用户607628758548

持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第3天，点击查看活动详情 1. 赋值与排序 1.1 赋值 注意：在DataFrame赋值中，不可以单独对指定的索引进行赋值。 通常

持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第3天，点击查看活动详情 1. Pandas数组运算 1.1 统计运算 在数据处理中，可以使用以下函数查看数据的基本情况，获取统计

1. 缺失值处理 思路一：样本大，可以删除含有缺失值的样本 思路二：数据量小，可以替换/插补 1.1 检测缺失值 判断数据中是否存在NaN pd.notnull()： 若没有缺失值：返回True 若有

持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第8天，点击查看活动详情 1. 表操作 1.1 pd.concat实现合并 pd.concat([data1, data2], a

持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第9天，点击查看活动详情 1. 交叉表与透视表 1.1 使用crosstab（交叉表）实现 交叉表：交叉表用于计算一列数据对于另外

1. 张量的变换 1.1 类型改变 tf.cast(x, dtype, name=None) x：想要修改的张量 dype：想要修改的类型 代码演示： 首先，我们创建一个int32张量 然后，使用tf

1. 变量 TensorFlow变量是表示程序处理的共享持久状态的最佳方法，变量通过tf.VariableOP类进行操作。非常适合保存模型参数，这也决定了变量的特点如下： 存储持久化 可修改值 可指定

持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第19天，点击查看活动详情 首先我们简单回归一下案例的要求。 1. 线性回归案例需求 案例需求： 本案例我们将使用TensorFl

持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第20天，点击查看活动详情 1. 案例回顾 上一篇文章我们搭建了完整线性回归模型并进行1000轮训练，达到了较为不错的效果。本文将