kaggle入门赛房价预测，包括pandas数据预处理，使用skitlen线性回归预测结果，输出结果表格
2024/9/6 21:35:56
161KB
1
题目提供的训练数据集包含11个特征，分别是：Survived:0代表死亡，1代表存活Pclass:乘客所持票类，有三种值(1,2,3)Name:乘客姓名Sex:乘客性别Age:乘客年龄(有缺失)SibSp:乘客兄弟姐妹/配偶的个数(整数值)Parch:乘客父母/孩子的个数(整数值)Ticket:票号(字符串)Fare:乘客所持票的价格(浮点数，0-500不等)Cabin:乘客所在船舱(有缺失)Embark:乘客登船港口:S、C、Q(有缺失)
2024/9/2 4:08:19
32KB
1
kaggle电影评论情感分析（BagofWordsMeetsBagsofPopcorn）的全部数据集，自己上网找了半天都找不到，最后是让同学上外网下的，在这里分享给想学习nlp的同学
2024/8/30 18:14:29
52.35MB
1
数据来自Kaggle的GiveMeSomeCredit，有15万条的样本数据，下图可以看到这份数据的大致情况。
数据属于个人消费类贷款，只考虑信用评分最终实施时能够使用到的数据应从如下一些方面获取数据：–基本属性：包括了借款人当时的年龄。
–偿债能力：包括了借款人的月收入、负债比率。
–信用往来：两年内35-59天逾期次数、两年内60-89天逾期次数、两年内90天或高于90天逾期的次数。
–财产状况：包括了开放式信贷和贷款数量、不动产贷款或额度数量。
–贷款属性：暂无。
–其他因素：包括了借款人的家属数量（不包括本人在内）。
–时间窗口：自变量的观察窗口为过去两年，因变量表现窗口为未来两年。
数据属于个人消费类贷款，只考虑信用评分最终实施时能够使用到的数据应从如下一些方面获取数据：–基本属性：包括了借款人当时的年龄。
–偿债能力：包括了借款人的月收入、负债比率。
–信用往来：两年内35-59天逾期次数、两年内60-89天逾期次数、两年内90天或高于90天逾期的次数。
–财产状况：包括了开放式信贷和贷款数量、不动产贷款或额度数量。
–贷款属性：暂无。
–其他因素：包括了借款人的家属数量（不包括本人在内）。
–时间窗口：自变量的观察窗口为过去两年，因变量表现窗口为未来两年。
2024/8/8 6:55:55
6.32MB
1
TMDB电影数据分析，包括Kaggle上的原始数据集，以及代码，实现电影类型和票房，利润等的关系，对比两个公司的电影类型收入，拍摄集中年份，画出饼图，条形图，折线图，并进行关键词的提取，做出词云图。
2024/5/11 0:53:06
12.07MB
1
kaggle中的stumbleupon数据集，需要许多步骤才能下载到，上传方便各位下载
2024/3/11 15:55:15
165.24MB
1
Kaggle在9月30日开启的一个新的比赛，举办者是巴西最大的汽车与住房保险公司之一：PortoSeguro。
该比赛要求参赛者根据汽车保单持有人的数据建立机器学习模型，分析该持有人是否会在次年提出索赔。
这里的文档是比赛所用到的数据，数据均已经处理
该比赛要求参赛者根据汽车保单持有人的数据建立机器学习模型，分析该持有人是否会在次年提出索赔。
这里的文档是比赛所用到的数据，数据均已经处理
2024/2/26 5:02:51
72.2MB
1
kaggle比赛HousePrices之数据预处理部分的完整代码，包含非常详细的注释，属于数据挖掘预处理的经典流程性代码。
2024/1/12 19:09:33
2KB
1
kaggle平台bike-sharing竞赛的数据集。
https://www.kaggle.com/c/bike-sharing-demand
https://www.kaggle.com/c/bike-sharing-demand
2023/12/27 20:04:25
189KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB