环境配置：

系统：win10

1、安装 Anaconda，安装教程请自行百度。这里我使用的版本是：

C:\Users\HaiBin>conda --version
conda 4.8.3

2、安装python

C:\Users\HaiBin>python --version
Python 3.7.6

3、在查找中，输入Anaconda Prompt命令，并运行它。

运行后

准备工作到这里，基本完成，接下来，安装TensorFlow2和Keras。

安装TensorFlow2

1、在Anaconda prompt窗口输入下面的命令，创建一个环境

(base) C:\Users\HaiBin>conda create -n tf2 python=3.7.6

这是新建一个名为tf2，并且python版本是3.7.6的一个环境

2、切换到刚刚创建的tf2环境中，准备安装TensorFlow2，输入如下命令：

(base) C:\Users\HaiBin>conda activate tf2

3、安装TensorFlow2

(tf2) C:\Users\HaiBin>pip install tensorflow==2.0.0

安装Keras

1、安装Keras前，先依次安装下面的这个库

(tf2) C:\Users\HaiBin>conda install mingw libpython
(tf2) C:\Users\HaiBin>pip install theano

2、最后安装keras

(tf2) C:\Users\HaiBin>pip install keras==2.3.1

注意：keras一定要和你的TensorFlow版本匹配，因为我安装的TensorFlow是2.0.0版本，与它对应的是keras2.3.1

以上命令均在Anaconda prompt窗口中完成，否则有可能安装不成功。

测试

运行python，输入import keras回车后，结果出来Using TensorFlow backend.表示TensorFlow安装成功。

(tf2_keras) C:\Users\HaiBin>python
Python 3.7.6 (default, Jan  8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)] :: Anaconda, Inc. on win32
Type "help", "copyright", "credits" or "license" for more information.

>>> import keras
Using TensorFlow backend.

>>>

接下来，需要将上面新建的环境配置到pycharm中

PyCharm配置

1、创建一个新的项目，如下图：

到始，TensorFlow2和Keras已经成功安装完成了。

来段代码测试，试一试：

from keras.datasets import mnist
from keras.utils import to_categorical

train_X, train_y = mnist.load_data()[0]
train_X = train_X.reshape(-1, 28, 28, 1)
train_X = train_X.astype('float32')
train_X /= 255
train_y = to_categorical(train_y, 10)

from keras.models import Sequential
from keras.layers import Conv2D, MaxPool2D, Flatten, Dropout, Dense
from keras.losses import categorical_crossentropy
from keras.optimizers import Adadelta

model = Sequential()
model.add(Conv2D(32, (5,5), activation='relu', input_shape=[28, 28, 1]))
model.add(Conv2D(64, (5,5), activation='relu'))
model.add(MaxPool2D(pool_size=(2,2)))
model.add(Flatten())
model.add(Dropout(0.5))
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))

model.compile(loss=categorical_crossentropy,
             optimizer=Adadelta(),
             metrics=['accuracy'])

batch_size = 100
epochs = 8
model.fit(train_X, train_y,
         batch_size=batch_size,
         epochs=epochs)

test_X, test_y = mnist.load_data()[1]
test_X = test_X.reshape(-1, 28, 28, 1)
test_X = test_X.astype('float32')
test_X /= 255
test_y = to_categorical(test_y, 10)
loss, accuracy = model.evaluate(test_X, test_y, verbose=1)
print('loss:%.4f accuracy:%.4f' %(loss, accuracy))

运行结果：

安装Keras时，遇到一些小Bug，最后贴出解决方法，报错如下：

TypeError: Descriptors cannot not be created directly.

If this call came from a _pb2.py file, your generated code is out of date and must be regenerated with protoc >= 3.19.0.

If you cannot immediately regenerate your protos, some other possible workarounds are:
 1. Downgrade the protobuf package to 3.20.x or lower.

 2. Set PROTOCOL_BUFFERS_PYTHON_IMPLEMENTATION=python (but this will use pure-Python parsing and will be much slower).

这说明我们使用的protobuf库的版本高了，可以卸载已经安装过的protobuf 版本，再安装3.20.x以下的版本，我们可以使用3.19.0版本即可，命令如下：

1、卸载protobuf 已经安装的版本

 (tf2) C:\Users\HaiBin>pip uninstall protobuf

2、安装3.19.0版本

(tf2) C:\Users\HaiBin>pip install protobuf==3.19.0

3、测试keras是否安装成功

(tf2) C:\Users\HaiBin>python
 Python 3.7.6 (default, Jan  8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)] :: Anaconda, Inc. on win32
 Type "help", "copyright", "credits" or "license" for more information.

 >>> import keras
 Using TensorFlow backend.

 >>>

Original: https://blog.csdn.net/qq_39312146/article/details/125127307
Author: 金戈鐡馬
Title: TensorFlow2和keras详细安装教程

Original: https://blog.csdn.net/qq_39312146/article/details/125127307
Author: 金戈鐡馬
Title: TensorFlow2和keras详细安装教程

相关阅读

Title: Tensorflow 2.9.1安装笔记

相关阅读

CPU：i7-4790k

显卡：GTX2060

Cuda 版本：11.3

Cunn版本: 11.6

Python版本:3.7.7

不想用anacoda，直接装 tensorflow

1.准备工作

• 安装python3.7.7(之前安装好的)

可以根据需要安装相应的版本，不建议安装最新版，python版本之间的代码兼容度不好。3.6~3.8可能比较合适。

我安装的是11.3版本。

deviceQuery.exe 和 bandwithTest.exe测试通过。

• 下载Tensorflow

我下载的是 tensorflow-2.9.1-cp37-cp37m-win_amd64.whl

• 安装组件

安装Tensorflow之前，安装好以下支持模块

A.Numpy: pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple

B.mkl: pip install mkl -i https://pypi.tuna.tsinghua.edu.cn/simple

C.protobuf pip install protobuf -i https://pypi.tuna.tsinghua.edu.cn/simple

2.安装Tensorflow

把 tensorflow-2.9.1-cp37-cp37m-win_amd64.whl 放到d盘根目录，打开命令行并转到D:\

pip install tensorflow-2.9.1-cp37-cp37m-win_amd64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple

这样在安装过程中加载其他模块的时候，速度会非常快。

3.测试

import tensorflow as tf
print("Tensorflow version:")
print(tf.__version__)

print("CPU/GPU devices for Tensorflow:")
gpus = tf.config.experimental.list_physical_devices(device_type='GPU')
cpus = tf.config.experimental.list_physical_devices(device_type='CPU')
print(gpus)
print(cpus)

运行结果：

Tensorflow version:
2.9.1
CPU/GPU devices for Tensorflow:
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
[PhysicalDevice(name='/physical_device:CPU:0', device_type='CPU')]

至此安装完毕。

IDE可以使用Visual Studio Code（小规模测试）

或者Pycharm（程序较大很方便）

Original: https://blog.csdn.net/st01lsp/article/details/125294794
Author: st01lsp
Title: Tensorflow 2.9.1安装笔记

Title: Pandas常用累计、同比、环比等统计方法实践案例

统计表中常常以本年累计、上年同期（累计）、当期（例如当月）完成、上月完成为统计数据，并进行同比、环比分析。如下月报统计表所示样例，本文将使用Python Pandas工具进行统计。

其中：

• （本年）累计：是指本年1月到截止月份的合计数
• （上年）同期（累计）：是指去年1月到与本年累计所对应截止月份的合计数
• 同比（增长率）＝（本期数－同期数）/同期数*100％
• 环比（增长率）＝（本期数－上期数）/上期数*100％

注：这里的本期是指本月完成或当月完成，上期数是指上月完成。

示例数据：

注：为了演示方便，本案例数据源仅使用2年，且每年5个月的数据。

; 1. （本年）累计

在统计分析的发展中，按年和按月积累一些统计数据是相当常见的。对于数据，就是按规则逐行累计数据。

Pandas中的cumsum()函数可以实现按某时间维度累计需求。

import pandas as pd

df = pd.read_csv('data2021.csv')
cum_columns_name = ['cum_churncount','cum_newcount']
df[cum_columns_name] = df[['years','churncount','newcount']].groupby(['years']).cumsum()

注：其中分组'years'是指年度时间维度累计。

计算结果如下：

2. （上年）同期累计

对于（上年）同期累计，将直接取上一年度累计值的同月份数据。pandas DataFrame.shift()函数可以把数据移动指定的行数。

接续上列，读取同期数据。首先是把'yearmonth'上移五行，如上图所示得到新的DataFrame，通过'yearmonth'进行两表数据关联（左关联：左侧为原表，右侧为移动后的新表），实现去同期数据效果。

cum_columns_dict = {'cum_churncount':'cum_same_period_churncount',
                        'cum_newcount':'cum_same_period_newcount'}
df_cum_same_period = df[['cum_churncount','cum_newcount','yearmonth']].copy()
df_cum_same_period = df_cum_same_period.rename(columns=cum_columns_dict)

df_cum_same_period.loc[:,'yearmonth'] = df_cum_same_period['yearmonth'].shift(-5)

df = pd.merge(left=df,right=df_cum_same_period,on='yearmonth',how='left')

3. 上月（完成）

取上月的数据，使用pandas DataFrame.shift()函数把数据移动指定的行数。

接续上列，读取上期数据。（与取同期原理一样，略）

last_mnoth_columns_dict = {'churncount':'last_month_churncount',
                        'newcount':'last_month_newcount'}
df_last_month = df[['churncount','newcount','yearmonth']].copy()
df_last_month = df_last_month.rename(columns=last_mnoth_columns_dict)

df_last_month.loc[:,'yearmonth'] = df_last_month['yearmonth'].shift(-1)
df = pd.merge(left=df,right=df_last_month,on='yearmonth',how='left')

4. 同比（增长率）

计算同比涉及到除法，需要剔除除数为零的数据。

df.fillna(0,inplace=True)

df.loc[df['cum_same_period_churncount']!=0,'cum_churncount_rat'] = (df['cum_churncount']-df['cum_same_period_churncount'])/df['cum_same_period_churncount']
df.loc[df['cum_same_period_newcount']!=0,'cum_newcount_rat'] =  (df['cum_newcount']-df['cum_same_period_newcount'])/df['cum_same_period_newcount']
df[['yearmonth','cum_churncount','cum_newcount','cum_same_period_churncount','cum_same_period_newcount','cum_churncount_rat','cum_newcount_rat']]

5. 环比（增长率）

df.loc[df['last_month_churncount']!=0,'churncount_rat'] = (df['churncount']-df['last_month_churncount'])/df['last_month_churncount']
df.loc[df['last_month_newcount']!=0,'newcount_rat'] =  (df['newcount']-df['last_month_newcount'])/df['last_month_newcount']
df[['yearmonth','churncount','newcount','last_month_churncount','last_month_newcount','churncount_rat','newcount_rat']]

6. 总结

pandas做统计计算功能方法比较多，这里总结用到的技术有累计cumsum()函数、移动数据shift()函数、表合并关联merge()函数，以及通过loc条件修改数据。

Original: https://blog.csdn.net/xiaoyw/article/details/122979421
Author: 肖永威
Title: Pandas常用累计、同比、环比等统计方法实践案例