卷积核可视化 import matplotlib.pyplot as plt import numpy as np from keras import backend as K from keras.models import load_model # 将浮点图像转换成有效图像 def deprocess_image(x): # 对张量进行规范化 x -= x.mean() x /= (x.std() + 1e-5) x *= 0.1 x += 0.5 x = np.clip(x, 0, 1) # 转化到RGB数组 x *= 255 x = np.clip(x, 0, 25

一、数据预处理与导入 1、2019_nCoV_data.csv是2020年1月-3月世界新冠疫情的数据，要求对2019_nCoV_data.csv进行数据预处理做以下操作，要求： （1）Sno编号列没有用，需要删除 部分国家对应的地区为NAN，需要填充为空白字符串 （3）部分国家/地区，受感染人数为0，也被列在表格中，需要删去 （4）查看受影响的国家/地区的数量，Country一列中将'Mainland China', 'Hong Kong' , 'Macau', 'Taiwan' 等统一修正为'China'；另外需将'Korea, South'改为'South Korea'。 2、对于DXYArea.csv也需要进行数据预处理，要求做以下操作： （2）countryEnglishName一列中将 'HongKong' , 'Macao'等统一修正为'China'。 （3）将updateTime转换成date格式（输出为该数据的新列updateTime1，也就是只保留日期部分）。 （4）因为大部分城市都没有加“市”字，所以要把直辖市的下属区的“区”字去掉；还有一些没有变化规律的城市名

强大的可视化编程工具 适合独立编程工作者 一款供《炉石传说》、《INSIDE》、《空心骑士》、《第一棵树》、《观察》、《梦幻降临》等游戏使用的顶级 Unity 可视化脚本工具

r-kaggle-泰坦尼克号 #Titanic生存预测 该存储库包含我针对Kaggle的《泰坦尼克号生存预测问题》的一些方法。 该存储库包括用于功能选择的脚本，用于数据建模的替代策略，原始测试和训练数据集以及为其生成的可视化图。 所有代码段均以R编写。 泰坦尼克号生存预测问题 在这一普遍的挑战中，目标是根据性别，阶级，机票详细信息，年龄类别等属性来预测什么样的人可能度过泰坦尼克号灾难。 程式码范例 去做 动机 列出的示例代码中的一种方法已提交给Kaggle。 安装 数据集可以在“数据”文件夹中找到。 它包括2个分别用于培训和测试的csv文件。 train.csv（59.76 kb） test.csv（27.96 kb） 使用以下R包。 seqinr：生物序列检索和分析 e1071：统计部概率论小组的其他职能（以前为E1071），维也纳工业大学 派对：递归派对的实验室 Ame

FOURPLOT(X) 为 X 中的值创建一个“四图”，允许对四个底层进行强大而高效的视觉检查单变量统计分析的假设。 描述性统计在命令窗口中打印出来。 X 是观测值的向量。 它应该是数字和不能包含 NaN 或 Inf。 在四个子图中，运行序列图 (X[k] vs k)、滞后图 (X[k] 对比 X[k-1])、直方图和正态概率图。 之内在这些轴上，X 的平均值绘制为一条直线。 在此外，第 5 个面板显示了 X 的盒须图。 如果四个基本假设成立，则四个图将有一个特征外观。 1.如果固定位置假设成立，那么运行序列图将是平坦且不漂移的。 2. 如果固定变差假设成立，那么在运行序列图将大致相同整个水平轴。 3.如果随机性假设成立，则滞后图将为无结构和随机。 4. 如果固定分布假设成立，特别是如果固定正态分布成立，那么直方图将是钟形，正态概率图将是线性的。 盒须图将显示中值（红线）、均值和 SD（在

一键安装Asterisk20.0.0脚本，提供web可视化管理GUI，jssip demo，chansip，pjsip，iax，pri，fxo，ss7，单呼，组呼，群呼，广播，会议，黑名单，acl，呼叫转移，监听通话，系统告警，录音，录像，防火墙，turn，wss，备份，抓包，操作记录，日志查看等等。

（已完成版）实验5 数据可视化-Matplolib.ipynb

使用Matplotlib对世界发展指数数据集进行可视化分析（包含源码及数据集）。资源中包括ipynb格式源码，使用matplotlib库，通过多种图形可视化方式对”世界发展指数“数据集进行数据分析。

FordGoBike数据集探索 陈楚航 数据集 该数据集包含有关在覆盖旧金山湾大区的自行车共享系统中进行的单个骑行的信息。 此数据集中有230万辆自行车共享记录。 主要功能是持续时间，开始时间和用户类型。 还包括其他功能，例如起点和终点站的位置以及客户信息，例如性别和出生年月。 由于这些记录的有效性不确定，因此删除了记录的一小部分。 调查结果摘要 在探索中，我发现旅行持续时间的分布集中在10分钟左右。 旅行的平均持续时间取决于很多因素，包括一年中的月份，一周中的一天，一天中的小时和用户类型。 时间和旅行次数之间有很强的关系。 在五月至十一月的夏季，大多数旅行都在进行。 在两个主要的假期，感恩节和圣诞节期间，使用量将大大减少。 此外，与周末相比，出行次数要多得多。 最后，大多数旅行都在高峰时段进行。 同样，旅行次数与用户类型有关，无论他们是否拥有成员身份。 我发现的最后一件事是，用户性

第九章 广州二手房数据爬取与数据分析及可视化 (上课的).ipynb