<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[扎实耕耘，终有所获]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/abc8023</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; abc8023]]></copyright><item><title><![CDATA[Pandas300题|每天5题，百炼成神（1）]]></title><link>https://blog.csdn.net/abc8023/article/details/144720928</link><guid>https://blog.csdn.net/abc8023/article/details/144720928</guid><author>abc8023</author><pubDate>Wed, 25 Dec 2024 15:34:29 +0800</pubDate><description><![CDATA[Pandas300题|每天5题，百炼成神（1）
1.本期内容：
从json、list读取数据
筛选行数据
读取列名
修改列名
统计某一列]]></description><category></category></item><item><title><![CDATA[Pandas系列|第五期：Pandas中数据处理函数]]></title><link>https://blog.csdn.net/abc8023/article/details/144683707</link><guid>https://blog.csdn.net/abc8023/article/details/144683707</guid><author>abc8023</author><pubDate>Tue, 24 Dec 2024 09:51:37 +0800</pubDate><description><![CDATA[使用drop，默认地，它不改变原有的df中的数据，而是返回另一个dataframe来存放删除后的数据。isin函数用于筛选数据框中某一列的值是否属于给定的序列。inplace=True，则会直接改变原有的df中的数据。使用截取函数去掉头部尾部一个字符：[1:-1]使用截取函数去掉尾部一个字符：[:-1]使用截取函数去掉头部一个字符：[1:]1.isin函数的应用。]]></description><category></category></item><item><title><![CDATA[Pandas系列|第四期：Pandas中日期处理函数]]></title><link>https://blog.csdn.net/abc8023/article/details/144683422</link><guid>https://blog.csdn.net/abc8023/article/details/144683422</guid><author>abc8023</author><pubDate>Tue, 24 Dec 2024 09:33:44 +0800</pubDate><description><![CDATA[1. date_range 获取2个日期之间的所有日期。2. date_range 获取2个日期之间的所有月份。3. 给定日期获取相隔2年的年份。]]></description><category></category></item><item><title><![CDATA[Pandas系列|第三期：Pandas中访问数据]]></title><link>https://blog.csdn.net/abc8023/article/details/144671429</link><guid>https://blog.csdn.net/abc8023/article/details/144671429</guid><author>abc8023</author><pubDate>Mon, 23 Dec 2024 18:26:35 +0800</pubDate><description><![CDATA[2.其中.loc既能查询,又能覆盖写入,强烈推荐!Pandas使用df.loc查询数据的方法。.iloc访问数据用的比较多。1.pandas中访问数据。.loc赋值用的比较多。]]></description><category></category></item><item><title><![CDATA[Pandas系列|第二期：Pandas中的数据结构]]></title><link>https://blog.csdn.net/abc8023/article/details/144671120</link><guid>https://blog.csdn.net/abc8023/article/details/144671120</guid><author>abc8023</author><pubDate>Mon, 23 Dec 2024 16:18:47 +0800</pubDate><description><![CDATA[Pandas 的主要数据结构是 Series （一维数据）与 DataFrame（二维数据），这两种数据结构足以处理金融、统计、社会科学、工程等领域里的大多数典型用例。Series 是一种类似于一维数组的对象，它由一组数据（各种Numpy数据类型）以及一组与之相关的数据标签（即索引）组成。DataFrame 是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔型值）。DataFrame 既有行索引也有列索引，它可以被看做由 Series 组成的字典（共同用一个索引）]]></description><category></category></item><item><title><![CDATA[Pandas系列|第一期：Pandas简介]]></title><link>https://blog.csdn.net/abc8023/article/details/144670914</link><guid>https://blog.csdn.net/abc8023/article/details/144670914</guid><author>abc8023</author><pubDate>Mon, 23 Dec 2024 16:15:54 +0800</pubDate><description><![CDATA[Pandas 的主要数据结构是 Series （一维数据）与 DataFrame（二维数据），这两种数据结构足以处理金融、统计、社会科学、工程等领域里的大多数典型用例。Series 是一种类似于一维数组的对象，它由一组数据（各种Numpy数据类型）以及一组与之相关的数据标签（即索引）组成。DataFrame 是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔型值）。Pandas 一个强大的分析结构化数据的工具集，基础是 Numpy（提供高性能的矩阵运算）。]]></description><category></category></item><item><title><![CDATA[Pandas系列|第十期：将全部行按照其中两列生成的列表展开]]></title><link>https://blog.csdn.net/abc8023/article/details/144432111</link><guid>https://blog.csdn.net/abc8023/article/details/144432111</guid><author>abc8023</author><pubDate>Wed, 18 Dec 2024 09:30:00 +0800</pubDate><description><![CDATA[不同的编码item有最早供应周期与最晚供应周期，在最早供应周期、最晚供应周期之间的每个供应周期展开生成一笔9999的供应量。关键点：apply函数的应用。]]></description><category></category></item><item><title><![CDATA[Pandas系列|第九期：全部行按某一列（列值是列表）展开]]></title><link>https://blog.csdn.net/abc8023/article/details/144428657</link><guid>https://blog.csdn.net/abc8023/article/details/144428657</guid><author>abc8023</author><pubDate>Tue, 17 Dec 2024 09:30:00 +0800</pubDate><description><![CDATA[explode函数用于将一个包含列表、Series或者其他可迭代对象的列拆分成多行。每个元素将会在新的行中重复，同时保留其他列的值。Pandas中的某一列的列值是列表，现在需要将数据按照该列拆分成多行。explode函数，]]></description><category></category></item><item><title><![CDATA[Pandas系列|第七期：按多列分组排序并删除每组中排序不在第一位的]]></title><link>https://blog.csdn.net/abc8023/article/details/144426087</link><guid>https://blog.csdn.net/abc8023/article/details/144426087</guid><author>abc8023</author><pubDate>Mon, 16 Dec 2024 11:08:43 +0800</pubDate><description><![CDATA[关键点：按照多列排序、分组、删除每个分组中排序最大的。背景：物料清单（BOM）进行数据清洗时，在BOM表中按照父编码进行分组，保留QTY最大且失效时间最晚的一行，删除其余的行。]]></description><category></category></item><item><title><![CDATA[Pandas系列|第八期：两个日期之间有多少个自然星期，以及每个自然星期的天数]]></title><link>https://blog.csdn.net/abc8023/article/details/144426248</link><guid>https://blog.csdn.net/abc8023/article/details/144426248</guid><author>abc8023</author><pubDate>Sun, 15 Dec 2024 11:00:00 +0800</pubDate><description><![CDATA[关键点：求两个日期之间有多少个自然星期，以及每个自然星期的天数。涉及函数start_date.weekday()计算某个日期类型的值是星期几（返回值0,1,2,3,4,5,6分别代表星期一到星期日）是按照总的供应量展开到供应开始日期至供应结束日期之间的每个周期而得到的。【自然周：从周一开始到周天结束】背景：计算排产计划中的产能时，具体的计算公式是：每个周期。（1个自然星期算1个周期）自然星期的天数*日供应量。]]></description><category></category></item><item><title><![CDATA[Pandas系列|第六期：列值的前N码模糊匹配]]></title><link>https://blog.csdn.net/abc8023/article/details/143631987</link><guid>https://blog.csdn.net/abc8023/article/details/143631987</guid><author>abc8023</author><pubDate>Fri, 13 Dec 2024 17:56:50 +0800</pubDate><description><![CDATA[关键点：前N码模糊匹配df['col'].str.startswith(tuple(item_prefix_list)）。背景：物料清单（BOM）在做关键器件筛选时，需要筛选出编码的。]]></description><category></category></item><item><title><![CDATA[建模实战|第八期：Benders Decomposition求解设施选址问题(FLP)：理论及python代码实战]]></title><link>https://blog.csdn.net/abc8023/article/details/141703958</link><guid>https://blog.csdn.net/abc8023/article/details/141703958</guid><author>abc8023</author><pubDate>Tue, 10 Sep 2024 08:45:00 +0800</pubDate><description><![CDATA[Benders Decompositions是一种用来解决有特殊结构问题的数学编程技术。它经常被用来解决大规模混合整数规划(mixed integer programming, MIP)问题。其主要思想是，将较复杂的模型分解成为2部分，分别求解2部分都较为容易，通过两部分之间的交互迭代，最终算法得到收敛，得到最优解。Master Problem主问题 - usually harder, MIP problem，一般是关于整数变量y的，是复杂变量的问题。]]></description><category></category></item><item><title><![CDATA[建模实战|第七期：电信公司人员调度优化问题-使用ortools求解器（附python代码)]]></title><link>https://blog.csdn.net/abc8023/article/details/141685772</link><guid>https://blog.csdn.net/abc8023/article/details/141685772</guid><author>abc8023</author><pubDate>Mon, 09 Sep 2024 08:45:00 +0800</pubDate><description><![CDATA[电信公司经营多个服务中心为其客户服务。每个服务中心都有自己的技术人员，这些技术人员从服务中心派遣出去去完成指定的工作，待所有工作完成后再返回服务中心。技术人员有多种技能和可用的工作能力，在调度范围内不能超过他们的这些技能和可用的工作能力。服务订单/作业具有已知的处理时间、客户指定的启动服务的时间窗口、完成服务的截止日期及其技能要求。根据工作的性质(日常维护或紧急情况)以及与客户的关系(现有的或新的)，公司评估工作的重要性并为其分配优先级分数。一项工作最多分配给一名拥有所需技能的技术人员，但该技术人员在调度范]]></description><category></category></item><item><title><![CDATA[建模实战|第六期：智能电网的发电调度问题建模和求解-python调用Ortools求解器]]></title><link>https://blog.csdn.net/abc8023/article/details/141685461</link><guid>https://blog.csdn.net/abc8023/article/details/141685461</guid><author>abc8023</author><pubDate>Sun, 08 Sep 2024 10:00:00 +0800</pubDate><description><![CDATA[世界各地的主要电力公司都会利用数学优化来管理其电网中的能量流。在本例中，我们将使用数学优化解决一个常见的能源行业问题(发电)。我们的目标是如何找出一组最佳的电站，以便在24小时内满足预期的电力需求。]]></description><category></category></item><item><title><![CDATA[建模实战|第五期：ortools求解CVRP问题（有容量约束的车辆路径问题）-附python代码]]></title><link>https://blog.csdn.net/abc8023/article/details/141684793</link><guid>https://blog.csdn.net/abc8023/article/details/141684793</guid><author>abc8023</author><pubDate>Sat, 07 Sep 2024 10:00:00 +0800</pubDate><description><![CDATA[车辆路径问题（VRP）有非常多的变形，这里介绍VRP研究最多的基本问题——有容量约束的车辆路径问题（Capacitated Vehicle Routing Problem，CVRP）。在CVRP问题中，要求由一个车队承担将货物从一个仓库运输到其他预先指定的客户点上的任务。其中，车队的车辆都是同质的，且都只能从仓库出发，服务完客户点后，返回仓库。每个客户点也只能被一辆车访问一次。决策对象是车辆的行驶路线，每辆车在不同的路线上的行驶成本不同，最终的目标是要使得完成这个任务的车队的总成本最小。]]></description><category></category></item><item><title><![CDATA[建模实战|第四期：乳制品定价问题建模和求解-python调用gurobi求解器]]></title><link>https://blog.csdn.net/abc8023/article/details/141683712</link><guid>https://blog.csdn.net/abc8023/article/details/141683712</guid><author>abc8023</author><pubDate>Fri, 06 Sep 2024 09:00:00 +0800</pubDate><description><![CDATA[确定一个国家乳制品的价格和需求，以使这些产品的销售总收入最大化。我们会将问题建模为二次优化问题，并使用gurobi求解器解决它。所有这些产品都是(直接或间接)由该国的原料奶生产业务生产的。本来打算用ortools求解的，发现ortools居然不支持二次规划QP。这个案例我们将学习如何使用数学优化来解决一个常见但关键的。确定什么样的价格和需求能使总收入最大化。生产牛奶、黄油和两种奶酪这几种产品的。每年用来生产牛奶、黄油和两种奶酪的。下表显示了去年乳制品的。]]></description><category></category></item><item><title><![CDATA[建模实战|第三期：解决背包问题与装箱问题-python调用Ortools求解器]]></title><link>https://blog.csdn.net/abc8023/article/details/141683057</link><guid>https://blog.csdn.net/abc8023/article/details/141683057</guid><author>abc8023</author><pubDate>Thu, 05 Sep 2024 09:00:00 +0800</pubDate><description><![CDATA[背包问题(Knapsack problem)：容器数量是固定的，每个容器有自己的最大容量，而需要分配的物件有各自的价值，我们的目标是让装入容器的物体的总价值最大，并不要求所有物体都装入。装箱问题（ Bin-packing problem）：容器数量不固定，每个容器容量是相同的，有自己的最大容量，我们的目标是用最少的容器来存放所有的物件。装箱问题也可以分为多种情况，如完全装箱问题、不完全装箱问题、一维装箱问题和二维装箱问题等。]]></description><category></category></item><item><title><![CDATA[建模实战|第二期：快速掌握ortools求解VRPTW数学模型（附python代码)]]></title><link>https://blog.csdn.net/abc8023/article/details/141682483</link><guid>https://blog.csdn.net/abc8023/article/details/141682483</guid><author>abc8023</author><pubDate>Wed, 04 Sep 2024 09:00:00 +0800</pubDate><description><![CDATA[​
经过上一篇无形忍者-禁忌搜索算法求解带时间窗的车辆路径规划问题详解（附python代码）的介绍，我们对带时间窗的车辆路径问题（VRPTW问题）已经有了一定的了解。另外经过这一篇无形忍者-OR-Tools-VRPTW带时间窗的车辆路径问题的介绍我们对ortools求解器也有了一定的了解，这篇文章是使用ortools的自带库来解决VRPTW问题的。

但是实际工作中遇到的VRPTW问题更复杂，比如约束更多，或者是多目标的。这时候使用ortools中解决车辆路线的自带库会有一定的局限性。]]></description><category></category></item><item><title><![CDATA[智能优化系列|第六期：VNS变邻域搜索算法求解TSP问题 (附python代码和详细注释)]]></title><link>https://blog.csdn.net/abc8023/article/details/141680998</link><guid>https://blog.csdn.net/abc8023/article/details/141680998</guid><author>abc8023</author><pubDate>Tue, 03 Sep 2024 09:00:00 +0800</pubDate><description><![CDATA[​
变邻域搜索算法（VNS）是一种改进的爬山算法。变邻域搜索（VNS）主要是利用多个邻域对当前解进行搜索。它分为两个阶段，即变邻域下降阶段（variable neighborhood descent）-即VND阶段和扰动阶段（shaking phase）-即邻域动作阶段。这两个阶段都会改变搜索的邻域。]]></description><category></category></item><item><title><![CDATA[智能优化系列|第五期：禁忌搜索算法求解VRPTW问题（带时间窗的车辆路径规划问题）- 附python代码]]></title><link>https://blog.csdn.net/abc8023/article/details/141680564</link><guid>https://blog.csdn.net/abc8023/article/details/141680564</guid><author>abc8023</author><pubDate>Mon, 02 Sep 2024 09:00:00 +0800</pubDate><description><![CDATA[车辆路径问题（VRP）最早是由 Dantzig 和 Ramser 于1959年首次提出，它是指一定数量的客户，各自有不同数量的货物需求，配送中心向客户提供货物，由一个车队负责分送货物，组织适当的行车路线，目标是使得客户的需求得到满足，并能在一定的约束下，达到诸如路程最短、成本最小、耗费时间最少等目的。]]></description><category></category></item></channel></rss>