python中生成式推导式的特点用法
Python编程有哪些优雅的编程方式？
Python编程有哪些优雅的编程方式？
列表推导式
输出:[25]
字典推导式
输出 {uTim: 25}
遍历列表并输出元素索引
输出0 Jack1 Tim
同时遍历两个列表
输出name:Jack age:26name:Tim age:25
使用Counter进行分布统计
输出 Counter({25: 2, 26: 1})
使用 with 自动关闭资源进行文件读写操作时，在处理文件过程中可能会出错，如何保证在处理文件出错的情况下，也能够关闭文件。Python 提供了一种优雅的解决方案——with控制流语句，其简化了try/finally操作。通过使用不需要手动关闭文件资源，当执行完内容后，自动关闭文件。
在遍历列表的同时修改列表在不经意间，容易犯一些逻辑上的错误，比如遍历列表的同时又删除里面的元素，导致程序抛出异常，如下：
输出如下：
可以使用列表推导式避免这样的问题。
输出如下：
百度搜索圈T社区（） 免费视频教程
0. 程序必须先让人读懂，然后才能让计算机执行。
“Programs must be written for people to read, and only incidentally for machines to execute.”
1. 交换赋值2. Unpacking3. 使用操作符in4. 字符串操作5. 字典键值列表6. 字典键值判断7. 字典 get 和 setdefault 方法8. 判断真伪9. 遍历列表以及索引10. 列表推导11. 列表推导-嵌套12. 循环嵌套13. 尽量使用生成器代替列表14. 中间结果尽量使用imap/ifilter代替map/filter15. 使用any/all函数16. 属性(property)17. 使用 with 处理文件打开18. 使用 with 忽视异常(仅限Python 3)19. 使用 with 处理加锁# 互斥操作...
统计建模和机器学习建模，有什么区别？
相同点：
不同点1、不同的学派：
机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。
统计建模(Statistical modeling)则完全是数学的分支，以概率论为基础，采用数学统计方法建立模型。
机器学习更多地强调优化和性能，而统计学则更注重推导。
2、不同的数据量：
机器学习应用广泛。 在线学习工具可飞速处理数据。这些机器学习工具可学习数以亿计的观测样本，预测和学习同步进行。一些算法如随机森林和梯度助推在处理大数据时速度很快。机器学习处理数据的广度和深度很大。
统计模型一般应用在较小的数据量和较窄的数据属性上。
3、不同的数据分析方式：
机器学习本质上是一种算法，这种算法由数据分析习得，而且不依赖于规则导向的程序设计；
统计建模则是以数据为基础，利用数学方程式来探究变量变化规律的一套规范化流程。
总结来说，机器学习的关键词是预测、监督学习和非监督学习等。而数理统计是关于抽样、统计和假设检验的科学。
4、不同的数据使用方式：
机器学习并不需要对有关变量之间的潜在关系提出先验假设。研究人员只需要将所有的可用数据导入模型，等待算法的分析并输出其中的潜在规律，然后将这一规律应用于新数据进行预测就可以了。对于研究人员来说，机器学习就像一个黑盒子，你只需要会用，但并不清楚其中的具体实现。机器学习通常应用于高维度的数据集，你的可用数据越多，预测通常就越准确。
相比之下，统计学则必须了解数据的收集方式，估计量（包括p值和无偏估计）的统计特征，被研究人群的潜在分布规律，以及多次试验的期望参数的类型。研究人员需要非常清楚自己在做什么，并提出具有预测能力的参数。而且统计建模通常用于较低维度的数据集。
5、不同的着重点：
机器学习着重于探索数据所展现的关系和结构，更关心模型的预测能力，即更注重模型的优化和性能。
统计建模着重于评估小样本数据中所体现的关系和结构在总体中推广，更关心模型的可解释性，即更注重模型的推导。
关于这一点，我们或许可以从下面这两段分别来自统计学家和机器学习研究人员针对同一数据模型的描述上得到更深的体会。
机器学习研究人员：在给定 a、b 和 c 的前提下，该模型准确预测出结果 Y 的概率达到了 85%。
统计学家：在给定 a、b 和 c 的前提下，该模型准确预测出结果 Y 的概率达到了 85%；而且我有九成的把握你也会得到与此相同的结论。
6、不同的数据生成方式：
统计建模认为，数据由某个概率模型生成。统计的目标是找出对应的概率模型
因变量（Y）f(自变量) 扰动函数因变量（Y）f(自变量) 扰动函数
统计建模最基本的目标是回答一个问题：哪一种概率模型可以产生我所观察到的数据？因此你必须：
从一个合理的模型群里挑出候选模型
预估未知变量（参数，拟合模型到数据中）
比较拟合模型与其他备选模型
机器学习认为，数据是特征集到Label集的特征映射X→YX→Y所生成的。机器学习的目标是恢复特征映射。
输出（Y）→输入（X）
---------------------