這是第二次的任務打卡
首先是基本流程：
借鑑別人的乙個思維導圖，基本流程比較清楚了。
1. 與官方手冊有修改的的地方
import seaborn as sns
import matplotlib.pyplot as plt
import scipy.stats as st #引入科學計算包，統計類
plt.rcparams['font.sans-serif']=['simhei'] # 用來正常顯示中文標籤plt.rcparams['axes.unicode_minus']=false # 用來正常顯示負號
train_data_1=train_data.copy()
train_data_1['price'][train_data_1['price']>40000]=none
#注意，這是兩個
train_data_1.dropna()
plt.figure(2)
plt.hist(train_data_1['price'],orientation='vertical',histtype='bar',color='red')
train_data_2=train_data.copy()
train_data_2['price'】[train_data_2['price']>25000]=none
train_data_2.dropna()
plt.figure(3)plt.hist(train_data_2['price'],orientation='vertical',histtype='bar',color='blue')
2.這次eda處理與以往的不同
3.對於本次eda的思考
對於自己而言，之前也跟著其他類似的比賽走過一次。但這次因為要輸出文字，所以可能思考的比較多一點。也有助於對學習效率進一步提公升。
那麼本次的是採用模型進行回歸分析。從對自己的資料與**方向來看，並不是特別契合。自己的主要精力還是要放在對資料處理與轉換的過程中。其次，本次資料特徵維度比較多，但是資料量顯得不夠。同時因為時序資料很少，所以在對日期處理與時空轉換部分的訓練不足。這是接下來自己需要再次提公升的方向。可以嘗試計程車軌跡資料處理那個比賽。
4.從現有資料分析過程中提取的注意事項
天池 Datawhale二手車新手賽 Task03
特徵工程應當結合模型來做，這看起來似乎是一句廢話，但與一些參賽的小夥伴討論過後，發現很多人都沒有認識到這一點。或者說只是表面上知道這一點，卻並沒有很好地在建模中踐行。我覺得這裡有乙個原因，就是很多同學在做data mining的時候，只是調包，然後頂多調一下超引數，只能從結果來判斷引數好壞，並不知道...
二手車專案（二）
sale應用中 urls.py 1 encoding utf 8 2 author freshman 3 4from django.conf.urls import url,include56 from sale import views78 9 urlpatterns 10 汽車品牌列表 11 u...
二手車專案（四）
新增到購物車 param request return 驗證使用者是否登入 ifrequest.user.is authenticated car id request.get carid print car id car id try car carinfo.objects.get id car ...