html

<img src="Image.png" width="500px">

urls.py

url(r'^html-location/staticImage.png$', views.simple, name='staticImage'),

views.py

def simple(request):
    import random
    import django
    import datetime

    from matplotlib.backends.backend_agg import FigureCanvasAgg as FigureCanvas
    from matplotlib.figure import Figure
    from matplotlib.dates import DateFormatter

    fig=Figure()
    ax=fig.add_subplot(111)
    x=[]
    y=[]
    now=datetime.datetime.now()
    delta=datetime.timedelta(days=1)
    for i in range(10):
        x.append(now)
        now+=delta
        y.append(random.randint(0, 1000))
    ax.plot_date(x, y, '-')
    ax.xaxis.set_major_formatter(DateFormatter('%Y-%m-%d'))
    fig.autofmt_xdate()
    canvas=FigureCanvas(fig)
    response=django.http.HttpResponse(content_type='image/png')
    canvas.print_png(response)
    return response


/*
x=[1,2,3]
y=[4,5,6]
ax.plot(x, y, '-')
*/

今天六一儿童节，像我这种人只能过过儿童节了，毕竟其他的节日都已经被他们过成情人节了，哎呀呀，好气哦。

这个月还是能给自己打个及格分以上的，一切恢复正轨，日常基本是去图书馆，所以虽然无事可做，但也没闲的太厉害，本着没有困难创造困难也要上的精神还是做了那么一点微小的工作的。coursera课上了两周，读书看剧做点记录，有那么几天看了很多杂书，项目也是一点一点做，然后突然就六月了，感觉大学生活就要结束了！

回过头看了一下去年的记录，发现选择这种东西其实根本不是某一天某一个瞬间做出来的然后就改变了人生轨迹，比如读研这件事情，我在去年三月刚找完实习就做了心理准备的，可是当时的我并没有注意到，而去年五月份的我一边感慨着前年的自己还在加班加点一边抱怨着当时的自己总是被各种无意义的事情折磨，今年的我就只能闲的没事自己给自己找点事干了。这种轨迹真的很有趣的，也是感谢曾经突然萌生想法并执行起来做点记录的自己。

读写磁盘

# book python金融大树据分析 P156
path = '/home/yaoleo/readsqldata/'
import numpy as np
from random import gauss

a = [gauss(1.5, 2) for i in range(100000)]
#伪随机数保存到列表中

a = [gauss(1.5, 2) for i in range(100000)]
#伪随机数保存到列表中

pkl_file
pkl_file.close()

ll $path* #100万浮点数大概有20M大小

# 通过pickle.load 可以将他读入内存
pkl_file = open(path + 'data.pkl', 'r')
%time b = pickle.load(pkl_file)

# numpy 有函数 比较不同
np.allclose(np.array(a), np.array(b))
# 或者
np.sum(np.array(a) - np.array(b))

读取数据库

import MySQLdb
db = MySQLdb.connect(user='root', db='fog', passwd='zjy2580925?', host='localhost', charset='utf8')
cursor = db.cursor()
query = "select * from city_date_air where city = '北京'"
cursor.execute(query)
sqldata = cursor.fetchall()
！！ 但是这样都出来的数据是元组
sdata = np.array(sqldata)

或者用！！直接是DataFrame格式
import pandas.io.sql as pds
%time data = pds.read_sql("select * from city_date_air where city='北京'", db)
data.head()

data['quality2'] = data['quality']
data.loc[data['quality'] != u'   优', 'quality2'] = 0
data.loc[data['quality'] == u'   优', 'quality2'] = 1
data.loc[data['quality'] == u'   良', 'quality2'] = 1
data.tail()

DataFrame replace

![pandas-sql.png](pandas-sql.png)

import pandas as pd
bbdata=pd.DataFrame(data,columns=['date','quality2'])
bbdata.head()
！！这里把这两项单独拿出来 要是不拿出来 后面分组求和就把quality2搞没了 还不知道为什么

按日期汇总信息

import pandas as pd
bbdata['date'] = pd.to_datetime(bbdata['date'])
bbdata.head()
！！日期规范格式必须的
bbdata = bbdata.set_index('date')
bbdata.head()
！！时间做index
bbdata = bbdata.resample('M').sum()
bbdata.head(10)
！！按月求和

还有一些其他参数在这里 http://www.cnblogs.com/stream886/p/6022279.html#q5

以前就遇到这个问题，那时候年轻也没记录，再次遇到，真是恶心人。
这样几点

Multivariate Linear Regression

Gradient Descent in Practice I - Feature Scaling 特征缩放

The objective of linear regression is to minimize the cost function
J(θ) = 1
2m
Xm
i=1

hθ(x
(i)
) − y
(i)

2
where the hypothesis hθ(x) is given by the linear model
hθ(x) = θ
T x = θ0 + θ1x1

why？

因为多个特征的时候，代价函数图形可能非常的”偏斜”

梯度下降在一个漫长的斜坡上来回波动 下降很慢
所以要划分到一个相近的范围里来做， 下降就会很快。

how？

• Feature Scaling特征缩放：
  每个值除以范围 得到-1 - +1 以内数字 最好
  -3 +3 以内可以接受 -1/3 +1/3 也可 太小 或太大就不行 要靠经验 看实验结果

• Mean normalization均值归一化
  每个值减去平均值再除以（最大值减去最小值）

百无一用是书生，读书其实没什么价值，有价值的是读书这个行动本身。这篇四不像的记录的核心价值也在于记录本身，至于里面的内容收获对于我来说其实没太大价值，于将来的我说不定略有价值，但是估计价值也不大。但我需要坚持做这件内容没什么价值的事情，因为我认为这个行动是有价值的。起码也先做一段时间再说，反正总比闲着打游戏要好，既然我己经花了有两个小时看了电影，也不必计较再花十几分钟或者再多一点记一下当时的想法吧。看一本书花的时间更多，就更是如此了。但我总要谨记的是，这里面其实真没什么有价值的内容，以后的自己也不必太认真的看。记录这东西确实花了我一些精力，但这不是收获，更不算是锦衣夜行，这里面的东西对我都没什么价值，对别人更是，只是记录癖的浪费时间。

Introduction

Machine Learning

• The field of study that gives computers the ability to learn without being explicitly programmed.

• A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.

• Supervised Learning

• Unsupervised Learning
• Reinforcement learning
• Recommender systems

根据训练数据是否有标记信息，可大致把学习任务分成两类，监督学习和无监督学习。前者主要包括分类和回归。后者主要有聚类。

还是要感谢自己断断续续记的流水账，否则我真的回忆不出来过去一个月发生了些什么。当然，要是能不断而连续的记下来就更好了。可惜于我这样一个懒人来说真是太难了。昨天在图书馆翻到一本蒋介石日记解密，大概是叫这个书名吧。才知道蒋介石这个人坚持记日记超过半个世纪。想想也是厉害，像他那样可能整天忙着所谓国家大事的人，竟然分门别类的写了那么多手稿。果然伟大一点人物之所以能够留名史书，且不论是流芳还是遗臭，都是有其必然性的。而且貌似日记里反思自己的非常多，有时间真要把那本书好好读读。又偶然发现毛选第五卷里好像有一段论述了小资产阶级的通病，论述之直白明确让我胆战心惊，很多词语用来批评我那真是无比合适，入木三分。足见我这种凡人还是要好好学习，好好反省。

重看了一下二月份的手账，可见考研这件是对我的影响真是大得很，出成绩那两天天的记录真是看后让人像是平静的吃屎一样，而后面大片的空白也许无声胜有声了。真觉得自己应该好好读一下太宰治。