精致的Python常用库的Cheat Sheet，共7个，含numpy, scipy, pandas, matplotlib等等

tidy_tuesday_national_parks 蒂杜大学的国家公园数据；

DataScience Python Coding Interview Questions

python 数据科学 numpy pandas matplotlib sklearn 等等学习资料

数据碗2018 该存储库包含许多旨在帮助解决的python脚本。 开发了两种解决方案，一种基于UNet进行图像分割，另一种基于MaskRCNN进行实例化分割。 由于我们不仅需要标记核，还需要标记不同的核，因此实例化分割似乎是一种更好的方法，但是我最好的结果是使用相对简单的UNet。 我的最终解决方案实现了基于kmeans的重新组合，这似乎对Stage1测试集有很大帮助，但是事实证明，在最后一轮中出现了错误，并且实际上降低了Stage 2测试集的性能。 我怀疑这与何时对群集数量的假设之间进行切换的微调有关。 在类似的未来项目中，我将专注于通过mask-rcnn结合unet分段进行实例化。 非常感谢git repo的功能： 我发现它特别有用。 数据探索，格式化脚本： dataSetExploration.py用于绘制一些数据集示例和数据集特征的脚本 convertToNPY.py将我

DataScience：风控场景之金融评分卡模型构建—将逻辑回归LoR模型结果转为评分卡之详细攻略 金融评分卡模型构建—将逻辑回归LoR模型结果转为评分卡 1、模型结果转换为标准评分卡步骤 2、实际案例应用 金融评分卡模型构建—将逻辑回归LoR模型结果转为评分卡 1、模型结果转换为标准评分卡步骤 借助逻辑回归模型，评分卡所设定的分值刻度，可通过将分值表示为比率对数的线性表达式来定义。 在建立评分卡模型时，我们经常会使用逻辑回归来对数据进行建模。但在用逻辑回归进行预测时，逻辑回归返回的是一个概率值，并不是评分卡分数。下面为大家介绍如何将模型结果转换为标准评分卡。

DataScience：机器学习中特征工程之WOE编码(离散变量编码/有监督)的简介、计算过程、案例应用之详细攻略 (1)、什么是WOE编码 (2)、案例理解WOE编码 (3)、WOE编码技术的深度思考 (4)、为什么选择采用WOE编码？ (5)、WOE编码的优势 WOE编码—离散变量编码(有监督性的编码) 在建模前，我们需要把原始的值转化成WOE值才能使得模型效果好。 提出问题 怎样对字段的每个分段进行评分呢？这个评分是怎么来的？ 解决方案 WOE编码， 将预测概率值转化为评分， 利用变量相关性分析和变量的系数符号保证每个分箱评分的合理性。 分箱之后我们便得到了一系列的离散变量，下面需要对变量进行编码，将离散变量转化为连续变量。WOE编码是评分卡模型常用的编码方式。

狂热分析 fanalysis是用于三项BSD许可下分发的用于因子分析的Python模块。 借助此fanalysis软件包，您可以执行以下操作： 简单对应分析 多重对应分析 主成分分析 这些统计方法可以通过两种方式使用： 作为描述性方法（“数据挖掘方法”） 作为scikit学习管道中的简化方法（“机器学习方法”） 安装 依存关系 狂热分析要求： Python 3 NumPy >= 1.11.0 Matplotlib >= 2.0.0 Scikit-learn >= 0.18.0 Pandas >= 0.19.0 用户安装 您可以使用pip安装fanalysis： pip install fanalysis 运行测试 安装后，您可以从源目录外部启动测试套件： python -m unittest 单元测试的原理在于将狂热分析的输出（具有各种参数组合）与R FactoMine

Please note, this is MEAP version.

精算数据科学 这是在发布的《精算数据科学指南》的代码库。 以下是带有可用数据和代码的教程： 1-法国汽车第三方责任索赔 文章： ： 2-来自神经网络内部的暗示 文章： ： 3-将经典精算模型嵌套到神经网络中 文章： ： 4-关于提升：理论与应用 文章： ： 5-无监督学习：什么是跑车 文章： ： //papers.ssrn.com/sol3/papers.cfm？abstract_id = 3439358 6-Lee和Carter进行了机器学习：递归神经网络 文章： https ： //papers.ssrn.com/sol3/papers.cfm？abstract_id = 3441030 7-自然语言处理的艺术 文章： https ： //papers.ssrn.com/sol3/papers.cfm？abstract_id = 3547887 8-偷窥黑匣子