python降采樣函數(shù) 降采樣算法

python函數(shù)有哪些

1、print()函數(shù)：打印字符串;

上虞ssl適用于網(wǎng)站、小程序/APP、API接口等需要進行數(shù)據(jù)傳輸應(yīng)用場景，ssl證書未來市場廣闊！成為創(chuàng)新互聯(lián)公司的ssl證書銷售渠道，可以享受市場價格4-6折優(yōu)惠！如果有意向歡迎電話聯(lián)系或者加微信：18980820575（備注：SSL證書合作）期待與您的合作！

2、raw_input()函數(shù)：從用戶鍵盤捕獲字符;

3、len()函數(shù)：計算字符長度;

4、format()函數(shù)：實現(xiàn)格式化輸出;

5、type()函數(shù)：查詢對象的類型;

6、int()函數(shù)、float()函數(shù)、str()函數(shù)等：類型的轉(zhuǎn)化函數(shù);

7、id()函數(shù)：獲取對象的內(nèi)存地址;

8、help()函數(shù)：Python的幫助函數(shù);

9、s.islower()函數(shù)：判斷字符小寫;

10、s.sppace()函數(shù)：判斷是否為空格;

11、str.replace()函數(shù)：替換字符;

12、import()函數(shù)：引進庫;

13、math.sin()函數(shù)：sin()函數(shù);

14、math.pow()函數(shù)：計算次方函數(shù);

15、os.getcwd()函數(shù)：獲取當(dāng)前工作目錄;

16、listdir()函數(shù)：顯示當(dāng)前目錄下的文件;

17、time.sleep()函數(shù)：停止一段時間;

18、random.randint()函數(shù)：產(chǎn)生隨機數(shù);

19、range()函數(shù)：返回一個列表，打印從1到100;

20、file.read()函數(shù)：讀取文件返回字符串;

21、file.readlines()函數(shù)：讀取文件返回列表;

22、file.readline()函數(shù)：讀取一行文件并返回字符串;

23、split()函數(shù)：用什么來間隔字符串;

24、isalnum()函數(shù)：判斷是否為有效數(shù)字或字符;

25、isalpha()函數(shù)：判斷是否全為字符;

26、isdigit()函數(shù)：判斷是否全為數(shù)字;

27、 lower()函數(shù)：將數(shù)據(jù)改成小寫;

28、upper()函數(shù)：將數(shù)據(jù)改成大寫;

29、startswith(s)函數(shù)：判斷字符串是否以s開始的;

30、endwith(s)函數(shù)：判斷字符串是否以s結(jié)尾的;

31、file.write()函數(shù)：寫入函數(shù);

32、file.writeline()函數(shù)：寫入文件;

33、abs()函數(shù)：得到某數(shù)的絕對值;

34、file.sort()函數(shù)：對書數(shù)據(jù)排序;

35、tuple()函數(shù)：創(chuàng)建一個元組;

36、find()函數(shù)：查找 返回的是索引;

37、dict()函數(shù)：創(chuàng)建字典;

38、clear()函數(shù)：清楚字典中的所有項;

39、copy()函數(shù)：復(fù)制一個字典，會修改所有的字典;

40、 get()函數(shù)：查詢字典中的元素。

…………

OpenCV-Python之——圖像SIFT特征提取

在一定的范圍內(nèi)，無論物體是大還是小，人眼都可以分辨出來。然而計算機要有相同的能力卻不是那么的容易，在未知的場景中，計算機視覺并不能提供物體的尺度大小，其中的一種方法是把物體不同尺度下的圖像都提供給機器，讓機器能夠?qū)ξ矬w在不同的尺度下有一個統(tǒng)一的認(rèn)知。在建立統(tǒng)一認(rèn)知的過程中，要考慮的就是在圖像在不同的尺度下都存在的特征點。

在早期圖像的多尺度通常使用圖像金字塔表示形式。圖像金字塔是同一圖像在不同的分辨率下得到的一組結(jié)果其生成過程一般包括兩個步驟：

多分辨率的圖像金字塔雖然生成簡單，但其本質(zhì)是降采樣，圖像的局部特征則難以保持，也就是無法保持特征的尺度不變性。

我們還可以通過圖像的模糊程度來模擬人在距離物體由遠(yuǎn)到近時物體在視網(wǎng)膜上成像過程，距離物體越近其尺寸越大圖像也越模糊，這就是高斯尺度空間，使用不同的參數(shù)模糊圖像（分辨率不變），是尺度空間的另一種表現(xiàn)形式。

構(gòu)建尺度空間的目的是為了檢測出在不同的尺度下都存在的特征點，而檢測特征點較好的算子是Δ^2G(高斯拉普拉斯，LoG)

使用LoG雖然能較好的檢測到圖像中的特征點，但是其運算量過大，通?？墒褂肈oG（差分高斯，Difference of Gaussina）來近似計算LoG。

從上式可以知道，將相鄰的兩個高斯空間的圖像相減就得到了DoG的響應(yīng)圖像。為了得到DoG圖像，先要構(gòu)建高斯尺度空間，而高斯的尺度空間可以在圖像金字塔降采樣的基礎(chǔ)上加上高斯濾波得到，也就是對圖像金字塔的每層圖像使用不同的參數(shù)σ進行高斯模糊，使每層金字塔有多張高斯模糊過的圖像。

如下圖，octave間是降采樣關(guān)系，且octave(i+1)的第一張（從下往上數(shù)）圖像是由octave(i)中德倒數(shù)第三張圖像降采樣得到。octave內(nèi)的圖像大小一樣，只是高斯模糊使用的尺度參數(shù)不同。

對于一幅圖像，建立其在不同尺度scale下的圖像，也稱為octave，這是為了scale-invariant，也就是在任何尺度都能有對應(yīng)的特征點。下圖中右側(cè)的DoG就是我們構(gòu)建的尺度空間。

為了尋找尺度空間的極值點，每一個采樣點要和它所有的相鄰點比較，看其是否比它的圖像域和尺度域的相鄰點大或者小。如圖所示，中間的檢測點和它同尺度的8個相鄰點和上下相鄰尺度對應(yīng)的9×2個點共26個點比較，以確保在尺度空間和二維圖像空間都檢測到極值點。 一個點如果在DOG尺度空間本層以及上下兩層的26個領(lǐng)域中是最大或最小值時，就認(rèn)為該點是圖像在該尺度下的一個特征點。下圖中將叉號點要比較的26個點都標(biāo)為了綠色。

找到所有特征點后， 要去除低對比度和不穩(wěn)定的邊緣效應(yīng)的點 ，留下具有代表性的關(guān)鍵點（比如，正方形旋轉(zhuǎn)后變?yōu)榱庑?，如果用邊緣做識別，4條邊就完全不一樣，就會錯誤；如果用角點識別，則穩(wěn)定一些）。去除這些點的好處是增強匹配的抗噪能力和穩(wěn)定性。最后，對離散的點做曲線擬合，得到精確的關(guān)鍵點的位置和尺度信息。

近來不斷有人改進，其中最著名的有 SURF（計算量小，運算速度快，提取的特征點幾乎與SIFT相同）和 CSIFT（彩色尺度特征不變變換，顧名思義，可以解決基于彩色圖像的SIFT問題）。

其中sift.detectAndCompute()函數(shù)返回kp，des。

上圖dog的shape為(481, 500, 3)，提取的特征向量des的shape為(501, 128)，501個128維的特征點。

該方法可以在特征點處繪制一個小圓圈。

python的range()函數(shù)有什么用法？

range()函數(shù)的用法如下：

（1）range(stop)

創(chuàng)建一個（0,stop)之間的整數(shù)序列，步長為1。

（2）range(start,stop)

創(chuàng)建一個（start,stop)之間的整數(shù)序列，步長為1。

（3）range(start,stop,step)

創(chuàng)建一個[start,stop)之間的整數(shù)序列，步長為step。

參數(shù)介紹：

start：表示從返回序列的起始編號，默認(rèn)情況下從0開始。

stop：表示生成最多但不包括此數(shù)字的數(shù)字。

step：指的是序列中每個數(shù)字之間的差異，默認(rèn)值為1。

range()是Python的內(nèi)置函數(shù)，在用戶需要執(zhí)行特定次數(shù)的操作時使用它，表示循環(huán)的意思。內(nèi)置函數(shù)range()可用于以列表的形式生成數(shù)字序列。在range()函數(shù)中最常見用法是使用for和while循環(huán)迭代序列類型（List，string等）。

簡單的來說，range()函數(shù)允許用戶在給定范圍內(nèi)生成一系列數(shù)字。根據(jù)用戶傳遞給函數(shù)的參數(shù)數(shù)量，用戶可以決定該系列數(shù)字的開始和結(jié)束位置以及一個數(shù)字與下一個數(shù)字之間的差異有多大。

python分析奧巴馬資金來源

奧巴馬的競選資金是一點點從選民那里募集來的。如獲黨內(nèi)提名,可得政府拔款，但也沒多少。美國大選不僅禁外國人捐款,而且禁止公司機構(gòu)捐款,而只允許個人捐款。不僅如此,還為個人捐款限制了上限,防止富人捐過多的款而影響未來的公平執(zhí)政。

不僅富人自己不能多捐，如果某個老板呼吁自己的員工給某人捐錢或投票支持他，都是犯法的。因此，想要籌到幾千萬競爭資金，唯一的辦法是爭取更多選民支持，一點點募集。所以,中國、公司、大筆捐款，這三條都是犯法的。

我記得以前已經(jīng)有華人鬧過這種丑聞了。美國的選舉法就是要嚴(yán)防少數(shù)人企圖用幾個臭錢影響美國的政治。所以我們作為外國人就更別去自討沒趣了。

導(dǎo)入包

In [1]:

import numpy as npimport pandas as pdfrom pandas import Series,DataFrame

方便大家操作，將月份和參選人以及所在政黨進行定義

In [2]:

months = {'JAN' : 1, 'FEB' : 2, 'MAR' : 3, 'APR' : 4, 'MAY' : 5, 'JUN' : 6, 'JUL' : 7, 'AUG' : 8, 'SEP' : 9, 'OCT': 10, 'NOV': 11, 'DEC' : 12}of_interest = ['Obama, Barack', 'Romney, Mitt', 'Santorum, Rick', 'Paul, Ron', 'Gingrich, Newt']parties = { 'Bachmann, Michelle': 'Republican', 'Romney, Mitt': 'Republican', 'Obama, Barack': 'Democrat', "Roemer, Charles E. 'Buddy' III": 'Reform', 'Pawlenty, Timothy': 'Republican', 'Johnson, Gary Earl': 'Libertarian', 'Paul, Ron': 'Republican', 'Santorum, Rick': 'Republican', 'Cain, Herman': 'Republican', 'Gingrich, Newt': 'Republican', 'McCotter, Thaddeus G': 'Republican', 'Huntsman, Jon': 'Republican', 'Perry, Rick': 'Republican' }

讀取文件

In [3]:

table = pd.read_csv('data/usa_election.txt')table.head()

C:\jupyter\lib\site-packages\IPython\core\interactiveshell.py:2785: DtypeWarning: Columns (6) have mixed types. Specify dtype option on import or set low_memory=False. interactivity=interactivity, compiler=compiler, result=result)

Out[3]:

cmte_id cand_id cand_nm contbr_nm contbr_city contbr_st contbr_zip contbr_employer contbr_occupation contb_receipt_amt contb_receipt_dt receipt_desc memo_cd memo_text form_tp file_num

0 C00410118 P20002978 Bachmann, Michelle HARVEY, WILLIAM MOBILE AL 3.6601e 08 RETIRED RETIRED 250.0 20-JUN-11 NaN NaN NaN SA17A 736166

1 C00410118 P20002978 Bachmann, Michelle HARVEY, WILLIAM MOBILE AL 3.6601e 08 RETIRED RETIRED 50.0 23-JUN-11 NaN NaN NaN SA17A 736166

2 C00410118 P20002978 Bachmann, Michelle SMITH, LANIER LANETT AL 3.68633e 08 INFORMATION REQUESTED INFORMATION REQUESTED 250.0 05-JUL-11 NaN NaN NaN SA17A 749073

3 C00410118 P20002978 Bachmann, Michelle BLEVINS, DARONDA PIGGOTT AR 7.24548e 08 NONE RETIRED 250.0 01-AUG-11 NaN NaN NaN SA17A 749073

4 C00410118 P20002978 Bachmann, Michelle WARDENBURG, HAROLD HOT SPRINGS NATION AR 7.19016e 08 NONE RETIRED 300.0 20-JUN-11 NaN NaN NaN SA17A 736166

In [8]:

#使用map函數(shù) 字典，新建一列各個候選人所在黨派partytable['party'] = table['cand_nm'].map(parties)table.head()

Out[8]:

cmte_id cand_id cand_nm contbr_nm contbr_city contbr_st contbr_zip contbr_employer contbr_occupation contb_receipt_amt contb_receipt_dt receipt_desc memo_cd memo_text form_tp file_num party

0 C00410118 P20002978 Bachmann, Michelle HARVEY, WILLIAM MOBILE AL 3.6601e 08 RETIRED RETIRED 250.0 20-JUN-11 NaN NaN NaN SA17A 736166 Republican

1 C00410118 P20002978 Bachmann, Michelle HARVEY, WILLIAM MOBILE AL 3.6601e 08 RETIRED RETIRED 50.0 23-JUN-11 NaN NaN NaN SA17A 736166 Republican

2 C00410118 P20002978 Bachmann, Michelle SMITH, LANIER LANETT AL 3.68633e 08 INFORMATION REQUESTED INFORMATION REQUESTED 250.0 05-JUL-11 NaN NaN NaN SA17A 749073 Republican

3 C00410118 P20002978 Bachmann, Michelle BLEVINS, DARONDA PIGGOTT AR 7.24548e 08 NONE RETIRED 250.0 01-AUG-11 NaN NaN NaN SA17A 749073 Republican

4 C00410118 P20002978 Bachmann, Michelle WARDENBURG, HAROLD HOT SPRINGS NATION AR 7.19016e 08 NONE RETIRED 300.0 20-JUN-11 NaN NaN NaN SA17A 736166 Republican

In [10]:

#party這一列中有哪些元素table['party'].unique()

Out[10]:

array(['Republican', 'Democrat', 'Reform', 'Libertarian'], dtype=object)

In [ ]:

#使用value_counts()函數(shù)，統(tǒng)計party列中各個元素出現(xiàn)次數(shù)，value_counts()是Series中的，無參，返回一個帶有每個元素出現(xiàn)次數(shù)的Series

In [11]:

table['party'].value_counts()

Out[11]:

Democrat 292400Republican 237575Reform 5364Libertarian 702Name: party, dtype: int64

In [12]:

#使用groupby()函數(shù)，查看各個黨派收到的政治獻金總數(shù)contb_receipt_amttable.groupby(by='party')['contb_receipt_amt'].sum()

Out[12]:

partyDemocrat 8.105758e 07Libertarian 4.132769e 05Reform 3.390338e 05Republican 1.192255e 08Name: contb_receipt_amt, dtype: float64

In [13]:

#查看具體每天各個黨派收到的政治獻金總數(shù)contb_receipt_amt 。使用groupby([多個分組參數(shù)])table.groupby(by=['party','contb_receipt_dt'])['contb_receipt_amt'].sum()

Out[13]:

party contb_receipt_dtDemocrat 01-AUG-11 175281.00 01-DEC-11 651532.82 01-JAN-12 58098.80 01-JUL-11 165961.00 01-JUN-11 145459.00 01-MAY-11 82644.00 01-NOV-11 122529.87 01-OCT-11 148977.00 01-SEP-11 403297.62 02-AUG-11 164510.11 02-DEC-11 216056.96 02-JAN-12 89743.60 02-JUL-11 17105.00 02-JUN-11 422453.00 02-MAY-11 396675.00 02-NOV-11 147183.81 02-OCT-11 62605.62 02-SEP-11 137948.41 03-AUG-11 147053.02 03-DEC-11 81304.02 03-JAN-12 87406.97 03-JUL-11 5982.00 03-JUN-11 320176.20 03-MAY-11 261819.11 03-NOV-11 119304.56 03-OCT-11 363061.02 03-SEP-11 45598.00 04-APR-11 640235.12 04-AUG-11 598784.23 04-DEC-11 72795.10 ... Republican 29-AUG-11 941769.23 29-DEC-11 428501.42 29-JAN-11 750.00 29-JAN-12 75220.02 29-JUL-11 233423.35 29-JUN-11 1340704.29 29-MAR-11 38875.00 29-MAY-11 8363.20 29-NOV-11 407322.64 29-OCT-11 81924.01 29-SEP-11 1612794.52 30-APR-11 43004.80 30-AUG-11 915548.58 30-DEC-11 492470.45 30-JAN-12 255204.80 30-JUL-11 12249.04 30-JUN-11 2744932.63 30-MAR-11 50240.00 30-MAY-11 17803.60 30-NOV-11 809014.83 30-OCT-11 43913.16 30-SEP-11 4886331.76 31-AUG-11 1017735.02 31-DEC-11 1094376.72 31-JAN-11 6000.00 31-JAN-12 869890.41 31-JUL-11 12781.02 31-MAR-11 62475.00 31-MAY-11 301339.80 31-OCT-11 734601.83Name: contb_receipt_amt, Length: 1183, dtype: float64

In [14]:

def trasform_date(d): day,month,year = d.split('-') month = months[month] return "20" year '-' str(month) '-' day

In [17]:

#將表中日期格式轉(zhuǎn)換為'yyyy-mm-dd'。日期格式,通過函數(shù)加map方式進行轉(zhuǎn)換table['contb_receipt_dt'] = table['contb_receipt_dt'].apply(trasform_date)

In [18]:

table.head()

Out[18]:

cmte_id cand_id cand_nm contbr_nm contbr_city contbr_st contbr_zip contbr_employer contbr_occupation contb_receipt_amt contb_receipt_dt receipt_desc memo_cd memo_text form_tp file_num party

0 C00410118 P20002978 Bachmann, Michelle HARVEY, WILLIAM MOBILE AL 3.6601e 08 RETIRED RETIRED 250.0 2011-6-20 NaN NaN NaN SA17A 736166 Republican

1 C00410118 P20002978 Bachmann, Michelle HARVEY, WILLIAM MOBILE AL 3.6601e 08 RETIRED RETIRED 50.0 2011-6-23 NaN NaN NaN SA17A 736166 Republican

2 C00410118 P20002978 Bachmann, Michelle SMITH, LANIER LANETT AL 3.68633e 08 INFORMATION REQUESTED INFORMATION REQUESTED 250.0 2011-7-05 NaN NaN NaN SA17A 749073 Republican

3 C00410118 P20002978 Bachmann, Michelle BLEVINS, DARONDA PIGGOTT AR 7.24548e 08 NONE RETIRED 250.0 2011-8-01 NaN NaN NaN SA17A 749073 Republican

4 C00410118 P20002978 Bachmann, Michelle WARDENBURG, HAROLD HOT SPRINGS NATION AR 7.19016e 08 NONE RETIRED 300.0 2011-6-20 NaN NaN NaN SA17A 736166 Republican

In [19]:

#查看老兵(捐獻者職業(yè))DISABLED VETERAN主要支持誰 ：查看老兵們捐贈給誰的錢最多table['contbr_occupation'] == 'DISABLED VETERAN'

Out[19]:

0 False1 False2 False3 False4 False5 False6 False7 False8 False9 False10 False11 False12 False13 False14 False15 False16 False17 False18 False19 False20 False21 False22 False23 False24 False25 False26 False27 False28 False29 False ... 536011 False536012 False536013 False536014 False536015 False536016 False536017 False536018 False536019 False536020 False536021 False536022 False536023 False536024 False536025 False536026 False536027 False536028 False536029 False536030 False536031 False536032 False536033 False536034 False536035 False536036 False536037 False536038 False536039 False536040 FalseName: contbr_occupation, Length: 536041, dtype: bool

In [21]:

old_bing_df = table.loc[table['contbr_occupation'] == 'DISABLED VETERAN']

In [22]:

old_bing_df.groupby(by='cand_nm')['contb_receipt_amt'].sum()

Out[22]:

cand_nmCain, Herman 300.00Obama, Barack 4205.00Paul, Ron 2425.49Santorum, Rick 250.00Name: contb_receipt_amt, dtype: float64

In [23]:

table['contb_receipt_amt'].max()

Out[23]:

1944042.43

In [24]:

#找出候選人的捐贈者中，捐贈金額最大的人的職業(yè)以及捐獻額 .通過query("查詢條件來查找捐獻人職業(yè)")table.query('contb_receipt_amt == 1944042.43')

Out[24]:

cmte_id cand_id cand_nm contbr_nm contbr_city contbr_st contbr_zip contbr_employer contbr_occupation contb_receipt_amt contb_receipt_dt receipt_desc memo_cd memo_text form_tp file_num party

176127 C00431445 P80003338 Obama, Barack OBAMA VICTORY FUND 2012 - UNITEMIZED CHICAGO IL 60680 NaN NaN 1944042.43 2011-12-31 NaN X * SA18 763233 Democrat

來源：

利用Python進行數(shù)據(jù)分析(9)-重采樣resample和頻率轉(zhuǎn)換

Python-for-data-重新采樣和頻率轉(zhuǎn)換

重新采樣指的是將時間序列從一個頻率轉(zhuǎn)換到另一個頻率的過程。

但是也并不是所有的采樣方式都是屬于上面的兩種

pandas中使用resample方法來實現(xiàn)頻率轉(zhuǎn)換，下面是resample方法的參數(shù)詳解：

將數(shù)據(jù)聚合到一個規(guī)則的低頻上，例如將時間轉(zhuǎn)換為每個月，"M"或者"BM"，將數(shù)據(jù)分成一個月的時間間隔。

每個間隔是半閉合的，一個數(shù)據(jù)只能屬于一個時間間隔。時間間隔的并集必須是整個時間幀

默認(rèn)情況下，左箱體邊界是包含的。00:00的值是00：00到00：05間隔內(nèi)的值

產(chǎn)生的時間序列按照每個箱體左邊的時間戳被標(biāo)記。

傳遞span class="mark"label="right"/span可以使用右箱體邊界標(biāo)記時間序列

向loffset參數(shù)傳遞字符串或者日期偏置

在金融數(shù)據(jù)中，為每個數(shù)據(jù)桶計算4個值是常見的問題：

通過span class="girk"ohlc聚合函數(shù)/span能夠得到四種聚合值列的DF數(shù)據(jù)

低頻轉(zhuǎn)到高頻的時候會形成缺失值

ffill() ：使用前面的值填充， limit 限制填充的次數(shù)

當(dāng)前名稱：python降采樣函數(shù) 降采樣算法
網(wǎng)頁路徑：http://muchs.cn/article38/dooccsp.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供ChatGPT、外貿(mào)建站、App開發(fā)、外貿(mào)網(wǎng)站建設(shè)、網(wǎng)站制作、網(wǎng)站設(shè)計公司

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)