HTML5视频(&video&)、音频(&audio&)标签小试_6C社区
HTML5视频(&video&)、音频(&audio&)标签小试
HTML5视频(&video&)、音频(&audio&)标签小试
今天小试了HTML5里面的两个新标签，..,具体例子如下:您的浏览器不支持 video 标签。您的浏览器不支持 audio 标签。具体属性：
true | false
如果是 true，则视频在就绪后马上播放。
true | false
如果是 true，则向用户显示控件，比如播放按钮。
numeric value
定义播放器在视频流中的何处停止播放。默认地，声音会播放到结尾。
设置视频播放器的高度。
numeric value
定义在视频流中循环播放停止的位置，默认是 end 属性的值。
numeric value
定义在视频流中循环播放的开始位置。默认是 start 属性的值
numeric value
定义视频片段播放多少次。默认是 1。
在视频播放之前所显示的图片的 URL。
要播放的视频的 URL。
numeric value
定义播放器在音频流中开始播放的位置。默认地，声音在开头进行播放。
设置视频播放器的宽度。
最后试用结果：这两个标签现在还处于草案阶段，好像许多格式都不支持，如微软的.wav ,MP3格式和视频格式.wmv等都不支持。不过在Firefox和GOOGLE 的浏览器下面显示的播放器界面还不一样哩。firefox下的界面比较好看。看下：firefox界面:chrome界面:
联系QQ： 邮箱：
本文地址： /article-40747-1.shtml 欢迎转载今天看啥 热点：
kaggle数据挖掘竞赛初步--Titanic&数据变换&，kaggle--titanic完整代码：&/cindycindyhi/kaggle-Titanic
特征工程系列：
Titanic系列之原始数据分析和数据处理
Titanic系列之数据变换
Titanic系列之派生属性&维归约
缺失值填充之后，就要对其他格式有问题的属性进行处理了。比如Sex Embarked这些属性的值都是字符串类型的，而scikit learn中的模型都只能处理数值型的数据，需要将这些原始的字符串类型的数据转为数值型数据。所有数据通常可以分成两种类型：定量与定性。定量的属性（数值属性）通常蕴涵着可排序性，比如在泰坦尼克号数据集中，年龄就是一个定量属性。定性属性（标称 序数 二元属性）的值是一些符号或事务的名称，每个值代表某种类别编码或状态，不是可测量量，是不具有排序意义的，比如Embarked(登船地点)。
一 定性属性的数据变换
对于字符串型的定性属性转换，如果单纯的用数字来代替的化，比如对于Embarked的三个值S Q C分别用1 2 3来代替，模型会把它当成是有顺序的数值属性，对于一些根据距离来确定分类的算法来说，就不能准确运行啦。那么应该怎么将定性属性转为数字呢？
（1）dummy varibles(不知道中文应该说成啥。。虚设属性？)
什么是dummy呢，举个栗子，Emarked属性的取值有三个S Q C，分别代表三个上船地点。dummy这个属性呢，就是向数据集里再加入三个属性暂且命名为Embarked_S Embarkde_Q 和Embarked_C，如果一个人是在S地点上船的，那么这三个属性的值就是（1，0，0），在Q点上船的就是（0，1，0），每个属性都是二元属性，1代表是，0代表否。所以dummy适用于值范围相对较少的属性。
import pandas as pd　　　　#creat dummy varibles from raw data
dummies_df = pd.get_dummies(df.Embarked)
#remana the columns to Embarked_S...
dummies_df = dummies_df.rename(columns=lambda x:'Embarked_'+str(x))
df = pd.concat([df,dummies_df],axis=1)
这样就会3个dummy属性加到数据集里啦，用df.info()看一下：
（2）factorizing(因子分解？)
用dummy可以处理像Embarked这样的值域范围较小的标称属性。对于Cabin（船舱号，A43 B55这种）这种标称属性，用dummy就不好处理了。pandas提供了一个factorize()函数，用以将标称属性的字符串值映射为一个数字，相同的字符串映射为同一个数字。不同于dummy，这种映射最后只生成一个属性。对于Cabin属性，我们可以将其分成两部分，字符串+数字，新建两个属性。对于字符串（A-E & U），可以用factorize()将其处理成数字。
df['CabinLetter'] = df['Cabin'].map( lambda x: re.compile("([a-zA-Z]+)").\
search(x).group() )
df['CabinLetter'] = pd.factorize(df.CabinLetter)[0]
上一步呢，只是把Cabin船舱号前面的字母提出来作为一个新的属性，船舱号中的数字当然也要提出来作为一个新的属性啦。
1 #plus one for laplace assumption
2 df['CabinNumber'] = df['Cabin'].map( lambda x: getCabinNumber(x) ).\
astype(int) +1
4 def getCabinNumber(cabin):
match = re.compile("([0-9]+)").search(cabin)
return match.group()
二 定量属性的数据变换
&（1）数据规范化
数据规范化通过将数据压缩到一个范围内（通常是0-1或者-1-1）赋予所有属性相等的权重。对于涉及神经网络的分类算法或者基于距离度量的分类和聚类，规范化特别有用。规范化方法有多种，如rescaling logarithmic normalize等，可以在这里找到各种规范化方法的具体实现。但是有些时候并不需要规范化，比如算法使用相似度函数而不是距离函数的时候，比如随机森林，它从不比较一个特征与另一个特征，因此也不许要规范化，关于这个问题，详细信息可以参考这篇文章www.faqs.org/faqs/ai-faq/neural-nets/part2/section-16.html
如果对Age属性进行规范化的话（看最后分类算法使用哪种再确定要不要规范化,如果要规范化的话，其他属性也要处理），代码如下：
if keep_scaled:
scaler = preprocessing.StandardScaler()
df['Age_Scaled'] = scaler.fit_transform(df['Age'])
StandardScaler将数值压缩到[-1,1]区间，计算公式为(2x - max(x) - min(x)) / (max(x) - min(x)).
（2）Binning
就像直方图的bin将数据划分成几块一样，我们也可以将数值属性划分成几个bin，这是一种连续数据离散化的处理方式。我们使用pandas.qcut()函数来离散化连续数据，它使用分位数对数据进行划分，可以得到大小基本相等的bin。以下以Fare(船票价格)为例，对于其他连续属性如Age SibSp等也可以划分成bin。
1 def processFare():
df['Fare'][df.Fare.isnull()] = df.Fare.dropna().mean()
#zero values divide -- laplace
df['Fare'][np.where(df['Fare']==0)[0]] = df['Fare'][df.Fare.\
nonzero()[0] ].min() / 10
df['Fare_bin'] = pd.qcut(df.Fare, 4)
这样产生的df['Fare_bin']的值是这样的，
0&&&& [0.401, 7.91]&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 3&&&& (31, 512.329]1&&&& (31, 512.329]&&&&&&&&&&&&&&&&&&&& & &&&&& 4&&& (7.91, 14.454]2&&& (7.91, 14.454]&&&&&&&&&&&&&&&&&&&&&&&&&&&& 5&&& (7.91, 14.454]因为是bin,所以属性都是一个个区间，代表这个数据属于哪个区间。对于这样的数据，我们需要factorize下，转为数值型数据。
df['Fare_bin_id'] = pd.factorize(df.Fare_bin)[0]+1
scaler = preprocessing.StandardScaler()
df['Fare_bin_id_scaled'] = scaler.fit_transform(df.Fare_bin_id)
相关搜索：
相关阅读：
相关频道：
&&&&&&&&&&&&&&&&
Python教程最近更新亚特兰大老鹰vs克利夫兰骑士前瞻：老鹰啄伤骑士-篮球分析-捷报比分网
足球比分_比分直播_足球比分直播 – 捷报比分网
当前位置： & > 亚特兰大老鹰vs克利夫兰骑士前瞻：老鹰啄伤骑士
亚特兰大老鹰vs克利夫兰骑士前瞻：老鹰啄伤骑士
　　亚特兰大 VS 克利夫兰
　　北京时间11月9日星期三08:00，克利夫兰骑士坐镇贵肯信贷球馆迎战亚特兰大老鹰。骑士本赛季在东部高举高打，过去6场常规赛全部获得胜利，是联盟目前唯一还没有尝过败仗的队伍，骑士卫冕冠军的步伐强劲而坚定。同为东部劲旅的老鹰排在第4位，他们也有着不错的战绩，此番客战骑士应该是最好的试金石，阵中霍华德、米尔萨普等主将需要打起十二分精神才行。将对本场比赛提供视频直播，敬请关注！
　　【捷报比分数据】
　　韦德让分盘口：0.90 -8.5 0.90
　　竞彩让分盘口：1.75 -8.5 1.75
　　大小分盘口：0.90 207.5 0.90
　　1、骑士目前6战全胜领跑东部赛区，詹姆斯、乐福和欧文组成的三巨头持续稳定，三人场均都可贡献20以上分数，欧文场均23分砍分最多。上仗在客场102-101惊险战胜76人，在首节34-19取得巨大优势之后，骑士众将士太过松懈，好在末节守住优势化为胜果。作为核心詹姆斯上战砍下25分，8篮板和14次助攻，这样的数据足够全面，乐福得到20分和11篮板，他也基本发挥出实力。而欧文则状态不佳只得到8分。
　　2、老鹰目前6战4胜2负排在第4位，主场取得3胜1负，他们在主场胜率较高。上仗在主场112-97战胜火箭，结束2连败颓势，首发五虎得分全部上双。首发中锋霍华德转投老鹰之后找到昔日感觉，场均贡献17分和12.3篮板，外加2次盖帽，攻防两端都可以看到魔兽的身影，上战面对火箭砍下20分和14篮板。米尔萨普上战也数据不错，总共得到23分和11篮板，在防守端分担霍华德不少压力，而施罗德上战17分和12次助攻很好的串联了全队。
　　3、双方近10次交锋，骑士8胜2负，主场7胜3负，骑士往绩中优势相当明显。赛事提点，双方近10次交锋中连续2场小分。
　　【对阵双方近况】
　　1、官方宣布，骑士前锋勒布朗-詹姆斯和爵士后卫乔治-希尔分别当选NBA东西部上周最佳球员。詹姆斯上周场均得到24.7分（东部第四）9.3个篮板11.3次助攻（东部第一），率领骑士队取得了3战全胜的战绩。11月4日，詹姆斯得到30分12次助攻7个篮板，率领骑士队以128-122战胜凯尔特人队。11月6日，他得到25分14次助攻8个篮板2次抢断，带领球队以102-101险胜76人队。
　　2、老鹰队上一战在主场112-97击败了火箭队，这是老鹰队中锋德怀特-霍华德离开火箭队后首次面对这个老东家。&我们知道德怀特想赢下今天这场比赛，我们想为他打好比赛。&老鹰队投手凯尔-科沃尔赛后说道。霍华德今天打了29分钟，10投8中得到了20分14个篮板3个助攻2个盖帽1个抢断。&我觉得这可能也是我们本赛季打得最好的比赛。&此役6投4中拿下10分3个篮板2个助攻的科沃尔说道。
　　【首发阵容预测】
　　骑士没有球员伤病报告。老鹰前锋麦克-斯科特和中锋斯普利特休战，其中斯普利特是霍华德的替补。
　　预计首发：
　　骑士队：欧文、JR史密斯、乐福、詹姆斯、汤普森
　　老鹰队：施罗德、科沃尔、米尔萨普、贝兹莫尔、霍华德
　　【球队比赛风格】
　　骑士场均得分112.3分，均失103.5分，场均得分暂时与勇士相同排在第2位，失分数据则排在联盟第17位，可见进攻端的表现要明显好于防守端。骑士得分主要依靠三巨头来完成，詹姆斯均得22.8分，乐福场均21.7分，欧文场均最高23分，三人得分能力超强。通过主要数据来看，骑士稳定性较好，场均助攻22.8次排在第11位，场均45篮板同样排在第11位，而场均失误12.5次也排在第11位。个人榜单中只有詹姆斯的助攻数可排在前列，目前场均10.7次排在第2位。
　　老鹰过去6战场均107.3分，均失96.8分，得分能力排在第8位，而失分也排在第8位，属于攻守兼备的队伍。进攻端呈现多点开花态势，米尔萨普场均17.8分居首，霍华德17分随后，施罗德场均也有15分，哈达威则是12分，四人贡献老鹰大部分分数。老鹰助攻数处于联盟前列，场均27.3次助攻排在第3位，施罗德场均送出6.5次全队最高，米尔萨普、贝兹莫尔、德莱尼等也都是传球高手。老鹰另一拿得出手的数据就是抢断，全场场均12.2次抢断排在第1位，塞福洛沙场均2.83次抢断真是手疾眼快。
　　【亚洲盘口分析】
　　根据捷报网提供盘口数据，韦德初盘主让8.5分开盘，即时盘口没有调整。骑士连战连捷气势高涨，但最近3战失分明显增多，上仗面对76人仅赢到1分，他们的注意力在下降。老鹰客战取得1胜1负，均失降至83.5分，在客场失分低于均失96.8分不少，老鹰在客场挺有心得，霍华德、米尔萨普等上战都发挥较佳状态，此番客战骑士若能延续上战胜火箭状态，骑士在主场不会轻松赢盘。大小分方面，老鹰擅长防守，在客场失分更少，留意小分。
　　大小分推荐（207.5）：小分
　　亚盘推荐：老鹰+8.5
　　以上各种赔率数据截止时间为：11月8日14时04分
　　本文由捷报网特约专家「」独家原创，欢迎分享本文，转载请保留出处！
觉得文章不错，打个赏支持下作者吧
打赏球币：
应付球币：
打赏理由：
临场贴士自定义
声明：本网资讯仅供体育爱好者浏览、购买中国足彩参考之用。任何人不得用于非法用途，否则责任自负。本网所登载广告均为广告客户的个人
意见及表达方式，和本网无任何关系。链接的广告不得违反国家法律规定，如有违者，本网有权随时予以删除，并保留与有关部门合作追究的权利。
网站备案号：