60天python训练营打卡day7

1.创建一个包含三个字符串元素的列表 tech_list，元素分别为 “Python”, “Java”, “Go”。4.修改 tech_list 中的第二个元素（索引为 1），将其从 “Java” 更改为 “Ruby”。1.定义一个包含整数的列表 scores，赋值为 [85, 92, 78, 65, 95, 88]。6.计算当前 tech_list 的长度，并将结果存储在变量 current_length 中。2.获取列表中的第一个元素，并将其存储在变量 first_tech 中。

高于35度：打印"红色预警：高温天气！- 28-35度：打印"黄色预警：天气炎热"- 20-27度：打印"绿色提示：适宜温度"- 低于20度：打印"蓝色预警：注意保暖"获取列表中的第一个元素，并将其存储在变量。创建一个包含三个字符串元素的列表。经过所有操作后，列表最终的内容。的末尾添加一个新的字符串元素。4. 测试用例：用38你的代码。的长度，并将结果存储在变量。用于累加所有分数，初始值为。所有分数的平均分（结果包含。获取到的第一个技术名称。（总分除以分数的个数）。中的第二个元素（索引为。

编写一个装饰器 logger，在函数执行前后打印日志信息（如函数名、参数、返回值）本期内容如果无法理解，可以参考如下视频教学。ps：第一期day27对应5月16日。DAY 27 函数专题2：装饰器。1.装饰器的思想：进一步复用。3.注意内部函数的返回值。2.函数的装饰器写法。

enumerate（）函数。介绍了热力图的绘制方法。介绍了子图的绘制方法。

【代码】Python打卡训练营day7——2025.04.26。

【代码】疏锦行Python打卡 DAY 7。

复习日针对之前学到的所有知识，针对心脏病项目的数据集来完成数据的预处理。

针对之前学到的所有知识，针对心脏病项目的数据集来完成数据的预处理。

注意：这里区分离散变量仅仅通过object类型，实际中还需要结合对数据的认识，这里为了方便没有考虑现实意义。注意是py文件中，所以每一步的输出是否正确需要使用debugger功能来逐步查看。现在在py文件中 一次性处理data数据中所有的连续变量和离散变量。3. 对独热编码后的变量转化为int类型。2. 对离散变量进行one-hot编码。4. 对所有缺失值进行填充。1. 读取data数据。

从示例代码可以看到 效果没有变好，所以很多步骤都是理想是好的，但是现实并不一定可以变好。这个实验仍然有改进空间，如下。1. 我还没做smote+过采样+修改权重的组合策略，有可能一起做会变好。2. 我还没有调参，有可能调参后再取上述策略可能会变好。不平衡数据集的处理策略：过采样、修改权重、修改阈值。

按照示例代码的要求，去尝试补全信贷数据集中的数值型缺失值。打开数据（csv文件、excel文件）查看数据（尺寸信息、查看列名等方法）初识pandas库与缺失数据的补全。学会了基础的数据预处理操作。利用循环补全所有列的空值。众数、中位数填补空值。

【ML&Py】×阿里云天池Python训练营（day2打卡）——1条件语句、2.循环语句一、学习内容概览1.1 学习地址：[阿里云天池python训练营](https://tianchi.aliyun.com/specials/promotion/aicamppython)二、具体学习内容2.1 条件语句2.1.1 if语句2.1.2 if - else 语句2.1.3 if - elif - else 语句2.1.4 assert 关键词2.2 循环语句2.2.1 while循环2.2.1 whi

【代码】疏锦行Python打卡 DAY 23 pipeline管道。

导入所需要的包查看数据信息缺失值与异常值处理。

【代码】疏锦行Python打卡 DAY 11 常见的调参方式。

我们之前接触到的结构化数据，它本身不具备顺序，我们认为每个样本之间独立无关，样本之间即使调换顺序，仍然不影响模型的训练。但是日常中很多数据是存在先后关系的，而他们对应的任务是预测下一步的值，我们把这个任务称之为序列预测。举个例子，比如有过去30天的股票价格，我们希望预测第31天的价格。比如之前的单车预测，有前60天的单车需求数据，希望预测后面20天的销量。或者文本，人的语言是有顺序的，预测下一个单词是这也是序列预测任务。

仔细回顾一下神经网络到目前的内容，没跟上进度的同学补一下进度。作业对之前的信贷项目，利用神经网络训练下，尝试用到目前的知识点让代码更加规范和美观。尝试进入nn.Module中，查看他的方法。

我们之前接触到的结构化数据，它本身不具备顺序，我们认为每个样本之间独立无关，样本之间即使调换顺序，仍然不影响模型的训练。但是日常中很多数据是存在先后关系的，而他们对应的任务是预测下一步的值，我们把这个任务称之为序列预测。举个例子，比如有过去30天的股票价格，我们希望预测第31天的价格。比如之前的单车预测，有前60天的单车需求数据，希望预测后面20天的销量。或者文本，人的语言是有顺序的，预测下一个单词是这也是序列预测任务。

本文总结了Python中六种主流的图片压缩方法：1）Pillow作为通用首选，支持质量调整、尺寸缩放和格式转换；2）TinyPNG API提供最高压缩率但有限额；3）WebP格式在保持画质下体积最小；4）PyVips适合大图处理，内存占用低；5）OpenCV针对视频帧和实时流优化；6）K-means聚类实现算法级色彩压缩。文章通过对比表格和决策树，建议根据场景需求选择工具，日常使用Pillow即可满足大多数需求，并附赠了一个可直接使用的批量压缩脚本。