dtypes_list=data.dtypes.values columns_list=data.columns for i in range(len(columns_list)): if dtypes_list[i]=='object': lb=LabelEncoder() lb.fit(data[columns_list[i]]) data[columns_list[i]]=lb.transform(data[columns_list[i]]) data.head()

时间: 2023-12-23 22:04:10 浏览: 93
PDF

【数据挖掘重要笔记day31】详细完解决iris = sns.load_dataset(‘iris’)出来EmptyDataError: No columns to parse from file报错

这是一段 Python 代码，它使用 LabelEncoder 对一个 Pandas DataFrame 数据集中的类别特征（object）进行编码。具体来说，代码首先获取数据集的列名和每列的数据类型，然后遍历每个列，对数据类型为 object 的列进行编码。对于每个 object 列，代码新建一个 LabelEncoder 对象，使用 fit 函数对该列进行拟合，然后使用 transform 函数对该列进行编码转换。最后，代码将编码后的结果覆盖掉原始的 object 列，使得数据集中所有的类别特征都被转换为数值型特征。最后一行代码调用 head 函数，输出编码后的数据集前 5 行。
阅读全文

相关推荐

rar

w_pub_get_sort_columns.rar_PowerBuilder_pb 控件

标题中的“w_pub_get_sort_columns.rar_PowerBuilder_pb 控件”暗示了一个特定的PowerBuilder自定义控件或函数库，它可能被设计用于处理数据窗口（DataWindow）对象的列排序功能。数据窗口是PowerBuilder的核心组件...
rar

Problem_C_Data.rar

hair_dryer.tsv microwave.tsv pacifier.tsv Data Set Definitions: Each row represents data partitioned into the following columns. Problem_C_Data.zip提供的三个数据集包含产品用户评分和通过Amazon Simple...

data 是datafame格式，def data_processing(data): # 日期缺失，补充 data.fillna(method='ffill', inplace=True) date_history = pd.DataFrame(data.iloc[:, 0]) data_history = pd.DataFrame(data.iloc[:, 1]) date_history = np.array(date_history) data_history = [x for item in np.array(data_history).tolist() for x in item] # 缺失值处理 history_time_list = [] for date in date_history: date_obj = datetime.datetime.strptime(date[0], '%Y/%m/%d %H:%M') #将字符串转为 datetime 对象 history_time_list.append(date_obj) start_time = history_time_list[0] # 起始时间 end_time = history_time_list[-1] # 结束时间 delta = datetime.timedelta(minutes=15) #时间间隔为15分钟 time_new_list = [] current_time = start_time while current_time <= end_time: time_new_list.append(current_time) current_time += delta # 缺失位置记录 code_list = [] for i in range(len(time_new_list)): code_list = code_list history_time_list = history_time_list while (time_new_list[i] - history_time_list[i]) != datetime.timedelta(minutes=0): history_time_list.insert(i, time_new_list[i]) code_list.append(i) for i in code_list: data_history.insert(i, data_history[i - 1]) # 输出补充好之后的数据 data = pd.DataFrame({'date': time_new_list, 'load': data_history}) return data 优化代码

可以优化的部分如下： 1. 将 date_history 和 data_history 的赋值语句合并为一行，即 date_history, data_history = data.iloc[:, :2].... data.rename(columns={'index': 'date'}, inplace=True) return data

import pandas as pd import numpy as np # 计算用户对歌曲的播放比例 triplet_dataset_sub_song_merged_sum_df = triplet_dataset_sub_song_mergedpd[['user', 'listen_count']].groupby('user').sum().reset_index() triplet_dataset_sub_song_merged_sum_df.rename(columns={'listen_count': 'total_listen_count'}, inplace=True) triplet_dataset_sub_song_merged = pd.merge(triplet_dataset_sub_song_mergedpd, triplet_dataset_sub_song_merged_sum_df) triplet_dataset_sub_song_mergedpd['fractional_play_count'] = triplet_dataset_sub_song_mergedpd['listen_count'] / triplet_dataset_sub_song_merged['total_listen_count'] # 将用户和歌曲编码为数字 small_set = triplet_dataset_sub_song_mergedpd user_codes = small_set.user.drop_duplicates().reset_index() song_codes = small_set.song.drop_duplicates().reset_index() user_codes.rename(columns={'index': 'user_index'}, inplace=True) song_codes.rename(columns={'index': 'song_index'}, inplace=True) song_codes['so_index_value'] = list(song_codes.index) user_codes['us_index_value'] = list(user_codes.index) small_set = pd.merge(small_set, song_codes, how='left') small_set = pd.merge(small_set, user_codes, how='left') # 将数据转换为稀疏矩阵形式 from scipy.sparse import coo_matrix mat_candidate = small_set[['us_index_value', 'so_index_value', 'fractional_play_count']] data_array = mat_candidate.fractional_play_count.values row_array = mat_candidate.us_index_value.values col_array = mat_candidate.so_index_value.values data_sparse = coo_matrix((data_array, (row_array, col_array)), dtype=float) # 使用SVD方法进行矩阵分解并进行推荐 from scipy.sparse import csc_matrix from scipy.sparse.linalg import svds import math as mt def compute_svd(urm, K): U, s, Vt = svds(urm, K) dim = (len(s), len(s)) S = np.zeros(dim, dtype=np.float32) for i in range(0, len(s)): S[i, i] = mt.sqrt(s[i]) U = csc_matrix(U, dtype=np.float32) S = csc_matrix(S, dtype=np.float32) Vt = csc_matrix(Vt, dtype=np.float32) return U, S, Vt def compute_estimated_matrix(urm, U, S, Vt, uTest, K, test): rightTerm = S * Vt max_recommendation = 250 estimatedRatings = np.zeros(shape=(MAX_UID, MAX_PID), dtype=np.float16) recomendRatings = np.zeros(shape=(MAX_UID, max_recommendation), dtype=np.float16) for userTest in uTest: prod = U[userTest, :] * rightTerm estimatedRatings[userTest, :] = prod.todense() recomendRatings[userTest, :] = (-estimatedRatings[userTest, :]).argsort()[:max_recommendation] return recomendRatings K = 50 urm = data_sparse MAX_PID = urm.shape[1] MAX_UID = urm.shape[0] U, S, Vt = compute_svd(urm, K) uTest = [4, 5, 6, 7, 8, 73, 23] # uTest=[1b5bb32767963cbc215d27a24fef1aa01e933025] uTest_recommended_items = compute_estimated_matrix(urm, U, S, Vt 继续将这段代码输出完整

for i in range(0, len(s)): S[i, i] = mt.sqrt(s[i]) U = csc_matrix(U, dtype=np.float32) S = csc_matrix(S, dtype=np.float32) Vt = csc_matrix(Vt, dtype=np.float32) return U, S, Vt def compute_...

将上述代码放入了Recommenders.py文件中，作为一个自定义工具包。将下列代码中调用scipy包中svd的部分。转为使用Recommenders.py工具包中封装的svd方法。给出修改后的完整代码。import pandas as pd import math as mt import numpy as np from sklearn.model_selection import train_test_split from Recommenders import * from scipy.sparse.linalg import svds from scipy.sparse import coo_matrix from scipy.sparse import csc_matrix # Load and preprocess data triplet_dataset_sub_song_merged = triplet_dataset_sub_song_mergedpd # load dataset triplet_dataset_sub_song_merged_sum_df = triplet_dataset_sub_song_merged[['user','listen_count']].groupby('user').sum().reset_index() triplet_dataset_sub_song_merged_sum_df.rename(columns={'listen_count':'total_listen_count'},inplace=True) triplet_dataset_sub_song_merged = pd.merge(triplet_dataset_sub_song_merged,triplet_dataset_sub_song_merged_sum_df) triplet_dataset_sub_song_merged['fractional_play_count'] = triplet_dataset_sub_song_merged['listen_count']/triplet_dataset_sub_song_merged['total_listen_count'] # Convert data to sparse matrix format small_set = triplet_dataset_sub_song_merged user_codes = small_set.user.drop_duplicates().reset_index() song_codes = small_set.song.drop_duplicates().reset_index() user_codes.rename(columns={'index':'user_index'}, inplace=True) song_codes.rename(columns={'index':'song_index'}, inplace=True) song_codes['so_index_value'] = list(song_codes.index) user_codes['us_index_value'] = list(user_codes.index) small_set = pd.merge(small_set,song_codes,how='left') small_set = pd.merge(small_set,user_codes,how='left') mat_candidate = small_set[['us_index_value','so_index_value','fractional_play_count']] data_array = mat_candidate.fractional_play_count.values row_array = mat_candidate.us_index_value.values col_array = mat_candidate.so_index_value.values data_sparse = coo_matrix((data_array, (row_array, col_array)),dtype=float) # Compute SVD def compute_svd(urm, K): U, s, Vt = svds(urm, K) dim = (len(s), len(s)) S = np.zeros(dim, dtype=np.float32) for i in range(0, len(s)): S[i,i] = mt.sqrt(s[i]) U = csc_matrix(U, dtype=np.float32) S = csc_matrix(S, dtype=np.float32) Vt = csc_matrix(Vt, dtype=np.float32) return U, S, Vt def compute_estimated_matrix(urm, U, S, Vt, uTest, K, test): rightTerm = S*Vt max_recommendation = 10 estimatedRatings = np.zeros(shape=(MAX_UID, MAX_PID), dtype=np.float16) recomendRatings = np.zeros(shape=(MAX_UID,max_recommendation ), dtype=np.float16) for userTest in uTest: prod = U[userTest, :]*rightTerm estimatedRatings[userTest, :] = prod.todense() recomendRatings[userTest, :] = (-estimatedRatings[userTest, :]).argsort()[:max_recommendation] return recomendRatings K=50 # number of factors urm = data_sparse MAX_PID = urm.shape[1] MAX_UID = urm.shape[0] U, S, Vt = compute_svd(urm, K) # Compute recommendations for test users # Compute recommendations for test users uTest = [1,6,7,8,23] uTest_recommended_items = compute_estimated_matrix(urm, U, S, Vt, uTest, K, True) # Output recommended songs in a dataframe recommendations = pd.DataFrame(columns=['user','song', 'score','rank']) for user in uTest: rank = 1 for song_index in uTest_recommended_items[user, 0:10]: song = small_set.loc[small_set['so_index_value'] == song_index].iloc[0] # Get song details recommendations = recommendations.append({'user': user, 'song': song['title'], 'score': song['fractional_play_count'], 'rank': rank}, ignore_index=True) rank += 1 display(recommendations)

for user in uTest: rank = 1 for song_index in uTest_recommended_items[user, 0:10]: song = small_set.loc[small_set['so_index_value'] == song_index].iloc[0] # Get song details recommendations = ...

优化代码 def cluster_format(self, start_time, end_time, save_on=True, data_clean=False, data_name=None): """ local format function is to format data from beihang. :param start_time: :param end_time: :return: """ # 户用簇级数据清洗 if data_clean: unused_index_col = [i for i in self.df.columns if 'Unnamed' in i] self.df.drop(columns=unused_index_col, inplace=True) self.df.drop_duplicates(inplace=True, ignore_index=True) self.df.reset_index(drop=True, inplace=True) dupli_header_lines = np.where(self.df['sendtime'] == 'sendtime')[0] self.df.drop(index=dupli_header_lines, inplace=True) self.df = self.df.apply(pd.to_numeric, errors='ignore') self.df['sendtime'] = pd.to_datetime(self.df['sendtime']) self.df.sort_values(by='sendtime', inplace=True, ignore_index=True) self.df.to_csv(data_name, index=False) # 调用基本格式化处理 self.df = super().format(start_time, end_time) module_number_register = np.unique(self.df['bat_module_num']) # if registered m_num is 0 and not changed, there is no module data if not np.any(module_number_register): logger.logger.warning("No module data!") sys.exit() if 'bat_module_voltage_00' in self.df.columns: volt_ref = 'bat_module_voltage_00' elif 'bat_module_voltage_01' in self.df.columns: volt_ref = 'bat_module_voltage_01' elif 'bat_module_voltage_02' in self.df.columns: volt_ref = 'bat_module_voltage_02' else: logger.logger.warning("No module data!") sys.exit() self.df.dropna(axis=0, subset=[volt_ref], inplace=True) self.df.reset_index(drop=True, inplace=True) self.headers = list(self.df.columns) # time duration of a cluster self.length = len(self.df) if self.length == 0: logger.logger.warning("After cluster data clean, no effective data!") raise ValueError("No effective data after cluster data clean.") self.cluster_stats(save_on) for m in range(self.mod_num): print(self.clusterid, self.mod_num) self.module_list.append(np.unique(self.df[f'bat_module_sn_{str(m).zfill(2)}'].dropna())[0])

Here are some ... self.module_list.append(np.unique(self.df[f'bat_module_sn_{str(m).zfill(2)}'].dropna())[0]) By applying these optimizations, the code can become more concise and efficient.

def load_data(file_name): df = pd.read_csv('data/new_data/' + file_name, encoding='gbk') columns = df.columns df.fillna(df.mean(), inplace=True) return df class MyDataset(Dataset): def __init__(self, data): self.data = data def __getitem__(self, item): return self.data[item] def __len__(self): return len(self.data) def nn_seq_us(B): print('data processing...') dataset = load_data() # split train = dataset[:int(len(dataset) * 0.6)] val = dataset[int(len(dataset) * 0.6):int(len(dataset) * 0.8)] test = dataset[int(len(dataset) * 0.8):len(dataset)] m, n = np.max(train[train.columns[1]]), np.min(train[train.columns[1]]) def process(data, batch_size): load = data[data.columns[1]] load = load.tolist() data = data.values.tolist() load = (load - n) / (m - n) seq = [] for i in range(len(data) - 24): train_seq = [] train_label = [] for j in range(i, i + 24): x = [load[j]] train_seq.append(x) # for c in range(2, 8): # train_seq.append(data[i + 24][c]) train_label.append(load[i + 24]) train_seq = torch.FloatTensor(train_seq) train_label = torch.FloatTensor(train_label).view(-1) seq.append((train_seq, train_label)) # print(seq[-1]) seq = MyDataset(seq) seq = DataLoader(dataset=seq, batch_size=batch_size, shuffle=False, num_workers=0, drop_last=True) return seq Dtr = process(train, B) Val = process(val, B) Dte = process(test, B) return Dtr, Val, Dte, m, n分别解释一下每行代码都是什么意思

2. MyDataset 类是一个自定义的 PyTorch 数据集类，它接收一个数据集作为参数，并实现了 __getitem__ 和 __len__ 两个方法，用于从数据集中获取样本和计算数据集的大小。 3. nn_seq_us(B) 函数是数据处理的...

麻烦你记住以下程序# 定义重点国家/地区 locs = ["China", "United States", "European Union", "Russia", "Japan", "United Kingdom", "Singapore"] # 设置要查找的文件夹路径 folder_path = 'C:/dbcovid/result/new_cases/' # 重点国家新增病例数量 all_data = [] #数据导入 for loc in locs: # 查找文件夹中所有的 .json 文件 json_files = glob.glob(folder_path +loc+ '/*.json') # 如果找到了至少一个 .json 文件 if json_files: # 选择第一个文件进行读取 json_file = json_files[0] tmp = pd.read_json(json_file, lines=True).values.squeeze() # turn to NumPy type # 在这里对读取到的数据进行处理 else: # 如果没有找到 .json 文件 print('No .json file found in the folder.') path = "C:/dbcovid/result/new_cases/China/part-00000-52417ca0-fbcb-4866-b14f-90e3f9fc939e-c000.json" all_data.append(tmp) all_data = np.array( [ list(i) + [float("nan")] * (max([len(j) for j in all_data]) - len(i)) for i in all_data ] ) #数据空值处理 for tmp in all_data: if np.isnan(tmp[0]): tmp[0] = 0 for i in range(len(tmp) - 1): if np.isnan(tmp[i + 1]): tmp[i + 1] = tmp[i] #数据平滑 for i in range(len(all_data)): all_data[i] = gaussian_filter1d(all_data[i], sigma=2.5) #保存为dataframe df = pd.DataFrame(all_data).transpose() df.columns = locs #绘图 plt.figure(figsize=(12, 8)) plt.xlabel('Days') plt.ylabel('Number of new cases') sns.lineplot(data=df, dashes=False) plt.show()

list(i) + [float("nan")] * (max([len(j) for j in all_data]) - len(i)) for i in all_data ] ) #数据空值处理 for tmp in all_data: if np.isnan(tmp[0]): tmp[0] = 0 for i in range(len(tmp) - 1): if ...

import pandas as pd def basic_set(df): basic = {} for i in df.drop_duplicates().values.tolist(): # 去重.转列表 basic[str(i)] = [] # str转为字符串类型，每一个str(i)都制作一个索引，暂时是空的 for j, k in enumerate(df.values.tolist()): # 把数据放到对应的索引里面 if k == i: basic[str(i)].append(j) return basic def rough_set(data): data = data.dropna(axis=0, how='any') # 删去有缺失值的某些行 x_data = data.drop(['y'], axis=1) # 得到条件属性列：去掉决策属性y列，得到条件属性的数据 y_data = data.loc[:, 'y'] # 得到决策属性列 # 决策属性等价集 y_basic_set = [v for k, v in basic_set(y_data).items()] #y_basic_set [[1, 2, 5, 6], [0, 3, 4, 7]] # 条件属性等价集 x_basic_set = [v for k, v in basic_set(x_data).items()] #x_basic_set [[4], [0], [5], [1], [6], [7], [2], [3]] #######################Begin######################## #求正域POSc(D) pos = [] # 正域POSc(D) #计算决策属性D关于属性集全集C的依赖度r_x_y print('依赖度r_x_(y):', r_x_y) ########################End######################### # 探索条件属性中不可省关系 u = locals() # locals() 函数会以字典类型返回当前位置的全部局部变量 pos_va = locals() r = locals() columns_num = list(range(len(x_data.columns))) # range() 函数可创建一个整数列表，一般用在for循环中 # 收集属性重要度 imp_attr = [] for i in columns_num: c = columns_num.copy() c.remove(i) u = data.iloc[:, c] # iloc通过行号获取行数据，不能是字符 u_basic_set = [v for k, v in basic_set(u).items()] #去掉一个属性的属性子集的等价集 #######################Begin######################## #求正域POSc-a(D) pos_va = [] # 正域POSc-a(D) #计算决策属性D关于属性集子集C-a的依赖度r ########################End######################### r_diff = round(r_x_y - r, 4) # 计算属性的重要度 imp_attr.append(r_diff) # 把该属性的重要度存在imp_attr里面 print('第',imp_attr.index(imp_attr==0)+1,'个属性重要度为0，可约简') def main(): #读取文件数据 data = pd.read_csv(filepath_or_buffer='data3.csv') rough_set(data) if __name__ == '__main__': main()请补全上述从begin到end的代码

columns_num = list(range(len(x_data.columns))) # range() 函数可创建一个整数列表，一般用在for循环中 # 收集属性重要度 imp_attr = [] for i in columns_num: c = columns_num.copy() c.remove(i) ...

param = {'num_leaves': 31, 'min_data_in_leaf': 20, 'objective': 'binary', 'learning_rate': 0.06, "boosting": "gbdt", "metric": 'None', "verbosity": -1} trn_data = lgb.Dataset(trn, trn_label) val_data = lgb.Dataset(val, val_label) num_round = 666 # clf = lgb.train(param, trn_data, num_round, valid_sets=[trn_data, val_data], verbose_eval=100, # early_stopping_rounds=300, feval=win_score_eval) clf = lgb.train(param, trn_data, num_round) # oof_lgb = clf.predict(val, num_iteration=clf.best_iteration) test_lgb = clf.predict(test, num_iteration=clf.best_iteration)thresh_hold = 0.5 oof_test_final = test_lgb >= thresh_hold print(metrics.accuracy_score(test_label, oof_test_final)) print(metrics.confusion_matrix(test_label, oof_test_final)) tp = np.sum(((oof_test_final == 1) & (test_label == 1))) pp = np.sum(oof_test_final == 1) print('accuracy1:%.3f'% (tp/(pp)))test_postive_idx = np.argwhere(oof_test_final == True).reshape(-1) # test_postive_idx = list(range(len(oof_test_final))) test_all_idx = np.argwhere(np.array(test_data_idx)).reshape(-1) stock_info['trade_date_id'] = stock_info['trade_date'].map(date_map) stock_info['trade_date_id'] = stock_info['trade_date_id'] + 1tmp_col = ['ts_code', 'trade_date', 'trade_date_id', 'open', 'high', 'low', 'close', 'ma5', 'ma13', 'ma21', 'label_final', 'name'] stock_info.iloc[test_all_idx[test_postive_idx]] tmp_df = stock_info[tmp_col].iloc[test_all_idx[test_postive_idx]].reset_index() tmp_df['label_prob'] = test_lgb[test_postive_idx] tmp_df['is_limit_up'] = tmp_df['close'] == tmp_df['high'] buy_df = tmp_df[(tmp_df['is_limit_up']==False)].reset_index() buy_df.drop(['index', 'level_0'], axis=1, inplace=True)buy_df['buy_flag'] = 1 stock_info_copy['sell_flag'] = 0tmp_idx = (index_df['trade_date'] == test_date_min+1) close1 = index_df[tmp_idx]['close'].values[0] test_date_max = 20220829 tmp_idx = (index_df['trade_date'] == test_date_max) close2 = index_df[tmp_idx]['close'].values[0]tmp_idx = (stock_info_copy['trade_date'] >= test_date_min) & (stock_info_copy['trade_date'] <= test_date_max) tmp_df = stock_info_copy[tmp_idx].reset_index(drop=True)from imp import reload import Account reload(Account) money_init = 200000 account = Account.Account(money_init, max_hold_period=20, stop_loss_rate=-0.07, stop_profit_rate=0.12) account.BackTest(buy_df, tmp_df, index_df, buy_price='open')tmp_df2 = buy_df[['ts_code', 'trade_date', 'label_prob', 'label_final']] tmp_df2 = tmp_df2.rename(columns={'trade_date':'buy_date'}) tmp_df = account.info tmp_df['buy_date'] = tmp_df['buy_date'].apply(lambda x: int(x)) tmp_df = tmp_df.merge(tmp_df2, on=['ts_code', 'buy_date'], how='left')最终的tmp_df是什么？tmp_df[tmp_df['label_final']==1]又选取了什么股票？

根据代码逐行分析，tmp_df 是一个 DataFrame，包含了股票的信息以及回测结果。其中，选取了 label_final 为 1 的股票，也就是模型预测为涨的股票，并且过滤掉了当天涨停的股票。最终买入的股票信息保存在 buy_df 中...

import pandas as pd import numpy as np import matplotlib.pyplot as plt import jieba import requests import re from io import BytesIO import imageio # 设置城市和时间 city = '上海' year = 2021 quarter = 2 # 爬取数据 url = f'http://tianqi.2345.com/t/wea_history/js/{city}/{year}/{quarter}.js' response = requests.get(url) text = response.content.decode('gbk') # 正则表达式匹配 pattern = re.compile(r'(\d{4}-\d{2}-\d{2})\|(\d{1,2})\|(\d{1,2})\|(\d{1,3})\|(\d{1,3})\|(\D+)\n') result = pattern.findall(text) # 数据整理 data = pd.DataFrame(result, columns=['日期', '最高温度', '最低温度', '空气质量指数', '风力等级', '天气']) data[['最高温度', '最低温度', '空气质量指数', '风力等级']] = data[['最高温度', '最低温度', '空气质量指数', '风力等级']].astype(int) data['日期'] = pd.to_datetime(data['日期']) # 可视化分析 # 统计天气情况 weather_count = data['天气'].value_counts() weather_count = weather_count[:10] # 分词统计 seg_list = jieba.cut(' '.join(data['天气'].tolist())) words = {} for word in seg_list: if len(word) < 2: continue if word in words: words[word] += 1 else: words[word] = 1 # 绘制柱状图和词云图 plt.figure(figsize=(10, 5)) plt.bar(weather_count.index, weather_count.values) plt.title(f'{city}{year}年第{quarter}季度天气情况') plt.xlabel('天气') plt.ylabel('次数') plt.savefig('weather_bar.png') wordcloud = pd.DataFrame(list(words.items()), columns=['word', 'count']) mask_image = imageio.imread('cloud_mask.png') wordcloud.plot(kind='scatter', x='count', y='count', alpha=0.5, s=300, cmap='Reds', figsize=(10, 5)) for i in range(len(wordcloud)): plt.text(wordcloud.iloc[i]['count'], wordcloud.iloc[i]['count'], wordcloud.iloc[i]['word'], ha='center', va='center', fontproperties='SimHei') plt.axis('off') plt.imshow(mask_image, cmap=plt.cm.gray, interpolation='bilinear') plt.savefig('weather_wordcloud.png')这个python代码有错误，请改正以使该代码运行成功

for i in range(len(wordcloud)): plt.text(wordcloud.iloc[i]['count'], wordcloud.iloc[i]['count'], wordcloud.iloc[i]['word'], ha='center', va='center', fontproperties='SimHei') plt.axis('off') plt....

brier_efron <- function(y_train_true, y_train_pred, y_newdata, y_newdata_pred, times){ baseline <- base_efron(y_train_true, y_train_pred) y_newdata <- data.frame(y_newdata) colnames(y_newdata) = c("time","event") new_index <- order(y_newdata$time) y_newdata <- y_newdata[new_index,] y_newdata_pred <- y_newdata_pred[new_index,] Y_x = sapply(times, function(x){as.integer(y_newdata$time > x)}) ipcw <- pec::ipcw(formula = as.formula(Surv(time, event) ~ 1), data = y_newdata, method = "marginal", times = times, subjectTimes = y_newdata$time, subjectTimesLag = 1) G_t = ipcw$IPCW.times G_x = ipcw$IPCW.subjectTimes W_x = matrix(NA, nrow = nrow(y_newdata), ncol = length(times)) for (t in 1:length(times)) { W_x[,t] = (1-Y_x[,t])*y_newdata$event/G_x + Y_x[,t]/G_t[t] } Lambda_t = sapply(times, function(x){baseline$cumhazard$hazard[sum(baseline$cumhazard$time <= x)] }) S_x = exp(-1 * exp(y_newdata_pred) %*% matrix(Lambda_t, nrow = 1)) BS_t = sapply(1:length(times), function(x) {mean(W_x[,x] * (Y_x[,x] - S_x[,x])^2)}) return(list(bs = data.frame(time=times, bs=BS_t))) } 改成python代码

BS_t = [np.mean(W_x[:, x] * (Y_x[:, x] - S_x[:, x])**2) for x in range(len(times))] return pd.DataFrame({"time": times, "bs": BS_t}) 请注意，这个转换过程中使用了lifelines库，该库提供了在Python...

解释data_title = data1.columns.values.tolist() r = [] for i in range(len(data_title)): for j in range(i+1,len(data_title)): print('%s和%s之间的皮尔逊相关系数为%f'%(data_title[i],data_title[j],pearsonr(data1[data_title[i]],data1[data_title[j]])[0])) r.append(pearsonr(data[data_title[i]],data[data_title[j]])[0])

1. 将数据集中的列名存储在一个列表data_title中。 2. 初始化一个空列表r，用于存储计算得到的皮尔逊相关系数。 3. 使用两层循环遍历data_title列表中的每一对列，计算它们之间的皮尔逊相关系数，并将结果打印出来...

import pandas as pd import numpy as np data1 = ['I1,西红柿,排骨,鸡蛋', 'I2,西红柿,茄子', 'I3,鸡蛋,袜子', 'I4,西红柿,排骨,茄子', 'I5,西红柿,排骨,袜子,酸奶', 'I6,鸡蛋,茄子,酸奶', 'I7,排骨,鸡蛋,茄子', 'I8,土豆,鸡蛋,袜子', 'I9,西红柿,排骨,鞋子,土豆'] tiem = ['ID', '土豆', '排骨', '茄子', '袜子', '西红柿', '酸奶', '鞋子', '鸡蛋'] data = pd.DataFrame(data1, columns=['raw']) data[['ID'] + tiem[1:]] = data['raw'].str.split(',', expand=True).rename(columns=dict(enumerate(tiem))) data = data.drop(columns=['raw']) D = dict() for t in tiem[1:]: z = np.zeros((len(data))) for k in range(len(data)): if t.lower() in data.iloc[k, 1:].str.lower().values: z[k] = 1 D.setdefault(t, z.tolist()) Data = pd.DataFrame(D, columns=tiem[1:]) Data.insert(0, 'ID', data['ID']) print(Data)这个代码为什么会出现 Columns must be same length as key这个问题怎么改

for k in range(len(data)): if t.lower() in data.iloc[k, 1:].str.lower().values: z[k] = 1 D.setdefault(t, z.tolist()) # 将字典D中的值转化为Series对象，并设置Series对象的index为Dataframe的列名 ...

修改下列代码 #获取字段名称，并转化为列表 (计算置信度与支持度)c=list(Data.columns c9=0.5 #最小置信度 s9=0.2 #最小支持度 list1=[] #预定义定义列表list1，用于存放规则 list2=r] #预定义定义列表list2，用于存放规则的支持度 list3=[] #预定义定义列表list3，用于存放规则的置信度for k in range(len(c)): for q in range(len(c)): #对第c[k]个项与第c[q]个项挖掘关联规则 #规则的前件为c[k] #规则的后件为c[q] #要求前件和后件不相等 if c[k]!=c[q]: c1=Data[c[k]c2=Data[c[q]] I1=c1.values==1I2=c2.values==1 t12=np.zeros((len(c1))) t1=np.zeros((len(c1))) t12[I1&I2=1 t1[I1]=1 sp=sum(t12)/len(c1) #支持度 co=sum(t12)/sum(t1) #置信度#取置信度大于等于c0的关联规则if co>=c and sp>=s0:list1.append(c[k]+'--'+c[q])list2.append(sp)list3.append(co) #定义字典，用于存放关联规则及其置信度、支持度R='rule':list1,'support':list2,'confidence':list3]#将字典转化为数据框 R=pd.DataFrame(R #将结果导出到ExcelR.to excel('rule1.xlsx') #导入自行编写的apriori函数#结果文件outputfile = 'apriori rules,xls import apriori H+士

c = list(Data.columns) c9 = 0.5 #最小置信度 s9 = 0.2 #最小支持度 list1 = [] #预定义列表list1，用于存放规则 list2 = [] #预定义列表list2，用于存放规则的支持度 list3 = [] #预定义列表list3，用于存放...

补充和修改完善代码#获取字段名称，并转化为列表 (计算置信度与支持度)c=list(Data.columns c9=0.5 #最小置信度 s9=0.2 #最小支持度 list1=[] #预定义定义列表list1，用于存放规则 list2=r] #预定义定义列表list2，用于存放规则的支持度 list3=[] #预定义定义列表list3，用于存放规则的置信度for k in range(len(c)): for q in range(len(c)): #对第c[k]个项与第c[q]个项挖掘关联规则 #规则的前件为c[k] #规则的后件为c[q] #要求前件和后件不相等 if c[k]!=c[q]: c1=Data[c[k]c2=Data[c[q]] I1=c1.values==1I2=c2.values==1 t12=np.zeros((len(c1))) t1=np.zeros((len(c1))) t12[I1&I2=1 t1[I1]=1 sp=sum(t12)/len(c1) #支持度 co=sum(t12)/sum(t1) #置信度#取置信度大于等于c0的关联规则if co>=c and sp>=s0:list1.append(c[k]+'--'+c[q])list2.append(sp)list3.append(co) #定义字典，用于存放关联规则及其置信度、支持度R='rule':list1,'support':list2,'confidence':list3]#将字典转化为数据框 R=pd.DataFrame(R #将结果导出到ExcelR.to excel('rule1.xlsx') #导入自行编写的apriori函数#结果文件outputfile = 'apriori rules,xls import apriori H+士

for q in range(len(c)): # 对第c[k]个项与第c[q]个项挖掘关联规则 # 规则的前件为c[k] # 规则的后件为c[q] # 要求前件和后件不相等 if c[k] != c[q]: c1 = Data[c[k]] c2 = Data[c[q]] I1 = c1.values == 1...

解释代码： k=0 for i in range(len(a)): for j in range(a[i]+1,b[i]): if'(' in c[i]: data_result.loc[k]=c[i][0:-1].split('(',1)+table2.row_values(j)[1:] else : data_result.loc[k]=[c[i]]*2+table2.row_values(j)[1:] k=k+1 varlist=canshu_list['VarName']tolist() canshu1=data_result[[i in varlist for i in data_result['字段名'].tolist()]].iloc[:,range( 6)] canshu1.columns=['字段名','字段标签','字段取值','字段含义','观测数','占比'] canshu1['表名称']=table_name[ii] canshu1['表中文名']=table_name1[ii] #删除对应的etl_flag对应的行 canshu1.drop(canshu1[(canshu1['字段名']=='ETL_FLAG')].index,inplace=True) result_canshu=result_canshu.append(canshu1,ignore_index=True) #判断对应变量取值是否为正常取值或煮为 data_result['full flag']='' data_result['true flag']=''

2. 通过 for 循环遍历列表 a 中的每个元素 i，再通过另一个 for 循环遍历从 a[i]+1 到 b[i]-1 的每个整数 j，其中 a 和 b 是两个列表。 3. 如果字符串 c[i] 中包含 '('，则将其去掉并以 '(' 为分隔符切分成多个子...

import pandas as pd from mlxtend.preprocessing import TransactionEncoder data = [['西红柿', '排骨', '鸡蛋'], ['西红柿', '茄子'], ['鸡蛋', '袜子'], ['西红柿', '排骨', '茄子'], ['西红柿', '排骨', '袜子', '酸奶'], ['鸡蛋', '茄子', '酸奶'], ['排骨', '鸡蛋', '茄子'], ['土豆', '鸡蛋', '袜子'], ['西红柿', '排骨', '鞋子', '土豆']] data = [list(set(d)) for d in data] t=['土豆','排骨','茄子','袜子','西红柿','酸奶','鞋子','鸡蛋'] T = TransactionEncoder() data = T.fit_transform(data, sparse=False).astype(int) df1 = pd.DataFrame(data, columns=T.columns_) df = df1.reset_index(drop=True).rename(columns={'index': 'I'}) df.insert(0, 'ID', ['I{}'.format(i) for i in range(1, len(df)+1)]) df = df.reset_index(drop=True) df.columns.name = None print(df) rules = [('西红柿','排骨'), ('排骨','西红柿'), ('袜子','鸡蛋'), ('茄子','排骨'), ('茄子','西红柿'), ('茄子','鸡蛋')] from mlxtend.frequent_patterns import apriori, association_rules freq_itemsets = apriori(df1, min_support=0.2, use_colnames=True) rules = association_rules(freq_itemsets, metric="confidence", min_threshold=0.5) rules = rules.sort_values(by=['confidence'], ascending=False) pd.options.display.float_format = '{:.6f}'.format print(rules[['antecedents', 'consequents', 'support', 'confidence']])。这个代码涉及的第三方库是什么？这个库的主要功能是什么？

这个代码涉及的第三方库是mlxtend。这个库的主要功能是提供机器学习算法和工具，包括数据预处理、特征选择和模型评估等方面，同时也提供了频繁模式挖掘和关联规则挖掘等数据挖掘算法。在这个代码中，使用了该库中的...

clear all; close all; Varo_InputParameters_C4000; strAx = 'AF'; %AF OISX OISY OR OISXY, depending on driving pattern flagDebug = 1; ItemToTest = 'oistilttest'; % 'oistilttest' for Libra [filename, pathname] = uigetfile('.CSV;.csv' ,'Please select the logs', 'MultiSelect', 'on'); if iscell(filename) CsvFileNames = filename; else CsvFileNames{1} = filename; end numfiles = length(CsvFileNames); output = []; for i = 1:numfiles fname = fullfile(pathname, CsvFileNames{i}); LogData = readtable(fname); SN='sampleVr24code'; outputstruct = BB_process_cl_tilt(LogData, strAx, flagDebug, inputParameters, ItemToTest); outputValues = struct2cell(outputstruct); output = [output; [SN outputValues']]; close all; end outputTrends = fieldnames(outputstruct); output_summary = [[ 'SN' outputTrends']; output]; %output_summary = output_summary'; output_table = cell2table(output_summary(2:end,:),'VariableNames',output_summary(1,:)); % Write the table to a CSV file writetable(output_table,[ datestr(now, 'ddmmyy_HH_MM_') ItemToTest '_' strAx 'results.csv']);将上述代码转换为Python

for i in range(numfiles): fname = os.path.join(pathname, CsvFileNames[i]) LogData = pd.read_csv(fname) SN='sampleVr24code' outputstruct = BB_process_cl_tilt(LogData, strAx, flagDebug, input...

最新推荐

recommend-type

BS23-287基于Python的期货程序化交易系统的设计与实现-206jhypi.zip

本系统的开发与设计是基于vue为前端页面核心框架为django/flask，技术方面主要采用了Html、Js、CSS3、python、Mysql。 本课题使用Python语言进行开发。代码层面的操作主要在PyCharm中进行，将系统所使用到的表以及数据存储到MySQL数据库中，方便对数据进行操作本课题基于WEB的开发平台 ②前端开发选择：Vue。 ②后端开发选择：python、django/flask。 ③数据库选择：MySQL。 ④开发工具选择：pycharm、Navicat for MySQL。 包含了我的信息、用户管理、期货公司管理、开户信息管理、充值信息管理、期货期货信息管理、期货投资管理、取消投资管理、投资风险管理、意见反馈、系统管理
recommend-type

springboot052基于Springboot+Vue旅游管理系统毕业源码案例设计.zip

springboot052基于Springboot+Vue旅游管理系统毕业源码案例设计 1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md或论文文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。 5、资源来自互联网采集，如有侵权，私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md或论文文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。 5、资源来自互联网采集，如有侵权，私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md或论文文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。 5、资源来自互联网采集，如有侵权，私聊博主删除。 6、可私信博主看论文后选择购买源代码。
recommend-type

Android圆角进度条控件的设计与应用

资源摘要信息:"Android-RoundCornerProgressBar" 在Android开发领域，一个美观且实用的进度条控件对于提升用户界面的友好性和交互体验至关重要。"Android-RoundCornerProgressBar"是一个特定类型的进度条控件，它不仅提供了进度指示的常规功能，还具备了圆角视觉效果，使其更加美观且适应现代UI设计趋势。此外，该控件还可以根据需求添加图标，进一步丰富进度条的表现形式。 从技术角度出发，实现圆角进度条涉及到Android自定义控件的开发。开发者需要熟悉Android的视图绘制机制，包括但不限于自定义View类、绘制方法（如`onDraw`）、以及属性动画（Property Animation）。实现圆角效果通常会用到`Canvas`类提供的画图方法，例如`drawRoundRect`函数，来绘制具有圆角的矩形。为了添加图标，还需考虑如何在进度条内部适当地放置和绘制图标资源。 在Android Studio这一集成开发环境（IDE）中，自定义View可以通过继承`View`类或者其子类（如`ProgressBar`）来完成。开发者可以定义自己的XML布局文件来描述自定义View的属性，比如圆角的大小、颜色、进度值等。此外，还需要在Java或Kotlin代码中处理用户交互，以及进度更新的逻辑。 在Android中创建圆角进度条的步骤通常如下： 1. 创建自定义View类：继承自`View`类或`ProgressBar`类，并重写`onDraw`方法来自定义绘制逻辑。 2. 定义XML属性：在资源文件夹中定义`attrs.xml`文件，声明自定义属性，如圆角半径、进度颜色等。 3. 绘制圆角矩形：在`onDraw`方法中使用`Canvas`的`drawRoundRect`方法绘制具有圆角的进度条背景。 4. 绘制进度：利用`Paint`类设置进度条颜色和样式，并通过`drawRect`方法绘制当前进度覆盖在圆角矩形上。 5. 添加图标：根据自定义属性中的图标位置属性，在合适的时机绘制图标。 6. 通过编程方式更新进度：在Activity或Fragment中，使用自定义View的方法来编程更新进度值。 7. 实现动画：如果需要，可以通过Android的动画框架实现进度变化的动画效果。 标签中的"Android开发"表明，这些知识点和技能主要面向的是Android平台的开发人员。对于想要在Android应用中实现自定义圆角进度条的开发者来说，他们需要具备一定的Android编程基础，并熟悉相关的开发工具和库。 在"RoundCornerProgressBar-master"压缩包文件的文件名称列表中，我们可以推测这个资源包含了完整的项目代码，包括源代码、资源文件、布局文件、可能的示例代码以及必要的文档说明。开发者通过下载和解压缩这个包，可以得到一个完整的项目，从而可以直接查看代码实现细节，或是将其集成到自己的项目中。 最终，对于希望使用"Android-RoundCornerProgressBar"的开发者，关键在于理解自定义View的创建过程、圆角图形的绘制技术，以及如何在Android应用中集成和使用这些自定义控件。通过上述知识点的学习和实践，开发者能够掌握在Android应用中创建美观且功能丰富的用户界面所需的技能。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本：布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学，1996年。法语。NNT：电话：00345357HAL ID：电话：00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

【R语言lattice包实战】：从案例到技巧，图形制作不再难

![R语言数据包使用详细教程lattice](http://pfister.ee.duke.edu/images/Nguyen-arxiv11-fig2.jpg) # 1. R语言与lattice包概述 R语言作为统计分析领域内广泛应用的编程语言，凭借其强大的图形功能而受到数据科学家的青睐。在R语言中，lattice包是绘图系统的重要组成部分，它基于trellis图形系统设计，能够高效地创建多变量条件图。本章节将引导读者对lattice包有一个初步的了解，并概述其功能和应用范围。 ## 1.1 R语言中的图形系统 R语言提供了一系列的图形系统，基础图形系统（base graphics）是其
recommend-type

输入正整数n.打出长度为n的菱形

好的，以下是打印菱形的代码实现： ``` #include <stdio.h> #include <stdlib.h> int main() { int n, i, j; printf("请输入一个正整数n："); scanf("%d", &n); if(n % 2 == 0) { // 如果输入的n是偶数，将其加1变成奇数 n++; } for(i = 0; i < n / 2 + 1; i++) { for(j = 0; j < n / 2 - i; j++) { printf(
recommend-type

mui框架实现带侧边栏的响应式布局

资源摘要信息:"mui实现简单布局.zip" mui是一个基于HTML5的前端框架，它采用了类似Bootstrap的语义化标签，但是专门为移动设备优化。该框架允许开发者使用Web技术快速构建高性能、可定制、跨平台的移动应用。此zip文件可能包含了一个用mui框架实现的简单布局示例，该布局具有侧边栏，能够实现首页内容的切换。 知识点一：mui框架基础 mui框架是一个轻量级的前端库，它提供了一套响应式布局的组件和丰富的API，便于开发者快速上手开发移动应用。mui遵循Web标准，使用HTML、CSS和JavaScript构建应用，它提供了一个类似于jQuery的轻量级库，方便DOM操作和事件处理。mui的核心在于其强大的样式表，通过CSS可以实现各种界面效果。 知识点二：mui的响应式布局 mui框架支持响应式布局，开发者可以通过其提供的标签和类来实现不同屏幕尺寸下的自适应效果。mui框架中的标签通常以“mui-”作为前缀，如mui-container用于创建一个宽度自适应的容器。mui中的布局类，比如mui-row和mui-col，用于创建灵活的栅格系统，方便开发者构建列布局。 知识点三：侧边栏实现 在mui框架中实现侧边栏可以通过多种方式，比如使用mui sidebar组件或者通过布局类来控制侧边栏的位置和宽度。通常，侧边栏会使用mui的绝对定位或者float浮动布局，与主内容区分开来，并通过JavaScript来控制其显示和隐藏。 知识点四：首页内容切换功能 实现首页可切换的功能，通常需要结合mui的JavaScript库来控制DOM元素的显示和隐藏。这可以通过mui提供的事件监听和动画效果来完成。开发者可能会使用mui的开关按钮或者tab标签等组件来实现这一功能。 知识点五：mui的文件结构 该压缩包文件包含的目录结构说明了mui项目的基本结构。其中，"index.html"文件是项目的入口文件，它将展示整个应用的界面。"manifest.json"文件是应用的清单文件，它在Web应用中起到了至关重要的作用，定义了应用的名称、版本、图标和其它配置信息。"css"文件夹包含所有样式表文件，"unpackage"文件夹可能包含了构建应用后的文件，"fonts"文件夹存放字体文件，"js"文件夹则是包含JavaScript代码的地方。 知识点六：mui的打包和分发 mui框架支持项目的打包和分发，开发者可以使用其提供的命令行工具来打包项目，生成可以部署到服务器的静态资源。这一步通常涉及到资源的压缩、合并和优化。打包后，开发者可以将项目作为一个Web应用分发，也可以将其打包为原生应用，比如通过Cordova、PhoneGap等工具打包成可在iOS或Android设备上安装的应用。 知识点七：mui的兼容性和性能优化 mui框架对老旧设备也做了兼容性考虑，保证应用在低端设备上也有较好的性能表现。性能优化方面，mui提供了多种工具和最佳实践，例如使用懒加载、避免全局变量污染、减少DOM操作等策略来提高应用的运行速度和用户体验。 以上内容是根据标题、描述以及文件名称列表推测出的关于mui实现简单布局的知识点。开发者可以通过分析和实践上述知识点来更好地理解和运用mui框架，从而构建出高效且用户友好的移动应用界面。
recommend-type

"互动学习：行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动，互动学习以行动为中心的强化学习学会互动，互动学习，以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授：智囊团论文联合主任菲利普·普雷教授，大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授，Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士，Deepmind对于那些及时看到自己错误的人...3谢谢你首先，我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔，"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲，你知道在这篇论文的（许多）错误中，你是我可以依
recommend-type

【交互式图形】：Shiny应用中lattice包的巧妙应用指南

![R语言数据包使用详细教程lattice](https://blog.morrisopazo.com/wp-content/uploads/Ebook-Tecnicas-de-reduccion-de-dimensionalidad-Morris-Opazo_.jpg) # 1. Shiny与lattice包基础介绍 在数据科学与统计分析的世界中，可视化是一个至关重要的环节，它能够帮助我们直观地理解数据、展示研究成果并有效地传达信息。R语言作为数据分析领域的一个重要工具，其强大的图形能力得到了广泛的认可。在R语言家族中，`lattice`包和`Shiny`应用框架尤其受到关注。本章我们将简
recommend-type

安装包部署到docker中

安装包部署到Docker容器中通常包含以下几个步骤： 1. **准备镜像**：首先，你需要有一个基础的Dockerfile，这个文件描述了如何从基础镜像创建一个新的镜像，并在其中安装所需的软件和服务。例如，你可以基于官方的`alpine`或`ubuntu`等轻量级镜像开始。 ```Dockerfile # 使用官方的Python运行时作为基础镜像 FROM python:3.8-slim # 设置工作目录 WORKDIR /app # 将应用源码复制到容器内 COPY . . # 安装依赖 RUN pip install -r requirements.txt # 暴露端口 EXP