pythonsse

1. 如何实现C/C++与python的通信

用C/C++对脚本语言的功能扩展是非常敬春常见的事情，Python也不例外。除了SWIG，市面上还有若干用于Python扩展的工具包，比较知名的还有Boost.Python、SIP等，此外，Cython由于可以直接集成C/C++代码，并方便的生成Python模块，故也可以完成扩展Python的任务。答主在这里选用SWIG的一个重要原因是，它不仅可以用于Python，也可以用于其他语言。如今SWIG已经支持C/C++的好基友Java，主流脚本语言Python、Perl、Ruby、PHP、JavaScript、tcl、Lua，还有斗稿谨Go、C#，以及R。SWIG是基于配置的，也就是说，原则上一套配置改变不同的编译方法就能适用各种语言（当然，这是理想情况了……）SWIG的安装方便，有Windows的预编译包，解压即用，绿色健康。主流Linux通常集成swig的包，也可以下载源代码自己编译，SWIG非常小巧，通常安装不会出什么问题。用SWIG扩展Python，你需要有一个待扩展的C/C++库。这个库有可能是你自己写的，也有可能是某个项目提供的。这里举一个不浮夸的例子：希望在Python中用到SSE4指令集的CRC32指令。首先打开指令集的文档可以看到有6个函数。分析6个函数的原型，其参数和返回值都是简单的整数。于是书写SWIG的配置文件（为了简化起见，未包含2个64位函数）：/*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);接下来使用SWIG将这个配置文件编译为所谓PythonMoleWrapperswig-pythonmymole.i得到一个mymole_wrap.c和一个mymole.py。把它编译为Python扩展：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注意输出文件名前面要加一个下划线。现在可以立即在Python下使用这个mole了：>>>importmymole>>>mymole._mm_popcnt_u32(10)2回顾这个配置文件分为3个部分：定义mole名称mymole，通常，mole名称要和文件名保持一致。%{%}包裹的部分是C语言的代码，这段代码会原封不动的复制到mymole_wrap.c欲导出的函数签名列表。直接从头文件里复制过来即可。还记得本文第2节的那个great_function吗？有了SWIG，事情就会变得如此简单：/*great_mole.i*/%molegreat_mole%{intgreat_function(inta){returna+1;}%}intgreat_function(inta);换句话说，SWIG自动完成了诸如Python类型转换、mole初始化、导出代码表生成的诸多工作。对于C++，SWIG也可以应对。例如以下代码有C++类的定义：//great_class.h#ifndefGREAT_CLASS#defineGREAT_CLASSclassGreat{private:ints;public:voidsetWall(int_s){s=_s;};intgetWall(){returns;};};#endif//GREAT_CLASS对应空基的SWIG配置文件/*great_class.i*/%molegreat_class%{#include"great_class.h"%}%include"great_class.h"这里不再重新敲一遍class的定义了，直接使用SWIG的%include指令SWIG编译时要加-c++这个选项，生成的扩展名为cxxswig-c++-pythongreat_class.iWindows下编译：cl/LDgreat_class_wrap.cxx/o_great_class.pyd-IC:\Python27\includeC:\Python27\libs\python27.libLinux，使用C++的编译器g++-fPIC-sharedgreat_class_wrap.cxx-o_great_class.so-I/usr/include/python2.7/-lpython2.7在Python交互模式下测试：>>>importgreat_class>>>c=great_class.Great()>>>c.setWall(5)>>>c.getWall()5也就是说C++的class会直接映射到PythonclassSWIG非常强大，对于Python接口而言，简单类型，甚至指针，都无需人工干涉即可自动转换，而复杂类型，尤其是自定义类型，SWIG提供了typemap供转换。而一旦使用了typemap，配置文件将不再在各个语言当中通用。参考资料：SWIG的官方文档，质量比较高。SWIGUsersManual有个对应的中文版官网，很多年没有更新了。写在最后：由于CPython自身的结构设计合理，使得Python的C/C++扩展非常容易。如果打算快速完成任务，Cython（C/C++调用Python）和SWIG（Python调用C/C++）是很不错的选择。但是，一旦涉及到比较复杂的转换任务，无论是继续使用Cython还是SWIG，仍然需要学习Python源代码。本文使用的开发环境：Python2.7.10Cython0.22SWIG3.0.6Windows10x64RTMCentOS7.1AMD64MacOSX10.10.4文中所述原理与具体环境适用性强。文章所述代码均用于演示，缺乏必备的异常检查

2. python气象绘图windrose

#导入包

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']  #设置简黑字体

mpl.rcParams['axes.unicode_minus'] = False  #设置负号正常显示

#----获取数据DataFrames，index*columns。index表示不同值范围，columns表示十六个风向

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 # 风速分布为16个方向

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

width = np.pi / 4 * 0.4  # 绘制扇型的宽度，可以自行调整0.5时是360，充满，有间隔的话小于0.5即可

labels = list(data.columns) # 自定义坐标标签为 N ， NSN， …渣笑嫌…# 开始绘图

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

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

#----自定义颜色

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

#----循环画风玫瑰图

i=0

for idx in data.index:

    print(idx)

    # 每一行绘制一个扇形

    radii = data.loc[idx] # 每一行数据

    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

#此种画法，注意bottom设置，第一个bottom为0，后续bottom需要在前一个基础上增加。

ax.set_xticks(theta)

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

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

ax.set_theta_direction(-1)    # 逆时针方向绘图

#----设置y坐标轴以百分升则数显示

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) # 将label显示出来， 并调整位置

#----保存图片

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

3. python 正则表达式，怎样匹配以某个字符串开头，以某个字符串结尾的情况

python正则匹配以xx开头以xx结尾的单词的步骤：

1、假设需要匹配的字符串为：site sea sue sweet see case sse ssee loses需要匹配的为以s开头以e结尾的单词。正确的正则式为：sS*?e

2、使用python中re.findall函数表示匹配字符串中所有的可能选项，re是python里的正则表达式模块。findall是其中一个方法，用来按照提供的正则表达式，去匹配文本中的所有符合条件的字符串。

3、代码和结果如下：

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

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

结果为：['site', 'sue', 'see', 'sse', 'ssee']

(3)pythonsse扩展阅读：

python正则匹配,以某某开头某某结尾的最长子串匹配

代码如下：

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

if regVersions:

print regVersions.group()

4. 多元线性回归中自变量减少预测误差变大回归平方怎么变化

关注
当影响因变量的因素是多个时候，这种一个变量同时与多个变量的回归问题就是多元回归，分为：多元线性回归和多元非线性回归。这里直说多元线性回归。对比一元线性回归：

1.1多元回归模型：

y=β0+β1x1+β2x2+…+βkxk+ε
y=β0+β1x1+β2x2+…+βkxk+ε
1.2多元回归方程

E(y)=β0+β1x1+β2x2+…+βkxk
E(y)=β0+β1x1+β2x2+…+βkxk
1.3估计的多元回归方程

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

2.1**对参数的最小二乘法估计：**
和一元线性回归中提到的最小二乘法估计一样、这不过这里的求导变量多了点、原理是一样的、这里需要借助计算机求导、就不写了。
3 回归方程的拟合优度：
3.1 多重判定系数：(Multiple coefficient of determination)

R2=SSRSST=1−SSESST
R2=SSRSST=1−SSESST

注解：
(1 ) 对于多重判定系数有一点特别重要的需要说明：自变量个数的增加将影响到因变量中被估计的回归方程所解释的变量数量。当增加自变量时，会使预测误差变得较小，从而减小残差平方和 SSESSE。自然就会是 SSRSSR变大。自然就会是 R2R2变大。这就会引发一个问题。如果模型中增加一个自变量，即使这个自变量在统计上并不显着， R2R2的值也会变大。因此为了避免这个问题。提出了 调整的多种判定系数(adjusted multiple coefficient of determination):
R2a=1−(1−R2)(n−1n−k−1)
Ra2=1−(1−R2)(n−1n−k−1)

R2aRa2 同时考虑了样本量 (n)(n) 和模型中自变量的个数 (k)(k) 的影响，这就使得 R2aRa2 的值永远小于 R2R2，而且 R2aRa2 的值不会因为模型中自变量的个数增多而逐渐接近于 11.
(2 ) R2R2 的平方根成为多重相关系数，也称为复相关系数， 它度量了因变量同 kk 个自变量的相关程度。
3.2 估计标准误旁盯团差
同一元线性回归一样，多元回归中的估计标准误差也是误差项 εε 的方差 σ2σ2 的一个估计值，
se=SSEn−k−1−−−−−−−−√=MSE−−−−−√
se=SSEn−k−1=MSE
4. 显着性检验
在此重点说明，在一元线性回归中，线性关系的检验 (F检验)(F检验) 和回归系数的检验 (t检验)(t检验) 是等价的。 但是在多元回归中，线性关系的检验主要是检验因变量同多个自变量线性关系是否显着，在 kk 个自变量中，只要有一个自变量与因变量的线性关系显着， F检验F检验 就能通过，但这不一定意味着每个自变量与因变量的关系都显着。回归系数检验则是对每个回归系数分别进行单独的检验，它主要用于运橘检验每个自变量对因变量的影响是否都显着。如果某个自变量没有通过检验，就意味着这个自变量对因变量的影响不显着，也许就没有必要将这个自变量放进回归模型中。
4.1 线性关系的检验
步骤：
（1）：提出假设

H0:β1=β2=…=βk=0
H0:β1=β2=…=βk=0

H1:β1,β2,…=βk至少有一个不等于0
H1:β1,β2,…=βk至少有一个不等于0

（2）：计算检验的统计量F.
F=SSR/kSSE/(n−k−1)≈F(k,n−k−1)
F=SSR/kSSE/(n−k−1)≈F(k,n−k−1)

（3）：作出统计决策。
4.2 线性关系的检验
步骤：
（1）：提出假设
H0:βi=0
H0:βi=0

H1:βi≠0
H1:βi≠0

（2）：计算检验的统计量F.
ti=βi^sβi^≈t(n−k−1)
ti=βi^sβi^≈t(n−k−1)

（3）：作出统计决策。
5.1 多重共线性
多重共线性：当回归模型中两个或两个以上的变量彼此相关时，则称回归模型中存则旁在多重共线性。
多重共线性的判别：
（1）模型中中各对自变量之间显着相关
（2）当模型的线性关系检验 (F检验)(F检验) 显着时，几乎所有的回归系数 βiβi 的 tt 检验却不显着。
（3）回归系数的正负号与预期的相反。
（4）容忍度(tolerance) 与 方差扩大因子(variance inflation factor, VIF).
容忍度：某个变量的容忍度等于 1 减去该自变量为因变量而其他 k−1k−1 个自变量为预测变量时所得到的线性回归模型的判定系数。即 1−R2i1−Ri2。 容忍度越小，多重共线性越严重。通常认为 容忍度小于 0.1 时，存在严重的多重共线性。
方差扩大因子：容忍度的倒数。 因此，VIFVIF 越大，多重共线性越严重，一般认为 VIFVIF 的值大于10时，存在严重的多重共线性。

5.2 多重共线性的处理
常见的两种办法：
（1）将一个或多个相关的自变量从模型中剔除，使保留的自变量尽可能不相关。
（2）如果要在模型中保留所有的自变量，那么应该：
（2.1）避免根据 tt统计量对单个参数 ββ 进行检验，
（2.2）对因变量 yy 值的推断（预测和估计）限定在自变量样本值的范围内。

5.3选择变量避免共线性的几种方式，
在建立回归模型时，我们总是希望用最少的变量来说明问题，选择自变量的原则通常是对统计量进行显着性检验，检验的根据是：将一个或一个以上的自变量引入回归模型中时，是否使残差平方和 (SSE)(SSE) 显着减少，如果增加一个自变量使残差平方和 (SSE)(SSE) 显着减少，则说明有必要将这个变量引入回归模型中，否则，没有必要将这个变量引入回归模型中。确定在模型中引入自变量 xixi 是否使残差平方和 (SSE)(SSE) 显着减少的方法，就是使用 FF 统计量的值作为一个标准，以此来确定在模型中增加一个自变量，还是从模型中剔除一个自变量。
变量选择方式：
5.3.1 向前选择;
第一步： 对 kk 个自变量分别与因变量 yy 的一元线性回归模型，共有 kk 个，然后找到 FF 统计量的值最大的模型及其自变量 xixi 并将其首先引入模型。
第二步： 在已经引入模型的 xixi 的基础上，再分别拟合 xixi 与模型外的 k−1k−1 个自变量的线性回归模型，挑选出 FF 值最大的含有两个自变量的模型， 依次循环、直到增加自变量不能导致 SSESSE 显着增加为止，
5.3.2向后剔除
第一步：先对所有的自变量进行线性回归模型。然后考察 p<kp<k 个去掉一个自变量的模型，使模型的SSE值减小最少的自变量被挑选出来从模型中剔除，
第二步：考察 p−1p−1 个再去掉一个自变量的模型，使模型的SSE值减小最少的自变量被挑选出来从模型中剔除，直到剔除一个自变量不会使SSE值显着减小为止，这时，模型中的所剩自变量自然都是显着的。
5.3.3逐步回归
是上面两个的结合、考虑的比较全，以后就用这个就可以。

具体的分析过程、咱们以spss的多元回归分析结果为例。

文章知识点与官方知识档案匹配
算法技能树首页概览
31292 人正在系统学习中
点击阅读全文
打开CSDN，阅读体验更佳

线性回归与非线性回归<em>分析</em>简明教程（python版）-全程干货无废话
<p> 本课程主要讲述如何使用python进行线性回归与非线性回归分析，包括： </p> <p> <br /> </p> <ul> <li> 基于statsmodel的线性回归方法 </li> <li> 基于sklearn的线性回归方法 </li> <li> 基于Numpy的一元多项式非线性回归方法 </li> <li> 基于sklearn的多元多项式非线性回归方法 </li> <li> 基于scipy的通用曲线拟合非线性回归方法 </li> </ul>
继续访问

最新发布 判别分析在SPSS上的实现与结果分析——基于SPSS实验报告
已知分组类别，判断样本的类别
继续访问

多元回归分析（实例，讲解，详实）.doc
非常好的多元回归分析资料。 多元回归分析原理 回归分析是一种处理变量的统计相关关系的一种数理统计方法。回归分析的基本思想是: 虽然自变量和因变量之间没有严格的、确定性的函数关系, 但可以设法找出最能代表它们之间关系的数学表达形式。
SPSS多元回归分析实例
用SPSS 在大多数的实际问题中，影响因变量的因素不是一个而是多个，我们称这类回问题为多元回归分析。可以建立因变量y与各自变量xj(j=1,2,3,…,n)之间的多元线性回归模型
SPSS的线性回归分析
使用SPSS软件进行线性回归分析，包括回归分析概述 线性回归分析 回归方程的统计检验 多元回归分析中的其他问题 线性回归分析的基本操作 线性回归分析的应用举例 曲线估计
spss进行多元线性回归并分析表格
本博客主要包含以下内容： 1.如何使用spss进行多元线性回归。 2.分析生成结果，并判断回归是否可行。 一、使用spss进行多元线性回归： 1.输入数据 2. 3. 4. 5. 6. 二、表格结果分析： R方是检验回归是否成功的重要要素之一，DW是残差独立性检验，衡量标准如下： 再看下一个表格： F的值是F检验的结果，他对应的P就是表格...
继续访问

《统计学》笔记：第12章 多元线性回归
《统计学(第六版)》贾俊平 第12章 多元线性回归 多元回归模型 multiple regression model 设因变量为y，k个自变量分别为x1，x2，…，xk，描述因变量y如何依赖于自变量x1，x2，…，xk和误差项ε的方程称为多元回归模型。其一般形式可表示为： 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
继续访问
多元线性回归分析spss结果解读_Spss的线性回归做法及结果解读
上一节我们讲过了eviews做多元回归，但是很多同学做问卷之类的都需要用到spss,所以这节我教一下大家如何用spss做多元回归，并对结果进行解读,再对大家所疑惑的显着水平做一些白话的解释。一．线性回归的操作将因变量和自变量移入对应的框中，方法选择进入就好了。方法这里我们最多用的就是进入和逐步。二．回归模型的结果解读模型汇总模型RR 方调整 R 方标准 估计的误差1.905a.818.8...
继续访问

多重共线性详解
目录 1、多重共线性的现象 2、出现的原因 3、判别标准 4、检验方法 5、多重共线性有什么影响 6、多重共线性处理方法 7、其他说明 8、多重共线性识别-python代码8.1、vif检验8.2 相关系数8.3 聚类 9、宏观把握共线性问题9.1、共线性的一般性的影响9.2、共线性对线性回归、逻辑回归的影响 10、statsmodel库DF Resials：残差的自由度Df Model:模型参数个数（不包含常量参数）R-squared：可决系数adj-R-squared：修正可决系数 1、多重共线性
继续访问

r语言多元线性回归_第三十一讲 R多元线性回归中的多重共线性和方差膨胀因子...
在前两讲中，我们介绍了多元线性回归的概念以及多元线性回归中的交互作用。今天学习的主要内容是多元线性回归中的多重共线性和方差膨胀因子。1. 共线性的概念1共线性在多元回归中，两个或多个预测变量可能彼此相关，这种情况称为共线性(multicollinearity)。2多重共线性存在一种称为多重共线性的极端情况，其中三个或更多变量之间存在共线性，即使没有一对变量具有特别高的相关性。这意味着预测...
继续访问
Multiple Linear Regressions 多元线性回归 （R）
多元回归 多元回归是线性回归模型的自然延伸。它用于从几个解释变量预测响应的值。每个解释变量都有自己的系数。响应变量由所有变量乘以各自系数的组合来预测。 其基本原理与简单回归相同:我们寻求预测因子的线性组合，以最小化与结果变量的差异。 the parallel slopes model 平行斜率模型 数据展示 当我们遇到两个 变量的场景，其中一个是 数字型变量（温度），其中一个是 分类型变量（是否是周末），我们定义了下面这样的模型： X1 是“温度”，X2是 “是否是周末” ..
继续访问
多元线性回归分析spss结果解读_SPSS 多元线性回归结果重要参数解读
当自变量过多时，选择步进，此方法可以自动剔除对因变量影响小的变量。选择共线性诊断用于判断多个变量之间是否相互关联以及关联的程度德宾-沃森(Durbin-Watson)DW用来检验回归分析中的残差项是否存在自相关(序列相关)现象“DEPENDNT”：因变量“ZPRED”：标准化预测值“ZRESID”：标准化残差“DRESID”：删除残差“ADJPRED”：调节预测值“SRESID”：学生化残差“SD...
继续访问
回归方程的拟合优度-多重判定系数-估计标准误差
2019独角兽企业重金招聘Python工程师标准>>> ...
继续访问
多元线性回归原理
例子先行 一元线性：拿房价预测来说，房价就只与一个特征size（feet^2）有关: 多元线性： 房子除了面积，还会有其他的特征：number of bedrooms;number of floors; age of home....,为了引入这些特征，有了多元线性回归，x1,x2,x3,x4为特征，y为预测的价格。 符号引入： n：特征的数量 ...
继续访问

SPSS软件介绍
SPSS软件界面描述 IBM SPSS是目前常用的一种统计分析软件，SPSS（Statistical Proct and Service Solutions）是统计产品和服务解决方案软件，操作简单，无需写代码，只需确定要分析的数据及之间的因变、自变关系，以及需要做单因素、多因素、混合等分析即可。 SPSS的基本功能包括数据管理、统计分析、图表分析、输出管理等等。SPSS统计分析过程包括描述性统计、均值比较、一般线性模型、相关分析、回归分析、对数线性模型、聚类分析、数据简化、生存分析、时间序列分析、多重响
继续访问
多重共线性一些指标解释
ANOVA中 F检验是对整个模型而已的，看是不是自变量系数不全为0，这里F检验值23，对应P概率=0，显着性P<0.05,H1成立，说明显着性非常高 系数中 t检验则是分别针对某个自变量的，看每个自变量是否有显着预测效力。这里t检验对应概率大于0.05，即显着性一列为0.23和0.48，说明显着性很差 SPSS对于多重共线性的判断指标有以下几种：容忍度（Tolerance）、方差膨胀因子（V...
继续访问
第12章 多元线性回归-整理2
12.2 回归方程的拟合优度 12.2.1 多重判定系数 多重判定系数（multiple coefficient of determination)是多元回归中的回归平方和占总平方和的比例，它是度量多元回归方程拟合程度的一个统计量，反映了因变量y的变差中被估计的回归方程所解释的比例。 R2=SSRSST=1−SSESSTR^2=\frac{SSR}{SST}=1-\frac{SSE}{SST}R2=SSTSSR​=1−SSTSSE​调整的多重判定系数： Ra2=1−(1−R2)(n−1n−k−1)R^2_
继续访问
热门推荐 SPSS多元线性回归输出结果的详细解释
先说一句题外话，如果当年在大学里数理统计等课程结合SPSS，SAS，R等软件来讲，应该效果会好很多。 最近做了一些用SPSS进行线性回归的实验，还是感觉很多细节把握不好，这里结合我的实验结果，以及网上别人的介绍总结一下，先贴几张SPSS的输出： 下面简单解释一下这三张图中的结果： 第一个表模型汇总表中，R表示拟合优度（goodness of fit），它是用来衡量估计的模型对观测...
继续访问
多元回归分析--学习笔记
回归系数解释：回多元回归情形下，对每一个回归系数的解释如下，当所有其他自变量保持不变时，bi是因变量y对应于自变量xi改变一个单位时所做的改变的估计值。 多元判定系数（R-sq）：计算方法同简单线性回归，乘以100即可解释为：因变量y中的变异性能被估计多元线性回归方程解释的百分比 修正多元判定系数：多元判定系数的值总是随着新的自变量进入模型而增加，即使新增的变量在统计学上并不显

5. python 的运算能力比不上c，进行大量运算时候python比c慢的多，这对吗

运算能力是一样的，不过python是动态语言，变量本身带了类型信息，相同的计算会做更多的操作，所以会慢一些。不过动态语言的是优势是开发效率，C的是运行效率，如果是不会大量重复使用的小程序的，算开发+运行的总时间的话，python会比C的小很多，而且python的库很多，内置大整数和decimal模块，可以计算精度很高的运算。

6. 在python中如何使用kmeans得出SSE

用sklearn包，里面有你要的kmeans算法，然后找到聚类评判指标，也有你要的SSE。

7. python怎么获取real time

长轮询long-polling

解决的方法：浏览器发出ajax请求到服务器，要求更新，但是这个常用的浏览器和服务器之间的推送方法，有一个问题：
如果服务器没有什么要发送，它会保持连接打开，直到为用户提供一些数据，客户端收到响应后，会发出另外的一个请求，获得更多的数据
上面的这种技术被称为long-polling,长轮询
显然，这种方法不太高效，大多数情况下，信噪比是非常高的（无用的数据比有用的数据），因为这样更多的时间将花在处理http请求（比如解析和验证报头），而不是实际数据发送到客户端
不幸的是，这种长轮询的方法是目前将数据推送到客户端最适合的方式
基于HTTP/1.1情况好转了一点,TCP连接可以使用 Keep-Alive头，默认情况下， 连接在请求发起后将保持打开状态。 此功能使长轮询延迟得到了降低，这样就没有必要为每个轮询请求重新打开TCP连接
HTTP/1.1还引入了 块传输协议 。 它允许讲响应分解为成更小的数据块， 并将它们立段凯即发送到客户端，而不是一直等到完成HTTP请求
不幸的是，有些不兼容这个功能的代理服务器还是试图在转发之前缓存整个响应，所以客户端将不会收到任何数据，直到代理认为http请求已经完成
虽然看起来，web还是能正常工作－因为客户端最终还是会得到来自服务器的响应，但是它打破了为实时而设计的块传输协议的整体思路

其他方法

2006年9月，opera为它的浏览器实现了试验性的服务事件发送功能，虽然sse和块传输协议很相似，但是还是不同的协议，而且有更好的客户端api
2009年4月23日，SSE得到WHATWG批准，得到几乎所有的现代的桌面浏览器（Internet Explorer的除外）的支持
还有其他的技术，比如 forever-iframe， 这是两种可以为Internet Explorer版本低于8做跨握备唤域推送的技术之一（另一个是 jsonp， 以及 HTMLFILE 等
总之，所有这些基于HTTP的折中方案都可以叫做 Comet

方法利弊

long-polling,长轮询是昂贵的，但是兼容性很好
块传输协议效率更高，但有可能不是所有的客户端都能正常工作，并且如果没有某种形式的探测都无法发现问题的存在
sse也不错，但不是所有的浏览器都滚大支持，比较好的是有办法在建立连接前，就知道它是否支持
这些方法都有一个问题，它们都只提供一种方式将数据从服务器推送到客户端，而不是建立双向通信，客户端每次想发送一些数据的时候，将不得不使用ajax请求到服务器，这样会增加延迟，并且服务器也会产生额外的负载

邂逅websockets

虽然websockets不是什么新技术，但是经历了几个不兼容的迭代后该规范终于通过了，rfc编号rfc-6455
简而言之，基于websocket的服务器和客户端之间建立的是基于tcp的双向连接，连接的建立使用兼容http的握手协议，加上额外的websocket相关的头，并具有额外的协议层次划分，所以它不仅仅是一个从浏览器中打开原始的tcp连接
websocket协议的最大问题是：浏览器的支持，防火墙，代理服务器和防病毒应用的支持，企业防火墙和代理服务器通常因各种原因阻止的WebSocket连接。
有些代理服务器不能处理WebSocket在端口80上连接 - 他们认为这是一般的HTTP请求，并尝试缓存它。 有HTTP扫描组件的杀毒软件也不允许WebSocket连接
无论如何，websocket来建立的客户端和服务器之间的双向通信是最好的方式，但是不能单一的用来解决推送问题

用例

如果您的应用程序大多是从服务器推送数据，基于HTTP的传输会工作得很好。
但是，如果浏览器支持WebSocket的传输并且WebSocket的连接是可以建立的，它将是更好的选择
总而言之，
最好的办法是：尝试打开的WebSocket连接，
如果失败 - 尝试回退到基于HTTP传输。
当然也有可以”升级”连接 -
首先使用长轮询（long-polling），
然后尝试建立WebSocket的连接。
如果成功，就切换到WebSocket的连接。
虽然这种做法可能会降低初始连接的时间，
需要注意服务器端实现， 以避免但在两者连接之间切换时发生任何的跳变情况（race conditions）

polyfill库

为所有已知的浏览器提供变通方案，搞定代理和防火墙的问题，尤其是从头开始处理这些问题，是非常困难的，幸运的是，已经有人提出尽可能稳定的解决方案
有一些 polyfill库，像sockjs 库 ， socket.io 库 , faye和其他一些框架，实现了基于各种不同的传输实现上的类WebSocket的 API
虽然他们所提供的服务器和客户端API不尽相同，但他们有着共同的理念： 在给定的情况下用最好的传输方案，并且提供一致的服务器端API
例如，如果浏览器支持WebSocket协议，polyfill将尝试建立WebSocket连接。 如果失败了，他们将下降回到下一个最好的传输协议。 Engine.IO使用稍微不同的方法 - 他先建立长轮询连接（long-polling），并尝试在后台升级到WebSocket
在任何情况下 - 这些库将尝试建立双向连接到服务器上使用最可靠的传输。
不幸的是，在使用Socket.IO 0.8.x的时候有较差的体验。 我一般在我自己的项目中使用 sockjs-tornado， 即使我自己写了 TornadIO2。 Socket.IO早期的server实现是基于 Tornado]的

服务器端

基于wsgi的服务器不能被用于创建实时应用，
因为wsgi协议是同步的，wsgi服务器一次只能处理一个请求

回顾长轮询long-polling传输
客户端打开http连接到服务器，获得更多的数据

无可用的数据，服务器保持连接打开并等待数据发送

因为服务器无法处理任何其他请求，一切都将被阻塞

伪代码表示：
def handle_request(request):
data = get_more_data(request)
return send_response(data)

如果get_more_data阻塞了，那整个服务器就会被阻塞，不能处理请求了
当然，可以每个请求创建线程，但这非常低效。

8. 如何用python实现含有虚拟自变量的回归

参考资料：
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，要圆灶设置好pycharm下解释器interpreter的路径，这里也就是tensorflow的路径。 如果是虚拟的env，或anaconda的env，那就在interpreter路径里添慧腔轮加对应Python bin。 如果当前路径里没有解释器没有这个