Tại W3Schools, bạn sẽ tìm thấy một tài liệu tham khảo Bootstrap đầy đủ về tất cả các lớp CSS, Thành phần và plugin JavaScript - tất cả đều có các ví dụ "Tự dùng thử"
Bootstrap Chủ đề / Mẫu
Chúng tôi đã tạo một số Mẫu Bootstrap mà bạn có thể sử dụng. Chúng hoàn toàn miễn phí để sử dụng
Bootstrap 5 so với. Bootstrap 3 & 4
Hướng dẫn này theo sau Bootstrap 3, được phát hành vào năm 2013. Tuy nhiên, chúng tôi cũng bao gồm các phiên bản mới hơn;
Bootstrap 5 là phiên bản mới nhất của Bootstrap; . Nó hỗ trợ các bản phát hành ổn định, mới nhất của tất cả các trình duyệt và nền tảng chính. Tuy nhiên, Internet Explorer 11 trở xuống không được hỗ trợ
Sự khác biệt chính giữa Bootstrap 5 và Bootstrap 3 & 4 là Bootstrap 5 đã chuyển sang JavaScript thay vì jQuery
Ghi chú. Bootstrap 3 và Bootstrap 4 vẫn được nhóm hỗ trợ để sửa các lỗi quan trọng và thay đổi tài liệu, và hoàn toàn an toàn khi tiếp tục sử dụng chúng. Tuy nhiên, các tính năng mới sẽ KHÔNG được thêm vào chúng
Hàm numpy. định hình lại [] có sẵn trong gói NumPy. Như tên cho thấy, định hình lại có nghĩa là 'những thay đổi về định dạng'. Hàm numpy. định hình lại [] giúp chúng ta có một định dạng mới cho một mảng mà không làm thay đổi dữ liệu của nó
Các bài viết liên quan
when, they we have to reconfiguration data from width to long. Vì vậy, trong trường hợp này, chúng ta phải định hình lại mảng bằng cách sử dụng hàm reshape []
cú pháp
numpy.reshape [arr, new_shape, order = 'C']
Tham số
Có các tham số sau của hàm reshape[]
- mảng. mảng_like
This is a ndarray. Đây là mảng nguồn mà chúng tôi muốn định cấu hình lại. Tham số này rất cần thiết và đóng một vai trò quan trọng trong hàm numpy. định hình lại []
- hình mới. int hoặc nhiều int
Hình dạng mà chúng ta muốn chuyển đổi mảng ban đầu của chúng ta phải tương thích với mảng ban đầu. If is a integer, results will be a array 1-D with that length. One size of format can be -1. Tại đây, giá trị được tính toán gần đúng theo độ dài của mảng và các kích thước còn lại
- gọi món. {'C', 'F', 'A'}, tùy chọn
Tham số thứ tự mục này đóng một vai trò quan trọng trong hàm định hình lại []. Các mục thứ tự này được sử dụng để đọc các phần tử của mảng nguồn và đặt các phần tử vào mảng đã được định hình lại bằng cách sử dụng các mục thứ tự này
Thứ tự chỉ mục 'C' có nghĩa là đọc / ghi các phần tử đang sử dụng thứ tự mục giống C trong đó chỉ mục cuối cùng của trục thay đổi nhanh nhất, quay lại chỉ mục trục đầu tiên thay đổi chậm nhất
Thứ tự chỉ mục ‘F’ có nghĩa là đọc / ghi các phần tử đang sử dụng chỉ mục giống như Fortran, trong đó chỉ số trục cuối cùng thay đổi chậm nhất và chỉ số trục đầu tiên thay đổi nhanh nhất
Thứ tự ‘C’ và ‘F’ không chiếm dung lượng bố trí bộ nhớ của mảng bên dưới và chỉ tham chiếu đến mục thứ tự thiết lập
Thứ tự chỉ mục 'A' có nghĩa là đọc / ghi các phần tử theo thứ tự mục giống Fortran, khi mảng tiếp giáp trong bộ nhớ, nếu không thì sử dụng thứ tự giống C
Trở về
Hàm này trả về một ndarray. Nó là một đối tượng xem mới nếu có thể; . Không có gì chắc chắn về cấu trúc bộ nhớ cục bộ của mảng được trả về
Ví dụ 1. Thứ tự chỉ mục giống C
import numpy as np x=np.arange[12] y=np.reshape[x, [4,3]] x y
đầu ra
Trong đoạn mã trên
- We made an an array 'a' by function np. sắp xếp []
- Chúng tôi đã khai báo biến 'y' và gán giá trị trả về của hàm np. định hình lại []
- Chúng ta đã chuyển mảng 'x' và định dạng trong hàm
- Cuối cùng, chúng tôi đã cố gắng đánh giá giá trị của arr
- Trong đầu ra, mảng đã được biểu diễn dưới dạng ba hàng và bốn cột
Ví dụ 2. Tương đương với C ravel thì C reshape
import numpy as np x=np.arange[12] y=np.reshape[np.ravel[x],[3,4]] x y
Hàm ravel[] được sử dụng để tạo một mảng tiếp giáp. Mảng một chiều chứa các phần tử của đầu vào, được trả về. Một bản sao chỉ được thực hiện khi nó cần thiết
Đây là hướng dẫn về Lấy mẫu Bootstrap trong Python. Trong hướng dẫn này, chúng ta sẽ tìm hiểu bootstrapping là gì và sau đó xem cách triển khai nó
Nội dung chính Hiển thị
- Lấy mẫu Bootstrap là gì?
- Làm cách nào để triển khai Lấy mẫu Bootstrap trong Python?
- 1. Nhập các mô-đun cần thiết
- 2. Tạo dữ liệu ngẫu nhiên
- 3. Sử dụng Lấy mẫu Bootstrap để ước tính giá trị trung bình
- Mã hoàn chỉnh để triển khai Lấy mẫu Bootstrap trong Python
Nội dung chính
- Lấy mẫu Bootstrap là gì?
- Làm cách nào để triển khai Lấy mẫu Bootstrap trong Python?
- 1. Nhập các mô-đun cần thiết
- 2. Tạo dữ liệu ngẫu nhiên
- 3. Sử dụng Lấy mẫu Bootstrap để ước tính giá trị trung bình
- Mã hoàn chỉnh để triển khai Lấy mẫu Bootstrap trong Python
Nội dung chính
- Lấy mẫu Bootstrap là gì?
- Làm cách nào để triển khai Lấy mẫu Bootstrap trong Python?
- 1. Nhập các mô-đun cần thiết
- 2. Tạo dữ liệu ngẫu nhiên
- 3. Sử dụng Lấy mẫu Bootstrap để ước tính giá trị trung bình
- Mã hoàn chỉnh để triển khai Lấy mẫu Bootstrap trong Python
Bắt đầu nào
Lấy mẫu Bootstrap là gì?
Định nghĩa cho lấy mẫu bootstrap như sau
Trong thống kê, Lấy mẫu Bootstrap là một phương pháp liên quan đến việc vẽ dữ liệu mẫu lặp đi lặp lại với sự thay thế từ nguồn dữ liệu để ước tính tham số dân số
Về cơ bản, điều này có nghĩa là lấy mẫu bootstrap là một kỹ thuật mà bạn có thể ước tính các tham số như giá trị trung bình cho toàn bộ tổng thể mà không cần xem xét rõ ràng từng điểm dữ liệu trong tổng thể
Thay vì xem xét toàn bộ tổng thể, chúng tôi xem xét nhiều tập hợp con có cùng kích thước được lấy từ tổng thể
Ví dụ: nếu quy mô dân số của bạn là 1000. Sau đó, để tìm giá trị trung bình, thay vì xem xét tất cả 1000 mục nhập, bạn có thể lấy 50 mẫu có kích thước 4 mỗi mẫu và tính giá trị trung bình cho từng mẫu. Bằng cách này, bạn sẽ lấy trung bình 200 mục [50X4] được chọn ngẫu nhiên
Một chiến lược tương tự được sử dụng bởi các nhà nghiên cứu thị trường để thực hiện nghiên cứu trong một dân số khổng lồ
Làm cách nào để triển khai Lấy mẫu Bootstrap trong Python?
Bây giờ hãy xem cách triển khai lấy mẫu bootstrap trong python
Chúng tôi sẽ tạo một số dữ liệu ngẫu nhiên với giá trị trung bình được xác định trước. Để làm điều đó, chúng ta sẽ sử dụng mô-đun NumPy trong Python
Hãy bắt đầu bằng cách nhập các mô-đun cần thiết
1. Nhập các mô-đun cần thiết
Các mô-đun chúng ta cần là
- Nặng nề
- Ngẫu nhiên
Để nhập các mô-đun này, hãy sử dụng
import numpy as np
import random
Trong bước tiếp theo, chúng ta cần tạo một số dữ liệu ngẫu nhiên. Hãy làm điều đó bằng cách sử dụng mô-đun Numpy
2. Tạo dữ liệu ngẫu nhiên
Hãy tạo một phân phối bình thường với giá trị trung bình là 300 và với 1000 mục nhập
Mã cho điều đó được đưa ra dưới đây
x = np.random.normal[loc= 300.0, size=1000]
Chúng ta có thể tính giá trị trung bình của dữ liệu này bằng cách sử dụng
print [np.mean[x]]
đầu ra
300.01293472373254
Lưu ý rằng đây là giá trị trung bình thực tế của dân số
3. Sử dụng Lấy mẫu Bootstrap để ước tính giá trị trung bình
Hãy tạo 50 mẫu có kích thước 4 mỗi mẫu để ước tính giá trị trung bình
Mã để làm điều đó là
sample_mean = []
for i in range[50]:
y = random.sample[x.tolist[], 4]
avg = np.mean[y]
sample_mean.append[avg]
Danh sách sample_mean sẽ chứa giá trị trung bình của tất cả 50 mẫu. Để ước tính giá trị trung bình của dân số, chúng ta cần tính giá trị trung bình cho sample_mean
Bạn có thể làm điều đó bằng cách sử dụng
________số 8đầu ra
300.07261467146867
Bây giờ nếu chúng ta chạy lại mã trong phần này thì chúng ta sẽ nhận được một kết quả khác. Điều này là do mỗi khi chúng tôi chạy mã, chúng tôi sẽ tạo các mẫu mới. Tuy nhiên, mỗi lần đầu ra sẽ gần với giá trị trung bình thực tế [300]
Khi chạy lại mã trong phần này, chúng tôi nhận được đầu ra sau
import numpy as np x=np.arange[12] y=np.reshape[x, [4,3]] x y0
Chạy nó một lần nữa, chúng tôi nhận được
import numpy as np x=np.arange[12] y=np.reshape[x, [4,3]] x y1
Mã hoàn chỉnh để triển khai Lấy mẫu Bootstrap trong Python
Đây là mã hoàn chỉnh cho hướng dẫn này
import numpy as np x=np.arange[12] y=np.reshape[x, [4,3]] x y2
Sự kết luận
Hướng dẫn này là về Lấy mẫu Bootstrap trong Python. Chúng tôi đã học cách ước tính giá trị trung bình của dân số bằng cách tạo các mẫu nhỏ hơn. Điều này rất hữu ích trong thế giới Machine Learning để tránh trang bị quá mức. Hy vọng bạn đã có niềm vui học tập với chúng tôi