter

import matplotlib as mpl

mpl.rcParams['font.sans-serif'] = ['SimHei']  #設置簡黑字體

mpl.rcParams['axes.unicode_minus'] = False  #設置負號正常顯示

#----獲取數據DataFrames，index*columns。index表示不同值范圍，columns表示十六個風向

data = pd.DataFrame(wind_d_max_num_per,

                    index=['<15', '15~25', '25~35', '35~45',"≥45"],

                    columns='N NNE NE ENE E ESE SE SSE S SSW SW WSW W WNW NW NNW'.split())

N = 16 # 風速分布為16個方向

theta = np.linspace(0, 2*np.pi, N, endpoint=False) # 獲取16個方向的如手角度值

width = np.pi / 4 * 0.4  # 繪制扇型的寬度，可以自行調整0.5時是360，充滿，有間隔的話小於0.5即可

labels = list(data.columns) # 自定義坐標標簽為 N ， NSN， …渣笑嫌…# 開始繪圖

plt.figure(figsize=(6,6),dpi=600)

ax = plt.subplot(111, projection='polar')

#----自定義顏色

mycolor =['cornflowerblue','orange','mediumseagreen','lightcoral','cyan']

#----循環畫風玫瑰圖

i=0

for idx in data.index:

    print(idx)

    # 每一行繪制一個扇形

    radii = data.loc[idx] # 每一行數據

    if i == 0:

        ax.bar(theta, radii, width=width, bottom=0.0, label=idx, tick_label=labels,

          color=mycolor[i])

    else:

        ax.bar(theta, radii, width=width, bottom=np.sum(data.loc[data.index[0:i]]), label=idx, tick_label=labels,

          color=mycolor[i])

    i=i+1

#此種畫法，注意bottom設置，第一個bottom為0，後續bottom需要在前一個基礎上增加。

ax.set_xticks(theta)

ax.set_xticklabels(labels,fontdict={'weight':'bold','size':15,'color':'k'})

ax.set_theta_zero_location('N') #設置零度方向北

ax.set_theta_direction(-1)    # 逆時針方向繪圖

#----設置y坐標軸以百分升則數顯示

plt.gca().yaxis.set_major_formatter(FuncFormatter(lambda s, position: '{:.0f}%'.format(100*s)))

plt.legend(loc=4, bbox_to_anchor=(0.05, -0.25),fontsize=12) # 將label顯示出來， 並調整位置

#----保存圖片

plt.savefig("./windrose1.svg")

3. python 正則表達式，怎樣匹配以某個字元串開頭，以某個字元串結尾的情況

python正則匹配以xx開頭以xx結尾的單詞的步驟：

1、假設需要匹配的字元串為：site sea sue sweet see case sse ssee loses需要匹配的為以s開頭以e結尾的單詞。正確的正則式為：sS*?e

2、使用python中re.findall函數表示匹配字元串中所有的可能選項，re是python里的正則表達式模塊。findall是其中一個方法，用來按照提供的正則表達式，去匹配文本中的所有符合條件的字元串。

3、代碼和結果如下：

text ='site sea sue sweet see case sse ssee loses'

re.findall(r'sS*?e',text)

結果為：['site', 'sue', 'see', 'sse', 'ssee']

(3)pythonsse擴展閱讀：

python正則匹配,以某某開頭某某結尾的最長子串匹配

代碼如下：

regVersions = re.search(r'(V|v)[0-9].*[0-9]', filename)

if regVersions:

print regVersions.group()

4. 多元線性回歸中自變數減少預測誤差變大回歸平方怎麼變化

關注
當影響因變數的因素是多個時候，這種一個變數同時與多個變數的回歸問題就是多元回歸，分為：多元線性回歸和多元非線性回歸。這里直說多元線性回歸。對比一元線性回歸：

1.1多元回歸模型：

y=β0+β1x1+β2x2+…+βkxk+ε
y=β0+β1x1+β2x2+…+βkxk+ε
1.2多元回歸方程

E(y)=β0+β1x1+β2x2+…+βkxk
E(y)=β0+β1x1+β2x2+…+βkxk
1.3估計的多元回歸方程

y^=β0^+β1^x1+β2^x2+…+βk^xk
y^=β0^+β1^x1+β2^x2+…+βk^xk

2.1**對參數的最小二乘法估計：**
和一元線性回歸中提到的最小二乘法估計一樣、這不過這里的求導變數多了點、原理是一樣的、這里需要藉助計算機求導、就不寫了。
3 回歸方程的擬合優度：
3.1 多重判定系數：(Multiple coefficient of determination)

R2=SSRSST=1−SSESST
R2=SSRSST=1−SSESST

註解：
(1 ) 對於多重判定系數有一點特別重要的需要說明：自變數個數的增加將影響到因變數中被估計的回歸方程所解釋的變數數量。當增加自變數時，會使預測誤差變得較小，從而減小殘差平方和 SSESSE。自然就會是 SSRSSR變大。自然就會是 R2R2變大。這就會引發一個問題。如果模型中增加一個自變數，即使這個自變數在統計上並不顯著， R2R2的值也會變大。因此為了避免這個問題。提出了 調整的多種判定系數(adjusted multiple coefficient of determination):
R2a=1−(1−R2)(n−1n−k−1)
Ra2=1−(1−R2)(n−1n−k−1)

R2aRa2 同時考慮了樣本量 (n)(n) 和模型中自變數的個數 (k)(k) 的影響，這就使得 R2aRa2 的值永遠小於 R2R2，而且 R2aRa2 的值不會因為模型中自變數的個數增多而逐漸接近於 11.
(2 ) R2R2 的平方根成為多重相關系數，也稱為復相關系數， 它度量了因變數同 kk 個自變數的相關程度。
3.2 估計標准誤旁盯團差
同一元線性回歸一樣，多元回歸中的估計標准誤差也是誤差項 εε 的方差 σ2σ2 的一個估計值，
se=SSEn−k−1−−−−−−−−√=MSE−−−−−√
se=SSEn−k−1=MSE
4. 顯著性檢驗
在此重點說明，在一元線性回歸中，線性關系的檢驗 (F檢驗)(F檢驗) 和回歸系數的檢驗 (t檢驗)(t檢驗) 是等價的。 但是在多元回歸中，線性關系的檢驗主要是檢驗因變數同多個自變數線性關系是否顯著，在 kk 個自變數中，只要有一個自變數與因變數的線性關系顯著， F檢驗F檢驗 就能通過，但這不一定意味著每個自變數與因變數的關系都顯著。回歸系數檢驗則是對每個回歸系數分別進行單獨的檢驗，它主要用於運橘檢驗每個自變數對因變數的影響是否都顯著。如果某個自變數沒有通過檢驗，就意味著這個自變數對因變數的影響不顯著，也許就沒有必要將這個自變數放進回歸模型中。
4.1 線性關系的檢驗
步驟：
（1）：提出假設

H0:β1=β2=…=βk=0
H0:β1=β2=…=βk=0

H1:β1,β2,…=βk至少有一個不等於0
H1:β1,β2,…=βk至少有一個不等於0

（2）：計算檢驗的統計量F.
F=SSR/kSSE/(n−k−1)≈F(k,n−k−1)
F=SSR/kSSE/(n−k−1)≈F(k,n−k−1)

（3）：作出統計決策。
4.2 線性關系的檢驗
步驟：
（1）：提出假設
H0:βi=0
H0:βi=0

H1:βi≠0
H1:βi≠0

（2）：計算檢驗的統計量F.
ti=βi^sβi^≈t(n−k−1)
ti=βi^sβi^≈t(n−k−1)

（3）：作出統計決策。
5.1 多重共線性
多重共線性：當回歸模型中兩個或兩個以上的變數彼此相關時，則稱回歸模型中存則旁在多重共線性。
多重共線性的判別：
（1）模型中中各對自變數之間顯著相關
（2）當模型的線性關系檢驗 (F檢驗)(F檢驗) 顯著時，幾乎所有的回歸系數 βiβi 的 tt 檢驗卻不顯著。
（3）回歸系數的正負號與預期的相反。
（4）容忍度(tolerance) 與 方差擴大因子(variance inflation factor, VIF).
容忍度：某個變數的容忍度等於 1 減去該自變數為因變數而其他 k−1k−1 個自變數為預測變數時所得到的線性回歸模型的判定系數。即 1−R2i1−Ri2。 容忍度越小，多重共線性越嚴重。通常認為 容忍度小於 0.1 時，存在嚴重的多重共線性。
方差擴大因子：容忍度的倒數。 因此，VIFVIF 越大，多重共線性越嚴重，一般認為 VIFVIF 的值大於10時，存在嚴重的多重共線性。

5.2 多重共線性的處理
常見的兩種辦法：
（1）將一個或多個相關的自變數從模型中剔除，使保留的自變數盡可能不相關。
（2）如果要在模型中保留所有的自變數，那麼應該：
（2.1）避免根據 tt統計量對單個參數 ββ 進行檢驗，
（2.2）對因變數 yy 值的推斷（預測和估計）限定在自變數樣本值的范圍內。

5.3選擇變數避免共線性的幾種方式，
在建立回歸模型時，我們總是希望用最少的變數來說明問題，選擇自變數的原則通常是對統計量進行顯著性檢驗，檢驗的根據是：將一個或一個以上的自變數引入回歸模型中時，是否使殘差平方和 (SSE)(SSE) 顯著減少，如果增加一個自變數使殘差平方和 (SSE)(SSE) 顯著減少，則說明有必要將這個變數引入回歸模型中，否則，沒有必要將這個變數引入回歸模型中。確定在模型中引入自變數 xixi 是否使殘差平方和 (SSE)(SSE) 顯著減少的方法，就是使用 FF 統計量的值作為一個標准，以此來確定在模型中增加一個自變數，還是從模型中剔除一個自變數。
變數選擇方式：
5.3.1 向前選擇;
第一步： 對 kk 個自變數分別與因變數 yy 的一元線性回歸模型，共有 kk 個，然後找到 FF 統計量的值最大的模型及其自變數 xixi 並將其首先引入模型。
第二步： 在已經引入模型的 xixi 的基礎上，再分別擬合 xixi 與模型外的 k−1k−1 個自變數的線性回歸模型，挑選出 FF 值最大的含有兩個自變數的模型， 依次循環、直到增加自變數不能導致 SSESSE 顯著增加為止，
5.3.2向後剔除
第一步：先對所有的自變數進行線性回歸模型。然後考察 p<kp<k 個去掉一個自變數的模型，使模型的SSE值減小最少的自變數被挑選出來從模型中剔除，
第二步：考察 p−1p−1 個再去掉一個自變數的模型，使模型的SSE值減小最少的自變數被挑選出來從模型中剔除，直到剔除一個自變數不會使SSE值顯著減小為止，這時，模型中的所剩自變數自然都是顯著的。
5.3.3逐步回歸
是上面兩個的結合、考慮的比較全，以後就用這個就可以。

具體的分析過程、咱們以spss的多元回歸分析結果為例。

文章知識點與官方知識檔案匹配
演算法技能樹首頁概覽
31292 人正在系統學習中
點擊閱讀全文
打開CSDN，閱讀體驗更佳

線性回歸與非線性回歸<em>分析</em>簡明教程（python版）-全程干貨無廢話
<p> 本課程主要講述如何使用python進行線性回歸與非線性回歸分析，包括： </p> <p> <br /> </p> <ul> <li> 基於statsmodel的線性回歸方法 </li> <li> 基於sklearn的線性回歸方法 </li> <li> 基於Numpy的一元多項式非線性回歸方法 </li> <li> 基於sklearn的多元多項式非線性回歸方法 </li> <li> 基於scipy的通用曲線擬合非線性回歸方法 </li> </ul>
繼續訪問

最新發布 判別分析在SPSS上的實現與結果分析——基於SPSS實驗報告
已知分組類別，判斷樣本的類別
繼續訪問

多元回歸分析（實例，講解，詳實）.doc
非常好的多元回歸分析資料。 多元回歸分析原理 回歸分析是一種處理變數的統計相關關系的一種數理統計方法。回歸分析的基本思想是: 雖然自變數和因變數之間沒有嚴格的、確定性的函數關系, 但可以設法找出最能代表它們之間關系的數學表達形式。
SPSS多元回歸分析實例
用SPSS 在大多數的實際問題中，影響因變數的因素不是一個而是多個，我們稱這類回問題為多元回歸分析。可以建立因變數y與各自變數xj(j=1,2,3,…,n)之間的多元線性回歸模型
SPSS的線性回歸分析
使用SPSS軟體進行線性回歸分析，包括回歸分析概述 線性回歸分析 回歸方程的統計檢驗 多元回歸分析中的其他問題 線性回歸分析的基本操作 線性回歸分析的應用舉例 曲線估計
spss進行多元線性回歸並分析表格
本博客主要包含以下內容： 1.如何使用spss進行多元線性回歸。 2.分析生成結果，並判斷回歸是否可行。 一、使用spss進行多元線性回歸： 1.輸入數據 2. 3. 4. 5. 6. 二、表格結果分析： R方是檢驗回歸是否成功的重要要素之一，DW是殘差獨立性檢驗，衡量標准如下： 再看下一個表格： F的值是F檢驗的結果，他對應的P就是表格...
繼續訪問

《統計學》筆記：第12章 多元線性回歸
《統計學(第六版)》賈俊平 第12章 多元線性回歸 多元回歸模型 multiple regression model 設因變數為y，k個自變數分別為x1，x2，…，xk，描述因變數y如何依賴於自變數x1，x2，…，xk和誤差項ε的方程稱為多元回歸模型。其一般形式可表示為： y=β0+β1x1+β2x2+...+βkxk+ϵ y=\beta_0+\beta_1x_1+\beta_2x_2+...+\beta_kx_k+\epsilon y=β0​+β1​x1​+β2​x2​+...+βk​xk​+ϵ 式中，β
繼續訪問
多元線性回歸分析spss結果解讀_Spss的線性回歸做法及結果解讀
上一節我們講過了eviews做多元回歸，但是很多同學做問卷之類的都需要用到spss,所以這節我教一下大家如何用spss做多元回歸，並對結果進行解讀,再對大家所疑惑的顯著水平做一些白話的解釋。一．線性回歸的操作將因變數和自變數移入對應的框中，方法選擇進入就好了。方法這里我們最多用的就是進入和逐步。二．回歸模型的結果解讀模型匯總模型RR 方調整 R 方標准 估計的誤差1.905a.818.8...
繼續訪問

多重共線性詳解
目錄 1、多重共線性的現象 2、出現的原因 3、判別標准 4、檢驗方法 5、多重共線性有什麼影響 6、多重共線性處理方法 7、其他說明 8、多重共線性識別-python代碼8.1、vif檢驗8.2 相關系數8.3 聚類 9、宏觀把握共線性問題9.1、共線性的一般性的影響9.2、共線性對線性回歸、邏輯回歸的影響 10、statsmodel庫DF Resials：殘差的自由度Df Model:模型參數個數（不包含常量參數）R-squared：可決系數adj-R-squared：修正可決系數 1、多重共線性
繼續訪問

r語言多元線性回歸_第三十一講 R多元線性回歸中的多重共線性和方差膨脹因子...
在前兩講中，我們介紹了多元線性回歸的概念以及多元線性回歸中的交互作用。今天學習的主要內容是多元線性回歸中的多重共線性和方差膨脹因子。1. 共線性的概念1共線性在多元回歸中，兩個或多個預測變數可能彼此相關，這種情況稱為共線性(multicollinearity)。2多重共線性存在一種稱為多重共線性的極端情況，其中三個或更多變數之間存在共線性，即使沒有一對變數具有特別高的相關性。這意味著預測...
繼續訪問
Multiple Linear Regressions 多元線性回歸 （R）
多元回歸 多元回歸是線性回歸模型的自然延伸。它用於從幾個解釋變數預測響應的值。每個解釋變數都有自己的系數。響應變數由所有變數乘以各自系數的組合來預測。 其基本原理與簡單回歸相同:我們尋求預測因子的線性組合，以最小化與結果變數的差異。 the parallel slopes model 平行斜率模型 數據展示 當我們遇到兩個 變數的場景，其中一個是 數字型變數（溫度），其中一個是 分類型變數（是否是周末），我們定義了下面這樣的模型： X1 是「溫度」，X2是 「是否是周末」 ..
繼續訪問
多元線性回歸分析spss結果解讀_SPSS 多元線性回歸結果重要參數解讀
當自變數過多時，選擇步進，此方法可以自動剔除對因變數影響小的變數。選擇共線性診斷用於判斷多個變數之間是否相互關聯以及關聯的程度德賓-沃森(Durbin-Watson)DW用來檢驗回歸分析中的殘差項是否存在自相關(序列相關)現象「DEPENDNT」：因變數「ZPRED」：標准化預測值「ZRESID」：標准化殘差「DRESID」：刪除殘差「ADJPRED」：調節預測值「SRESID」：學生化殘差「SD...
繼續訪問
回歸方程的擬合優度-多重判定系數-估計標准誤差
2019獨角獸企業重金招聘Python工程師標准>>> ...
繼續訪問
多元線性回歸原理
例子先行 一元線性：拿房價預測來說，房價就只與一個特徵size（feet^2）有關: 多元線性： 房子除了面積，還會有其他的特徵：number of bedrooms;number of floors; age of home....,為了引入這些特徵，有了多元線性回歸，x1,x2,x3,x4為特徵，y為預測的價格。 符號引入： n：特徵的數量 ...
繼續訪問

SPSS軟體介紹
SPSS軟體界面描述 IBM SPSS是目前常用的一種統計分析軟體，SPSS（Statistical Proct and Service Solutions）是統計產品和服務解決方案軟體，操作簡單，無需寫代碼，只需確定要分析的數據及之間的因變、自變關系，以及需要做單因素、多因素、混合等分析即可。 SPSS的基本功能包括數據管理、統計分析、圖表分析、輸出管理等等。SPSS統計分析過程包括描述性統計、均值比較、一般線性模型、相關分析、回歸分析、對數線性模型、聚類分析、數據簡化、生存分析、時間序列分析、多重響
繼續訪問
多重共線性一些指標解釋
ANOVA中 F檢驗是對整個模型而已的，看是不是自變數系數不全為0，這里F檢驗值23，對應P概率=0，顯著性P<0.05,H1成立，說明顯著性非常高 系數中 t檢驗則是分別針對某個自變數的，看每個自變數是否有顯著預測效力。這里t檢驗對應概率大於0.05，即顯著性一列為0.23和0.48，說明顯著性很差 SPSS對於多重共線性的判斷指標有以下幾種：容忍度（Tolerance）、方差膨脹因子（V...
繼續訪問
第12章 多元線性回歸-整理2
12.2 回歸方程的擬合優度 12.2.1 多重判定系數 多重判定系數（multiple coefficient of determination)是多元回歸中的回歸平方和占總平方和的比例，它是度量多元回歸方程擬合程度的一個統計量，反映了因變數y的變差中被估計的回歸方程所解釋的比例。 R2=SSRSST=1−SSESSTR^2=\frac{SSR}{SST}=1-\frac{SSE}{SST}R2=SSTSSR​=1−SSTSSE​調整的多重判定系數： Ra2=1−(1−R2)(n−1n−k−1)R^2_
繼續訪問
熱門推薦 SPSS多元線性回歸輸出結果的詳細解釋
先說一句題外話，如果當年在大學里數理統計等課程結合SPSS，SAS，R等軟體來講，應該效果會好很多。 最近做了一些用SPSS進行線性回歸的實驗，還是感覺很多細節把握不好，這里結合我的實驗結果，以及網上別人的介紹總結一下，先貼幾張SPSS的輸出： 下面簡單解釋一下這三張圖中的結果： 第一個表模型匯總表中，R表示擬合優度（goodness of fit），它是用來衡量估計的模型對觀測...
繼續訪問
多元回歸分析--學習筆記
回歸系數解釋：回多元回歸情形下，對每一個回歸系數的解釋如下，當所有其他自變數保持不變時，bi是因變數y對應於自變數xi改變一個單位時所做的改變的估計值。 多元判定系數（R-sq）：計算方法同簡單線性回歸，乘以100即可解釋為：因變數y中的變異性能被估計多元線性回歸方程解釋的百分比 修正多元判定系數：多元判定系數的值總是隨著新的自變數進入模型而增加，即使新增的變數在統計學上並不顯

5. python 的運算能力比不上c，進行大量運算時候python比c慢的多，這對嗎

運算能力是一樣的，不過python是動態語言，變數本身帶了類型信息，相同的計算會做更多的操作，所以會慢一些。不過動態語言的是優勢是開發效率，C的是運行效率，如果是不會大量重復使用的小程序的，算開發+運行的總時間的話，python會比C的小很多，而且python的庫很多，內置大整數和decimal模塊，可以計算精度很高的運算。

6. 在python中如何使用kmeans得出SSE

用sklearn包，裡面有你要的kmeans演算法，然後找到聚類評判指標，也有你要的SSE。

7. python怎麼獲取real time

長輪詢long-polling

解決的方法：瀏覽器發出ajax請求到伺服器，要求更新，但是這個常用的瀏覽器和伺服器之間的推送方法，有一個問題：
如果伺服器沒有什麼要發送，它會保持連接打開，直到為用戶提供一些數據，客戶端收到響應後，會發出另外的一個請求，獲得更多的數據
上面的這種技術被稱為long-polling,長輪詢
顯然，這種方法不太高效，大多數情況下，信噪比是非常高的（無用的數據比有用的數據），因為這樣更多的時間將花在處理http請求（比如解析和驗證報頭），而不是實際數據發送到客戶端
不幸的是，這種長輪詢的方法是目前將數據推送到客戶端最適合的方式
基於HTTP/1.1情況好轉了一點,TCP連接可以使用 Keep-Alive頭，默認情況下， 連接在請求發起後將保持打開狀態。 此功能使長輪詢延遲得到了降低，這樣就沒有必要為每個輪詢請求重新打開TCP連接
HTTP/1.1還引入了 塊傳輸協議 。 它允許講響應分解為成更小的數據塊， 並將它們立段凱即發送到客戶端，而不是一直等到完成HTTP請求
不幸的是，有些不兼容這個功能的代理伺服器還是試圖在轉發之前緩存整個響應，所以客戶端將不會收到任何數據，直到代理認為http請求已經完成
雖然看起來，web還是能正常工作－因為客戶端最終還是會得到來自伺服器的響應，但是它打破了為實時而設計的塊傳輸協議的整體思路

其他方法

2006年9月，opera為它的瀏覽器實現了試驗性的服務事件發送功能，雖然sse和塊傳輸協議很相似，但是還是不同的協議，而且有更好的客戶端api
2009年4月23日，SSE得到WHATWG批准，得到幾乎所有的現代的桌面瀏覽器（Internet Explorer的除外）的支持
還有其他的技術，比如 forever-iframe， 這是兩種可以為Internet Explorer版本低於8做跨握備喚域推送的技術之一（另一個是 jsonp， 以及 HTMLFILE 等
總之，所有這些基於HTTP的折中方案都可以叫做 Comet

方法利弊

long-polling,長輪詢是昂貴的，但是兼容性很好
塊傳輸協議效率更高，但有可能不是所有的客戶端都能正常工作，並且如果沒有某種形式的探測都無法發現問題的存在
sse也不錯，但不是所有的瀏覽器都滾大支持，比較好的是有辦法在建立連接前，就知道它是否支持
這些方法都有一個問題，它們都只提供一種方式將數據從伺服器推送到客戶端，而不是建立雙向通信，客戶端每次想發送一些數據的時候，將不得不使用ajax請求到伺服器，這樣會增加延遲，並且伺服器也會產生額外的負載

邂逅websockets

雖然websockets不是什麼新技術，但是經歷了幾個不兼容的迭代後該規范終於通過了，rfc編號rfc-6455
簡而言之，基於websocket的伺服器和客戶端之間建立的是基於tcp的雙向連接，連接的建立使用兼容http的握手協議，加上額外的websocket相關的頭，並具有額外的協議層次劃分，所以它不僅僅是一個從瀏覽器中打開原始的tcp連接
websocket協議的最大問題是：瀏覽器的支持，防火牆，代理伺服器和防病毒應用的支持，企業防火牆和代理伺服器通常因各種原因阻止的WebSocket連接。
有些代理伺服器不能處理WebSocket在埠80上連接 - 他們認為這是一般的HTTP請求，並嘗試緩存它。 有HTTP掃描組件的殺毒軟體也不允許WebSocket連接
無論如何，websocket來建立的客戶端和伺服器之間的雙向通信是最好的方式，但是不能單一的用來解決推送問題

用例

如果您的應用程序大多是從伺服器推送數據，基於HTTP的傳輸會工作得很好。
但是，如果瀏覽器支持WebSocket的傳輸並且WebSocket的連接是可以建立的，它將是更好的選擇
總而言之，
最好的辦法是：嘗試打開的WebSocket連接，
如果失敗 - 嘗試回退到基於HTTP傳輸。
當然也有可以」升級」連接 -
首先使用長輪詢（long-polling），
然後嘗試建立WebSocket的連接。
如果成功，就切換到WebSocket的連接。
雖然這種做法可能會降低初始連接的時間，
需要注意伺服器端實現， 以避免但在兩者連接之間切換時發生任何的跳變情況（race conditions）

polyfill庫

為所有已知的瀏覽器提供變通方案，搞定代理和防火牆的問題，尤其是從頭開始處理這些問題，是非常困難的，幸運的是，已經有人提出盡可能穩定的解決方案
有一些 polyfill庫，像sockjs 庫 ， socket.io 庫 , faye和其他一些框架，實現了基於各種不同的傳輸實現上的類WebSocket的 API
雖然他們所提供的伺服器和客戶端API不盡相同，但他們有著共同的理念： 在給定的情況下用最好的傳輸方案，並且提供一致的伺服器端API
例如，如果瀏覽器支持WebSocket協議，polyfill將嘗試建立WebSocket連接。 如果失敗了，他們將下降回到下一個最好的傳輸協議。 Engine.IO使用稍微不同的方法 - 他先建立長輪詢連接（long-polling），並嘗試在後台升級到WebSocket
在任何情況下 - 這些庫將嘗試建立雙向連接到伺服器上使用最可靠的傳輸。
不幸的是，在使用Socket.IO 0.8.x的時候有較差的體驗。 我一般在我自己的項目中使用 sockjs-tornado， 即使我自己寫了 TornadIO2。 Socket.IO早期的server實現是基於 Tornado]的

伺服器端

基於wsgi的伺服器不能被用於創建實時應用，
因為wsgi協議是同步的，wsgi伺服器一次只能處理一個請求

回顧長輪詢long-polling傳輸
客戶端打開http連接到伺服器，獲得更多的數據

無可用的數據，伺服器保持連接打開並等待數據發送

因為伺服器無法處理任何其他請求，一切都將被阻塞

偽代碼表示：
def handle_request(request):
data = get_more_data(request)
return send_response(data)

如果get_more_data阻塞了，那整個伺服器就會被阻塞，不能處理請求了
當然，可以每個請求創建線程，但這非常低效。

8. 如何用python實現含有虛擬自變數的回歸

參考資料：
DataRobot | Ordinary Least Squares in Python

DataRoboe | Multiple Regression using Statsmodels

AnalyticsVidhya | 7 Types of Regression Techniques you should know!

9. 如何在pycharm上使用sse的tensorflow

要在前信pycharm下使用tensorflow，要圓灶設置好pycharm下解釋器interpreter的路徑，這里也就是tensorflow的路徑。 如果是虛擬的env，或anaconda的env，那就在interpreter路徑里添慧腔輪加對應Python bin。 如果當前路徑里沒有解釋器沒有這個