列表元素的增加和删除

  append（）方法

+运算符操作

extend（）方法

insert（）插入元素

乘法扩展

序列

       是一种数据存储方式，用来存储一系列的数据。在内存中，序列就是一块用来存放多个值的连续的内存空间。

基本运算符

运算符的优先级

实际使用中，记住如下简单的规则即可，复杂的表达式一定要使用小括号组织。

1.乘除优先加减

2.位运算和算术运算>比较运算符>赋值运算符>逻辑运算符

可变字符串

可以使用io。stringI（）对象或array模块。

format（）基本用法

新增一个格式化字符串的函数str.format()

基本语法是通过{}和：来代替以前的%

spilt（）可以基于指定分隔符将字符串分割成多个子字符串（存储到列表中）。如果不指定分割符，则默认使用空白字符（换行符/空格符/制表符）。

join（）的作用和spilt（）作用刚好相反，用于将一系列字符串连接

str（）实现数字转换字符串

replace（）实现字符串替换

字符串拼接：

如果+两边都是字符串，则拼接

如果+两边都是数字，则加法运算

如果+两边类型不同。则抛出异常

字符串复制：

使用*可以实现字符串复制

不换行打印：

end="任意字符串"

从控制台读取字符串：

使用input（）从控制台读取键盘输入的内容

字符串的编码：

  使用内置函数ord（）可以把字符串转换成对应得Unicode码。

  使用内置函数char（）可以把十进制数字转化成对应得字符

同一运算符

is 是判断两个标识符是不是引用的同一个对象

is not 是判断两个标识符是不是引用的不同的对象

== 是表示引用变量引用对象的值是否相等

程序基本格式

1.恰当的空格，缩进问题

（1）逻辑行首的空白（空格和制表符）用来决定逻辑行的缩进层次，从而用来决定语句的分组。

（2）语句从新行的第一列开始。

（3）缩进风格统一：

         1）每个缩进层次使用单个制表符或4个空格（IDE会自动将制表符设置成4个空格）

         2）python用缩进而不是{}表示程序块

2.Python区分大小写

3注释

    （1）行注释：每行注释前加#号。当解释器看到#，则忽略这一行#后面的内容

    （2）段注释：使用连续的三个单引号（'''）。当解释看到''',则会扫描到下一个''',然后忽略他们之间的内容。

去除首尾信息

通过strip（）去除字符串首尾指定信息。通过lstripe（）去除左字符串指定信息，rstripe去除字符串右边信息。

格式排版

center（）、ljust（）、rjust（）这三个函数用于对字符串实现排版。

isalnum（）是否为字母和数字

isalpha（）检测字符串是否只由字母组成（含汉字）

isdigit（）检测字符串是否只由数字组成

isspace（）检测是否为空白页

isupper（）是否为大写字母

islower（）是否为小写字母

字符串切片slice操作：

【起始偏移量start，终止偏移量end，步长step 】

同时调整多个参数，模型运行非常慢。更换数据预处理的方式。

调参可以画学习曲线，或者进行网格搜索。模型调参，第一步找目标。

泛化误差：当模型在未知数据表现很差时，表明模型泛化能力不够。模型太简单和太复杂泛化误差都会很大。

偏差-方差困境。n_estimator增加，不影响单个模型的复杂度。调参方向：降低模型复杂度。

max_deph有增无减，模型复杂度增加。

当复杂度无法再降低时，就可以不用再tiaozhnegle

[*矩阵]查看列的索引。需要Ytest所带的索引，

使用随机森林填补缺失值。n个数据，特征T有缺失值，把特征T当作标签，作为训练集。遍历所有特征，缺失值最少的特征进行填补，因为一开始需要的缺失值最少。当进行到最后一行时，那么在弥补缺失值最多的数据时，就有足够多的准确数据了。

随机森林填补获取数据集时的缺失值。

sklearn.impute.SimpleImputer轻松填补数据缺失值。

随机森林的回归。

分类树与回归树，MSE均方误差。

回归树衡量指标mse、firedman_mse与MAE

sklearn使用负值的均方误差作为衡量指标，因为表示的是损失。

load_boston是一个标签连续型数据集。

regressor是模型

boston.data完整的矩阵、boston.target是标签。来回验证十次，scoring选择指标进行打分。

一半以上的决策树判断错误，才会导致随机森林才会判断错误。

comb是求和。

相同的训练集与参数，随机森林中的树会有不同的判断结果，选择重要的特征进行提问。

estimators，查看森林中树的参数或属性。每棵树中的random_state不一样，导致每棵树都不一样。

random_state固定，随机森林中的树是固定的，但随机挑选的特征，导致树是不一样。随机性越大，效果越好。

bootstrap用于控制抽样技术的参数。

自主集：从原始训练集中进行n次有放回抽样，得到的数据集。自主集会包含63%的原始数据集元素。剩下37%数据可以作为测试模型的数据，称为袋外数据。

wine.target为wine的标签。

一个自助集里，样本A永远不被抽到的概率：(1-1/n)^n

oob_score训练分数。

apply返回所在叶子节点的索引

predict_proba返回每个样本对应类别的标签的概率。