编译器-python 词法和句法分析。

LSTM文本分类情感分析 使用LSTM进行文本分类/情感分析。使用LSTM对数据执行文本分类/情感分析。这些推文已从Twitter撤出，然后进行了手动标记。列： 地点 鸣叫于 原始推文 标签

《MATLAB 神经网络43个案例分析》源码和数据第40-43章

伊达 自动探索性数据分析

Twitter情绪分析 该项目是关于使用Apache Spark结构化流，Apache Kafka，Python和AFINN模块对所需Twitter主题进行情感分析的。 您可以了解所需主题的情感状态。 例如; 您可能对《权力的游戏》的新剧集感到好奇，并且您可能先前已经获得了某人对该新剧集的意见。 根据意见，答案可以是负的，中性的或正的。 代码说明 身份验证操作已通过Python的Tweepy模块完成。 您必须从Twitter API获取密钥。 名为TweetListener的StreamListener是为Twitter Streaming创建的。 StreamListener为名为“ t

轨迹框架分析 中轨迹分析器用于在中测量残渣对距离。该脚本在终端中接受输入文件以定义其输入，分析设置和残基对。 依存关系 1. 负责选择残基原子和坐标以及分析模板。 使用 根据存储库中的模板创建一个input.in文件。残基对之间用空格隔开，所有其他值之间用'='符号隔开。在'3：RUN_SETTINGS'中，布尔值必须大写，如python ex'False'所示。 运行程序 python frameanalysis.py input.in

生存分析最初是由精算和医学界开发并广泛应用的。 其目的是回答为什么现在发生事件而不是后来在不确定性下发生（事件可能指死亡，疾病缓解等）。 这对于对测量寿命感兴趣的研究人员非常有用：他们可以回答诸如哪些因素可能影响死亡的问题？ 但是，除了医学和精算科学外，生存分析还有许多其他有趣而激动人心的应用。 例如： SaaS提供商对衡量订户的生存期或采取某些第一行动的时间感兴趣 库存缺货是对商品真正“需求”的审查事件。 社会学家对衡量政党的一生，人际关系或婚姻感兴趣 A / B测试可确定不同组执行一项操作需要多长时间。 lifelines是生存分析的最佳部分的纯Python实现。 记录和生存分析简

亚马逊评论分析

netAddHealth 迈克尔·梅特卡夫·毕晓普 数据来源：青少年健康的纵向研究 目的：使用R和igraph准备数据并创建功能以进行社交网络分析。按学校或社区应用功能来添加健康网络数据通常很方便。 参见最后的函数：makeIgraphList和makeVertexAttribList，可以轻松而有效地对其进行修改。 输出：igraphList是igraph对象的列表，每个社区一个net5，net5是导入net4的数据，再加上新的集中度 注意：更改代码的前几行中指示的数据的位置。 然后，如果您已经安装了三个列出的软件包，则可以立即执行其余代码。 致谢：我要感谢Joyce Tabor，James Moody和Peter McMahan的帮助，但任何错误都是我自己的。 细节： - Import SAS datasets: sfriend.xpt, Inschool.xpt, all

RFM集群