在Python中经常使用matplotlib画图，为了让图像显示的更加好看，经常需要对图表点、线形状及颜色进行设置。为了避免遗忘，整理相关的信息。 先来看看matplotlib画图方法的官方说明： from matplotlib import py…
欧几里得距离 在数学中，欧几里得距离或欧几里得度量是欧几里得空间中两点间“普通”（即直线）距离。欧几里得距离有时候有称欧氏距离，在数据分析及挖掘中经常会被使用到，例如聚类或计算相似度。 如果我们…
什么是决策树 决策树（decision tree）是一种依托于策略抉择而建立起来的树。机器学习中，决策树是一个预测模型；他代表的是对象属性与对象值之间的一种映射关系。 树中每个节点表示某个对象，而每个分叉路径则代…
Linux中Swap（即：交换分区），类似于Windows的虚拟内存，就是当内存不足的时候，把一部分硬盘空间虚拟成内存使用,从而解决内存容量不足的情况。 在安装Linux系统的时候需要单独设置swap分区而Windows安装没…
word2vec是Google在2013年推出的一个NLP工具，它的特点是将所有的词向量化，这样词与词之间就可以定量的去度量他们之间的关系，挖掘词之间的联系。word2vec工具主要包含两个模型：跳字模型（skip-gram）和连续词袋…
ElasticSearch除了支持文本检索外，还支持地理信息检索。它主要支持两种类型的地理查询：一种是地理点(geo_point)，即经纬度查询，另一种是地理形状查询(geo_shape)，即支持点、线、圈、多边形查询等。 ElasticSea…
在对数据进行处理前，有事需要判断数据是否呈正态分布，比如线性回归，比如使用3-sigma判断数据是否异常。常用的正态分布检测方法： Shapiro-Wilk test Shapiro-Wilk test是一种在频率上统计检验中检验正态性的方…
最近在进行关键词的分析，发现在关键词词表中出现了很多乱码及特殊符号（有部分还是SQL注入），为了解决词问题，想着是否可以通过Python来检测符号和乱码字符。在在搜索引擎的帮助下，找到如下解决方案，测试下来效…
Surus简介 Surus是NetFlix开源的UDFs，是基于pig和hive的数据分析工具。Surus中的功能能够解决多种多样的问题，例如评分预测模型、异常检测与模式匹配等。目前开源的UDF功能主要包括两个，包括ScorePMML和Robust A…
K-Means是一个超级简单的聚类方法，说他简单，主要原因是使用它时只需设置一个K值（设置需要将数据聚成几类）。但问题是，有时候我们拿到的数据根本不知道要分为几类，对于二维的数据，我们还能通过肉眼观察法进行…
