python脚本打包程序py2exe实例教程
所以我就想先把程序打包发布，常用
【菜科解读】
最近在学python，所以用python写了个脚本，但是这个程序现在还有太大的局限性，要使用就要先安装python环境比较麻烦。
所以我就想先把程序打包发布，常用的就是py2exe打包，所以打算这次也用它。
好了，开始。
。
。
。
准备工作：
安装py2exe编写setup.py代码如下：1 #-*-coding: UTF-8-*-2 from distutils.core import setup3 import py2exe4 # Powered by www.pythontab.com5 INCLUDES = []6 options = {"py2exe" : 7 {"compressed" : 1, 8 "optimize" : 2, 9 "bundle_files" : 2, 10 "includes" : INCLUDES, 11 "dll_excludes": [ "MSVCP90.dll", "mswsock.dll", "powrprof.dll","w9xpopen.exe"] }} 12 setup(13 options = options, 14 description = "车位管理系统", 15 zipfile=None,16 console=[{"script": "park.py", "icon_resources": [(1, "logo.ico")] }],17 )
具体的option和其它的选项是什么含意可以search一下，网上非常多的资料，我就不赘述了下一步，运行命令：
1 python setup.py py2exe
编译完成后会在当前目录下生成一个dist目录，里面有park.exe文件，不过执行时并不成功出现如下错误：
1 Traceback (most recent call last): 2 File "park.py", line 4, in 3 File "zipextimporter.pyo", line 82, in load_module 4 File "pyquery.pyo", line 9, in 5 File "zipextimporter.pyo", line 82, in load_module 6 File "cssselectpatch.pyo", line 6, in 7 File "zipextimporter.pyo", line 82, in load_module 8 File "lxml\cssselect.pyo", line 8, in 9 File "zipextimporter.pyo", line 98, in load_module10 File "lxml.etree.pyx", line 72, in init lxml.etree (src/lxml/lxml.etree.c:156121)11 ImportError: No module named _elementpath
在网上找了下解决方案，问题出在了lxml库。
不能正确找到路径，因为是lxml第三方库，要多加一条指令指定路径；将编译命令改为
1 python setup.py py2exe -p lxml,gzip
这里还多加了gzip，原因同lxml一样最后执行生成的文件有park.exe和python27.dll，只要把这两个文件放到一个文件夹，然后就可以在任何一台电脑上运行啦。
哈哈。
有了这个工具我们就可以用python做一些好用的小工具给自己和朋友们用了。
。
。
python,脚本,打包,程序,py2exe,实例,教程,最python做时间序列？Python中9大时间序列预测模型
当有预测模型来预测未知变量时，在时间充当独立变量和目标因变量的情况下，时间序列预测就出现了。
预测值可以是潜在雇员的工资或银行账户持有人的信用评分。
任何正式引入统计数据的数据科学都会遇到置信区间，这是某个模型确定性的衡量标准。
因此，菜叶说说，预测一段时间内某些数据的价值需要特定的技术，并且需要多年的发展。
由于每种都有其特殊用途，必须注意为特定应用选择正确的技术。
预测人员在技术选择中发挥作用，他们越了解预测可能性的范围，公司的预测工作就越有可能取得成果。
其方法的选择取决于预测的背景、历史数据的相关性和可用性、所需的准确度、预测的时间段、对企业的预测成本以及分析所需的时间。
影响预测的因素 · 增加或减少趋势 · 季节性 · 数据集的大小 时间序列的组成部分与数据本身一样复杂。
随着时间的增加，获得的数据也会增加。
有时候更多的数据并不意味着更多的信息，但是更大的样本避免了由于随机采样而产生的误差。
因此，对于每个应用程序，使用的技术都会发生变化。
来源：数据科学博客 在本文中，我们列出了最广泛使用的时间序列预测方法，只需一行代码就可以在Python中使用它们：1. Autoregression（AR） AR方法在先前时间步骤中模拟为观察的线性函数。
模型的表示法涉及指定模型p的顺序作为AR函数的参数。
from statsmodel.tsa.ar_model import AR2. Autoregressive Moving Average（ARMA） ARMA方法结合了自回归（AR）模型和移动平均（MA）模型。
from statsmodel.tsa.arima_model import ARMA3. Autoregressive Integrated Moving Average（ARIMA） ARIMA方法结合自回归（AR）和移动平均（MA）模型以及序列的差分预处理步骤以使序列静止，称为积分。
from statsmodel.tsa.arima_model import ARIMA4. Seasonal Autoregressive Integrated Moving-Average (SARIMA) SARIMA方法将序列中的下一步建模为先前时间步骤的差异观测值、误差、差异性季节观测值和季节性误差的线性函数。
它结合了ARIMA模型，能够在季节性水平上执行相同的自回归、差分和移动平均建模。
from statsmodel.tsa.statespace.sarimax import SARIMAX5. Seasonal Autoregressive Integrated Moving-Average with Exogenous Regressors (SARIMAX) SARIMAX是SARIMA模型的扩展，还包括外生变量的建模。
SARIMAX方法还可用于使用外生变量对包含的模型进行建模，例如ARX，MAX，ARMAX和ARIMAX。
from statsmodel.tsa.statespace.sarimax import SARIMAX 6. Vector Autoregression (VAR) 向量自回归方法使用AR模型。
AR是多个并行时间序列的推广。
from statsmodel.tsa.vector_ar.var_model import VAR7. Vector Autoregression Moving-Average (VARMA) 这是ARMA对多个并行时间序列的推广，例如，多变量时间序列。
from statsmodel.tsa.statespace.varmax import VARMAX8. Vector Autoregression Moving-Average with Exogenous Regressors（VARMAX） VARMAX是VARMA模型的扩展，它还包括外生变量的建模。
它是ARMAX方法的多变量版本。
9. Holt Winter’s Exponential Smoothing (HWES) HWES是在先前时间步骤的观测的指数加权线性函数，将考虑趋势和季节性因素。
from statsmodel.tsa.holtwinters import ExponentialSmoothing
照片打包发给别人
以上问题我来为你解答。
以电脑QQ9.3.7版本为例，压缩照片成文件并发给别人的步骤是：1.找到并右键单击要压缩的图像。
3.在弹出的对话框中，设置保存位置、文件名和压缩格式，然后单击确定。
5.单击[发送文件]选项。
7.单击[发送]。
