l = [1,2,3,3,3,9,9,9]
l = [1,9,9,9,3,2,9,9,9]
counts = [[1,0,l[0]]]
i = 0
for idx, item in enumerate(zip(l[:-1], l[1:])):
prev, nxt = item
if prev == nxt:
counts[i][0] += 1
else:
counts.append([1,nxt,idx+1])
i += 1

print(counts, l)
print(sorted(counts, key=lambda x:(x[0],x[1],-x[2]), reverse=True)[0])
# 按出现次数、元素本身大小和元素序号(逆序)排序
print(sorted(counts, key=lambda x:(x[0],x[1],-x[2]), reverse=True)[0])
# 按出现次数、元素本身大小和元素序号排序

666 啊，这事儿得多费劲……

blackbox
blacharch
也不错

@mggis0or1 这也是没办法的事啊，你要求的范围太大了啊……不然……先看看统计推断相关的内容？是不是就满足要求了？

s/JRSC/JRSS

先向天再借个五百年，然后：

https://www.springer.com/series/692?detailsPage=titles

Springer Series in Statistics 欢迎你。
然后关注 JRSC，多读读文章。祝好运。

@TongyeYao 嗯……我感觉挺不错啊，一直在用。我是在天猫买的，只买过维氏，不过你这么一说我也试试双立人吧，不过用过这种超薄设计感觉回不去了。。。

@GM 你这敬佩度 log(N) 衰减啊……

维氏

https://detail.tmall.com/item.htm?spm=a230r.1.14.40.1f0c1f38ZsN7nO&id=539324169652&ns=1&abbucket=15

官方旗舰店，我不是打广告的。。。。

什么努不努力的……奈何智商是硬伤啊…… T_T ……唉……

嗯……根据这个做个邻接表然后 DFS ？非科班想的笨办法。P.S. 你的数据少一组 [c2, p2] 吧？

* 不是矩阵乘法，计算量不一样。

In [1]:
...: a = random.random((1000,1000))

In [2]:
...: b = random.random((1000,1000))

In [3]: np.allclose(a@b, np.matmul(a,b))
Out[3]: True

In [4]: np.allclose(a*b, np.matmul(a,b))
Out[4]: False

In [5]: %timeit a@b
34.7 ms ± 1.91 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [6]: %timeit np.matmul(a,b)
34.6 ms ± 1.14 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [7]: np.__version__
Out[7]: '1.15.1'

或者 df = df.set_index(pd.to_datetime(df[5]))
再 df['ema'].plot()

df.set_index(pd.to_datetime(df[5])).plot()
或者 df2.index=pd.to_datetime(df[5])
检查一下 dtype，你需要转换成时间，字符串不行的。

以非官方纸面答复形式提出抚恤金，并说他死于酗酒……校方这是第一时间甩锅，甚至不先论锅是不是自己的，有多大，先甩他一家伙再说……

有没有人用过 kite?
比如 kite + vscode

@yx1100 你要是用校园网应该能直接下啊？学校不一般都买版权的吗？..... 要不去找找 sci-hub 一类的网站吧

https://scholar.google.com/scholar?q=machine+learning+rumor+detection&hl=zh-CN&as_sdt=0&as_vis=1&oi=scholart

比如：
https://ieeexplore.ieee.org/abstract/document/7113322
https://dl.acm.org/citation.cfm?id=2741637

勤用股沟～