Category: လမ်းညွှန်

Excel တွင် SMALL IF လုပ်ဆောင်ချက်ကို လုပ်ဆောင်ရန် အောက်ပါဖော်မြူလာများကို အသုံးပြုနိုင်သည်။ ဖော်မြူလာ 1- စံသတ်မှတ်ချက်တစ်ခုတည်းဖြင့် သေးငယ်သော IF =SMALL(IF( A2:A16 ="A", C2:C16 ),2) ဤဖော်မြူလာသည် C2:C16 တွင် ဒုတိယအသေးငယ်ဆုံးတန်ဖိုးကို A2:A16 တွင် “ A” နှင့် ညီမျှသည့်တန်ဖိုးကို ရှာသည်။ ဖော်မြူလာ 2- စံနှုန်းများစွာဖြင့် သေးငယ်သော IF =SMALL(IF(( A2:A16 ="A")*( B2:B16 ="Forward"), C2:C16 ),2)...

မကြာခဏ၊ သင်သည် “ ထက်ကြီးသည်” စစ်ထုတ်မှုကို အသုံးပြု၍ Excel ရှိ pivot ဇယားရှိ တန်ဖိုးများကို စစ်ထုတ်လိုပေမည်။ ကံကောင်းစွာဖြင့်၊ pivot ဇယားတစ်ခု၏ အတန်းအညွှန်းများ ကော်လံရှိ Value Filters drop-down menu ကို အသုံးပြု၍ ၎င်းကို လွယ်ကူစွာပြုလုပ်နိုင်သည်။ အောက်ဖော်ပြပါ ဥပမာသည် ၎င်းကို မည်သို့ပြုလုပ်ရမည်ကို အတိအကျပြသထားသည်။ ဥပမာ- “ထက်ကြီးသည်” ကို အသုံးပြု၍ ဆုံချက်ဇယားတွင် ဒေတာကို စစ်ထုတ်ပါ ကျွန်ုပ်တို့တွင် မတူညီသော ထုတ်ကုန်လေးခု၏ ရောင်းချမှုအရေအတွက်ကိုပြသသော...

အခြေခံ R ကွက်ကွက်တစ်ခုရှိ ဒဏ္ဍာရီတစ်ခု၏အရွယ်အစားကို ပြောင်းလဲရန် အရိုးရှင်းဆုံးနည်းလမ်းမှာ cex အကြောင်းပြချက်ကို အသုံးပြုခြင်းဖြစ်သည်- legend(' topright ', legend=c(' A ', ' B '), col=1:2, pch= 16 , cex= 1 ) cex ၏ မူရင်းတန်ဖိုးမှာ 1 ဖြစ်သည်။ သင် cex အတွက်သတ်မှတ်ထားသောတန်ဖိုးပိုကြီးလေ၊ ဒဏ္ဍာရီပိုကြီးလေဖြစ်သည်။ အောက်ဖော်ပြပါ ဥပမာသည် ဤအငြင်းအခုံကို လက်တွေ့တွင် မည်သို့အသုံးပြုရမည်ကို ပြသထားသည်။ ဥပမာ-...

Pandas DataFrame အတွင်းရှိ ကော်လံများ၏ ဒေတာအမျိုးအစား ( dtype ) ကို စစ်ဆေးရန် အောက်ပါနည်းလမ်းများကို အသုံးပြုနိုင်ပါသည်။ နည်းလမ်း 1- ကော်လံအမျိုးအစားကို စစ်ဆေးပါ။ df. column_name . dtype နည်းလမ်း 2- ကော်လံအားလုံး၏ အမျိုးအစားကို စစ်ဆေးပါ။ df. dtypes နည်းလမ်း 3- မည်သည့်ကော်လံများတွင် သီးခြားအမျိုးအစားရှိသည်ကို စစ်ဆေးပါ။ df. dtypes [df. dtypes == ' int64 '] အောက်ပါနမူနာများသည်...

Python ရှိ အဘိဓာန်တစ်ခုကို ပန်ဒါ DataFrame အဖြစ်သို့ ပြောင်းလဲရန် အောက်ပါနည်းလမ်းများထဲမှ တစ်ခုခုကို သင်သုံးနိုင်သည်။ နည်းလမ်း 1- dict.items() ကိုသုံးပါ df = pd. DataFrame (list(some_dict. items ()), columns = [' col1 ', ' col2 ']) နည်းလမ်း 2- from_dict() ကိုသုံးပါ df = pd. DataFrame . from_dict (some_dict, orient='...

ကိန်းဂဏန်းဖြန့်ချီမှုသည် အချို့သောဖြစ်ရပ်တစ်ခုဖြစ်ပေါ်သည်အထိ ကျွန်ုပ်တို့စောင့်ဆိုင်းရမည့်အချိန်ကို နမူနာယူရန် အသုံးပြုသည့် ဖြစ်နိုင်ခြေဖြန့်ဖြူးမှုတစ်ခုဖြစ်သည်။ ကျပန်းပြောင်းလဲနိုင်သော X သည် ထပ်ကိန်းခွဲဝေမှုကို လိုက်နာပါက၊ X ၏ စုစည်းဖြန့်ဝေမှုလုပ်ဆောင်ချက်ကို ရေးသားနိုင်သည်- F (x; λ) = 1 – e –λx ရွှေ- λ- နှုန်းသတ်မှတ်ချက် (λ = 1/μ အဖြစ် တွက်ချက်) e- ခန့်မှန်းခြေ ကိန်းသေတစ်ခုသည် 2.718 နှင့် ညီမျှသည်။ ဤသင်ခန်းစာတွင် Python တွင် ကိန်းဂဏန်းဖြန့်ချီမှုကို...

စာရင်းဇယားများတွင် Jaro-Winkler တူညီမှု သည် ကြိုးနှစ်ခုကြားရှိ ဆင်တူမှုများကို တိုင်းတာရန် နည်းလမ်းတစ်ခုဖြစ်သည်။ ကြိုးနှစ်ခုကြားရှိ Jaro တူညီမှု (sim j ) ကို အောက်ပါအတိုင်း သတ်မှတ်သည်။ sim j = 1/3 * ( m /|s 1 | + m/|s 2 | + (mt)/m ) ရွှေ- m : ကိုက်ညီသော စာလုံးအရေအတွက် s 1...

စက်သင်ယူမှုတွင် အမျိုးအစားခွဲခြင်းပုံစံများကို ကျွန်ုပ်တို့အသုံးပြုသောအခါ၊ ကျွန်ုပ်တို့သည် မော်ဒယ်၏အရည်အသွေးကို အကဲဖြတ်ရန် ဘုံမက်ထရစ်သုံးခုကို အသုံးပြုသည်- 1. တိကျမှု – စုစုပေါင်း အပြုသဘောဆောင်သော ခန့်မှန်းချက်များနှင့် နှိုင်းယှဉ်ပါက မှန်ကန်သော အပြုသဘောဆောင်သော ခန့်မှန်းချက်များ ရာခိုင်နှုန်း။ 2. ပြန်လည်သိမ်းဆည်းခြင်း – စုစုပေါင်းအမှန်တကယ် အပြုသဘောဆောင်သော ခန့်မှန်းချက်များနှင့် နှိုင်းယှဉ်ပါက မှန်ကန်သော အပြုသဘောဆောင်သော ခန့်မှန်းချက်များ ရာခိုင်နှုန်း။ 3. F1 ရမှတ် – တိကျမှုနှင့် ပြန်လည်သိမ်းဆည်းမှု၏ အလေးချိန်ရှိသော ဟာမိုနစ်ပျမ်းမျှ။ မော်ဒယ်က 1 နဲ့...

စက်သင်ယူမှုမော်ဒယ်များကို ဒေတာအတွဲများနှင့် အံဝင်ခွင်ကျဖြစ်စေသောအခါ၊ ကျွန်ုပ်တို့သည် ဒေတာအတွဲများကို နှစ်စုံအဖြစ် ခွဲလေ့ရှိသည်- 1. Training set- မော်ဒယ်ကို လေ့ကျင့်ရန် အသုံးပြုသည် (မူရင်းဒေတာအတွဲ၏ 70-80%) 2. စမ်းသပ်မှုအစုံ- မော်ဒယ်စွမ်းဆောင်ရည်၏ ဘက်မလိုက်သော ခန့်မှန်းချက် (မူရင်းဒေတာအတွဲ၏ 20-30%) ရရှိရန် အသုံးပြုသည်။ Python တွင်၊ ပန်ဒါ DataFrame ကို လေ့ကျင့်ရေးအစုံနှင့် စမ်းသပ်မှုအစုအဖြစ် ခွဲရန် ဘုံနည်းလမ်းနှစ်ခုရှိသည်။ နည်းလမ်း 1- sklearn ၏ train_test_split() ကိုသုံးပါ from sklearn....

ရှိပြီးသား DataFrame မှ ပန်ဒါ DataFrame အသစ်ကို ဖန်တီးရန် ဘုံသုံးနည်းရှိပါသည်။ နည်းလမ်း 1- DataFrame အဟောင်းမှ ကော်လံအများအပြားကို အသုံးပြု၍ DataFrame အသစ်တစ်ခု ဖန်တီးပါ။ new_df = old_df[[' col1 ', ' col2 ']]. copy () နည်းလမ်း 2- DataFrame အဟောင်းမှကော်လံကို အသုံးပြု၍ DataFrame အသစ်တစ်ခုဖန်တီးပါ။ new_df = old_df[[' col1 ']]. copy ()...