How to deploy a django project with Apache

How to deploy a django project with Apache

參考連結：
How to deploy a django project with Apache ~ Innuy Developers Blog

超痛恨python的安裝，總是許多坑…這次django的伺服器架設也不例外。 網路上的資源一堆但是版本也是五花八門眼花撩亂(e04)。

以下是我自己安裝測試成功的解法：

步驟一 確認在虛擬環境下執行

裡面有安裝virtualenv方法：
macOS: Install OpenCV 3 and Python 2.7 - PyImageSearch

步驟二 apache安裝：

macos本身已有內建apache,不過版本是2.4,更新方式：

• Updating Apache
  Mac OS X El Capitan and Mac OS X Sierra both come with Apache pre-installed. As noted above, your Apache configuration file is overwritten me when you upgrade to Mac OS X Sierra.
  There were a few differences in the configuration files. However, since both El Capitan and Sierra run Apache 2.4, you can simply backup the configuration file from Sierra and overwrite it with your El Capitan version:

12sudo cp /etc/apache/httpd.conf /etc/apache/httpd.conf.sierra
sudo mv /etc/apache/httpd.conf.pre-update /etc/apache/httpd.conf

啟動內建的Apache:

1234sudo apachectl start

# sudo apachectl stop  關閉
# sudo apachectl restart 重啟

步驟三 mod_wsgi 安裝：

• 從pypi(python package index)網站下安裝：
  python.org/pypi/mod_wsgi

• 內文提到：

1$ pip install mod_wsgi  

啟動：

12$ mod_wsgi-express start-server
# 跳出按control+c

• 去內建localhost確認：http://localhost:8000/

步驟四 串起apache,Django,wsgi 關係：

1. 先在django project裡面的setting.py 增加：

1234MEDIA_ROOT = os.path.join(BASE_DIR, 'media/')
MEDIA_URL = '/media/'
STATIC_URL = '/static/'
STATIC_ROOT = os.path.join(BASE_DIR, 'static/')

2. 再來在terminal執行：

1$ python manage.py collectstatic

3. 讓apache認得wsgi 取得mod-wsgi安裝位置, 在terminal執行：

1$ mod_wsgi-express module-location

我這台電腦結果如下：

1/Users/bobobo746/.virtualenvs/cv3/lib/python3.6/site-packages/mod_wsgi/server/mod_wsgi-py36.cpython-36m-darwin.so

4. 再把結果貼到檔案路徑： /etc/apache2/httpd.conf.
   找到一堆 LoadModule 的地方，然後補上：

1LoadModule wsgi_module /Users/bobobo746/.virtualenvs/cv3/lib/python3.6/site-packages/mod_wsgi/server/mod_wsgi-py36.cpython-36m-darwin.so

5. 測試確認，在terminal 執行：

1$ apachectl -t -D DUMP_MODULES | grep wsgi

應出現： wsgi_module (shared)
但很有可能httpd.conf裡面沒有預先給定servernmame所以會報錯，如果報錯，則在httpd.conf裡面找到

1#ServerName www.example.com:80

下一行補上：

123ServerName 0.0.0.0  #不寫死localhost

# 如要改為對外，在這邊改對外ip

6. 讓apache認得django httpd.conf最後一行有提到 Include /private/etc/apache2/other/*.conf 。要讓python的檔案能被讀到就要在other資料夾底下增加.conf檔案： (以下是我改好我的)

123456789101112131415161718WSGIScriptAlias / /Users/bobobo746/Desktop/stuff/python/Python3/U/U/wsgi.py

WSGIDaemonProcess example python-home=/Users/bobobo746/.virtualenvs/cv3/ python-path=/Users/bobobo746/Desktop/stuff/python/Python3/U
WSGIProcessGroup example


     
        Require all granted
     


   Alias "/static/" "/Users/bobobo746/Desktop/stuff/python/Python3/U/static"

   
     Require all granted
     Options +Indexes
   

註釋：

• exmaple :變數名稱 可以更改
• WSGIScriptAlias :專案裡 wsgi.py 的路徑
• WSGIDaemonProcess : 虛擬環境的路徑 還有專案的路徑
• <directory “專案路徑”>

7. 最後串起來後測試看看：

1$ sudo apachectl restart

8. 如果要改port，可以到httpd.conf 找到 :

12#Listen 12.34.56.78:80
Listen 80

改成自定義的port

9. 回 django的 setting.py 做以下修正:

123DEBUG = False

ALLOWED_HOSTS = ["*",]

10. 本機ip固定是127.0.0.1 ,所以測試時候去chrome打：
    127.0.0.1:8081/here (我在listen那邊修改了port為8081, 且我專案的連結在here會吐出字串)

11. 測試成功 QQ 可以好好專注寫code了…

在其他方式測試時遇到問題：

• 因為我在其他方式測試時雨到問題所以修改過權限，所以在這邊的方法就沒碰到，但有可能在此方法也會遇到permission的問題，可能是路徑的資料夾的權限要改為唯讀：

1. 對資料夾按右鍵，選取得資訊
2. 最下面，分享與權限，everyone要改為唯讀

均勻度

#均勻度

%matplotlib notebook

from PIL import Image

import matplotlib.pyplot as plt

import matplotlib.image as mpimg

import numpy as np

from matplotlib import gridspec

from scipy import ndimage

from skimage import measure

import skimage

img = mpimg.imread('HiGary_OriginImage.png')       # float32

pp= skimage.img_as_float(img)                      # 轉 float64 ,(720, 1280, 4) ; signal range:0~1

#pp= skimage.img_as_ubyte(pp)                      # 轉u8-bit int ; signal range: 0~255

# 分兩個，0~255的為計算用

img1= (pp)

img1= img1*255

lum_img = img1[:,:,0]  

# 0~1 的為 找邊界用

img2= ((pp)*5.5/3)**22

img2= ndimage.gaussian_filter(img2,10)

img2[0:200,:,:]=0             

img2[520:720,:,:]=0           

lum_img2 = img2[:,:,0]      

#plt.imshow(lum_img,'gray')

# sobel 參數設定

mod= 'mirror'               

sx = ndimage.sobel(lum_img2, axis=0, mode=mod)

sy = ndimage.sobel(lum_img2, axis=1, mode=mod)

sob = np.hypot(sx, sy)

plt.figure(figsize=(8,6))

plt.imshow(sob,cmap='gray')

plt.show()

# find countour

contours = measure.find_contours(sob, 100)  

x_axis_data=[]

y_axis_data=[]

# 將找到輪廓的x,y座標存起來，裡面的每個array代表該輪廓的所有位置，x表示x所有位置，y表示y所有位置

for n, contour in enumerate(contours):    

  plt.plot(contour[:, 1], contour[:, 0], linewidth=2)

  x_axis_data= x_axis_data+ [contour[:, 1]]

  y_axis_data= y_axis_data+ [contour[:, 0]]

# 設定輪廓大小，假定x輪廓位置總數>500 才列入要找的輪廓,也才接近正圓，因為目前專案圓周大小約2*3.14*60 

x_wanted =[]    

for i in range(len(x_axis_data)):

  if len(x_axis_data[i])>500 and len(x_axis_data[i])<1000:

  x_wanted= x_wanted+[x_axis_data[i]]

y_wanted =[]

for i in range(len(y_axis_data)):

  if len(y_axis_data[i])>500 and len(x_axis_data[i])<1000:

  y_wanted= y_wanted+[y_axis_data[i]]

# 將找到的正圓輪廓找到圓心

x_center=[]

for i,label in enumerate(x_wanted):

  tempx= np.mean(x_wanted[i])

  x_center= x_center +[tempx]

y_center=[]

for i,label in enumerate(y_wanted):

  tempy= np.mean(y_wanted[i])

  y_center= y_center +[tempy]

xc,yc=[],[]

xj,xi=[],[]

# 因為找到的正圓輪廓可能大於三個，所以圓心也大於三個，於是要篩選：  

if len(x_center)>3:

  for i in range(len(x_center)-1):

  for j in range(-i+len(x_center)):

  # 如果圓心的x距離相差<50 且抽取的兩個樣本不同：

  if abs(x_center[j+i]-x_center[i])<50 and x_center[j+i]!=x_center[i]:

  xcc= (x_center[j+i]+x_center[i])/2

  xj= xj+[x_center[j+i]]

  xj=sorted(xj)

  xi= xi+[x_center[i]]

  xi=sorted(xi)

  xc= xc+[xcc]

  xc=sorted(xc)

  # 依照x找到的位置去找對應的y的位置

  for i in range(len(xj)):

  ycc=(y_center[x_center.index(xj[i])]+y_center[x_center.index(xi[i])])/2

  yc= yc+[ycc]

#畫圓心

  plt.figure(figsize=(8,6))

  plt.imshow(img)

  for gg in range(len(xj)):

  plt.scatter(xc[gg],yc[gg],marker= '*',c='r',s= 20)  

# 若沒到三個輪廓 或剛好，依樣顯示出來，不過有可能會沒定位到，可以先看圖再修正 曝光參數或輪廓邊界參數

else:

  xc= x_center

  xc= sorted(xc)

  for i in range(len(xc)):

  ycc=y_center[x_center.index(x_center[i])]

  yc= yc+[ycc]

  yc=sorted(yc)

  plt.figure(figsize=(8,6))

  plt.imshow(img)

  for gg in range(len(x_center)):

  plt.scatter(x_center[gg],y_center[gg],marker= '*',c='r',s= 20)   

# 計算均勻度           

x, y = np.meshgrid(np.arange(0, 1280, 1), np.arange(0, 720, 1))

contor_all=[]

for ij in range(len(xc)):

  contor = np.sqrt((x-xc[ij]) ** 2 + (y-yc[ij] )** 2)

  for j in range(720):

  for i in range(1280): 

  if contor[j][i]<30 :

  contor[j][i] =1.0

  else:

  contor[j][i]=0.0

  contor_all= contor_all+[contor]      

A= ((lum_img*contor_all[0]).sum())/(contor_all[0].sum())   

B= ((lum_img*contor_all[1]).sum())/(contor_all[1].sum())

C= ((lum_img*contor_all[2]).sum())/(contor_all[2].sum())

if C>B:

  ratio1= A/B

  ratio2= A/C

  ratio3= B/C

else:

  ratio1= A/B

  ratio2= A/C

  ratio3= C/B

# 畫掃描圖

fig = plt.figure(figsize=(8, 6)) 

gs = gridspec.GridSpec(2, 1, height_ratios=[5, 1.5]) # 因為圖片比例 與 畫圖 比例不對 必須重新設定比例

#plt.subplot(211)

plt.subplot(gs[0])

plt.imshow(lum_img,cmap='jet')

plt.plot( np.linspace(0,(img.shape[1])-10,num=(img.shape[1])-10,dtype=int) ,

  [360]*(img.shape[1]-10),lw=1,c='r')

upper = [360 + 30]*(img.shape[1]-10)

lower = [360 - 30]*(img.shape[1]-10)

plt.fill_between(np.linspace(0,(img.shape[1])-10,num=(img.shape[1])-10,dtype=int) , 

  lower, upper, color='#888888', alpha=0.4)

#plt.subplot(212)

plt.subplot(gs[1])

ybox=[]

for cc in range(lum_img.shape[1]-10):

  box= np.mean(lum_img[360-30:360+30,cc]) #算平均

  ybox=ybox+[box]

plt.plot(np.linspace(0,(img.shape[1])-10,num=(img.shape[1])-10,dtype=int) ,

  ybox,lw=2 ,c='g',alpha=0.1) # image 是三維矩陣查看方式: image[直,橫,rgb]

plt.grid()

plt.fill_between(np.linspace(0,(img.shape[1])-10,num=(img.shape[1])-10,dtype=int) ,

  ybox,lw=2 ,color='g',alpha=0.2)

plt.show()

print 'HDL/TG:{}'.format(ratio1),' HDL/TC:{}'.format(ratio2),' TG/TC:{}'.format(ratio3)

這封郵件來自 Evernote。Evernote 是您專屬的工作空間，免費下載 Evernote

圓心定位

一樣該import 的先import:

%matplotlib notebook

from PIL import Image

import matplotlib.pyplot as plt

import matplotlib.image as mpimg

import numpy as np

from matplotlib import gridspec

from scipy import ndimage

from skimage import measure

import skimage

以我專案碰的問題，來做處理： 因為過曝 所以不用再做filter處理

img = mpimg.imread('circleCenter.png') # float32

pp= skimage.img_as_float(img)          # 轉 float64 ,(720, 1280, 4) ; signal range:0~1

# pp2= skimage.img_as_ubyte(pp)        # 轉u8-bit int ; signal range: 0~255

# print pp2.dtype

# 過曝寫法

gamma= 1000

mag_signal =100

itest= (pp)

img2 = (itest)**gamma                 # 因為曝光，拉高對比度 所以乘以1000次方

img2[0:100,:,:]=0                    # 上面0~100 設為全黑

img2[600:720,:,:]=0                 # 下面600~720 設為全黑

l = img2[:,:,0]*mag_signal         # [x,y,channel] channel:0,1,2

plt.imshow(l,'gray')

mod= 'mirror'                     # sobel 參數設定

sx = ndimage.sobel(l, axis=0, mode=mod)

sy = ndimage.sobel(l, axis=1, mode=mod)

sob = np.hypot(sx, sy)

# plt.figure(figsize=(8,6))

# plt.imshow(sob,cmap='gray')

contours = measure.find_contours(sob, 100)    # find countour

x_axis_data=[]

y_axis_data=[]

# 將找到輪廓的x,y座標存起來，裡面的每個array代表該輪廓的所有位置，x表示x所有位置，y表示y所有位置

for n, contour in enumerate(contours):    

  #plt.plot(contour[:, 1], contour[:, 0], linewidth=2)

  x_axis_data= x_axis_data+ [contour[:, 1]]

  y_axis_data= y_axis_data+ [contour[:, 0]]

# 設定輪廓大小，假定x輪廓位置總數>500 才列入要找的輪廓,也才接近正圓，因為目前專案圓周大小約2*3.14*60 

x_wanted =[]    

for i in range(len(x_axis_data)):

  if len(x_axis_data[i])>500 and len(x_axis_data[i])<1000 :

  x_wanted= x_wanted+[x_axis_data[i]]

y_wanted =[]

for i in range(len(y_axis_data)):

  if len(y_axis_data[i])>500 and len(x_axis_data[i])<1000:

  y_wanted= y_wanted+[y_axis_data[i]]

# 將找到的正圓輪廓找到圓心

x_center=[]

for i,label in enumerate(x_wanted):

  tempx= np.mean(x_wanted[i])

  x_center= x_center +[tempx]

y_center=[]

for i,label in enumerate(y_wanted):

  tempy= np.mean(y_wanted[i])

  y_center= y_center +[tempy]

# 因為找到的正圓輪廓可能大於三個，所以圓心也大於三個，於是要篩選：  

if len(x_center)>3:

  xc =[]

  xj,xi=[],[]

  for i in range(len(x_center)-1):

  for j in range(-i+len(x_center)):

  # 如果圓心的x距離相差<50 且抽取的兩個樣本不同：

  if abs(x_center[j+i]-x_center[i])<50 and x_center[j+i]!=x_center[i]:

  xcc= (x_center[j+i]+x_center[i])/2

  xj= xj+[x_center[j+i]]

  xi= xi+[x_center[i]]

  xc= xc+[xcc]

  # 依照x找到的位置去找對應的y的位置

  yc =[]

  for i in range(len(xj)):

  ycc=(y_center[x_center.index(xj[i])]+y_center[x_center.index(xi[i])])/2

  yc= yc+[ycc]

  plt.figure(figsize=(8,6))

  plt.imshow(img)

  for gg in range(len(xj)):

  plt.scatter(xc[gg],yc[gg],marker= '*',c='r',s= 20)  

# 若沒到三個輪廓 或剛好，依樣顯示出來，不過有可能會沒定位到，可以先看圖再修正 曝光參數或輪廓邊界參數

else:

  plt.figure(figsize=(8,6))

  plt.imshow(img)

  for gg in range(len(x_center)):

  plt.scatter(x_center[gg],y_center[gg],marker= '*',c='r',s= 20)    

plt.show()

結果圖：

之前嘗試：

• 想說findcontour找到的輪廓大多不是正確的，覺得分區塊做篩選又太不智能

所以嘗試了histogram解法，以及直接把照片的pixel轉成list 然後遍歷去找值為1的位置然後統計數量 最高的即為需求點。 不過兩者共通的毛病都是 運算量大導致運算速度過慢 最後放棄，仍然以findcontour為主，只是後來篩選方式就如我上面的原始碼依樣，設立圓周邊界需求，然後兩兩比較。

下面是之前嘗試的解法，雖然不實用但還是做些紀錄：

img = mpimg.imread('circleCenter2.png') # float32

pp= skimage.img_as_float(img) # 轉 float64 ,(720, 1280, 4) ; signal range:0~1

# pp2= skimage.img_as_ubyte(pp) # 轉u8-bit int ; signal range: 0~255

# print pp2.dtype

gamma= 100

mag_signal =50

itest= (pp)

img2 = (itest)**gamma

img2[0:100,:,:]=0

img2[600:720,:,:]=0

l = img2[:,:,0] # [x,y,channel] channel:0,1,2

#plt.imshow(l,'gray')

plt.figure()

aspectRatio = 6

gs = gridspec.GridSpec(aspectRatio,aspectRatio)

ax1 = plt.subplot(gs[0,:-1])

ax2 = plt.subplot(gs[1:,:-1])

ax3 = plt.subplot(gs[1:,-1])

plt.subplots_adjust(wspace=0.02, hspace=0.02)

tp=[]

xl=np.ravel(l)

for i in range (len(np.ravel(l))):

  if xl[i]>0.5:

  if i<1280:

  i=i

  else:

  i=(i%1280)

  tp= tp+[i]

ax1.hist(tp, bins= 40, ec='green', fc='none', histtype='bar')

ax2.imshow(l,'gray')

#ax3.hist(y, bins =360, ec='green', fc='none', histtype='step', orientation='horizontal')

結果圖：

img = mpimg.imread('circleCenter2.png') # float32

pp= skimage.img_as_float(img) # 轉 float64 ,(720, 1280, 4) ; signal range:0~1

# pp2= skimage.img_as_ubyte(pp) # 轉u8-bit int ; signal range: 0~255

# print pp2.dtype

gamma= 100

mag_signal =50

itest= (pp)

img2 = (itest)**gamma

img2[0:100,:,:]=0

img2[600:720,:,:]=0

l = img2[:,:,0]*mag_signal # [x,y,channel] channel:0,1,2

#plt.imshow(l,'gray')

plt.figure()

aspectRatio = 6

gs = gridspec.GridSpec(aspectRatio,aspectRatio)

ax1 = plt.subplot(gs[0,:-1])

ax2 = plt.subplot(gs[1:,:-1])

ax3 = plt.subplot(gs[1:,-1])

plt.subplots_adjust(wspace=0.02, hspace=0.02)

binSize = 2

x1= np.arange(1280)

x=[]

for _ in range(720):

  x= (np.append(x,x1))

y= np.ravel(l)

y1= np.arange(720)

yy=[]

for _ in range(1280):

  yy= (np.append(yy,y1))

xx= np.ravel(l.T)

ax1.plot(x,y,lw=0.01,alpha=0.5,c='k')

ax2.imshow(l,'gray')

ax3.plot(xx,yy,lw=0.01,alpha=0.5,c='k')

這封郵件來自 Evernote。Evernote 是您專屬的工作空間，免費下載 Evernote

python 語法筆記(不斷更新)

• python，numpy，pandas数据处理之小技巧

https://zhuanlan.zhihu.com/p/21337237

• 排序： iterable為放置需要排序的陣列或是list（可迭代），reverse則是看要不要反過來排序，預設是false

sorted(   iterable   ,reverse= False)    

• 排序：(np.sort) 排序。可以依照raw or column來排序

np.sort(  iterable  ,axis =0 )

list array 問題

• list ,ndarray 小數轉int：

np.around(list or ndarray)

• list與array:

list  : [object]

            

                        ／  一維 :  不等於 list ，要轉成list ，使用 :  list(   array   ) 

array: np開頭 

               ＼  多維 : 要降成一維 ，使用 :   .ravel()

• list(str) : 把str轉成list：str裡面的每個字元都被當成'字串': 

str= 'hello'

list(str)

• list轉array 

np.asarray(list)

• 一維array轉2維：

np.reshape(1-Darray, (幾x幾) )

• List  新增：
                   a=[1,2,3,4]
                   b=[5,6,7,8]
  

c = a+b                    ＃直接用 +  即可

a.append(b[0])             ＃用b[0]

print c

[1, 2, 3, 4, 5, 6, 7, 8]

print a

[1, 2, 3, 4, 5]

• array新增（一維）： np.append
  •     aa= np.array([1,2,3,4])
  •     bb= np.array([5,6,7,8])

cc1= aa+bb                 ＃在array裡若直接用 + 則是進行array內運算

cc2= np.append(aa,bb)      ＃需使用append ，一維是橫向往後增加

print cc1

[ 6  8 10 12]

print cc2

[1 2 3 4 5 6 7 8]

                         （二維）：  np.append

aa2= np.reshape(aa,(1,4))

bb2= np.reshape(bb,(1,4))

cc2= np.append(aa2,bb2,axis=0)     # 二維 可指定axis，0則是往下堆疊

cc3= np.append(aa2,bb2,axis=1)     # 二維 可指定axis，1則是往橫向堆疊

cc4= np.append(aa2,bb2)            # 若不指定axis 則轉為一維的array

print cc2

[[1 2 3 4]
 [5 6 7 8]]

print cc3

[[1 2 3 4 5 6 7 8]]

print cc4

[1 2 3 4 5 6 7 8]

• List 移除 插入

lis =[1,2,3,4,5]

lis.remove(lis[0])  #移除第一個

lis.insert(0,'error') . # 在第0的位置 插入error字串

• List replace:

原list =[w.replace( '原本的字符','要改成的字符') for w in 原list]    # w是遍歷用的

• 字串拆解和結合(list)---結合:   .join  把原本list裡的char 依照串接的字符變成新的字串

新str= '要串接的字符'.join([原char])    #  '要串接的字符'比如 ：','  '.' 之類

• 字串拆解和結合(list)---拆解： .split()  把原本的字串拆解並存成list

新list= 字串.split('依照該字符做拆解')  #  依照提供的特徵：字符 做拆解 並轉為list裡面的index

• list刪除：

del list[index]  #直接指定要刪除的位置index

•  ndarray 裡的值如果要修改：

1D array： ndarray.itemset( 位置, 要改成的值 )  

2D array： ndarray.itemset( (位置,位置) 要改成的值 ) 

• pandas 轉array ,list

# 轉array:

df[column].as_matrix()

   

# 轉list：

df[column].values.tolist()

• 取值的位置(index):

a= [10,20,30,40,50]

a.index(10)

回傳 0

• input() 與raw_input():

input("想顯示的東西")  之後回傳只能keyin 數字 

raw_input("想顯示的東西") 。之後回傳能keyin 數字與字串

• 把滑鼠複製的data轉成dataframe:

import pandas as pd

y= pd.read_clipboard()

y 

存讀檔

1. npy讀寫效率最高，但最佔硬碟空間，比如np.load(), np.save();

2. csv其次，比如pd.Dataframe.to_csv()，pd.load_csv()；

3. txt讀寫，當然也可以很快，但是需要频繁的split，對格式規範的數據比较麻烦；

4. 至於簡單的excel和word，可以用xlrd,xlwt來操作

• 一般存檔：

a= [1,2,3,4]

with open ('filename' , 'w' ) as f:

     pickle.dump( a , f )

• 一般讀檔： pickle沒有副檔名

pickle.load(  open('filename', 'r')     )

• pandas存pickle檔：

dataframe.to_pickle('檔名.pickle')

• pandas讀pickle檔：

pd.read_pickle('檔名.pickle')

• numpy 存檔：（自動存成npy檔）：

np.save( '檔名',   要存的list 或 array  )

• numpy 讀檔：

np.load( ' 檔名.npy'  )

• text讀檔： 讀出來格式是str 字符串

 with open(txtfile)as f: 

   Text_str = f.read() 

os操作：遍歷，新增：

1. 新建文件夹：

if not os.path.isdir(path_out):

  os.makedirs(path_out)

2. 遍歷所有文件和子文件夹：                     # a: 路徑  b:資料夾  c:總文件 

for a, b, filenames in os.walk(path_data):

  for filename in filenames:

3.只遍歷當前文件，不包含子文件夹：

for a, b, filenames in os.walk(path_data):

  for filename in filenames:

  if a == path_data:

確認nan 布林

• 確認dataframe是否為null:

pd.isnull(object)

• 確認array是否為null:

np.nan(array)

• 設定nan:

np.nan

• 用 np.isfinite() 判斷布林值

x=np.array([1,2,np.nan,4,5]) 

np.isfinite(x)

• 再利用上面的判斷 ，忽略nan值

import numpy as np

import matplotlib.pyplot as plt

time=np.array([1,2,3,4,5]) 

f1=np.array([1,2,np.nan,4,5]) 

＃忽略nan ,因為丟進[]裡面所以假使是2d array也會被轉成一維

plt.plot(time[np.isfinite(f1)], f1[np.isfinite(f1)])  

plt.show()

• numpy.ndarray 的nan填補：

example = np.where(np.isnan(example), 0, example)

example = np.where(np.isnan(example), 0, example)

• dataframe 的nan填補：

可以用example.fillna()  也可以用example.replace(a, b)

• 線性迴歸：

from scipy import stats

# 斜率 。 截距 。 變異係數 。相關係數 。 標準誤差

slope, intercept, r_value, p_value, std_err = stats.linregress(wait,what)

r_value**2

• 畫圖的colormap設定 與 c的隨機配色

plt.scatter(x,y, s=20, c=np.random.rand(100),marker='o', cmap=plt.cm.jet, alpha= 0.5 )

plt.scatter(x[u],y[u], s=10, c=(np.random.rand(),np.random.rand(),np.random.rand()),

  marker='o', alpha= 0.3 )

• 要把list裡面的數字都round(取小數四捨五入)：

lis= [55.45,15.5,33.9]

ss= [round(i,0) for i in lis]     #小數點後0位 四捨五入

這封郵件來自 Evernote。Evernote 是您專屬的工作空間，免費下載 Evernote