dell xps13，前年买的 7 代是 6k 出头，不知道当下八代的多少钱。
考不考虑 surface ？也是 6k 多一些。

WSL ssh 过去能打开 X 应用吗？

P.S. 地胶市场咋样？这么丑的设计地胶能卖出去么……

我没怎么折腾过这类问题，你最好看看 rgb2hsv 和 rgba2rgb 之类的函数，了解一下 hsv 模型。理论上说，白色的话 hsv 里 s 是 0, v 是 1，rgb2hsv 里给出的 h 也应该是 0，但近白色 h 不一定是 0，所以纯色最好。你这图不知道为啥好像不完全是纯色，所以筛选起来可能会比较麻烦，求 histogram 之前可以考虑像 hsv = hsv[np.logical_and(hsv[...,1]>0.05, hsv[...,2]<0.95)]这样按照 s, v (白色 s 值比较小接近 0，v 值比较大接近 1 ）尽可能地把白色去掉，以增加准确度。

可以看看这里：
http://www.voidcn.com/article/p-dntnbcyb-ro.html
有常见颜色的 HSV 范围参考。

from skimage.color import rgb2hsv, rgba2rgb
from skimage import data, io, filters
import numpy as np

image = io.imread('1.png')
hsv = rgb2hsv(rgba2rgb(image))

h_hist, h = np.histogram(hsv[...,0].flatten(), bins=30)

1. 把你的图转成 hsv，在 h 空间求 histogram，黑 /白色的 h 值会是 0 所以不用在意。选择合适的 bins，使峰个数和颜色个数相等。忽略小于某值的 h，因为是白色。这里如果你的图里每个颜色都是纯色，bins 原则多大都是准确的。
2. 建议你尽量把图的 dpi 搞成一样的，也就是说每个方块大小相等，图总大小只和方块数有关。这样你只要算出一个方块有多少像素，用上述的 h_hist 值去除就可以了。因为不到一个方块按一个方块计算，所以向上取整 int(h_hist/square_size)+1 即可。

如果数据结构简单的话，是不是 df[:-1] 就行了...

df.drop(df.tail(n).index) 从尾部去掉 n 行
df.dorp(df.head(n).index) 从头去掉 n 行
可以加上 inplace=True 直接修改原 dataFrame，不过函数返回是 None

整数是很好定义的，说多了都是废话；
有理数是很好定义的，因为是俩整数商；
实数很操蛋，但是因为有理数在实轴上是稠密的，即可以定义一个实数为小于它的所有有理数的集合，比如 1 = {r:r<1,r\in Q}；
假定 A = {r:r<0.9999...,r\in Q},B={r:1,r\in Q},则
r\in A -> r<1-(1/10)^n -> r<1 -> r\in B;
r\in B -> r=a/b<1 -> a<b,a,b\in Z -> a<=b-1 -> r =a/b<=1-1/b<1-(1/10)^b -> r\in A;
A=B

@qcts33 直接看不到，我是根据某个包 ~1~3M 的大概下载时间估的……装 cudatoolkit 和更新 mkl 的时候基本都看不到条在走……但是官网用 firefox 或者 chrome 下安装包 20M+，anaconda 谜之操作

@Northxw
@youngxu
大佬们有没有整过能让 intel python ？我看 intel python 可以用 miniconda + intel 的源，好像速度还挺给力的。

如果用 pip 的话，能不能在 intel python (mkl-numpy, scipy, sklearn, sympy...) 之类的基础上装上 numba, numba+cuda, pyculib 之类的东西？还是须要编译？ Anaconda 直接集成确实方便。。。

@youngxu anaconda 的 numpy+mkl 爽到飞起…… pip 貌似够呛点..... Intel 发布的 python 好像也是 conda，而且，好老……

@qcts33 我也是 ipv6，从官方网站下载 ananconda 包也是……但是下载（火狐&chrome ）都能 20MB+，就 conda update --all 在 kB ....

ML 数据分析一类的……好好学数学？动力学？随机过程？概率论数理统计？看起来就这仨，然而基础知识多到吐……←_←

21 天精通 C++
21 天精通 JAVA
21 天精通...

随便挑五本，105 天成神 ^_^

@caneman 没太理解，因为如果一个位置上叠加 1000 粒米，如果圆盘可以叠加，则需要 20 个。如果圆盘是上层会计入下层，那么无论怎么覆盖都覆盖不了啊，因为 1000 粒米在同一个位置，选多小的圆都会有交叠。

迭代法可能要考虑到最好和最差，我现在脑袋有点残，有时间我算一下。但是原则上六方堆积那个很好算，第一次使用大约 0.25A 次尝试求出粒子空间分布，第二次直接用大概 N/50 个圆进行覆盖。总尝试次数很稳定。当然，因为是保留用来探测粒子分布且覆盖小于 50 粒子的圆，总测试次数要很大程度上小过 0.25A + N/50 的，最差情况就是所有粒子堆叠，分布均匀应该会省力很多。

好像不是 O(Log(A))……算了，熬夜脑袋不太对。
或者第一步使用六方堆积，用 ~0.25 A 次尝试求出空间分布，再根据空间分布一次性解决问题？

所用的圆是大于这个四等分区间的，所以不存在漏掉粒子的问题。

嗯……既然米粒空间分布不可知，那么第一次，比如我选择大过底面的圆覆盖，算不算我已经知道了米粒的空间分布信息？还是只返回一个米粒个数？如果只返回米粒个数，假设粒子数也比较多，那么可不可以这样尝试：
1. 使用一个大圆求出总粒子数；>50 撤掉，<50 问题解决；
2. 四等分底面，用四个圆分别覆盖，<50 保留并跳过此 1/4 的区间，>50 撤掉并将这个区间继续四等分
重复以上步骤，直到所有圆下面粒子<50，是不是 O(Log(A)) 次尝试？