Объект Series в Pandas
Объект Series похож на столбец в таблице. Это одномерный массив, содержащий данные любого типа. Если ничего не указано, значения помечаются своим порядковым номером. Первое значение имеет индекс 0, второе значение имеет индекс 1 и т. д. Данное видео демонстрирует работу с Series.
👀Смотреть видео
#видео #pandas
Объект Series похож на столбец в таблице. Это одномерный массив, содержащий данные любого типа. Если ничего не указано, значения помечаются своим порядковым номером. Первое значение имеет индекс 0, второе значение имеет индекс 1 и т. д. Данное видео демонстрирует работу с Series.
👀Смотреть видео
#видео #pandas
👍1
Обработка вложенных циклов и массивов
Делимся статьей, где автор демонстрирует 5 задач на обработку вложенных циклов и массивов. Ты научишься вычислять площадь незакрашенного холста, определять максимальный элемент в области, заполнять массив по диагоналям, складывать две матрицы и находить нужную строку в треугольнике Паскаля.
👉Читать статью
#статьи
Делимся статьей, где автор демонстрирует 5 задач на обработку вложенных циклов и массивов. Ты научишься вычислять площадь незакрашенного холста, определять максимальный элемент в области, заполнять массив по диагоналям, складывать две матрицы и находить нужную строку в треугольнике Паскаля.
👉Читать статью
#статьи
random.choices
Метод choices() возвращает список со случайно выбранным элементом из указанной последовательности. Ты можешь взвесить вероятность каждого результата с помощью параметра weights или параметра cum weights. Последовательность может быть строкой, диапазоном, списком, кортежем или любой другой последовательностью.
#практика
Метод choices() возвращает список со случайно выбранным элементом из указанной последовательности. Ты можешь взвесить вероятность каждого результата с помощью параметра weights или параметра cum weights. Последовательность может быть строкой, диапазоном, списком, кортежем или любой другой последовательностью.
#практика
Сортировка слиянием
Во время сортировки слиянием массив многократно делится на две половины до тех пор, пока его нельзя будет разделить дальше. Затем объединяются отсортированные массивы в массивы большего размера, пока весь массив не будет объединен. Данное видео поможет разобраться с сортировкой слиянием.
👀Смотреть видео
#видео
Во время сортировки слиянием массив многократно делится на две половины до тех пор, пока его нельзя будет разделить дальше. Затем объединяются отсортированные массивы в массивы большего размера, пока весь массив не будет объединен. Данное видео поможет разобраться с сортировкой слиянием.
👀Смотреть видео
#видео
Модель Брэдли-Терри
Модель Брэдли-Терри — это вероятностная модель, которая может предсказать результат парного сравнения. В данной статье автор демонстрирует работу этой модели. В качестве примера рассмотрено множество игроков.
👉Читать статью
#статьи
Модель Брэдли-Терри — это вероятностная модель, которая может предсказать результат парного сравнения. В данной статье автор демонстрирует работу этой модели. В качестве примера рассмотрено множество игроков.
👉Читать статью
#статьи
math.dist
Метод math.dist() возвращает евклидово расстояние между двумя точками (p и q), где p и q — координаты этой точки. Обрати внимание, эти точки (p и q) должны иметь одинаковые размерности.
#практика
Метод math.dist() возвращает евклидово расстояние между двумя точками (p и q), где p и q — координаты этой точки. Обрати внимание, эти точки (p и q) должны иметь одинаковые размерности.
#практика
wxPython: Регионы
wxRegion представляет простую или сложную область в контексте или окне устройства. Этот класс использует внутренний подсчет ссылок и копирование при записи. Благодаря этому видео ты познакомишься с wxRegion.
👀Смотреть видео
#видео #wxpython
wxRegion представляет простую или сложную область в контексте или окне устройства. Этот класс использует внутренний подсчет ссылок и копирование при записи. Благодаря этому видео ты познакомишься с wxRegion.
👀Смотреть видео
#видео #wxpython
Функции для быстрой работы с Big Data
Делимся статьей, где автор демонстрирует четыре функции для быстрой работы с Big Data. Они используются для чтения больших файлов, знакомства с датасетом, экспорта в Goggle-таблицы.
👉Читать статью
#статьи
Делимся статьей, где автор демонстрирует четыре функции для быстрой работы с Big Data. Они используются для чтения больших файлов, знакомства с датасетом, экспорта в Goggle-таблицы.
👉Читать статью
#статьи
issubclass
Функция issubclass() проверяет, является ли аргумент класса (первый аргумент) подклассом класса classinfo (второй аргумент). Возвращает True, если класс является подклассом класса или любого элемента кортежа. В противном случае возвращает False.
#практика
Функция issubclass() проверяет, является ли аргумент класса (первый аргумент) подклассом класса classinfo (второй аргумент). Возвращает True, если класс является подклассом класса или любого элемента кортежа. В противном случае возвращает False.
#практика
FileNotFoundError
Если ты получил сообщение об ошибке «FileNotFoundError: The system cannot find the file specified», это означает, что по указанному тобой пути нет файла. В данном видео автор рассказывает, как правильно обрабатывать исключение FileNotFoundError при работе с файлами с помощью блоков операторов try/except/finally и файлового менеджера контекста with.
👀Смотреть видео
#видео
Если ты получил сообщение об ошибке «FileNotFoundError: The system cannot find the file specified», это означает, что по указанному тобой пути нет файла. В данном видео автор рассказывает, как правильно обрабатывать исключение FileNotFoundError при работе с файлами с помощью блоков операторов try/except/finally и файлового менеджера контекста with.
👀Смотреть видео
#видео
FCOS
Полностью сверточное одноэтапное одноступенчатое объектов (FCOS) — это детектор объектов без привязки. Он решает проблемы обнаружения объектов в режиме попиксельного прогнозирования, аналогичного сегментации. Большинство современных детекторов объектов глубокого обучения без привязки или без привязки используют FCOS в качестве основы. Делимся статьей, где автор знакомит с FCOS.
👉Читать статью
#статьи
Полностью сверточное одноэтапное одноступенчатое объектов (FCOS) — это детектор объектов без привязки. Он решает проблемы обнаружения объектов в режиме попиксельного прогнозирования, аналогичного сегментации. Большинство современных детекторов объектов глубокого обучения без привязки или без привязки используют FCOS в качестве основы. Делимся статьей, где автор знакомит с FCOS.
👉Читать статью
#статьи
issuperset
Метод issuperset() возвращает True, если множество содержит все элементы другого множества (передается как аргумент). Если нет, возвращается False. Также можно использовать оператор >=, однако он требует множеств по обе стороны. Метод issuperset может принимать любой объект.
#практика
Метод issuperset() возвращает True, если множество содержит все элементы другого множества (передается как аргумент). Если нет, возвращается False. Также можно использовать оператор >=, однако он требует множеств по обе стороны. Метод issuperset может принимать любой объект.
#практика
Алгоритм Прима
Алгоритмы минимального связующего дерева (MST) находят кратчайший путь, соединяющий все точки графа. Эти алгоритмы полезны при проектировании сетей, таксономии или кластерном анализе. Алгоритм Прима начинается с одного исходного узла, а затем исследует все соседние узлы исходного узла со всеми соединительными ребрами. Данное видео поможет разобраться с алгоритмом.
👀Смотреть видео
#видео
Алгоритмы минимального связующего дерева (MST) находят кратчайший путь, соединяющий все точки графа. Эти алгоритмы полезны при проектировании сетей, таксономии или кластерном анализе. Алгоритм Прима начинается с одного исходного узла, а затем исследует все соседние узлы исходного узла со всеми соединительными ребрами. Данное видео поможет разобраться с алгоритмом.
👀Смотреть видео
#видео
Расстояние Левенштейна
Расстояние Левенштейна — это число, которое обозначает, насколько различны две строки. Чем выше число, тем больше отличаются две строки. Например, расстояние Левенштейна между словами «дрова» и «трава» равно 2, так как для замены первого слова на другое требуется как минимум 2 редактирования. Под “редактированием” подразумевается либо вставка символа, либо удаление символа, либо замена символа. Данная статья поможет разобраться с расстоянием Левенштейна.
👉Читать статью
#статьи
Расстояние Левенштейна — это число, которое обозначает, насколько различны две строки. Чем выше число, тем больше отличаются две строки. Например, расстояние Левенштейна между словами «дрова» и «трава» равно 2, так как для замены первого слова на другое требуется как минимум 2 редактирования. Под “редактированием” подразумевается либо вставка символа, либо удаление символа, либо замена символа. Данная статья поможет разобраться с расстоянием Левенштейна.
👉Читать статью
#статьи
math.isclose
Метод math.isclose() проверяет, близки ли два значения друг к другу или нет. Возвращает True, если значения близки, иначе False. Близость двух значений определяется в соответствии с заданными абсолютными и относительными допусками. abs tol используется для определения минимального абсолютного допуска. Значение должно быть не менее 0. rel tol — это необязательный параметр, определяющий максимально допустимую разницу между двумя числами. Значение по умолчанию: 1e-09.
#практика
Метод math.isclose() проверяет, близки ли два значения друг к другу или нет. Возвращает True, если значения близки, иначе False. Близость двух значений определяется в соответствии с заданными абсолютными и относительными допусками. abs tol используется для определения минимального абсолютного допуска. Значение должно быть не менее 0. rel tol — это необязательный параметр, определяющий максимально допустимую разницу между двумя числами. Значение по умолчанию: 1e-09.
#практика
Логистическая регрессия
Логистическая регрессия — это алгоритм классификации машинного обучения, который используется для прогнозирования вероятности категориально зависимой переменной. В логистической регрессии зависимая переменная — это двоичная переменная, которая содержит данные, закодированные как 1 (да, успех) или 0 (нет, неудача). Делимся статьей, где автор рассказывает про логистическую регрессию.
👉Читать статью
#статьи
Логистическая регрессия — это алгоритм классификации машинного обучения, который используется для прогнозирования вероятности категориально зависимой переменной. В логистической регрессии зависимая переменная — это двоичная переменная, которая содержит данные, закодированные как 1 (да, успех) или 0 (нет, неудача). Делимся статьей, где автор рассказывает про логистическую регрессию.
👉Читать статью
#статьи
Системы счисления
Делимся видео, где автор рассказывает про различные системы счисления. Ты узнаешь об экспоненциальной форме записи чисел, двоичной, шестнадцатиричной и восьмиричной системах счисления.
👀Смотреть видео
#видео
Делимся видео, где автор рассказывает про различные системы счисления. Ты узнаешь об экспоненциальной форме записи чисел, двоичной, шестнадцатиричной и восьмиричной системах счисления.
👀Смотреть видео
#видео
writelines
Метод writelines() записывает элементы списка в файл. Место вставки текстов зависит от режима файла и позиции потока. В режиме “a” тексты будут вставлены в текущую позицию файлового потока, по умолчанию в конец файла. В режиме “w” файл будет очищен до того, как тексты будут вставлены в текущую позицию файлового потока, по умолчанию 0.
#практика
Метод writelines() записывает элементы списка в файл. Место вставки текстов зависит от режима файла и позиции потока. В режиме “a” тексты будут вставлены в текущую позицию файлового потока, по умолчанию в конец файла. В режиме “w” файл будет очищен до того, как тексты будут вставлены в текущую позицию файлового потока, по умолчанию 0.
#практика
Получение статистики Telegram-канала
TDLib — это кроссплатформенная библиотека для создания клиентов Telegram. Ее можно легко использовать практически с любым языком программирования. Делимся статьей, где автор демонстрирует получение статистики Telegram-канала с помощью TDLib.
👉Читать статью
#статьи
TDLib — это кроссплатформенная библиотека для создания клиентов Telegram. Ее можно легко использовать практически с любым языком программирования. Делимся статьей, где автор демонстрирует получение статистики Telegram-канала с помощью TDLib.
👉Читать статью
#статьи
Django: Формирование URL-адресов в шаблонах
Делимся видео, где автор рассказывает про способы формирования динамических и статических маршрутов в шаблонах с помощью тега url и метода модели get absolute url(). Ты узнаешь, когда и какой вариант использовать.
👀Смотреть видео
#видео #django
Делимся видео, где автор рассказывает про способы формирования динамических и статических маршрутов в шаблонах с помощью тега url и метода модели get absolute url(). Ты узнаешь, когда и какой вариант использовать.
👀Смотреть видео
#видео #django
partition
Метод partition() ищет первое вхождение указанной строки и разбивает строку на кортеж, содержащий три элемента. Первый элемент содержит часть перед указанной строкой. Второй элемент содержит указанную строку. Третий элемент содержит часть после строки.
#практика
Метод partition() ищет первое вхождение указанной строки и разбивает строку на кортеж, содержащий три элемента. Первый элемент содержит часть перед указанной строкой. Второй элемент содержит указанную строку. Третий элемент содержит часть после строки.
#практика