@JCZ2MkKb5S8ZX9pq pandas 我用得不多。pandas 倒是支持时间作差，但必须是 pandas 的 datetime 类型，字符串直接带入会报错。

@ClericPy nums[i]这样会引入一个 O(N) 操作的。

是……我脑残了……
[data[0]] + list(map(lambda x: [x[1][0],x[1][1]-x[0][1]], zip(data[:-1],data[1:])))

再 sorry，没看清题……
In [3]: [data[0]] + list(map(lambda x, y: [y[0],y[1]-x[1]], *zip(data[:-1],data[1:])))
Out[3]: [['20:00', 100], ['20:10', 30], ['20:20', 60]]

sorry

[data[0]] + list(map(lambda x, y: [x[0],y[1]-x[1]], *zip(data[:-1],data[1:])))

In [1]: [data[0], list(map(lambda x, y: [x[0],y[1]-x[1]], *zip(data[:-1],data[1:])))]
Out[1]: [['20:00', 100], [['20:00', 30], ['20:10', 60]]]

用稀疏矩阵。稀疏矩阵 0 不占内存。操作基本和 numpy array 一致。你想要的结果只能用列表生成式了
[_[_>=4] for _ in t]
In [2]: [_[_>=4] for _ in t]
Out[2]: [array([4]), array([], dtype=int64), array([4]), array([4, 5, 6])]

In [3]: np.array([_[_>=4] for _ in t])
Out[3]:
array([array([4]), array([], dtype=int64), array([4]), array([4, 5, 6])],
dtype=object)
得到一个 object array

刚搜了一下，excel 也有人做逻辑回归。只要把你需要处理的信息文本提取特征，也就是转成一堆数字就行。这个得去网上找点啥类似 word2vec, 结巴分词啥的，貌似 pip install jieba word2vec 就能装，调用也挺简单，随便找个博客看看应该简单用起来没啥问题。

@smartG 逻辑回归是个统计学习方法，sckipy, sklearn 都有现成的库。不熟悉 python 的话，其他很多语言比如 R, matlab, mathematica 啥的也都有实现。

1. 先用正则表达式去掉包含非法字符的。
2. 自己找出来一二百条垃圾信息，一二百条好信息，做个分类器。
简单的流程是先做特征提取，再做个逻辑回归，或者支持向量机分类。文本特征提取的方法百度一下有很多。只是在学习的时候做过英文的垃圾邮件过滤器。中文不知道具体该咋弄……但应该有很多现成的工具吧，去 github 找找~~

SOLI 国内不 root 似乎没法用

一楼答案没毛病啊
In [1]: re.findall(r"\d+[A-Z]+", s)
Out[1]: ['123AA', '456B', '789AAA']

matplotlib nested pie plot:

matplotlib.org/3.1.1/gallery/pie_and_polar_charts/nested_pie.html#sphx-glr-gallery-pie-and-polar-charts-nested-pie-py

如果文档有 tutorial 或者 for beginner's guide 就直接撸文档，没有的话会去找个概述类的视频先看个开头，剩下撸文档。

如果文档有 tutorial 或者 for beginner's guide 就直接撸文档，没有的话会去找个概述类的视频先看个开头，剩下撸文档。

traspose = lambda x : [ [x[i][j] for i in range(len(x))] for j in range(len(x[0]))]

转置只能对 (mxn) 形状的列表有效。

看看 realforce ？ h2kb 少方向键个人感觉很难过。

@wangkai0351 意思应该是这个模型准确地重复了时间序列的关联函数吧。Cx(t):=<x(0)x(t)>