时间序列（time series）数据是一种重要的结构化数据形式，应用于多个领域，包括金融学、经济学、生态学、神经科学、物理学等。在多个时间点观察或测量到的任何事物都可以形成一段时间序列。很多时间序列是固定频率的，也就是说，数据点是根据某种规律定期出现的（比如每15秒、每5分钟、每月出现一次）。时间序列也可以是不定期的，没有固定的时间单位或单位之间的偏移量。时间序列数据的意义取决于具体的应用场景，主要有以下几种：
前面的章节关注于不同类型的数据规整流程和NumPy、pandas与其它库的特点。随着时间的发展，pandas发展出了更多适合高级用户的功能。本章就要深入学习pandas的高级功能。
本书中，我已经介绍了Python数据分析的编程基础。因为数据分析师和科学家总是在数据规整和准备上花费大量时间，这本书的重点在于掌握这些功能。
本书正文的最后一章，我们来看一些真实世界的数据集。对于每个数据集，我们会用之前介绍的方法，从原始数据中提取有意义的内容。展示的方法适用于其它数据集，也包括你的。本章包含了一些各种各样的案例数据集，可以用来练习。
案例数据集可以在Github仓库找到，见第一章。
Python中的logging模块，功能强大，非常方便调试输出。Django也使用了Python自带的logging模块作为日志打印工具。本文简单介绍下logging模块的使用方法，以及如何在Django中使用。
经典的生产者和消费者模型中，\(N\)个线程根据要求生产出第一步处理结果，\(M\)个消费者线程对上述结果进行第二步处理。生产者与消费者之间有明确的前后顺序关系。
以前使用miktex编译Letex，很久没更新，没法自动安装缺失的包。Google之后，考虑使用TexLive，并使用清华大学镜像。以下内容简要说明其步骤。
使用pip升级TensorFlow时，发现TF已经升级至1.5版本。以下记录更新步骤 系统信息： 1
2Ubuntu 16.04 LTS x86_64
Python 3.5.4 :: Anaconda custom (64-bit)
在机器学习算法中，经常会遇到两个问题：欠拟合（underfitting）和过拟合（overfitting）。所谓欠拟合就是算法没有学习到足够的特征，预测结果较差，即拟合程度不够；过拟合则刚好相反，算法除了学习到一般特征外，也学习到了样本个体的局部特征，即拟合过度。
造成这两种结果的原因主要有两个：
（1）模型选择不好，简单问题选择了复杂的模型，容易过拟合；复杂的问题选择了简单的模型容易欠拟合。
（2）参数设置和调整有问题。特别存在学习率的方法，学习率调整不当，容易引起这两种结果。
以前进行视频转换，用这个那个工具，最后发现神器FFmpeg太强大了。FFmpeg参数众多，以下记录ffmpeg的一些用法。
以下内容来自维基百科 > FFmpeg是一个自由软件，可以运行音频和视频多种格式的录影、转换、流功能，包含了libavcodec——这是一个用于多个项目中音频和视频的解码器库，以及libavformat——一个音频与视频格式转换库。