使用NLTK进行文本数据的自动情感分析 通讯155：人工智能和新媒体朱准se教授家庭作业2018年五月 该项目使用自然语言工具包（NLTK）情感分析功能来分析四个csv数据集（亚马逊产品评论，啤酒评论，电影评论和雨伞评论）的文本情感。 每个数据集包含成对的评论内容列表和一个数字评分。 用户生成的评分与NLTK生成的分数之间的相关性绘制在matplotlib条形图中。 我还发现编写了代码来查找与正面和负面情绪得分唯一相关的单词。 亚马逊评论 一些与评论得到负面情感评分唯一相关的有趣单词：损坏，讨厌，不糟糕，混乱，失望，严重一些与获得积极情绪评分的评论有关的有趣单词：维生素，混合 啤酒评论 一些与评论得到负面情感评分唯一相关的有趣单词：恐怖，死亡，谋杀一些与获得好评的评论独特相关的有趣单词：颜色，炫酷，迪士尼，朱莉·安德鲁斯 我认为分析对这组数据的作用是独特的，因为评论是针对不同电影的

python数据分析 tmdb电影数据分析 源码及数据

脑电图分析 使用MNE和Networkx对静止状态eeg数据进行图形分析 清理静止状态数据，并使用相位滞后指数（PLI）创建连接矩阵。 然后，建立一个图，并为进行无偏组比较，导出一个非循环子图，该图连接了所有节点，从而使边缘权重最小（w = 1 / w）。 此子图称为最小生成树。 前处理 导入数据，然后以1-30Hz的频率对其进行过滤（mne滤波器已经使用了零相滤波器）。 设置平均参考。 在执行ICA之前，请检查并排除不良电极。 对原始数据进行首次视觉检查，排除包含明显伪像的段。 计算我将传递给ICA的拒绝阈值 使用Extended-infomax方法运行ICA 目视检查ICA组件，以检查是否有代表眼睛运动或眨眼的组件。 运行应使这些组件高亮的自动过程 申请ICA 创建时期并执行最后的目视检查以排除不良时期。 保存时代连通性矩阵 使用PLI方法计算连接矩阵。 使用这些值

Canales_eLIFE_2021_WGCNA_GO WGCNA和基因本体分析

Poppr版本2 什么是poppr ？ Poppr是一个R软件包，用于分析具有性和克隆繁殖混合模式的人群。 它围绕genind和genlight对象的框架构建，并提供以下实现： 在层次结构的多个级别中的任何一个级别上对人口进行克隆检查 方便的多基因座基因型计数和具有多个层次结构的种群子集 定义多基因座基因型 基因型多样性，均匀性，丰富性和稀疏性指标的计算 引导距离支持遗传距离的树状图的绘制 遗传距离的最小跨度网络图 关联指数的计算（ ） 或者 （ ） 已安装R（≥2.15.1）的任何服务器上的批处理 微卫星（SSR）标记的Bruvo距离的计算（以C表示为速度） 从导入数据并导出到 2.0版的新功能： 基因组SNP数据处理 自定义多基因座基因型定义 通过遗传距离折叠多基因座谱系 计算网状最小跨度网络 计算跨snps的滑动窗口中的关联索引 MLG多样性统计的自举 和更多！ 有关完整

Zomato餐厅数据分析和推荐系统 :fire: 语境 班加罗尔的饮食文化让我着迷。 班加罗尔（Bengaluru）遍布世界各地的餐厅。 从美国到日本，从俄罗斯到南极洲，您可以在这里找到所有类型的美食。 送货，外出就餐，酒吧，酒吧，饮料，自助餐，甜品，您自己定的名字，班加罗尔也有。 班加罗尔是美食家的最佳去处。 餐厅的数量每天都在增加。 目前拥有约12,000家餐厅。 拥有如此众多的餐厅。 这个行业还没有饱和。 新餐厅每天都在营业。 然而，与已建立的餐馆竞争已经变得困难。 继续对他们构成挑战的关键问题包括高昂的房地产成本，不断上涨的食品成本，缺乏优质的人力，分散的供应链和过度的许可。 该Zomato数据

sobol算法完成四个参数的参数敏感性分析，对于数学模型的优化有较大作用

arcgis api 3.x for js 实现地图最短路径分析，提供源码下载

预期寿命 过去已经对影响预期寿命的几个因素进行了研究。 以前从未考虑过使用某些功能根据国家状况（发展/发达，GDP，百分比支出），​​生活方式（BMI，酒精，教育，资源收入构成），疾病（艾滋病毒/艾滋病）预测所有国家/地区预期寿命的准确性艾滋病，白喉等） 数据集已从收集。 我已经在R上完成了这个项目，并且在Tableau上创建了不同类型的有意义的可视化。 清理数据，可视化数据，缩放比例的特征，进行统计分析，创建相关矩阵，检查变量之间如何正/负相关以及它们之间的相关性如何，为每个特征创建简单的（一个变量）回归模型并比较p值使用多变量线性回归来检查冗余预测变量，使用vif来量化共线性度，检查条件，这些清理后的数据集是否适合线性回归模型，生成多元回归模型，同时使用AIC和向后消除预测最准确模型的方法以及未来的预测方法-该项目的一部分

亚马逊美食评论 Amazon Fine Food Reviews数据集包含568,454条亚马逊用户截至2012年10月的食品评论。 该分析的目的是建立一个预测模型，在此模型中，我们将能够预测推荐是肯定的还是否定的。 在此分析中，我们将不关注分数，而仅关注建议的积极/消极情绪。 涉及程序 该项目是关于文本数据使用的情感分析 nltk库，其中包括PorterStemmer（）和word_tokenize（），可将非结构化文本数据更改为结构化文本 使用countvectorizer（将文本文档的集合转换为令牌计数矩阵），TfidfTransformer（以缩小在给定语料库中频繁出现的令牌的影响，因此，从经验上讲，其信息量少于一小部分的功能）来自sklearn库的训练语料库以进行特征提取 朴素的贝叶斯（MultinomialNB，BernoulliNB） 逻辑回归 使用roc曲线，confc