久久精品国产亚洲高清|精品日韩中文乱码在线|亚洲va中文字幕无码久|伊人久久综合狼伊人久久|亚洲不卡av不卡一区二区|精品久久久久久久蜜臀AV|国产精品19久久久久久不卡|国产男女猛烈视频在线观看麻豆

    1. <style id="76ofp"></style>

      <style id="76ofp"></style>
      <rt id="76ofp"></rt>
      <form id="76ofp"><optgroup id="76ofp"></optgroup></form>
      1. 千鋒教育-做有情懷、有良心、有品質(zhì)的職業(yè)教育機(jī)構(gòu)

        手機(jī)站
        千鋒教育

        千鋒學(xué)習(xí)站 | 隨時(shí)隨地免費(fèi)學(xué)

        千鋒教育

        掃一掃進(jìn)入千鋒手機(jī)站

        領(lǐng)取全套視頻
        千鋒教育

        關(guān)注千鋒學(xué)習(xí)站小程序
        隨時(shí)隨地免費(fèi)學(xué)習(xí)課程

        當(dāng)前位置:首頁  >  技術(shù)干貨  > Pandas時(shí)間序列詳解

        Pandas時(shí)間序列詳解

        來源:千鋒教育
        發(fā)布人:qyf
        時(shí)間: 2022-08-12 17:30:18 1660296618

          在使用Python進(jìn)行數(shù)據(jù)分析時(shí),經(jīng)常會(huì)遇到時(shí)間日期格式處理、轉(zhuǎn)換和時(shí)間索引,Pandas作為Python環(huán)境下的數(shù)據(jù)分析庫,提供了一套標(biāo)準(zhǔn)的時(shí)間序列處理工具和算法,使我們可以非常高效的處理時(shí)間序列,比如切片、聚合、重采樣等等。這些強(qiáng)大的日期數(shù)據(jù)處理功能,是處理日期時(shí)間序列的利器。

          pandas 支持 4 種常見時(shí)間概念:

          > 1. 日期時(shí)間(Datetime):帶時(shí)區(qū)的日期時(shí)間,類似于標(biāo)準(zhǔn)庫的 `datetime.datetime` 。

          > 2. 時(shí)間差(Timedelta):絕對(duì)時(shí)間周期,類似于標(biāo)準(zhǔn)庫的 `datetime.timedelta`。

          > 3. 時(shí)間段(Timespan):在某一時(shí)點(diǎn)以指定頻率定義的時(shí)間跨度。

          > 4. 日期偏移(Dateoffset):與日歷運(yùn)算對(duì)應(yīng)的時(shí)間段,類似于 `dateutil` 的 `dateutil.relativedelta.relativedelta`。

        1

          一般情況下,時(shí)間序列主要是 Series 或 DataFrame的時(shí)間型索引,可以用時(shí)間元素進(jìn)行操控。

          時(shí)間戳

          時(shí)間戳是最基本的時(shí)間序列數(shù)據(jù),用于把數(shù)值與時(shí)點(diǎn)關(guān)聯(lián)在一起。Pandas 對(duì)象通過時(shí)間戳調(diào)用時(shí)點(diǎn)數(shù)據(jù)。

          時(shí)間戳的創(chuàng)建

          在pandas中提供了Timestamp()可以用于創(chuàng)建一個(gè)時(shí)間戳對(duì)象。

          import datetime

          import pandas as pd

          # 三種方式

          pd.Timestamp(datetime.datetime(2021, 8, 16)) # 結(jié)果: Timestamp('2021-08-16 00:00:00')

          pd.Timestamp(2021, 8, 16) # 結(jié)果: Timestamp('2021-08-16 00:00:00')

          pd.Timestamp('2021-08-16') # 結(jié)果: Timestamp('2021-08-16 00:00:00')

          to_datetime()轉(zhuǎn)換得到時(shí)間戳

          import pandas as pd

          pd.to_datetime('2021/08/08') # 結(jié)果:Timestamp('2021-08-08 00:00:00')

          to_datetime` 轉(zhuǎn)換單個(gè)字符串時(shí),返回的是單個(gè) `Timestamp`。`Timestamp` 僅支持字符串輸入,不支持 `dayfirst`、`format` 等字符串解析選項(xiàng),如果要使用這些選項(xiàng),就要用 `to_datetime`。

          要實(shí)現(xiàn)精準(zhǔn)轉(zhuǎn)換,除了傳遞 `datetime` 字符串,還要指定 `format` 參數(shù),指定此參數(shù)還可以加速轉(zhuǎn)換速度。

          pd.to_datetime('2021/08/08', format='%Y/%m/%d')

          pd.to_datetime('08-08-2021 00:00', format='%d-%m-%Y %H:%M')

          返回結(jié)果也是一個(gè)`Timestamp`類型。當(dāng)然如果不可解析則出發(fā)錯(cuò)誤

          pd.to_datetime(['2021/08/31', 'abc'], errors='raise') # 報(bào)錯(cuò)ValueError: Unknown string format

          轉(zhuǎn)換多個(gè)時(shí)間序列

          import pandas as pd

          pd.to_datetime(pd.Series(["Aug 16, 2021", "2021-08-17", None]))

          結(jié)果(其中Pandas 用 `NaT` 表示日期時(shí)間、時(shí)間差及時(shí)間段的空值,代表了缺失日期或空日期的值,類似于浮點(diǎn)數(shù)的 `np.nan`)

          0 2021-08-16

          1 2021-08-17

          2 NaT

          dtype: datetime64[ns]

          當(dāng)然也可以使用如下方式:

          pd.to_datetime(["2021/08/16", "2021.08.17"]) #也可以轉(zhuǎn)成時(shí)間戳的格式

          返回結(jié)果與上面的有所不同,返回值不是一個(gè)序列而是一個(gè)DatetimeIndex類型

          DatetimeIndex(['2021-08-16', '2021-08-17'], dtype='datetime64[ns]', freq=None)

          date_range()獲取時(shí)間戳范圍

          實(shí)際工作中,經(jīng)常要生成含大量時(shí)間戳的超長索引,一個(gè)個(gè)輸入時(shí)間戳又枯燥,又低效。如果時(shí)間戳是定頻的,用 `date_range()`與 `bdate_range()`函數(shù)即可創(chuàng)建 `DatetimeIndex`。`date_range` 默認(rèn)的頻率是**日歷日**,`bdate_range` 的默認(rèn)頻率是**工作日

          pd.date_range(start=None,end=None,periods=None,freq=None)

          Return a fixed frequency DatetimeIndex.

          start:表示起始

          end:表示結(jié)尾

          periods:表示時(shí)間段

          freq:表示有倍數(shù)的頻率字符串,e.g. '5H'.

          pd.date_range("2021-8-8", periods=8) # 表示從2021-8-8開始到現(xiàn)在日期的8個(gè)時(shí)間

          輸出結(jié)果:

          DatetimeIndex(['2021-08-08', '2021-08-09', '2021-08-10', '2021-08-11',

          '2021-08-12', '2021-08-13', '2021-08-14', '2021-08-15'],

          dtype='datetime64[ns]', freq='D')

          如果使用bdate_range()則獲取的日期是工作日的日期時(shí)間

          pd.bdate_range("2021-8-8", periods=8)

          結(jié)果:

          DatetimeIndex(['2021-08-09', '2021-08-10', '2021-08-11', '2021-08-12',

          '2021-08-13', '2021-08-16', '2021-08-17', '2021-08-18'],

          dtype='datetime64[ns]', freq='B')

          如果指定freq,date_range 默認(rèn)使用的頻率是 日歷日即`D`,也可以通過freq修改成周的。

          pd.date_range("2021-8-8", periods=8, freq="W")

          輸出結(jié)果下:

          DatetimeIndex(['2021-08-08', '2021-08-15', '2021-08-22', '2021-08-29',

          '2021-09-05', '2021-09-12', '2021-09-19', '2021-09-26'],

          dtype='datetime64[ns]', freq='W-SUN')

          時(shí)間序列的頻率表:

        屏幕快照 2021-08-17 下午12.14.23

          時(shí)間段

          時(shí)間段的創(chuàng)建

          pandas提供了`Period`類型,它是基于`numpy.datetime64`編碼的固定頻率間隔。與之相關(guān)的索引類型是`PeriodIndex`。`Period` 表示的時(shí)間段更直觀,還可以用日期時(shí)間格式的字符串進(jìn)行推斷。默認(rèn)是月`M`,也可以是天`D`

          pd.Period('2021-08')

          pd.Period('2021-05', freq='D')

          返回:

          Period('2021-08', 'M')

          Period('2021-05-01', 'D')

          時(shí)間段的范圍創(chuàng)建

          pd.period_range('2020-08',periods=5,freq='M')

          pd.period_range('2020-08',periods=5,freq='D')

          結(jié)果是時(shí)間段序列:

          PeriodIndex(['2020-08', '2020-09', '2020-10', '2020-11', '2020-12'], dtype='period[M]', freq='M')

          PeriodIndex(['2020-08-01', '2020-08-02', '2020-08-03', '2020-08-04',

          '2020-08-05'],

          dtype='period[D]', freq='D')

          Pandas 可以識(shí)別兩種表現(xiàn)形式,并在兩者之間進(jìn)行轉(zhuǎn)化。Pandas 后臺(tái)用 `Timestamp` 實(shí)例代表時(shí)間戳,用 `DatetimeIndex` 實(shí)例代表時(shí)間戳序列。pandas 用 `Period` 對(duì)象表示符合規(guī)律的時(shí)間段標(biāo)量值,用 `PeriodIndex` 表示時(shí)間段序列。

          時(shí)間索引

          `DatetimeIndex` 主要用作 pandas 對(duì)象的索引。`DatetimeIndex` 類為時(shí)間序列做了很多優(yōu)化:

          1. 預(yù)計(jì)算了各種偏移量的日期范圍,并在后臺(tái)緩存,讓后臺(tái)生成后續(xù)日期范圍的速度非???僅需抓取切片)。

          2. 在 pandas 對(duì)象上使用 `shift` 與 `tshift` 方法進(jìn)行快速偏移。

          3. 合并具有相同頻率的重疊 `DatetimeIndex` 對(duì)象的速度非???這點(diǎn)對(duì)快速數(shù)據(jù)對(duì)齊非常重要)。

          4. 通過 `year`、`month` 等屬性快速訪問日期字段。

          5. `snap` 等正則函數(shù)與超快的 `asof` 邏輯

          DatetimeIndex` 可以當(dāng)作常規(guī)索引,支持選擇、切片等方法。

          index = pd.date_range('2020-12-01','2021-10-01' , freq='BM') # 指定范圍內(nèi)的每個(gè)月的最后一個(gè)工作日

          ts = pd.Series(np.random.randn(len(index)), index=index)

          輸出結(jié)果:

          2020-12-31 -0.351660

          2021-01-29 0.358744

          2021-02-26 0.746602

          2021-03-31 0.178684

          2021-04-30 -0.408984

          2021-05-31 0.117038

          2021-06-30 0.661603

          2021-07-30 0.655608

          2021-08-31 -0.207675

          2021-09-30 -0.023105

          Freq: BM, dtype: float64

          可以支持獲取index和索引切片

          display(ts.index)

          display(ts[:4].index)

          display(ts[::2].index)

          輸出結(jié)果:

          DatetimeIndex(['2020-12-31', '2021-01-29', '2021-02-26', '2021-03-31',

          '2021-04-30', '2021-05-31', '2021-06-30', '2021-07-30',

          '2021-08-31', '2021-09-30'],

          dtype='datetime64[ns]', freq='BM')

          DatetimeIndex(['2020-12-31', '2021-01-29', '2021-02-26', '2021-03-31'], dtype='datetime64[ns]', freq='BM')

          DatetimeIndex(['2020-12-31', '2021-02-26', '2021-04-30', '2021-06-30',

          '2021-08-31'],

          dtype='datetime64[ns]', freq='2BM')

          當(dāng)然也可以按照年、月、日獲取時(shí)間索引,或者獲取所有的索引的年月等

          display(ts['2020'])

          display(ts['2021-06'])

          display(ts['2020-12':'2021-05'])

          display(ts.index.year)

          2020-12-31 -0.35166

          Freq: BM, dtype: float64

          2021-06-30 0.661603

          Freq: BM, dtype: float64

          2020-12-31 -0.351660

          2021-01-29 0.358744

          2021-02-26 0.746602

          2021-03-31 0.178684

          2021-04-30 -0.408984

          2021-05-31 0.117038

          Freq: BM, dtype: float64

          Int64Index([2020, 2021, 2021, 2021, 2021, 2021, 2021, 2021, 2021, 2021], dtype='int64')

          當(dāng)然,`Series` 的值為 `datetime` 時(shí),還可以用 `.dt` 訪問這些屬性。

          df = pd.DataFrame(np.random.randn(10000, 2),columns=['A','B'])

          df['datetime'] = pd.date_range('20180101', periods=10000, freq='H')

          df

          輸出結(jié)果:

        屏幕快照 2021-08-17 下午2.50.59

          此時(shí)可以通過datetime列獲取年月日時(shí)分秒等

          df['datetime'].dt.year

          # df['datetime'].dt.month

          # df['datetime'].dt.day

          dt的屬性如下表:

        屏幕快照 2021-08-17 下午2.54.14

          時(shí)間差

          使用pandas中的Timedelta()函數(shù)表示時(shí)間差,這個(gè)方法與Python基礎(chǔ)中datetime.timedelta是等效的可以互換的在大多數(shù)情況下。

          以時(shí)間差為數(shù)據(jù)的 `Series` 與 `DataFrame` 支持各種運(yùn)算,`datetime64 [ns]` 序列或 `Timestamps` 減法運(yùn)算生成的是`timedelta64 [ns]` 序列

          直接使用符號(hào)獲取時(shí)間差

          pd.to_datetime('2021-8-14') - pd.to_datetime('2021-6-1')

          返回值就是一個(gè)Timedelta類型的

          Timedelta('74 days 00:00:00')

          如果想在當(dāng)前的日期前三天或者后5天的值,則需要?jiǎng)?chuàng)建時(shí)間差對(duì)象

          from datetime import datetime

          delta = pd.Timedelta('3 days')

          display(datetime.now()-delta)

          delta1 = pd.Timedelta('30 days')

          display(datetime.now()+delta1)

          輸出結(jié)果(默認(rèn)是ns作為單位):

          datetime.datetime(2021, 8, 14, 15, 21, 9, 875792)

          datetime.datetime(2021, 9, 16, 15, 21, 9, 877299)

          創(chuàng)建Timedelta()可以支持的unit參數(shù)值

        屏幕快照 2021-08-17 下午3.22.50

          delta1 = pd.Timedelta(5,unit='W') # 表示5周后的時(shí)間

          display(datetime.now()+delta1)

          簡單應(yīng)用:獲取1998-12-20到現(xiàn)在的年齡

          age = (datetime.now()- pd.to_datetime('1998-12-20')) / pd.Timedelta(days=365)

          print(age)

          結(jié)果:

          22.675737040520104

          時(shí)間偏移

          `DateOffset` 類似于時(shí)間差 `Timedelta` ,但遵循指定的日歷日規(guī)則。例如,`Timedelta` 表示的每日時(shí)間差一直都是 24 小時(shí),而 `DateOffset` 的每日偏移量則是與下一天相同的時(shí)間差,使用夏時(shí)制時(shí),每日偏移時(shí)間有可能是 23 或 24 小時(shí),甚至還有可能是 25 小時(shí)。不過,`DateOffset` 子類只能是等于或小于**小時(shí)**的時(shí)間單位(`Hour`、`Minute`、`Second`、`Milli`、`Micro`、`Nano`),操作類似于 `Timedelta`及對(duì)應(yīng)的絕對(duì)時(shí)間。

          DateOffset` 基礎(chǔ)操作類似于 `dateutil.relativedelta`可按指定的日歷日時(shí)間段偏移日期時(shí)間。

          ts = pd.Timestamp('2016-10-30 00:00:00', tz='Europe/Helsinki') # 其中 tz='Europe/Helsinki'表示夏時(shí)制時(shí)區(qū)

          display(ts + pd.Timedelta(days=1))

          display(ts + pd.DateOffset(days=1))

          輸出結(jié)果:

          Timestamp('2016-10-30 23:00:00+0200', tz='Europe/Helsinki')

          Timestamp('2016-10-31 00:00:00+0200', tz='Europe/Helsinki')

          `DateOffset`可用算數(shù)運(yùn)算符(+)或 `apply` 方法執(zhí)行日期偏移操作。

          d = pd.Timestamp('2021-08-15')

          two_business_days = 2 * pd.offsets.BDay() # BDay()表示工作日

          two_business_days.apply(d) # Timestamp('2021-08-17 00:00:00')

          `DateOffset` 還支持 `rollforward()` 與 `rollback()` 方法,按偏移量把某一日期**向前**或**向后**移動(dòng)至有效偏移日期。例如,工作日偏移滾動(dòng)日期時(shí)會(huì)跳過周末(即,星期六與星期日),直接到星期一,因?yàn)楣ぷ魅掌漆槍?duì)的是工作日。

          可以為 `Series` 或 `DatetimeIndex` 里的每個(gè)元素應(yīng)用偏移。

          rng = pd.date_range('2021-01-01', '2021-08-16')

          s = pd.Series(rng)

          s + pd.DateOffset(days=2) # 或者使用s+pd.offsets.Day(2)

          輸出結(jié)果:

          0 2021-01-03

          1 2021-01-04

          2 2021-01-05

          3 2021-01-06

          4 2021-01-07

         

          223 2021-08-14

          224 2021-08-15

          225 2021-08-16

          226 2021-08-17

          227 2021-08-18

          Length: 228, dtype: datetime64[ns]

          與時(shí)間序列相關(guān)的方法

          在做時(shí)間序列相關(guān)的工作時(shí),經(jīng)常要對(duì)時(shí)間做一些移動(dòng)/滯后、頻率轉(zhuǎn)換、采樣等相關(guān)操作,我們來看下這些操作如何使用吧。

          移動(dòng)

          如果你想移動(dòng)或滯后時(shí)間序列,你可以使用 shift 方法。

          ts = pd.Series(np.random.randn(4), index = pd.date_range('2012-01-01',periods =4, freq ='M'))

          print(ts)

          2012-01-31 1.132395

          2012-02-29 0.740404

          2012-03-31 0.154164

          2012-04-30 -0.487571

          Freq: M, dtype: float64

          print(ts.shift(2)) #將數(shù)據(jù)往后移動(dòng), 往前移動(dòng)則為 ts.shift(-2)

          2012-01-31 NaN

          2012-02-29 NaN

          2012-03-31 1.132395

          2012-04-30 0.740404

          Freq: M, dtype: float64

          當(dāng)然也可以結(jié)合頻度

          print(ts.shift(2, freq='M')) # 此時(shí)時(shí)間增加了2個(gè)月

          結(jié)果:

          2012-03-31 1.132395

          2012-04-30 0.740404

          2012-05-31 0.154164

          2012-06-30 -0.487571

          Freq: M, dtype: float64

          改變頻率

          使用函數(shù) `asfreq()`。對(duì)于 `DatetimeIndex`,這就是一個(gè)調(diào)用 `reindex()`,并生成 `date_range` 的便捷打包器。

          from pandas.tseries.offsets import *

          ts = pd.Series(np.random.randn(2), index = pd.date_range('2021-06-01',periods =2, freq ='w'))

          ts.asfreq(Day())

          結(jié)果(即原來是周顯示,現(xiàn)在將頻率由周轉(zhuǎn)為了天):

          2021-06-06 0.362032

          2021-06-07 NaN

          2021-06-08 NaN

          2021-06-09 NaN

          2021-06-10 NaN

          2021-06-11 NaN

          2021-06-12 NaN

          2021-06-13 -1.720824

          Freq: D, dtype: float64

          你會(huì)發(fā)現(xiàn)出現(xiàn)了缺失值,因此 Pandas 為你提供了 method 參數(shù)來填充缺失值。幾種不同的填充方法參考 Pandas 缺失值處理 中 fillna 介紹

          ts.asfreq(Day(), method="pad") # 即使用0.362032填充了NaN的值

          結(jié)果:

          2021-06-06 0.362032

          2021-06-07 0.362032

          2021-06-08 0.362032

          2021-06-09 0.362032

          2021-06-10 0.362032

          2021-06-11 0.362032

          2021-06-12 0.362032

          2021-06-13 -1.720824

          Freq: D, dtype: float64

          重采樣

          Pandas 有一個(gè)雖然簡單,但卻強(qiáng)大、高效的功能,可在頻率轉(zhuǎn)換時(shí)執(zhí)行重采樣,如,將秒數(shù)據(jù)轉(zhuǎn)換為 5 分鐘數(shù)據(jù),這種操作在金融等領(lǐng)域里的應(yīng)用非常廣泛。

          重采樣(resampling)指的是將時(shí)間序列從一個(gè)頻率轉(zhuǎn)換到另一個(gè)頻率的處理過程。將高頻數(shù)據(jù)聚合到低頻稱為降采樣(downsampling),將低頻數(shù)據(jù)轉(zhuǎn)換到高頻則稱為升采樣(upsampling)。除此以外還存在一種采樣方式既不是升采樣,也不是降采樣,比如`W-WED`轉(zhuǎn)換成`W-FRI`。

          可以通過`resample()`函數(shù)來實(shí)現(xiàn),也可以通過更簡單的方式`asfreq()`函數(shù)來實(shí)現(xiàn)。兩者基本的不同點(diǎn)在于`resample()`是一種數(shù)據(jù)聚合方式`asfreq()`是一種數(shù)據(jù)選取方式。

          resample() 是基于時(shí)間的分組操作,每個(gè)組都遵循歸納方法??梢园凑辗昼姟⑿r(shí)、工作日、周、月、年等來作為日期維度

          # 獲取7月1日到7月31日的時(shí)間區(qū)間

          rng = pd.date_range(start='2021/07/1',end='2021/07/31',freq='D')

          # 使用此時(shí)間區(qū)間構(gòu)建一個(gè)Series對(duì)象

          ts = pd.Series(np.random.randint(0, 500, len(rng)), index=rng)

          # 獲取此Series對(duì)象每5天的數(shù)據(jù)總和

          ts.resample('5D').sum()

        屏幕快照 2021-08-17 下午5.20.58

          案例演示

          AAPL = pd.read_csv('AAPL.csv')

          AAPL.Date = pd.to_datetime(AAPL.Date)

          AAPL.head()

        屏幕快照 2021-08-17 下午5.09.42

          AAPL['month'] = AAPL.Date.dt.month

          AAPL.groupby('month')['Adj Close'].mean() # 每個(gè)月份的Adj Close的均值

        屏幕快照 2021-08-17 下午5.11.06

          AAPL.set_index('Date').resample('Y')['Adj Close'].mean() # 獲取每年的Adj Close的均值

        屏幕快照 2021-08-17 下午5.29.06

          如果使用resample進(jìn)行重采樣,獲取日期每十年`Adj Close`的均值

          AAPL.set_index('Date').resample('10Y')['Adj Close'].mean()

        屏幕快照 2021-08-17 下午5.13.34

          AAPL.csv數(shù)據(jù)回復(fù)`時(shí)間序列重采樣`獲取

          更多關(guān)于“Python培訓(xùn)”的問題,歡迎咨詢千鋒教育在線名師。千鋒教育多年辦學(xué),課程大綱緊跟企業(yè)需求,更科學(xué)更嚴(yán)謹(jǐn),每年培養(yǎng)泛IT人才近2萬人。不論你是零基礎(chǔ)還是想提升,都可以找到適合的班型,千鋒教育隨時(shí)歡迎你來試聽。

        tags:
        聲明:本站稿件版權(quán)均屬千鋒教育所有,未經(jīng)許可不得擅自轉(zhuǎn)載。
        10年以上業(yè)內(nèi)強(qiáng)師集結(jié),手把手帶你蛻變精英
        請(qǐng)您保持通訊暢通,專屬學(xué)習(xí)老師24小時(shí)內(nèi)將與您1V1溝通
        免費(fèi)領(lǐng)取
        今日已有369人領(lǐng)取成功
        劉同學(xué) 138****2860 剛剛成功領(lǐng)取
        王同學(xué) 131****2015 剛剛成功領(lǐng)取
        張同學(xué) 133****4652 剛剛成功領(lǐng)取
        李同學(xué) 135****8607 剛剛成功領(lǐng)取
        楊同學(xué) 132****5667 剛剛成功領(lǐng)取
        岳同學(xué) 134****6652 剛剛成功領(lǐng)取
        梁同學(xué) 157****2950 剛剛成功領(lǐng)取
        劉同學(xué) 189****1015 剛剛成功領(lǐng)取
        張同學(xué) 155****4678 剛剛成功領(lǐng)取
        鄒同學(xué) 139****2907 剛剛成功領(lǐng)取
        董同學(xué) 138****2867 剛剛成功領(lǐng)取
        周同學(xué) 136****3602 剛剛成功領(lǐng)取
        相關(guān)推薦HOT
        反欺詐中所用到的機(jī)器學(xué)習(xí)模型有哪些?

        一、邏輯回歸模型邏輯回歸是一種常用的分類模型,特別適合處理二分類問題。在反欺詐中,邏輯回歸可以用來預(yù)測一筆交易是否是欺詐。二、決策樹模...詳情>>

        2023-10-14 14:09:29
        軟件開發(fā)管理流程中會(huì)出現(xiàn)哪些問題?

        一、需求不清需求不明確是導(dǎo)致項(xiàng)目失敗的主要原因之一。如果需求沒有清晰定義,開發(fā)人員可能會(huì)開發(fā)出不符合用戶期望的產(chǎn)品。二、通信不足溝通問...詳情>>

        2023-10-14 13:43:21
        軟件定制開發(fā)中的敏捷開發(fā)是什么?

        軟件定制開發(fā)中的敏捷開發(fā)是什么軟件定制開發(fā)中的敏捷開發(fā),從宏觀上看,是一個(gè)高度關(guān)注人員交互,持續(xù)開發(fā)與交付,接受需求變更并適應(yīng)環(huán)境變化...詳情>>

        2023-10-14 13:24:57
        什么是PlatformIo?

        PlatformIO是什么PlatformIO是一個(gè)全面的物聯(lián)網(wǎng)開發(fā)平臺(tái),它為眾多硬件平臺(tái)和開發(fā)環(huán)境提供了統(tǒng)一的工作流程,有效簡化了開發(fā)過程,并能兼容各種...詳情>>

        2023-10-14 12:55:06
        云快照與自動(dòng)備份有什么區(qū)別?

        1、定義和目標(biāo)不同云快照的主要目標(biāo)是提供一種快速恢復(fù)數(shù)據(jù)的方法,它只記錄在快照時(shí)間點(diǎn)后的數(shù)據(jù)變化,而不是所有的數(shù)據(jù)。自動(dòng)備份的主要目標(biāo)...詳情>>

        2023-10-14 12:48:59
        快速通道
        南京市| 保定市| 盐亭县| 郴州市| 平山县| 高邮市| 荆州市| 攀枝花市| 洛扎县| 六盘水市| 志丹县| 鹿邑县| 庄河市| 贞丰县| 清苑县| 樟树市| 星座| 定西市| 连南| 社会| 错那县| 色达县| 常宁市| 泽州县| 古田县| 惠安县| 四平市| 新竹县| 昌黎县| 军事| 常德市| 容城县| 东明县| 晋城| 嵊泗县| 思南县| 佛冈县| 浦江县| 贞丰县| 平泉县| 瑞金市|