color_map = dict(zip(data['薪资'].unique(),['b','y','r']))什么意思

时间: 2023-10-01 15:08:06 浏览: 73
这行代码是创建一个字典 `color_map`,其中键为 `data` 数据集中的不同的薪资数值,值为对应的颜色。具体来说,`data['薪资'].unique()` 返回 `data` 数据集中不同的薪资数值组成的数组, `['b','y','r']` 则是对应的颜色数组,分别代表蓝色、黄色和红色。`zip()` 函数将两个数组按索引一一对应,形成一个元组,多个元组组成一个新的数组,最后使用 `dict()` 函数将这个数组转化成一个字典。这样,当绘制图表时,可以根据薪资数值的不同使用不同的颜色进行区分。
相关问题

self.learning_rate = 0.0618 self.num_iterations = 2000 self.x = None self.y = None self.w = dict() self.b = dict() self.costs = [] self.print_cost = print_cost

这些是神经网络的一些属性,例如学习率 `self.learning_rate`,迭代次数 `self.num_iterations`,输入数据 `self.x` 和输出数据 `self.y`,权重 `self.w` 和偏置 `self.b`,成本函数值 `self.costs` 和一个布尔变量 `self.print_cost`,用于控制是否打印成本函数值。这些属性将在神经网络的训练过程中使用。

export function fetchDataCft(query_dict) { return new Promise((resolve, reject) => { queryCft(query_dict).then(response => { const data = response.data const total_count = response['total_count'] // console.log(total_count) resolve(data, total_count) }).catch(error => { reject(error) }) }) } getData() { if (Object.keys(this.query_dict_mark).length === 0) { // 初始化query_dict中problem_id__in的值 this.$delete(this.query_dict, 'problem_id__in') fetchDataCft(this.query_dict).then( (data, total_count) => { this.data_list = data; this.total_count1 = total_count; }, ) } else { fetchDataMark(this.query_dict_mark).then(data => { this.problem_id_list = data.map(item => item.problem_id) this.$set(this.query_dict, 'problem_id__in', this.problem_id_list) // this.query_dict['problem_id__in'] = this.problem_id_list fetchDataCft(this.query_dict).then((data, total_count) => { this.data_list = data; this.total_count1 = total_count; }) }) } // 获取当前用户的收藏列表(problem_id_favorite) fetchDataMark({'favorite': this.current_user_name}).then(data => { this.problem_id_favorite = data.map(item => item.problem_id) }) }, total_count1的值不是预期的,请帮忙优化代码

在 `fetchDataCft` 函数中, `resolve` 方法只接受一个参数,所以需要将 `data` 和 `total_count` 封装为一个对象传递。修改后的 `fetchDataCft` 函数如下: ``` export function fetchDataCft(query_dict) { return new Promise((resolve, reject) => { queryCft(query_dict) .then(response => { const data = response.data; const total_count = response['total_count']; resolve({ data, total_count }); }) .catch(error => { reject(error); }); }); } ``` 在 `getData` 函数中,当 `Object.keys(this.query_dict_mark).length === 0` 时,会调用 `fetchDataCft` 函数,但是这个函数返回的是一个 Promise,需要使用 `then` 方法来处理异步操作。修改后的代码如下: ``` getData() { if (Object.keys(this.query_dict_mark).length === 0) { // 初始化query_dict中problem_id__in的值 this.$delete(this.query_dict, 'problem_id__in'); fetchDataCft(this.query_dict) .then(({ data, total_count }) => { this.data_list = data; this.total_count1 = total_count; }) .catch(error => { console.error(error); }); } else { fetchDataMark(this.query_dict_mark) .then(data => { this.problem_id_list = data.map(item => item.problem_id); this.$set(this.query_dict, 'problem_id__in', this.problem_id_list); // this.query_dict['problem_id__in'] = this.problem_id_list fetchDataCft(this.query_dict) .then(({ data, total_count }) => { this.data_list = data; this.total_count1 = total_count; }) .catch(error => { console.error(error); }); }) .catch(error => { console.error(error); }); } // 获取当前用户的收藏列表(problem_id_favorite) fetchDataMark({ favorite: this.current_user_name }) .then(data => { this.problem_id_favorite = data.map(item => item.problem_id); }) .catch(error => { console.error(error); }); }, ``` 这样,无论是在 `fetchDataCft` 函数中还是在 `getData` 函数中,都能够正确地处理异步操作,避免出现不符合预期的结果。

相关推荐

import pandas as pd import warnings import sklearn.datasets import sklearn.linear_model import matplotlib import matplotlib.font_manager as fm import matplotlib.pyplot as plt import numpy as np import seaborn as sns data = pd.read_excel(r'C:\Users\Lenovo\Desktop\data.xlsx') print(data.info()) fig = plt.figure(figsize=(10, 8)) sns.heatmap(data.corr(), cmap="YlGnBu", annot=True) plt.title('相关性分析热力图') plt.rcParams['axes.unicode_minus'] = False plt.rcParams['font.sans-serif'] = 'SimHei' plt.show() y = data['y'] x = data.drop(['y'], axis=1) print('************************输出新的特征集数据***************************') print(x.head()) from sklearn.model_selection import train_test_split x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=42) def relu(x): output=np.maximum(0, x) return output def relu_back_propagation(derror_wrt_output,x): derror_wrt_dinputs = np.array(derror_wrt_output, copy=True) derror_wrt_dinputs[x <= 0] = 0 return derror_wrt_dinputs def activated(activation_choose,x): if activation_choose == 'relu': return relu(x) def activated_back_propagation(activation_choose, derror_wrt_output, output): if activation_choose == 'relu': return relu_back_propagation(derror_wrt_output, output) class NeuralNetwork: def __init__(self, layers_strcuture, print_cost = False): self.layers_strcuture = layers_strcuture self.layers_num = len(layers_strcuture) self.param_layers_num = self.layers_num - 1 self.learning_rate = 0.0618 self.num_iterations = 2000 self.x = None self.y = None self.w = dict() self.b = dict() self.costs = [] self.print_cost = print_cost self.init_w_and_b() def set_learning_rate(self,learning_rate): self.learning_rate=learning_rate def set_num_iterations(self, num_iterations): self.num_iterations = num_iterations def set_xy(self, input, expected_output): self.x = input self.y = expected_output

class Dn_datasets(Dataset): def __init__(self, data_root, data_dict, transform, load_all=False, to_gray=False, s_factor=1, repeat_crop=1): self.data_root = data_root self.transform = transform self.load_all = load_all self.to_gray = to_gray self.repeat_crop = repeat_crop if self.load_all is False: self.data_dict = data_dict else: self.data_dict = [] for sample_info in data_dict: sample_data = Image.open('/'.join((self.data_root, sample_info['path']))).copy() if sample_data.mode in ['RGBA']: sample_data = sample_data.convert('RGB') width = sample_info['width'] height = sample_info['height'] sample = { 'data': sample_data, 'width': width, 'height': height } self.data_dict.append(sample) def __len__(self): return len(self.data_dict) def __getitem__(self, idx): sample_info = self.data_dict[idx] if self.load_all is False: sample_data = Image.open('/'.join((self.data_root, sample_info['path']))) if sample_data.mode in ['RGBA']: sample_data = sample_data.convert('RGB') else: sample_data = sample_info['data'] if self.to_gray: sample_data = sample_data.convert('L') # crop (w_start, h_start, w_end, h_end) image = sample_data target = sample_data sample = {'image': image, 'target': target} if self.repeat_crop != 1: image_stacks = [] target_stacks = [] for i in range(self.repeat_crop): sample_patch = self.transform(sample) image_stacks.append(sample_patch['image']) target_stacks.append(sample_patch['target']) return torch.stack(image_stacks), torch.stack(target_stacks) else: sample = self.transform(sample) return sample['image'], sample['target']

select s.sex as sex, if(s.sex = 0, '女', '男') as sexText, s.political as political, dd.dict_value as politicalText, s.certificate as certificate, dd1.dict_value as certificateText, s.household as household, dd2.dict_value as householdText, s.pay_type as payType, dd3.dict_value as payTypeText, s.enroll_mode as enrollMode, dd4.dict_value as enrollModeText, s.admission_batch as admissionBatch, dd5.dict_value as admissionBatchTypeText, s.cultivation_level as cultivationLevel, dd6.dict_value as cultivationLevelText, s.cultivation_mode as cultivationMode, dd7.dict_value as cultivationModeText, s.learning_type as learningType, dd8.dict_value as learningTypeText, s.subject as subject, dd9.dict_value as subjectText, dd.is_del as is_del, dd.status as status from student as s left join data_dictionary as dd on s.political = dd.id left join data_dictionary as dd1 on s.certificate = dd1.id left join data_dictionary as dd2 on s.household = dd2.id left join data_dictionary as dd3 on s.pay_type = dd3.id left join data_dictionary as dd4 on s.enroll_mode = dd4.id left join data_dictionary as dd5 on s.admission_batch = dd5.id left join data_dictionary as dd6 on s.cultivation_level = dd6.id left join data_dictionary as dd7 on s.cultivation_mode = dd7.id left join data_dictionary as dd8 on s.learning_type = dd8.id left join data_dictionary as dd9 on s.subject = dd9.id where 1 = 1 and dd9.is_del = 1 and dd9.status = 1 and dd8.is_del = 1 and dd8.status = 1 and dd7.is_del = 1 and dd7.status = 1 and dd6.is_del = 1 and dd6.status = 1 and dd5.is_del = 1 and dd5.status = 1 and dd4.is_del = 1 and dd4.status = 1 and dd3.is_del = 1 and dd3.status = 1 and dd2.is_del = 1 and dd2.status = 1 and dd1.is_del = 1 and dd1.status = 1 and dd.is_del = 1 and dd.status = 1

最新推荐

recommend-type

基于STM32控制遥控车的蓝牙应用程序

基于STM32控制遥控车的蓝牙应用程序
recommend-type

利用迪杰斯特拉算法的全国交通咨询系统设计与实现

全国交通咨询模拟系统是一个基于互联网的应用程序,旨在提供实时的交通咨询服务,帮助用户找到花费最少时间和金钱的交通路线。系统主要功能包括需求分析、个人工作管理、概要设计以及源程序实现。 首先,在需求分析阶段,系统明确了解用户的需求,可能是针对长途旅行、通勤或日常出行,用户可能关心的是时间效率和成本效益。这个阶段对系统的功能、性能指标以及用户界面有明确的定义。 概要设计部分详细地阐述了系统的流程。主程序流程图展示了程序的基本结构,从开始到结束的整体运行流程,包括用户输入起始和终止城市名称,系统查找路径并显示结果等步骤。创建图算法流程图则关注于核心算法——迪杰斯特拉算法的应用,该算法用于计算从一个节点到所有其他节点的最短路径,对于求解交通咨询问题至关重要。 具体到源程序,设计者实现了输入城市名称的功能,通过 LocateVex 函数查找图中的城市节点,如果城市不存在,则给出提示。咨询钱最少模块图是针对用户查询花费最少的交通方式,通过 LeastMoneyPath 和 print_Money 函数来计算并输出路径及其费用。这些函数的设计体现了算法的核心逻辑,如初始化每条路径的距离为最大值,然后通过循环更新路径直到找到最短路径。 在设计和调试分析阶段,开发者对源代码进行了严谨的测试,确保算法的正确性和性能。程序的执行过程中,会进行错误处理和异常检测,以保证用户获得准确的信息。 程序设计体会部分,可能包含了作者在开发过程中的心得,比如对迪杰斯特拉算法的理解,如何优化代码以提高运行效率,以及如何平衡用户体验与性能的关系。此外,可能还讨论了在实际应用中遇到的问题以及解决策略。 全国交通咨询模拟系统是一个结合了数据结构(如图和路径)以及优化算法(迪杰斯特拉)的实用工具,旨在通过互联网为用户提供便捷、高效的交通咨询服务。它的设计不仅体现了技术实现,也充分考虑了用户需求和实际应用场景中的复杂性。
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

【实战演练】基于TensorFlow的卷积神经网络图像识别项目

![【实战演练】基于TensorFlow的卷积神经网络图像识别项目](https://img-blog.csdnimg.cn/20200419235252200.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3MTQ4OTQw,size_16,color_FFFFFF,t_70) # 1. TensorFlow简介** TensorFlow是一个开源的机器学习库,用于构建和训练机器学习模型。它由谷歌开发,广泛应用于自然语言
recommend-type

CD40110工作原理

CD40110是一种双四线双向译码器,它的工作原理基于逻辑编码和译码技术。它将输入的二进制代码(一般为4位)转换成对应的输出信号,可以控制多达16个输出线中的任意一条。以下是CD40110的主要工作步骤: 1. **输入与编码**: CD40110的输入端有A3-A0四个引脚,每个引脚对应一个二进制位。当你给这些引脚提供不同的逻辑电平(高或低),就形成一个四位的输入编码。 2. **内部逻辑处理**: 内部有一个编码逻辑电路,根据输入的四位二进制代码决定哪个输出线应该导通(高电平)或保持低电平(断开)。 3. **输出**: 输出端Y7-Y0有16个,它们分别与输入的编码相对应。当特定的
recommend-type

全国交通咨询系统C++实现源码解析

"全国交通咨询系统C++代码.pdf是一个C++编程实现的交通咨询系统,主要功能是查询全国范围内的交通线路信息。该系统由JUNE于2011年6月11日编写,使用了C++标准库,包括iostream、stdio.h、windows.h和string.h等头文件。代码中定义了多个数据结构,如CityType、TrafficNode和VNode,用于存储城市、交通班次和线路信息。系统中包含城市节点、交通节点和路径节点的定义,以及相关的数据成员,如城市名称、班次、起止时间和票价。" 在这份C++代码中,核心的知识点包括: 1. **数据结构设计**: - 定义了`CityType`为short int类型,用于表示城市节点。 - `TrafficNodeDat`结构体用于存储交通班次信息,包括班次名称(`name`)、起止时间(原本注释掉了`StartTime`和`StopTime`)、运行时间(`Time`)、目的地城市编号(`EndCity`)和票价(`Cost`)。 - `VNodeDat`结构体代表城市节点,包含了城市编号(`city`)、火车班次数(`TrainNum`)、航班班次数(`FlightNum`)以及两个`TrafficNodeDat`数组,分别用于存储火车和航班信息。 - `PNodeDat`结构体则用于表示路径中的一个节点,包含城市编号(`City`)和交通班次号(`TraNo`)。 2. **数组和变量声明**: - `CityName`数组用于存储每个城市的名称,按城市编号进行索引。 - `CityNum`用于记录城市的数量。 - `AdjList`数组存储各个城市的线路信息,下标对应城市编号。 3. **算法与功能**: - 系统可能实现了Dijkstra算法或类似算法来寻找最短路径,因为有`MinTime`和`StartTime`变量,这些通常与路径规划算法有关。 - `curPath`可能用于存储当前路径的信息。 - `SeekCity`函数可能是用来查找特定城市的函数,其参数是一个城市名称。 4. **编程语言特性**: - 使用了`#define`预处理器指令来设置常量,如城市节点的最大数量(`MAX_VERTEX_NUM`)、字符串的最大长度(`MAX_STRING_NUM`)和交通班次的最大数量(`MAX_TRAFFIC_NUM`)。 - `using namespace std`导入标准命名空间,方便使用iostream库中的输入输出操作。 5. **编程实践**: - 代码的日期和作者注释显示了良好的编程习惯,这对于代码维护和团队合作非常重要。 - 结构体的设计使得数据组织有序,方便查询和操作。 这个C++代码实现了全国交通咨询系统的核心功能,涉及城市节点管理、交通班次存储和查询,以及可能的路径规划算法。通过这些数据结构和算法,用户可以查询不同城市间的交通信息,并获取最优路径建议。
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

【实战演练】使用Seaborn和Plotly进行数据可视化项目

![【实战演练】使用Seaborn和Plotly进行数据可视化项目](https://ask.qcloudimg.com/http-save/yehe-5669851/lifus0nfda.jpeg) # 1. 数据可视化的基础** 数据可视化是指将数据转换为图形或图表,以帮助人们理解和解释数据。它是一种强大的工具,可以揭示数据中的模式、趋势和异常情况,从而帮助人们做出更好的决策。 数据可视化有许多不同的类型,包括条形图、折线图、散点图和饼图。每种类型都有其独特的优点和缺点,具体选择哪种类型取决于数据类型和要传达的信息。 在创建数据可视化时,重要的是要考虑以下因素: * **受众:**
recommend-type

Python的六种数据类型

Python是一种动态类型的高级编程语言,它的六种基本数据类型包括: 1. **数字类型(Numeric Types)**:主要有整型(int)、浮点型(float)、复数型(complex)。整型用于表示整数值,浮点型用于存储小数,复数型用于处理复数。 2. **字符串类型(String Type)**:用单引号('')或双引号("")包围的文本序列,用来存储文本数据。 3. **布尔类型(Boolean Type)**:只有两个值,True和False,表示逻辑判断的结果。 4. **列表类型(List Type)**:有序的可变序列,可以包含不同类型的元素。 5. **元组类型
recommend-type

DFT与FFT应用:信号频谱分析实验

"数字信号处理仿真实验教程,主要涵盖DFT(离散傅里叶变换)和FFT(快速傅里叶变换)的应用,适用于初学者进行频谱分析。" 在数字信号处理领域,DFT(Discrete Fourier Transform)和FFT(Fast Fourier Transform)是两个至关重要的概念。DFT是将离散时间序列转换到频域的工具,而FFT则是一种高效计算DFT的方法。在这个北京理工大学的实验中,学生将通过实践深入理解这两个概念及其在信号分析中的应用。 实验的目的在于: 1. 深化对DFT基本原理的理解,这包括了解DFT如何将时域信号转化为频域表示,以及其与连续时间傅里叶变换(DTFT)的关系。DFT是DTFT在有限个等间隔频率点上的取样,这有助于分析有限长度的离散信号。 2. 应用DFT来分析信号的频谱特性,这对于识别信号的频率成分至关重要。在实验中,通过计算和可视化DFT的结果,学生可以观察信号的幅度谱和相位谱,从而揭示信号的频率组成。 3. 通过实际操作,深入理解DFT在频谱分析中的作用,以及如何利用它来解释现实世界的现象并解决问题。 实验内容分为几个部分: (1)首先,给出了一个5点序列x,通过计算DFT并绘制幅度和相位图,展示了DFT如何反映信号的幅度和相位特性。 (2)然后,使用相同序列x,但这次通过FFT进行计算,并用茎图展示结果。FFT相比于DFT提高了计算效率,尤其是在处理大数据集时。 (3)进一步扩展,序列x通过添加零填充至128点,再次进行FFT计算。这样做可以提高频率分辨率,使得频谱分析更为精确。 (4)最后,通过一个包含两种正弦波的11点序列,演示了DFT如何提供DTFT的近似,当N增大时,DFT的结果更接近于DTFT。 实验通过MATLAB代码实现,学生可以在实际操作中熟悉这些概念,从而增强对数字信号处理理论的理解。通过这些实验,学生不仅能够掌握DFT和FFT的基本运算,还能学会如何利用它们来分析和解析复杂的信号结构。