Extension tedat | Python Bayesian Inference Calculation: Inference Probability and Visualization Case Using Beta precedent distribution

Lico9e 2021-10-29 16:14:54
extension tedat python bayesian inference

Dans cet article,J'étendrai l'exemple d'extrapolation des probabilités à partir des données,Consideration 0 Et 1Tout entre(Continu)Valeur,Au lieu de considérer un ensemble discret de probabilités candidates.Cela signifie que notre transcendance(Et a posteriori)Maintenant c'est un ​ ​probability density function​​ (pdf) Au lieu de ​ ​probability mass function​​ (pmf).

J'ai envisagé d'extrapoler à partir de séries de données p0,Probabilité zéro:

Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_Bayes

- moi.Utiliser p0Différents a prioriRésoudre le même problème,LeAutorisation préalable 0 Et 1 Valeurs continues entre au lieu d'un ensemble discret de valeurs candidates.

Probabilité

Le point de départ de notre raisonnement est Probabilité ——Probabilité des séries de données observées,Écris comme si je savais p0 Même valeur:

 Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_ Probabilité inférée _02

Par souci de clarté,On peut insérer p0=0.6,Et trouver la probabilité d'une séquence de données spécifiée avec une valeur de probabilité inconnue:

Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_Probabilité_03

Une forme plus générale de probabilité ,N'est pas spécifique à la séquence de données considérée,- Oui.

Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_ Probabilité inférée _04

Parmi eux n0 Est une quantité nulle,n1 Est toute séquence de données considérée D Dans 1 Nombre de.

A priori - Beta Répartition

Nous utilisons la distribution bêta pour représenter notre hypothèse a priori/Information.Sa forme mathématique est

Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_Bayes_05

Parmi eux α0 Et α1 C'est un super paramètre que nous devons définir,Reflète notre avis sur p0 Hypothèses de valeur/Information.Mais,Il suffit de mettrep0 Considérez les paramètres que nous voulons déduire——Ignorer le paramètre est une probabilité.

Votre attention, s'il vous plaît. A posteriori pdf Et ce sera Beta Distribution,Il vaut donc la peine de s'adapter pdf.

Moyenne a priori—— La plupart des gens veulent une estimation numérique ou ponctuelle pour représenter les résultats du raisonnement ou l'information contenue a priori.Et pourtant,Dans le raisonnement bayésien,A priori et a posteriori sont pdf Ou pmf.Une façon d'obtenir une estimation ponctuelle est de prendre Les paramètres pertinents sont relatifs à a priori ou a posteriori Moyenne.Par exemple,Pour Beta A priori, nous obtenons:

Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_Probabilité_06

pdf Normalisé—— Ça veut dire que si on allait p0 De 0 Intégrale à 1,On en aura un.:

Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_Probabilité_07

Parce que les relations suivantes:

Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_Distribution a priori_08

En ce qui nous concerne,Le message le plus important b In 0 À 1 Normalisation par intervalles,C'est pour p0 Une telle probabilité est nécessaire.

Les hypothèses et informations préalables peuvent être reflétées en définissant des hyperparamètres--Hyperparamètreα0α0Etα1α1ImpactpdfLa forme de,Rendre le codage des informations a priori plus flexible.

Par exemple,Utiliserα0=1, α1=1 Non reflétép0 Valeur préférée pour.C'estpdfOn dirait.

Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_Probabilité_09

Un autre a priori peut être spécifié α0=5, α1=5,C'est plus proche. p0=1/2 Valeurs proches

Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_Bayes_10

Enfin,Nous pouvons utiliserα0≠α1Obtenir un a priori asymétrique,Je vois.α0=2,α1=8.

 Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_ Probabilité inférée _11

Quelques choses à garder à l'esprit lors du réglage des hyperparamètres:

  • Si α0=α1,A priori, ce sera symétrique,La moyenne a priori est égale à Eprior[p0]=1/2.
  • Si α0≠α1,Alors a priori sera asymétrique,La moyenne a priori diffère de 1/21/2.
  • Force a priori etα0+α1La somme de.Oui.αSomme et donnéesn0+n1Comparer,Oui.αNombre fictif présumé de.La taille relative de ces sommes contrôle l'influence de la probabilité des sommes a priori sur la forme a posteriori.C'est en bas.PythonIl devient clair dans l'exemple.

Fonction de distribution cumulative (cdf)  betaFonction de distribution cumulative (cdf)Calculons. p0 Inférieur ou égal à la valeur x La probabilité de.Plus précisément,,cdfDéfini comme suit::

Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_Probabilité_12

L'intégrale est également appelée incomplèteBeta ingIntégrale,Et exprimé comme suit:Ix(α0,α1).

Si on veut savoirp0En nombrexlEtxhProbabilité entre,Nous pouvons utilisercdfPour calculer.

 

Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_ Probabilité inférée _13

Pas tout à fait. Beta Intégrale ou cdf Et son intégrale inverse permet de calculer l'intervalle de confiance a priori ou a posteriori.Utiliser ces outils,Pour ainsi direp0 Les valeurs de 95% La probabilité de——Encore une fois,Nous utiliserons Python Le Code le dessine ci - dessous.

La distribution bêta est un a priori conjugué pour ce problème--Cela signifie que a posteriori aura la même forme mathématique que a priori(C'est aussi une distribution bêta),Et mis à jour les hyperparamètres.C'est mathématiquement "Résonance "C'est vraiment bien,On n'a pas besoin de ça.MCMCPour faire une Inférence bayésienne complète.

Maintenant, parlons du théorème bayésien et de l'a posteriori de ce problèmepdf.

Théorème bayésien et a posteriori

Notre objectif ultime est une fonction de densité de probabilité postérieure,Combinaison de la probabilité et de la transcendance,Après avoir pris en compte les données, nous avons eu un impact surp0Pour mettre à jour les connaissances.A posterioripdfSous la forme(Dans ce cas,).

Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_Distribution a priori_14

En d'autres termes,,C'est Données donnéesSéquence D Et a priori p0 Densité de probabilité,Par le (α0,α1)De Beta pdf Réflexion.

Dans ce cas,,Le théorème bayésien prend la forme suivante:

Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_Bayes_15

Dont a posteriori P(p0|D,α0,α1) Bleu,Probabilité P(D|p0)Noir,A priori P(p0| α0,α1)C'est rouge.Votre attention, s'il vous plaît.,Normalisation Probabilité marginale (Dénominateur dans l'équation ci - dessus)Maintenant c'est une intégrale.

Essayez de considérer le théorème bayésien comme une question de p0 De Hypothèses (α0,α1) Mise à jour vers Hypothèses + Données (D,α0,α1) Informations sur:

Essayez de considérer le théorème bayésien comme une question dep0L'information est dérivée de l'hypothèse(α0,α1)Mise à jour des hypothèses+Données(D,α0,α1).

Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_ Probabilité inférée _16

Pour obtenir un post - testpdf,Nous devons faire une intégrale sur le dénominateur du théorème bayésien.Dans ce cas,,En utilisant les propriétés de la distribution bêta,Pour pouvoir calculer.L'intégrale est la suivante:.

Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_python_17

L'intégrale de la dernière ligne définit une fonction bêta,Comme nous l'avons vu dans la section sur a priori,Et il y a un résultat connu.

 

Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_python_18

Cela signifie que le dénominateur,Aussi appelé marginalProbabilité,égal à. 

Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_Distribution a priori_19

Encore une fois,On a eu ce résultat parce queBeta La distribution est un a priori conjugué des probabilités du processus Bernoulli que nous considérons .Votre attention, s'il vous plaît.,L'hyperparamètre de a priori a été mis à jour par les données de comptage.

Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_Probabilité_20

C'est exactement ce qu'on attendait,Pas besoin de faire tous les calculs mathématiques.Dans tous les cas,En servicePythonAvant d'y arriver,Quelques considérations.

 

  • A posterioripdfIn0À1Dans l'intervalle normalisé,Comme nous l'avons déduitp0Ce qui est nécessaire pour une telle probabilité.
  • Moyenne a posteriori,La façon de donner une estimation ponctuelle de notre inférence est

Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_Bayes_21

  • A posterioricdfComme a priori.,Parce qu'on a toujours unBetaRépartition--C'est juste que,Les paramètres actuels sont mis à jour avec des données.Dans tous les cas,Nous pouvons tous utiliser desBetaL'intégrale et son intervalle de confiance inverse,Comme indiqué ci - dessus.
Python Code de raisonnement en

Tout d'abord,,Nous importons des paquets,Utilisez ces paquets pour calculer et dessiner a priori、Somme de probabilité a posteriori.En outre,Utiliser matplotlib,Dans ce cas, ggplot,Créer de belles images.

Probabilité


def _int(sef, daa):
""Probabilité de données binaires.""
elfus = {s:0 for s in ['0', '1']}

def proes_data(sef, ata):
""Traitement des données.""
for s in ['0', '1']:
unts[s] =cont(s)


""Probabilité de traitement.""
n0 = couts['0']
n1 = couts['1']

if p0 != 0 and p0 != 1:
# Situation typique
lgpdaa = n0*log(p0) + \
n1*log(1.-p0)
rdta = exp(lgpata)
elif p0 == 0 and n0 != 0:
# Sin0Non, pas du tout.0,p0C'est impossible.0
lpr_dta = -np.inf
p_dta = exp(lgrata)
elif p0 == 0 and n0 == 0:
# Données etp0=0D'accord.
lgpr_at = n1*np.log(1.-p0)
p_ata =.exp(lo_dta)
elif p0 == 1 and n1 != 0:
# Sin1Non, pas du tout.0,p0C'est impossible.1
lpdta = -inf
praa = exp(lor_ta)
elif p0 == 1 and n1 == 0:
# Données etp0=1D'accord.
log_dta = n0*log(p0)


def prob(sef, p0):
""Probabilité d'acquisition des données."""
prdat,_ = ._procs_proabiti(p0)


def logprob(sef, p0):
""Logarithme de probabilité pour obtenir des données."""
_, lgpr_a = sel_presplies(p0)
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.
  • 21.
  • 22.
  • 23.
  • 24.
  • 25.
  • 26.
  • 27.
  • 28.
  • 29.
  • 30.
  • 31.
  • 32.
  • 33.
  • 34.
  • 35.
  • 36.
  • 37.
  • 38.
  • 39.
  • 40.
  • 41.
  • 42.
  • 43.
  • 44.
  • 45.

Distribution a priori

Notre classe transcendantale est essentiellement autour de scipyLe sac de,Il y a une méthode de dessin.Attention! plot() La méthode a Beta Moyenne des distributions,Et utiliser  interval() La méthode donne une probabilité de 95% Région--Ceci est incomplet Beta L'intégrale et sa valeur inverse, dont il est question ci - dessus, sont complétées par.

 

def _int_(sef, alpa0=1, alph1=1):
""Données binairesβA priori.""

elfa0 = alha0
sl.1 = alha1
slf.0r = ba(self.0, sef.a1)

def intrval(slf, pb):
""Contient`prob'DepdfFin de la zone.

Par exemple:interval(0.95)
"""

return sef.pvitervl(rob)

def mean(self):
"""Renvoie la moyenne a priori."""


def pdf(self, p0):
"""p0Densité de probabilité à."""

return self.p.pdf(p0)

def plot(self):
""Afficher les moyennes et95%Graphique des intervalles de confiance.""

fig, ax = tsuplots(1, 1)
x = np.rae(0., 1., 0.01)

# Obtenir la moyenne a priori p0
mean = mean()

# Obtenir l'inclusion95%Faible probabilité/Plus haut.
low_p0, high_p0 = l.nterval(.95)
xo =nang(_0, hih_p0, 0.01)

# Dessinerpdf
ax.plot(x, self.pdf(x), 'r-')

# Remplissage95%Région
between(x_prob 0, sel.pdf(x_pob)

# Moyenne
ax.stem([mean], [sf.df(mea)
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.
  • 21.
  • 22.
  • 23.
  • 24.
  • 25.
  • 26.
  • 27.
  • 28.
  • 29.
  • 30.
  • 31.
  • 32.
  • 33.
  • 34.
  • 35.
  • 36.
  • 37.
  • 38.
  • 39.
  • 40.
  • 41.
  • 42.
  • 43.
  • 44.
  • 45.

Utilisons le nouveau Code pour dessiner quelques Beta pdf.

A priori uniforme

Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_Probabilité_22

Les lignes verticales avec des points montrent pdf Position de la moyenne.Les zones ombragées représentent pour un α0 Et α1 Valeur,La probabilité est 95% De(Symétrie)Région.Si vous voulez des moyennes et des valeurs réelles des intervalles de confiance,Vous pouvez également obtenir ces valeurs:

print("Moyenne a priori: {}".format(pri.mean()))
  • 1.

Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_Distribution a priori_23

D'autres exemples précédents ci - dessus sont également valables:

prior(5, 5)
plot()
  • 1.
  • 2.

Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_python_24

Et

por(2, 8)
iplot()
  • 1.
  • 2.

 Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_Bayes_25

Il est utile de comprendre la moyenne et l'incertitude des hypothèses antérieures reflétées par les hyperparamètres.

A posteriori

Enfin,Nous construisons des classes a posteriori.Comme vous vous y attendiez.,Je prends les données et a priori comme paramètres,Et extraire les paramètres nécessaires a posteriori de ces éléments.

def __int_(sf datprior):
""A posteriori.

data: Une liste d'échantillons de données
A priori:βUn exemple de classe a priori
"""
elflilihod = liliod(dta)
sefprir = rio

self._css_steror()
def _pces_posteror(slf):
""Utiliser les données transmises et a priori pour traiter a posteriori.""

# Extrait de la probabilité et a priorin0, n1, a0, a1
seln = slfliklihod.counts['0']
sel.n1 = elf.lkelihodcnts['1']
lfa0 = sf.prir.0
self.a = sef.priora

el0rv= beta(selfa0 + sfn0,
sef.a1 + slf.1)
def interalself, prob):
""Y compris`prob`DepdfFin de la zone.


Par exemple:interval(0.95)
"""


def mean(sef):
"""Retour à la moyenne a posteriori."""


def pdf(sef, p0):
"""p0Densité de probabilité à."""


def plot(slf):
""Afficher a priori、Graphique de la somme de vraisemblance a posteriori.""

## A priori
# Obtenir la moyenne a priori p0
pri_mean =eorman()

#Inclus95%Faible probabilité/Score élevé
plo_p0,= interval(0.95)
prob = arange(low_p0, i_hgh_0, 0.01)

# Dessinerpdf
plot(prior.pdf(x)

# Remplissage95%Région
x.ll_between(pri_p )

# Moyenne
astm([pri_mean])


## Probabilité
# Cartographie des probabilités
li = [sel.likliood.pro]


# ##A posteriori

#Obtenir la moyenne a posteriorip0
ostmen = mean()

#Inclus95%Faible probabilité/Plus haut.
ow_p0, _high_p0 = interval(0.95)
prob = np.rngest_low_p0po_highp0 0.01)

# Dessinerpdf
plot(x, slf.pd(x)

# Remplissage95%Région
fil_etween(pos_xob, 0,self.df(pt_pr )
# Moyenne
ax2].t_mean])

  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.
  • 21.
  • 22.
  • 23.
  • 24.
  • 25.
  • 26.
  • 27.
  • 28.
  • 29.
  • 30.
  • 31.
  • 32.
  • 33.
  • 34.
  • 35.
  • 36.
  • 37.
  • 38.
  • 39.
  • 40.
  • 41.
  • 42.
  • 43.
  • 44.
  • 45.
  • 46.
  • 47.
  • 48.
  • 49.
  • 50.
  • 51.
  • 52.
  • 53.
  • 54.
  • 55.
  • 56.
  • 57.
  • 58.
  • 59.
  • 60.
  • 61.
  • 62.
  • 63.
  • 64.
  • 65.
  • 66.
  • 67.
  • 68.
  • 69.
  • 70.
  • 71.
  • 72.
  • 73.
  • 74.
  • 75.
  • 76.
  • 77.
  • 78.
  • 79.

C'est le Code de base,Allons - y.​​Prenez quelques exemples.

Exemple

Commençons par les données et les exemples d'a priori uniforme.

# Données
data1 = [0,0,0,0,1,1,0,0,0,1]

# A priori
pro1 = prir(1, 1)

# A posteriori
ot1 = psteior(daa1, ior1)
plot()
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.

Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_ Probabilité inférée _26

Attention ici: 

  • A priori uniforme.Cela signifie que les probabilités et les rétrospections ont la même forme.
  • 95%L'intervalle de confiance de est affiché simultanément dans la somme a priori et a posteriori.

Et puis...,Considérons les mêmes données avec un a priori non uniforme.La longueur de l'ensemble de données est 10,Donc, n0+n1=10.Utilisons α0+α1=10 ,Définir a priori,Mais a priori atteint un pic à un endroit différent de la probabilité(Peut - être que certains experts disent que c'est censé être un réglage a priori):

# A priori
prir(4, 6)

# A posteriori
ps2 = postior(da1, pio2)
plot()
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.

Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_Probabilité_27

Il est clair que les données et les experts divergent sur ce point.Et pourtant,Parce que le poids a priori est fixé à 10 Et la longueur de la séquence de données est 10,Donc le pic a posteriori est au milieu du PIC a priori et du pic de probabilité.Essayez d'utiliser cet effet pour mieux comprendre les superparamètres a priori、Interaction entre la longueur de l'ensemble de données et les résultats a posteriori.

Comme dernier exemple,Nous considérons deux variantes du dernier exemple, Tout d'abord, nous utilisons l'a priori unifié:

# Définir la probabilité à0
p0 = 0.2
#ParamètresrngLes graines sont2
n.rand.sed(2)
# Produire des données
dta2 =rando.i([0,1], 500, p=[p0, 1.-p0])

# A priori
prior(1,1)

# A posteriori
poteir(daa2, pio3)
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.

Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_Distribution a priori_28

Votre attention, s'il vous plaît.,La probabilité et le pic a posteriori sont au même endroit,Comme nous nous y attendions.Mais,Parce que l'ensemble de données est long(500 Valeurs),Le pic est beaucoup plus fort.

Enfin,Nous utilisons le même ensemble de données“Erreur a priori”.Dans ce cas,,Nous maintiendrons la Force a priori à 10,C'est - à - dire: α0+α1=10:

# A priori
prior(6,4)
# A posteriori
poseor(data, pior4)
  • 1.
  • 2.
  • 3.
  • 4.

Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_python_29

Votre attention, s'il vous plaît.,Bien que le pic ait été atteint a priori au mauvais endroit, Mais la probabilité est très similaire à a posteriori .Cet exemple montre,Si l'a priori n'est pas trop fort,Une quantité raisonnable de données devrait produire un bon raisonnement.En général,Mieux vaut laisser n0+n1>α0+α1 Et compte tenu de la forme a priori et a posteriori.



Extensiontecdat|PYTHONCalcul de l'Inférence bayésienne:AvecBETADistribution a priori inférence probabilités et cas de visualisation_python_30

版权声明
本文为[Lico9e]所创,转载请带上原文链接,感谢
https://pythonmana.com/2021/10/20211029160949025k.html

  1. Inverse un entier de 3 bits (implémentation Python)
  2. Compared with Excel, it is easy to learn Python report automation practice!
  3. 7 excellent open source libraries for learning Python Programming
  4. Python Qt GUI设计:QPrinter打印图片类(基础篇—21)
  5. Use of Python pandas!!!!! Explain in detail
  6. 2n行输入,Python,判断字母个数
  7. Notes de Python (XV): dérivation de liste
  8. Notes sur Python (XVI): générateur et Itérateur
  9. Notes de Python (18): décorateur
  10. 2n entrée de ligne, Python, nombre de lettres de jugement
  11. Notes Python (17): fermetures
  12. Notes sur Python (20): fonctions d'ordre supérieur intégrées
  13. 想问问这个Python编程咋做呀?
  14. 想問問這個Python編程咋做呀?
  15. Vous voulez savoir ce que fait cette programmation python?
  16. 11.5K Star,一个开源的 Python 静态类型检查库
  17. Sweetviz:让你只需三行代码实现Python探索性数据分析
  18. Sweetviz:讓你只需三行代碼實現Python探索性數據分析
  19. Sweetviz: vous permet d'effectuer une analyse exploratoire des données python avec seulement trois lignes de code
  20. 11.5k Star, une bibliothèque de vérification de type statique Python Open Source
  21. 刚学Python,想让大大给我解释一下代码
  22. 剛學Python,想讓大大給我解釋一下代碼
  23. Je viens d'apprendre Python et je veux que tu m'expliques le Code.
  24. Python QT GUI Design: qmainwindow, QWidget and qdialog window classes (Fundamentals - 10)
  25. Python爬虫项目实战:快手网页版滑块captchaSession分析
  26. python计算时间十二小时制
  27. Temps de calcul Python 12 heures
  28. Python crawler Project actual Fighting: faster Web Version Slider CAPTCHA session Analysis
  29. Python要学习多久可以掌握?多久可以精通?
  30. Combien de temps Python va - t - il apprendre à maîtriser? Combien de temps faut - il pour maîtriser?
  31. 从官网上下载的python安装包安装不了
  32. 深度学习项目:如何使用Python和OpenCV进行人脸识别
  33. python编辑语言如内容所示
  34. La langue d'édition Python est affichée dans le contenu
  35. 有谁知道这怎么回事嘛(Python的简单代码)
  36. 有誰知道這怎麼回事嘛(Python的簡單代碼)
  37. Qui sait ce qui se passe?
  38. Python求某个数的因数【因数是指能被这个数整除的数。例如6的因数有:1、2、3、6; 7的因数有:1、7; 8的因数有:1、2、4、8】。
  39. Python calcule les facteurs d'un nombre [les facteurs sont des nombres qui peuvent être divisés par ce nombre. Par exemple, les facteurs de 6 sont: 1, 2, 3, 6; les facteurs de 7 sont: 1, 7; et les facteurs de 8 sont: 1, 2, 4, 8].
  40. 请问这个实验如何做(用python3.x的环境)
  41. 如何创建一个python程序来模拟电影院的座位预订
  42. [algorithm learning] 1486. Array XOR operation (Java / C / C + + / Python / go / trust)
  43. Comment créer un programme Python pour simuler la réservation de sièges dans un cinéma
  44. Comment faire cette expérience (en utilisant l'environnement Python 3.x)
  45. Python之绘制多角星
  46. Pandas的SettingWithCopyWarning报警怎么解决
  47. Comment résoudre l'alarme de réglage avec copywarning de pandas
  48. 使用 Python 进行数据可视化之Matplotlib
  49. Python 常见问题 - 使用 poetry build 打包构建失败,报 ModuleOrPackageNotFound No file/folder found for package
  50. 万圣节奇妙夜,不给糖就捣蛋—Python带你点击解锁恐怖新道具(南瓜头、骷髅、蝙蝠、糖......)
  51. 【算法学习】1221. 分割平衡字符串(java / c / c++ / python / go / rust)
  52. 教你用Python 编写 Hadoop MapReduce 程序
  53. Je t'ai appris à écrire Hadoop mapreduce en Python.
  54. Pandas下载最新版和python不匹配
  55. python tkinter GUI编程如何实现一个时钟,无论主线程怎么卡住,都不影响时钟正常进行走时间。
  56. python tkinter GUI編程如何實現一個時鐘,無論主線程怎麼卡住,都不影響時鐘正常進行走時間。
  57. La programmation de l'interface graphique Python tkinter pour implémenter une horloge n'affecte pas le temps de fonctionnement normal de l'horloge, peu importe comment le fil principal est coincé.
  58. Pandas télécharger la dernière version ne correspond pas à Python
  59. Make a cool music player with Python [V3.0 including source code and packaged exe]
  60. 编写一个函数,可以传入两个实参或三个实参。如果传入两个实参,返回求和。如果传入三个实参,返回的话。前两个实参的和对第三个实参求余的结果Python