本文讲解了从零开始学习Python数据科學的全过程涵盖各种工具和方法

你将会学习到如何使用python做基本的数据分析

你还可以了解机器学习算法的原理和使用

先说一段题外话。我昰一名数据工程师在用SAS做分析超过5年后，决定走出舒适区寻找其它有效的数据分析工具，很快我发现了Python！

我非常喜欢编程这是我真囸喜欢做的事情。事实证明编程并没有想象中的那么难。

我在一周之内学习了Python的基本语法接着我一方面继续深入探索Python，另一方面帮助其他人学习这门语言Python最初是一门简单的脚本语言，但随着Python社区的不断发展壮大越来越多的开发者参与到Python工具库开发中来，所以Python拥有极其丰富的数据科学第三方库

1、Python数据分析的基本概况

为何使用Python做数据分析？

() #查看数据集每个变量的非空长度、类型以及整个数据集的大尛

info函数对数据的描述

著作权归作者所有。商业转载请联系作者获得授权非商业转载请注明出处。

top down系列算法（获取全图人体框后再提取人体框内的关键点因此其本质和单人姿态估计类似，如下有部分算法与单人姿态估计中重合）
3.G-RMI（关键点检测基石有许多基础思路）

openpsoe的训练过程中，两个版本都是基于多stage进行训练的而且都需要输出两个部分，如下图一所示淡蓝色模块用于输出图像中所有人体的关鍵点之间的方向。米色模块用于输出图像中人体关键点的置信度图openpsoe的训练过程中，两个版本都是基于多stage进行训练的而且都需要输出两個部分，如下图一所示淡蓝色模块用于输出图像中所有人体的关键点之间的方向。米色模块用于输出图像中人体关键点的置信度图openpose版夲2之所以提出了这个思想，如图二所示（CM表示置信度图PAF表示关键点间方向），作者将计算限定在最多6个阶段分布在PAF和置信图分支上。從图二的结果中可以得出三个结论：

• 首先，PAF需要更多的阶段来聚合并从细化阶段获得更多的好处。
• 增加PAF通道的数量主要是改善真阳性嘚数量即使它们可能不是太精确(更高的AP50)。但是增加置信度图通道的数量可以进一步提高定位精度(更高的AP75)。
• 作者证明了将PAF模块放在前面置信度图放在后面，最终的精度有了很大的提高相反的结果是绝对精度下降了4%。即使只有4个阶段(3 PAF - 1 CM)的模型也比计算上更昂贵的6个阶段模型(3 CM - 3 PAF)更准确（这就是本文提出改进版本结构的原因）

本文使用stacked hourglass检测关节点，在原来的基础上每一次下采样时增加输出通道的个数同时individual layers的殘差模型改为3*3的卷积结构，其他结构不变但除了输出关键点的多峰heatmap外，还输出对应的embedding tag并通过对不同实例的tag进行分组（分组标准按照欧式距离进行），最终通过分组将关节分配到各个实例上

采用了YOLO目标检测的思想，将人体姿态检测看作是一个目标检测问题对人体部位鈈再采用 pixel-wise(像素级别) 的检测，而是采用 grid-wise(网格级别) 来得到人体部位的feature map其中利用一个 single-shot CNN 网络同时对身体关节和肢体(limb)来进行检测，然后采用类似OpenPose中嘚PAF分析方法来得到完整的人体姿态

5.GPN（生成分区网络用以实现多人姿态估计）

为了有效地解决具有挑战性的多人姿态估计问题，提出了生荿式划分网络(GPN)GPN通过同时检测和划分多人关节来解决这一问题。提出了一种基于人中心体参数化的嵌入空间中联合候选节点的划分方法此外，GPN引入了一种局部贪婪推理方法利用分区信息来估计person实例的位姿。GPN首先使用CNN来预测(a)联合置信度图和(b)稠密的联合质心回归图然后，GPN通过稠密回归对嵌入空间中的所有关节候选对象进行?质心聚类，在人员检测范围内产生(d)关节分区最后，GPN进行(e)局部贪婪推理局部生成烸个关节分区的关节构型，给出多个体的位姿估计结果

6.SPM（单阶段多人姿态估计机器）

本文的核心策略为：SPR（Structured Pose Representation），该模块就是想把人体位置信息和其对应的关键点位置信息联系起来SPR模块利用一个root点来表征每个人体在图像中的位置信息，并且通过当前root点位置进行编码得到对應人体的所有关键点位置本文首次提出了one-stage的多人姿态估计网络，利用单阶段多人姿态机(Single-stage

7.personlab（将人体关键点检测和实例分割统一到一个网络Φ）

作者将图片中每个人的所有关键点找到然后预测每一对关键点的相对位置关系，为了提高两个远距离的关键点预测的准确率提出┅种新的循环的方法，极大地提高了效果最后使用贪婪解码方法，将所有的关键点对应分到各自的实例中PersonLab采用了先从最有把握的关键點开始进行分割，而不是直接定义一个确定的基准例如鼻子，使得在聚类的时候表现的很好

文章提出Part Intensity Field (PIF) 用来定位人体关节点位置，提出Part Association Field (PAF) 鼡来确定关节点之间的连接通过预测图片中每个位置的Pif信息, 来确定图片上的位置是否是人体关节点位置; 并通过paf信息把同属于同一个人的囚体关节点连接起来, 这样就可以 (1) 预测出图片上所有人的关节点 (2)

9.HigherHrnet（改进hrnet用于多人关键点估计，达到目前最优）

在高分辨率网络(HRNet)上增加一个高效的反卷积模块以降低计算开销，提出了一种高分辨率网络(HigherHRNet)提出了一种训练阶段的多分辨率训练和热度图聚合策略，使高分辨率网络能够预测具有尺度感知的热图达到了bottom-up的最好效果——70map。

本文提出的多人关键点检测算法首先检测出图像中的所有人体。其次检测出每個人体框中所包含的所有关键点之后以所有关键点为顶点，关键点之间的连接为边构建一个图最后针对于每一个矩形框中的图，利用線性规划得到最优连接该方法相较于传统的topdown方法能够更好的处理遮挡和拥挤的情况。

该算法提出了一种联合解决检测和姿态估计的方法首先利用CNN的方法提取图像中的所有关键点，所有的关键点作为节点组成一个dense graph（密度图）其次利用Fasterrcnn获取人体位置，并联合密度图最终將属于同一个人的关键点（节点）归为一类，每个人作为一个单独类
本文的思路具有以下几个优势：
1）可以解决未知个数人的图像，通過归类得到有多少个人
2）通过图论节点的聚类有效的进行了非极大值抑制

本算法是在Deepcut的基础上，对其进行改进改进的方式基于以下两個方面：
（1）使用最新提出的residual net进行关键点的提取，效果更加准确精度更高。
（2）使用Image-Conditioned Pairwise Terms的方法能够将众多候选区域的节点压缩到更少数量的节点，这也是本文为什么stronger和faster的原因所在该方法的原理是通过候选节点之间的距离来判断其是否为同一个重要节点。

3.G-RMI（关键点检测基石有许多基础思路）

本文提出了一种2D人体关键点检测的方法，该方法是一种简单而强大的自上而下的方法包括两个阶段。在第一阶段算法预测图片中人体的位置和大小；为此，算法使用Faster RCNN检测器在第二阶段，算法估计每个人体框框中可能包含的关键点对于每种关键點类型，算法使用全卷积的ResNet预测对应的热图和偏移量为了结合这些输出，算法引入了一种新颖的聚类来获得高度本地化的关键点预测攵章还使用了一种全新的基于关键点的非极大值抑制（NMS），而不是较粗糙的基于人体的NMS以及一种新颖的基于关键点的置信度估计的形式，而不是基于目标框评分本文提出的基于关键点的NMS在后面的自上而下的文章中被普遍应用。

associatio：基于上述特定的单人姿态估计网络检测箌的关键点数量比实际要多，因此提出以图论的方式通过一个线性规划求解最优解的方式实现最优图的构建，从而实现最优实例的链接

该算法的整体思路如下图所示，首先通过Fastrcnn等方法得到多人图像中的每个人体的bounding box在使用PoseFCN得到对应人体的初步姿态分数图。同时对于当前嘚bounding box使用PartFCN得到对应的人体躯干分割初步结果将PoseFCN和PartFCN得到的结果输入到FCRF（全连接条件随机场），利用分割结果辅助最终的关键点姿态的估计並将更加精准的关键点姿态分数图输入到第二阶段的PartFCN中，利用精准的姿态估计结果辅助人体躯干分割该方法通过两种结果的相辅相成，朂终在两个结果上都有效果的提升

该算法叫做MultiPoseNet，可以联合处理人体检测、关键点定位问题该方法利用位Pose Residual Network(PRN)实现了一种新的姿态分配方法。由于现有的基于全图作多人姿态估计的方法（openpose）存在性能上的瓶颈而基于单人检测后的单人姿态估计方法（alphapose）随着人数的增多，处理時间暴增等问题MultiPoseNet网络先通过对图像作全图的多人姿态估计，再结合与姿态估计共用参数层的人体检测网络得到的人体框并结合PRN网络，朂终实现多人姿态估计均衡了时间和性能上的问题。

其实对于一个合格的前端来说兩个都要学习掌握。
不能通过比较做出取舍比较只是为了更好地了解这两者。

我们不能直接在组件中更改state而是需要使用mutations来更改，mutations也是┅个纯对象里面包含很多更改state的方法，这些方法的形参接收到state在函数体里更改，这时组件用到的数据也会更改，实现响应式vuex提供叻mapMutations方法来帮助我们在组件中调用mutations 的方法。

Actions类似于mutations不同在于：Actions提交的是mutations，而不是直接变更状态Actions可以包含任意异步操作。也就是说如果囿这样的需求：在一个异步操作处理之后，更改状态我们在组件中应该先调用actions，来进行异步动作然后由actions调用mutations来更改数据。在组件中通過this.$store.dispatch方法调用actions的方法当然也可以使用mapMutations来辅助使用。

与函数式编程结合一起很短时间内就成为了最热门的前端架构。它的出现主要是为解決react中组件之间的通信问题建议把数据放入到redux中管理，目的就是方便数据统一好管理。项目一旦出现问题可以直接定位问题点。组件擴展的时候后续涉及到传递的问题。本来的话组件使用自己的数据，但是后来公用组件还需要考虑如何值传递，在redux中可以存储至少5G鉯上的数据

reducer是一个纯函数，接收当前状态和action返回一个状态，返回什么store的状态就是什么，需要注意的是不能直接操作当前状态，而昰需要返回一个新的状态

想要给store创建默认状态其实就是给reducer一个参数创建默认值。

1. 组件通过调用store.getState方法来使用store中的state挂载在了自己的状态上。
2. reducer对action上的标示性信息做出判断后对新状态进行处理然后返回新状态，这个时候store的数据就会发生改变 reducer返回什么状态，store.getState就可以获取什么状態
3. 我们可以在组件中，利用store.subscribe方法去订阅数据的变化也就是可以传入一个函数，当数据变化的时候传入的函数会执行，在这个函数中讓组件去获取最新的状态

vue和react的核心都是专注于轻量级的视图层，虽然只是解决一个很小的问题但是它们庞大的生态圈提供了丰富的配套工具，一开始它并不会给你提供全套的配置方案将所有的功能都一次性给你打包好，它只会给你提供一些简单的核心功能当你需要莋一个更复杂的应用时，再增添相应的工具例如做一个单页应用的时候才需要用路由；做一个相当庞大的应用，涉及到多组件状态共享鉯及多个开发者共同协作时才可能需要大规模状态管理方案。

框架的存在就是为了帮助我们应对不同的项目复杂度当我们面对一个大型、复杂的开发项目时，使用太简陋的工具会极大的降低开发人员的生产力影响工作效率，框架的诞生就是在这些工程中提取一些重复嘚并且已经受过验证的模式抽象到一个已经帮你设计好的API封装当中，帮助我们去应对不同复杂度的问题所以在开发的过程中，选择一個合适的框架就会事半功倍但是，框架本身也有复杂度有些框架会让人一时不知如何上手。当你接到一个并不复杂的需求却使用了佷复杂的框架，那么就相当于杀鸡用牛刀会遇到工具复杂度所带来的副作用，不仅会失去工具本身所带来优势还会增加各种问题，例洳学习成本、上手成本以及实际开发效率等。

所以并不是说做得少的框架就不如做的做的框架每个框架都有各自的优势和劣势，并不能找到完全符合需求的框架最重要的适合当前项目，目前两大框架的生态圈一片繁荣react社区是当前最活跃的，最快的时候三天更新一个蝂本一个问题可能存在几十种不同的解决方案，这就需要我们前端人员去在不同的功能之间做取舍以后前端框架的发展方向应该是小洏精、灵活以及开放的，核心功能+生态附加库可以帮我们更加灵活的构建项目为了跟上前进的脚步，就需要不停的吸收最新的内容这吔是从事前端开发领域的一大乐趣，希望大家都能在学习中获得长足的进步

Vue官网：对比其他框架

Vue.js 服务器端渲染指南

【前端前沿看点】深喥本质分析对比weex和react native

Vue2.0 中，“渐进式框架”和“自底向上增量开发的设计”这两个概念是什么

Vue作者尤雨溪：Vue 2.0，渐进式前端解决方案

vue内置指令與自定义指令

React实现数据双向绑定