整合營銷服務(wù)商
電腦端+手機端+微信端=數(shù)據(jù)同步管理
免費咨詢熱線：
電腦端+手機端+微信端=數(shù)據(jù)同步管理
免費咨詢熱線：
、忘記用戶名及密碼該如何處理
系統(tǒng)提供兩種找回方式：驗證預(yù)留安全問題和驗證手機。
1.驗證預(yù)留問題找回。
2.驗證手機找回。
如果上述兩種方式無法找回，請聯(lián)系所報考省市人事考試機構(gòu)核實身份，協(xié)助查詢。各省市咨詢方式：
(http://www.cpta.com.cn/n/2014/0620/c376049-25177961.html)。
二、找回密碼成功后登入時仍提示用戶名密碼錯誤
這類情況基本是用戶名輸入錯誤。請仔細核對輸入的用戶名與“密碼修改”頁面顯示的用戶名是否一致，注意區(qū)分用戶名大小寫。
三、注冊信息中姓名及證件號碼如何修改
用戶注冊成功后，則不允許修改姓名及證件號碼，如果注冊姓名或證件號碼有誤，考生可重新注冊。
如果姓名有誤，重新注冊時，系統(tǒng)會提示“該證件號碼在注冊庫中已經(jīng)存在”，點擊“確定”繼續(xù)操作即可。
四、綁定手機時無法接收到短信驗證碼如何處理？
查看手機本身是否有攔截軟件，攔截了驗證碼短信。建議考生將手機卡放到其他手機上重新接收。
五、如何修改照片？
由于目前上傳成功的照片均通過照片審核工具處理，上傳后系統(tǒng)自動審核通過，不允許考生自行修改上傳成功的照片。如因特殊原因需修改，請聯(lián)系當(dāng)?shù)厝耸驴荚嚈C構(gòu)，核實身份后，由管理人員協(xié)助操作。各省市咨詢方式：
(http://www.cpta.com.cn/n/2014/0620/c376049-25177961.html)。
六、郵政編碼無法輸入如何處理？
請將輸入法切換到英文半角模式。
例如：
搜狗輸入法：
谷歌輸入法：
七、搜狗瀏覽器（極速模式），在使用日期控件選擇日期時，年份不能修改，只能選擇默認的當(dāng)前年份。
請使用IE瀏覽器或360極速版本瀏覽器重新登錄系統(tǒng)進行報名。如確實要使用搜狗瀏覽器，需切換到兼容模式。
下圖為搜狗瀏覽器兼容模式：
八、報名信息如何修改？
各省市對報考人員修改信息的規(guī)定不同，有的省市設(shè)定報名信息確認后就不允許修改，有的省市設(shè)定審核后不允許修改，存在多種情況。
1.報名信息確認前
報考人員在報名信息確認前可以修改報名信息，在報考狀態(tài)流程圖點擊“信息維護”進行操作，如下圖：
2.確認或?qū)徍撕笤试S修改信息的情況
報考該類設(shè)置的考生，在確認報名信息或資格審核后，左側(cè)菜單會出現(xiàn)“修改報名信息”選項，考生點擊“修改報名信息”或右側(cè)流程圖中“信息維護”，可自行修改報名信息。
3.其他情況修改信息
報名確認或資格審核后，如左側(cè)菜單無“修改報名信息”選項，考生則不可自行修改報名信息。如因特殊原因進行修改，請聯(lián)系當(dāng)?shù)厝耸驴荚嚈C構(gòu)：(http://www.cpta.com.cn/n/2014/0620/c376049-25177961.html)。
九、下載的報名表無法打開或內(nèi)容顯示不完整
報名表是pdf格式的文件，請一定要下載adobe reader10.0以上版本軟件安裝后即可查看或打印報名表。
十、網(wǎng)上支付問題
1.支付時無法跳轉(zhuǎn)到第三方支付平臺
請臨時關(guān)閉電腦安裝的金山毒霸、騰訊安全管家、360等安全軟件。
2.使用支付寶支付時，點擊【支付】進入支付寶系統(tǒng)出現(xiàn)【錯誤代碼 ILLEGAL_EXTERFACE】。
支付寶公司解釋發(fā)生這種情況原因是報名電腦相關(guān)設(shè)置引起的，報考人員可換其它電腦登錄系統(tǒng)進行支付。
十一、老考生提示需要現(xiàn)場資格審核。
1.首先確認本人是否老考生，見下圖考生狀態(tài)提示。
2.老考生確認信息后提示需要資格審核的請聯(lián)系當(dāng)?shù)厝耸驴荚嚈C構(gòu)(http://www.cpta.com.cn/n/2014/0620/c376049-25177961.html)。（注：考試機構(gòu)可以審核老考生、異地考生。變更級別考生、變更專業(yè)考生）
十二、資格審核
報名信息確認后，系統(tǒng)會自動判斷您是否需要進行資格審核。對于需要去現(xiàn)場進行資格審核的考生，需要打印報名表，攜帶考試文件要求的相關(guān)證明材料，前往您所選擇的審核點進行資格審核。
切實保護您和家人的健康，減少人員聚集，共同做好疫情防控，方便反映信訪訴求，我們倡議：
一、首選網(wǎng)上信訪渠道：網(wǎng)上信訪可查詢、可跟蹤、可督辦、可評價，已成為群眾表達信訪訴求的重要渠道，請您登陸上海市人民政府信訪辦公室網(wǎng)站：
http://xfb.sh.gov.cn/xfb/xfdt/index.html，或通過上海信訪APP、上海信訪微信公眾號提出信訪事項。
二、書面來信：請郵寄至黃浦區(qū)人民大道200號上海市人民政府信訪辦公室，郵編200003。
三、市民服務(wù)熱線：請撥打12345。
四、請您就近到所在地街道（鄉(xiāng)鎮(zhèn)）人民來訪接待室走訪表達訴求，或請信訪代理員代為信訪。若確需到市政府人民來訪接待室走訪反映情況的，請務(wù)必事先預(yù)約（預(yù)約渠道：上海市人民政府信訪辦公室網(wǎng)站、上海信訪APP、上海信訪微信公眾號）。同時請嚴格遵守疫情防控規(guī)定，全程佩戴口罩，主動出示健康碼、行程碼，接受體溫檢測，保持社交距離。
疫情防控是每個市民的共同責(zé)任，感謝您對上海信訪工作的支持和理解！
上海市信訪辦
2021年8月11日
圖片來源：上海發(fā)布
讀：數(shù)據(jù)工作者經(jīng)常會遇到各種狀況，比如你收集到的數(shù)據(jù)并不像你期待的那樣完整、干凈。此前我們講解了用OpenRefine搞定數(shù)據(jù)清洗，本文進一步探討用pandas和NumPy插補缺失數(shù)據(jù)并將數(shù)據(jù)規(guī)范化、標準化。
作者：托馬茲·卓巴斯（Tomasz Drabas）
如需轉(zhuǎn)載請聯(lián)系華章科技
本文將使用一個數(shù)據(jù)集，包含985項真實的房產(chǎn)交易。這些交易是連續(xù)5天內(nèi)在Sacramento發(fā)生的。數(shù)據(jù)下載自：
http://samplecsvs.s3.amazonaws.com/Sacramentorealestatetransactions.csv
數(shù)據(jù)已轉(zhuǎn)成多種格式，放在GitHub代碼庫的Data/Chapter01文件夾中。
https://github.com/drabastomek/practicalDataAnalysisCookbook.git
數(shù)據(jù)的收集工作很棘手。收集工具壞了，調(diào)查問卷上某些問題人們不想回答，或者文件被損壞了；這些還只是數(shù)據(jù)集可能不全的一小部分原因。如果想使用這個數(shù)據(jù)集，我們有兩個選擇：忽略缺失的數(shù)據(jù)，或者用一些值替代。
1. 準備
要實踐本技巧，你要先裝好pandas模塊。
2. 怎么做
csv_read DataFrame可供使用。要插補缺失值，你只需要使用下面的代碼（data_imput.py文件）：
# 估算平均數(shù)以替代空值
csv_read['price_mean']=csv_read['price'] \
.fillna(
csv_read.groupby('zip')['price'].transform('mean')
)
3. 原理
pandas的.fillna(...)方法幫我們處理了所有重活。這是DataFrame對象的一個方法，將要估算的值作為唯一必須傳入的參數(shù)。
查閱pandas文檔中.fillna(...)的部分，了解可傳入的其他參數(shù)。文檔位于：
http://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.fillna.html
在我們的處理過程中，我們假設(shè)每個郵編可能會有不同的均價。這就是我們用.groupby(...)方法對數(shù)據(jù)分組的原因。房產(chǎn)的價格重度依賴于房間的數(shù)目，這個推論也是成立的；如果我們的數(shù)據(jù)集更大，我們還能考慮beds這個變量。
.groupby(...)方法返回一個GroupBy對象。其.transform(...)方法高效地對郵編分組，在我們的例子中，分組的依據(jù)是各郵編價格數(shù)據(jù)的平均數(shù)。
現(xiàn)在，.fillna(...)方法簡單地用這個平均數(shù)替代缺失的觀測數(shù)據(jù)即可。
4. 更多
插補數(shù)據(jù)不是填補缺失值的唯一方法。數(shù)據(jù)對稱分布且沒有異常值時，才會返回一個合理的值；如果分布比較偏，平均值是有偏差的。衡量集中趨勢更好的維度是中位數(shù)。我們前面的例子只需要改一個小地方：
# 估算中位數(shù)以替代空值
csv_read['price_median']=csv_read['price'] \
.fillna(
csv_read.groupby('zip')['price'].transform('median')
)
為了提高計算效率，我們將特征規(guī)范化（或標準化），這樣不會超出計算機的限制。探索模型中變量之間的相互作用時也建議這么處理。
計算機是有限制的：整型值是有上限的（盡管目前在64位機器上這不是個問題），浮點型的精確度也有上限。
數(shù)據(jù)規(guī)范化是讓所有的值落在0到1的范圍內(nèi)（閉區(qū)間）。數(shù)據(jù)標準化是移動其分布，使得數(shù)據(jù)的平均數(shù)是0、標準差是1。
1. 準備
要實踐本技巧，你要先裝好pandas模塊。
其他沒有什么要準備的了。
2. 怎么做
要實現(xiàn)規(guī)范化與標準化，我們定義了兩個輔助函數(shù)（data_standardize.py文件）：
def normalize(col): ''' 規(guī)范化 ''' return (col - col.min()) / (col.max() - col.min()) def standardize(col): ''' 標準化 ''' return (col - col.mean()) / col.std()
3. 原理
要規(guī)范化數(shù)據(jù)，即讓每個值都落在0和1之間，我們減去數(shù)據(jù)的最小值，并除以樣本的范圍。統(tǒng)計學(xué)上的范圍指的是最大值與最小值的差。normalize(...)方法就是做的前面描述的工作：對數(shù)據(jù)的集合，減去最小值，除以范圍。
標準化的過程類似：減去平均數(shù)，除以樣本的標準差。這樣，處理后的數(shù)據(jù)，平均數(shù)為0而標準差為1。standardize(...)方法做了這些處理：
csv_read['n_price_mean']=normalize(csv_read['price_mean']) csv_read['s_price_mean']=standardize(csv_read['price_mean'])
當(dāng)我們想查看數(shù)據(jù)分布的形狀，或?qū)?shù)據(jù)轉(zhuǎn)換為有序的形式時，數(shù)據(jù)分級就派上用場了。
1. 準備
要實踐本技巧，你要先裝好pandas和NumPy模塊。
2. 怎么做
可以用下面的代碼（data_binning.py文件）對數(shù)據(jù)分級（比如處理成直方圖）：
# 根據(jù)線性劃分的價格的范圍，創(chuàng)建價格的容器 bins=np.linspace( csv_read['price_mean'].min(), csv_read['price_mean'].max(), 6 ) # 將容器應(yīng)用到數(shù)據(jù)上 csv_read['b_price']=np.digitize( csv_read['price_mean'], bins )
3. 原理
第一步是創(chuàng)建容器。對于價格數(shù)據(jù)（缺失值用估算的平均數(shù)填補），我們創(chuàng)建了六個容器，在最小值和最大值之間均勻分配。.linspace(...)方法做了這點工作：創(chuàng)建長度為6的NumPy數(shù)組，其中每個元素比前一個大固定的差值。比如，.linspace(0, 6, 6)生成數(shù)組[0., 1.2, 2.4, 3.6, 4.8, 6.]。
NumPy對線性代數(shù)來說是個強大的數(shù)字處理庫。可輕松處理大型數(shù)組和矩陣，還提供了極其豐富的函數(shù)操作數(shù)據(jù)。想了解更多，可訪問：
http://www.numpy.org
.digitize(...)方法對指定列中的每個值，都返回所屬的容器索引。第一個參數(shù)是要分級的列，第二個參數(shù)是容器的數(shù)組。
使用DataFrame的.value_counts()得到每個容器中的記錄計數(shù)，counts_b=csv_read['b_price'].value_counts()。
4. 更多
有時候我們不會用均勻間隔的值，我們會讓每個桶中擁有相同的數(shù)目。要達成這個目標，我們可以使用分位數(shù)。
分位數(shù)與百分位數(shù)有緊密的聯(lián)系。區(qū)別在于百分位數(shù)返回的是給定百分數(shù)的值，而分位數(shù)返回的是給定分位點的值。想了解更多，可訪問：
https://www.stat.auckland.ac.nz/~ihaka/787/lectures-quantiles-handouts.pdf
我們想把列拆成十分位數(shù)，即10個（差不多）相等的容器。要做到這點，我們可以使用下面的代碼（你可以一眼看出其和之前方法的相似之處）：
# 根據(jù)十分位數(shù)創(chuàng)建容器 decile=csv_read['price_mean'].quantile(np.linspace(0, 1, 11)) # 將容器應(yīng)用到數(shù)據(jù)上 csv_read['p_price']=np.digitize( csv_read['price_mean'], decile )
.quantile(...)方法可以傳一個（0到1之間的）數(shù)字，來表明要返回的分位數(shù)（例如，0.5是中位數(shù)，0.25和0.75是上下四分位數(shù)）。它也可以傳入一個分位的列表，返回相應(yīng)的值的數(shù)組。.linspace(0, 1, 11)方法會生成這個數(shù)組：
[ 0., 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.]
所以，.quantile(...)方法會以price_mean列的最小值開始，直到最大值，返回十分位數(shù)的列表。
為數(shù)據(jù)的探索階段準備的最后一步就是分類變量了。有些軟件包在背后做了這個工作，但最好還是理解這步處理的時機與做法。
統(tǒng)計模型只能接受有序的數(shù)據(jù)。分類變量（有時根據(jù)上下文可表示為數(shù)字）不能直接在模型中使用。要使用它們，我們要先進行編碼，也就是給它們一個唯一的數(shù)字編號。這解釋了什么時候做。至于如何做—應(yīng)用下述技巧即可。
1. 準備
要實踐本技巧，你要先裝好pandas模塊。
其他沒有什么要準備的了。
2. 怎么做
pandas又提供了一個方法，幫我們做完所有事（data_dummy_code.py文件）：
# 根據(jù)房產(chǎn)類型處理的簡單代碼 csv_read=pd.get_dummies( csv_read, prefix='d', columns=['type'] )
3. 原理
.get_dummies(...)方法將分類變量轉(zhuǎn)換為簡單的變量。比如，考慮一個變量，以三種水平中的某一種作為值：
1 One 2 Two 3 Three
需要用三列進行編碼：
1 One 1 0 0 2 Two 0 1 0 3 Three 0 0 1
有時可用兩列。如果有一個水平等效于null的話，我們可以這樣做：
1 One 1 0 2 Two 0 1 3 Three 0 0
.get_dummies(...)方法的第一個參數(shù)是DataFrame對象。columns參數(shù)指定了代碼要處理的DataFrame的列（或某些列，因為可以傳入列表）。通過指定前綴，我們告訴方法生成的列名以d打頭；本例中生成的列會叫d_Condo。下劃線是默認的，可以通過指定prefix_sep參數(shù)更改。
.get_dummies(...)方法的完整參數(shù)列表，參見：
http://pandas.pydata.org/pandas-docs/stable/generated/pandas.get_dummies.html
關(guān)于作者：托馬茲·卓巴斯（Tomasz Drabas），微軟數(shù)據(jù)科學(xué)家，致力于解決高維特征空間的問題。他有超過13年的數(shù)據(jù)分析和數(shù)據(jù)科學(xué)經(jīng)驗：在歐洲、澳大利亞和北美洲三大洲期間，工作領(lǐng)域遍及高新技術(shù)、航空、電信、金融和咨詢。
本文摘編自《數(shù)據(jù)分析實戰(zhàn)》，經(jīng)出版方授權(quán)發(fā)布。
延伸閱讀《數(shù)據(jù)分析實戰(zhàn)》
推薦語：通過大量的現(xiàn)實案例，詳細講解數(shù)據(jù)分析相關(guān)的各種方法。
*請認真填寫需求信息，我們會在24小時內(nèi)與您取得聯(lián)系。
