- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI机器学习与深度学习算法
机器学习入门 7-5 高维数据映射为低维数据
前几个小节介绍了如何求一个数据集的前n个主成分。虽然我们求出了这些主成分代表的坐标轴的方向，但是这些数据集本身依然是n维数据，并没有进行降维的操作。 在这一小节，我们主要来介绍如何利用pca方法将原有的高维数据向低维数据进行映射。 一 高维数据向低维数据映射 ? 我们此时有一个m行n列的样本矩阵X，此时的X样本矩阵代表有m个样本n个特征。 二 低维数据映射回高维数据 ? 在第一个部分介绍了如何将高维的样本数据映射到低维的样本数据。选定了k个主成分，最终得到的低维样本矩阵Xk是k行n列。 而对于Wk来说，我们依然可以反过来将低维数据Xk恢复成原来的n维数据，恢复的过程其实也很简单。 此时降维后的数据矩阵Xk中每一行有k个元素，将这k个元素与Wk的每一列去做乘法。 首先通过主成分分析法得到Wk矩阵，然后通过样本矩阵X与Wk矩阵的转置的乘法操作，就可以从高维数据向低维数据的映射Xk； 当然得到的Xk与Wk相乘得到的就是从低维数据映射到高维数据Xm，当然虽然Xm和X的形状相同
4K31发布于 2019-11-13 - 来自专栏刷题笔记
7-5 字符串循环左移
点这里 7-5 字符串循环左移 输入一个字符串和一个非负整数N，要求将字符串循环左移N次。 输入格式： 输入在第1行中给出一个不超过100个字符长度的、以回车结束的非空字符串；第2行给出非负整数N。
1.1K20发布于 2019-11-08 - 来自专栏freesan44
PTA 7-5 买地攻略 (25 分)
数码城市有土地出售。待售的土地被划分成若干块，每一块标有一个价格。这里假设每块土地只有两块相邻的土地，除了开头和结尾的两块是只有一块邻居的。每位客户可以购买多块连续相邻的土地。
20900发布于 2021-09-11 - 来自专栏刷题笔记
7-5 小字辈 (25 分)
点这里 7-5 小字辈 (25 分) 本题给定一个庞大家族的家谱，要请你给出最小一辈的名单。
89610发布于 2019-11-08 - 来自专栏freesan44
PTA 7-5 买地攻略 (25 分)
数码城市有土地出售。待售的土地被划分成若干块，每一块标有一个价格。这里假设每块土地只有两块相邻的土地，除了开头和结尾的两块是只有一块邻居的。每位客户可以购买多块连续相邻的土地。
32620编辑于 2021-12-06 - 来自专栏以终为始
7-5 堆中的路径 （25 分)
7-5 堆中的路径 （25 分) 将一系列给定数字插入一个初始为空的小顶堆H[]。随后对任意给定的下标i，打印从H[i]到根结点的路径。 输出格式: 对输入中给出的每个下标i，在一行中输出从H[i]到根结点的路径上的数据。数字间以1个空格分隔，行末不得有多余空格。
21920编辑于 2023-03-09 - 来自专栏悦思悦读
开发一款A股选股器
作者在自学机器学习的过程中，尝试开发了一个基于机器学习的A股选股工具。本文是在赤兔的“数据挖掘”小组分享的此次开发过程和心得体会的整理。 A股选股器开发过程 数据来源 就财经类的数据而言，现在各大门户网站都有专门的频道，信息很多，如果对实时要求高，通过爬虫取其中有用的部分应该是一个办法。 它是免费的，提供结构化的数据，感觉每天更新也挺快。 预处理 拿到数据后第一步是做预处理。我认为股票的数据主要是做归一化，使得不同股票具有可比性。比如涨幅百分比，复权等等。 最初是用了最近3年的数据，后来考虑到A股从2007年到2015年恰好走过了一个上涨到下降再到上涨的完整周期，因此扩大到了8年的数据。 再是对算法的改进，我尝试引入了“推荐指数”的概念。 股灾日经常是“千股跌停”，上涨的股票太少了…可以看出在这些“股灾日”的时候，模型也不太准确，出现了失真。 总结与心得 选股工具利用机器学习算法，一般情况下比传统的算法（或者人为经验）的准确率高。
3.3K80发布于 2018-03-15 - 来自专栏镁客网
美股遭血洗，科技股大跌
并且，隔夜美股的暴跌态势已经蔓延到了亚太股市和欧洲股市。 今日早上，亚太市场开盘后随美股一样暴跌。 其中，最早开盘的澳洲股指ASX200指数盘初跌2%，日股日经225指数开盘跌2%，日本东证指数下跌3%，迈向3月以来最大跌幅，韩国KOSPI指数开盘下跌2.43%。 台股加权指数开盘跌1.9%，目前跌幅扩大至逾4%。 在美股惨遭血洗的时候，其中，科技巨头的股票也一路下跌。 国内媒体认为，美债收益率上升是美股承压原因之一。美国国债收益率本月以来一直攀升，10年美债收益率一度触及3.25%的七年最高水平。10月5日，有数据显示，美国失业率降到了3.7%的历史低位。
68040发布于 2018-10-18 - 来自专栏freesan44
PTA 7-5 实验室使用排期 (25 分)
受新冠疫情影响，当前大家的活动都必须注意保持充分的社交距离，国家实验室的使用也同样受到了严格的限制。假设规定任何一个时间点上，实验室内最多只能有 1 个人，且每个人都必须提前申请实验室的使用，只有申请被批准后才能进入。现给定一批第二天的实验室使用申请，你需要写个程序自动审批，使得能够被批准的申请数量最大化。
64400发布于 2021-09-10 - 来自专栏freesan44
PTA 7-5 实验室使用排期 (25 分)
受新冠疫情影响，当前大家的活动都必须注意保持充分的社交距离，国家实验室的使用也同样受到了严格的限制。假设规定任何一个时间点上，实验室内最多只能有 1 个人，且每个人都必须提前申请实验室的使用，只有申请被批准后才能进入。现给定一批第二天的实验室使用申请，你需要写个程序自动审批，使得能够被批准的申请数量最大化。
48410编辑于 2021-12-06 - 来自专栏小姚的后端记录
八股
八股 浏览器输入网址到看到结果的全过程 ==首先是解析url，然后进行缓存判断，判断请求的资源在不在缓存中，如果在缓存中且没有失效，就直接使用，否则就要向服务器发起请求。 数据链路层（Data Link Layer）： 主要功能：在直接连接的两个设备之间提供可靠的数据传输。 作用：将物理层提供的比特流分组成数据帧，并负责数据的错误检测和纠正。 网络层（Network Layer）： 主要功能：实现数据包的路由和转发，为数据在不同网络之间的传输提供路径。 作用：负责逻辑寻址、数据包的路由选择和跨网络的数据传输。IP协议是网络层的代表。 通常用于实现不同应用程序之间的数据交互。 表示层（Presentation Layer）： 主要功能：数据格式转换、数据加密和解密。 数据类型： Cookie：Cookie只能存储文本数据，通常用于存储小量的用户信息，如用户ID、首选语言或会话令牌。 Session：Session可以存储各种数据类型，包括对象和复杂数据结构。
60940编辑于 2023-10-11 股票数据API：日股、韩股、新加坡股票、印尼股票市场实时行情实时数据API—python
本文将介绍一个高效的亚太股市数据 API，支持日本股市行情、韩国股市行情、新加坡股市行情和印尼股市行情的实时数据查询。 该 API 提供实时价格、K 线数据、历史数据查询、实时 tick、实时报价、低延时报价 api、盘口数据和逐笔成交等功能，特别适合量化交易开发者使用。 主要优势：实时数据：毫秒级更新，支持实时价格和逐笔成交。历史数据查询：批量获取多股 K 线数据，包括开盘价、最高价、最低价、收盘价和成交量（OHLCV）。 批量历史 K 线查询支持多股同时查询历史 K 线数据，周期从分钟线到月线。适合历史数据查询和 K 线数据分析。请求路径：GET /stock/klines? K 线数据分析，支持多股批量操作。
1.6K10编辑于 2025-12-11A 股 Level-2 行情数据 API 实战指南
本文将系统介绍 A 股 Level-2 行情数据 API 的技术特点、接入方案及实战应用，帮助开发者在量化交易的道路上构建坚实的数据底座。 数据量方面，A 股 Level-2 行情每日增量约 30-45GB，历史数据可达 10TB 级别。这意味着，处理 Level-2 数据不仅需要高效的 API 接入方案，更需要强大的数据存储与计算能力。 同花顺 iFinD：延迟在 100-200 毫秒，覆盖全市场 A 股及港股数据。采用年费制，数据质量稳定，功能丰富，适合专业投资机构使用。 4.2 实时行情接入代码示例以下提供 iTick API 的完整接入示例，包括 REST API 和 WebSocket 两种方式，涵盖 A 股、港股、美股等市场。 七、结语A 股 Level-2 行情数据 API 为量化开发者打开了一扇通往市场微观结构的大门。从十档盘口的深度分析到逐笔成交的资金流向追踪，Level-2 数据承载着比传统行情丰富十倍的信号价值。
2.7K21编辑于 2026-03-21- 来自专栏数据科学实战
AkShare-股票数据-港股美股复权后数据
作者寄语 更新之前的港股和美股接口直接返回复权后的数据，方便策略回测使用，具体的使用方法参见文档。 AkShare 股票数据 美股-历史行情 接口: stock_us_daily 目标地址: http://finance.sina.com.cn/stock/usstock/sector.shtml 描述 : 获取美股历史行情数据，设定 adjust="qfq" 则返回前复权后的数据，默认 adjust="", 则返回未复权的数据，历史数据按日频率更新 限量: 单次返回指定上市公司指定 adjust 后的所有历史行情数据 输入参数 名称 类型 必选 描述 symbol str Y 美股代码, 可以通过 「get_us_stock_name」 函数返回所有美股代码, 由于美股数据量大, 建议按需要获取 adjust str , 可以选择返回复权后数据,更新频率为日频 限量: 单次返回指定上市公司的历史行情数据(包括前后复权因子), 提供新浪财经拥有的该股票的所有数据(并不等于该股票从上市至今的数据) 输入参数 名称 类型
2.7K20发布于 2020-05-07 - 来自专栏刷题笔记
【未完成】7-5 文件传输 (25 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/102727502 7-5 文件传输 (25 分) 当两台计算机双向连通的时候，文件是可以在两台机器间传输的
43520发布于 2019-11-07 - 来自专栏freesan44
PTA 7-5 子串与子列 (25 分)
子串是一个字符串中连续的一部分，而子列是字符串中保持字符顺序的一个子集，可以连续也可以不连续。例如给定字符串 atpaaabpabtt，pabt是一个子串，而 pat 就是一个子列。
47240发布于 2021-09-10 - 来自专栏freesan44
PTA 7-5 子串与子列 (25 分)
子串是一个字符串中连续的一部分，而子列是字符串中保持字符顺序的一个子集，可以连续也可以不连续。例如给定字符串 atpaaabpabtt，pabt是一个子串，而 pat 就是一个子列。
40510编辑于 2021-12-06 - 来自专栏数据科学实战
AkShare-股票数据-千股千评
作者寄语 熟悉东方财富的小伙伴一定听过东方财富的股吧评论数据，无论是学术论文还是业界的金工报告都有提及相关内容，本次更新根据股吧浏览、自选股添等数据统计得出，关注指数越高代表该股越受市场关注的千股千评指数接口 ，本数据有东方财富制定。 /stockcomment/ 描述: 获取东方财富网-数据中心-特色数据-千股千评 限量: 单次获取所有数据 输入参数 名称 类型 必选 描述 - - - - 输出参数 名称 类型 默认显示 描述 TDate 接口示例 import akshare as akstock_em_comment_df = ak.stock_em_comment()print(stock_em_comment_df) 数据示例 - - -3953 2020-03-23T00:00:00 900955 海创B股 ...
2.9K20发布于 2020-03-25 - 来自专栏数据科学实战
AkShare-股票数据-破净股统计
作者寄语 更新 破净股统计 接口，破净是指市值跌破净资产值，破净股是指股票的每股市场价格低于它每股净资产价格。 数据的时间段为：2005年-至今 更新接口 "stock_a_below_net_asset_statistics" # A 股破净股统计 破净股统计 接口: stock_a_below_net_asset_statistics 目标地址: https://www.legulegu.com/stockdata/below-net-asset-statistics 描述: 获取 A 股破净股统计数据 限量: 单次获取所有历史数据 输入参数 名称 类型 必选 描述 - - - - 输出参数 名称 类型 默认显示 描述 date datetime Y 交易日 below_net_asset float Y 破净股家数 total_company = ak.stock_a_below_net_asset_statistics() print(stock_a_below_net_asset_statistics_df) 数据示例
92130发布于 2020-07-23 - 来自专栏数据科学实战
AKShare-股票数据-行业成份股
作者寄语 本次接口主要东方财富的行业板块中成份股，可以与同花顺的对照使用。 更新接口 "stock_board_industry_cons_em" # 东方财富-成份股 东方财富-成份股 接口: stock_board_industry_cons_em 目标地址: https: //data.eastmoney.com/bkzj/BK1027.html 描述: 东方财富-沪深板块-行业板块-板块成份 限量: 单次返回指定 symbol 的所有成份股 输入参数 名称 类型 描述 stock_board_industry_cons_em_df = ak.stock_board_industry_cons_em(symbol="小金属") print(stock_board_industry_cons_em_df) 数据示例
1.8K30编辑于 2022-01-12
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号