python3实现《机器学习实战》遇到的问题：range函数

最新推荐文章于 2024-08-22 23:45:57 发布
最新推荐文章于 2024-08-22 23:45:57 发布
阅读量2.2k 收藏 2
点赞数 1
分类专栏： 机器学习&python&深度学习 文章标签： python 机器学习 broadcast python3
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/cjbct/article/details/72672960
版权
在阅读《机器学习实战》时，遇到Python2到Python3语法转换的问题，主要涉及range函数的差异。在Python3中，range函数返回迭代器而非list，导致`del`操作报错。此外，书中代码在调用stocGradAscent1()函数时，由于list与数字相乘引发广播错误。为解决这些问题，建议在函数开始时将range转换为list，或者调整计算weights的语句。同时，书中随机选取样本的方法可能有误，提出改进方案，欢迎讨论。
摘要由CSDN通过智能技术生成

最近在看学习《机器学习实战》这本书。这本书上用的python2的语法，和python3的语法不太一样。由于本人python小白，看了python3的语法，准备自己实现一下代码，遇到了一些问题，故开贴记录一下。


书上P82页。书上给出的

dataIndex=range(m)
然后循环最后一句是

del(dataIndex[randIndex])

python3中这样报错了。

结果发现原来是del中需要时list对象，然后对于range函数来说，python3中返回的是迭代值，不是list。但是Python2中range函数返回的就是list了。因此，使用python3的时候需要修改成

dataIndex = list(range(m))


另外，这P82的程序5-4，在P84中调用了。调用的时候使用了：

weights=logRegres.stocGradAscent1(array(dataArr),labelMat)
重点是用了numpy中的array函数吧dataArray这个list变成了numpy.ndarray。

因为我在这犯错了。

它给出的loadDataSet()函数返回的是个list。我当时直接传递给了stocGradAscent1()，计算的时候在


                

        

        

    

  


        

            

                    
                      最低0.47元/天 解锁文章
                        
                    
            

        

    

      

        

            

              
                
                  FastestSnail
                
              
            

            

                关注
              
            

        

        

          
      

      

            

                专栏目录
          









                



	

		

			

				
					
Python从0到100（六十一）：机器学习实战-实现客户细分

				
			

			

				

					Hello大家好，我是Dream，如果帮得到你，那我深感荣幸！交流学习、商务合作：https://bbs.csdn.net/topics/614347534
				

				

					09-30
					
					3万+
					
				

			

		

		

			
				
在最后一部分，研究可以对聚类数据采用的方式。思考特定的送货方案对不同的客户群（即客户细分）有何不同影响。以及思考为每个客户设定标签（该客户属于哪个细分）可以如何提供关于客户数据的额外特征。最后，比较客户细分和数据中的隐藏变量，看看聚类分析是否发现了特定的关系。我选择的聚类算法和聚类数量，与酒店/餐厅/咖啡厅客户和零售客户分布图相比，效果还不错，但也还存在一些异常数据。根据Dimension看到划分’零售客户’或者是’酒店/餐厅/咖啡厅客户’分布还不错。这些分类和之前的客户细分定义大体一致。

			
		

	



                

            
              



	

		

			

				
					
[Python从零到壹] 十二.机器学习之回归分析万字总结全网首发（线性回归、多项式回归、逻辑回归）

				
			

			

				

					杨秀璋的专栏
				

				

					07-03
					
					4万+
					
				

			

		

		

			
				
前一篇文章讲述了数据分析部分，主要普及网络数据分析的基本概念，讲述数据分析流程和相关技术，同时详细讲解Python提供的若干第三方数据分析库，包括Numpy、Pandas、Matplotlib、Sklearn等。本文介绍回归模型的原理知识，包括线性回归、多项式回归和逻辑回归，并详细介绍Python Sklearn机器学习库的LinearRegression和LogisticRegression算法及回归分析实例。进入基础文章，希望对您有所帮助。

			
		

	



              


  
              

                


	

		

			

				
					
机器学习基础自学七（算法调参range形式）

				
			

			

				

					gamblerofdestinyR14的博客
				

				

					03-05
					
					342
					
				

			

		

		

			
				
这是另外一种写法，感觉比较好，用range的形式。


from pandas import read_csv
from sklearn.linear_model import Ridge
from sklearn.model_selection import RandomizedSearchCV
from scipy.stats import uniform
# 导入数据
filename = ...

			
		

	





	

		

			

				
					
关于Python中range函数的坑

				
			

			

				

					m0_61481871的博客
				

				

					03-11
					
					2045
					
				

			

		

		

			
				
面试大坑之range函数

			
		

	



		

			
		



	

		

			

				
					
Python从入门到快速精通模型算法（五十四）：Pandas的应用-5

					
最新发布

				
			

			

				

					m0_52343631的博客
				

				

					08-22
					
					565
					
				

			

		

		

			
				
如果变量 $X$ 的较大值主要与另一个变量 $Y$ 的较大值相对应，而两者较小值也相对应，那么两个变量倾向于表现出相似的行为，协方差为正。斯皮尔曼相关系数对数据条件的要求没有皮尔逊相关系数严格，只要两个变量的观测值是成对的等级评定资料，或者是由连续变量观测资料转化得到的等级资料，不论两个变量的总体分布形态、样本容量的大小如何，都可以用斯皮尔曼等级相关系数来进行研究。协方差的数值大小取决于变量的大小，通常是不容易解释的，但是正态形式的协方差大小可以显示两变量线性关系的强弱。除此之外，还可以指定。

			
		

	





	

		

			

				
					
python3中报错：TypeError: 'range' object doesn't support item deletion

				
			

			

				

					Dillon2015的博客
				

				

					10-31
					
					1万+
					
				

			

		

		

			
				
通过range构造数组trainingSet = range(50);在执行以下操作时del(trainingSet[randIndex]) 报错：TypeError: 'range' object doesn't support item deletion原因是python3中range不返回数组对象，而是返回range对象解决办法将trainingSet = range(50);替换为trai

			
		

	





	

		

			

				
					
Machine-Learning-in-Action-Python3:《机器学习实战》的python3

				
			

			

				

					03-22
				

			

		

		

			
				
机器学习在实践中Python3
本人是西安电子科技大学的一名研二在读学生，在学习机器学习的过程中拜读了王斌老师翻译的《机器学习实战》一书，书中对算法的原理以及编程实现进行了详细的介绍。
机器学习实战一书中的代码是基于python2的，故对书中的代码重新编写整理，全部代码可在python3环境下运行。
所有源程序中，文件夹名称的命名规则为：算法名称+对应书中的第几个案例，几个几个案例因为数据量比较大所以采用压缩包上传。
如果代码有任何问题欢迎与我联系，联系方式： 
版本更新记录
2019/2/9在kNN_Project1文件夹下更新了鸢尾花多分类任务的sklearn包实现，文件命名为Chap_1.py
 2020/8/2 NeuralNetwork_Project1的代码是对《 Python神经网络编程》这本书中代码的整理

			
		

	





	

		

			

				
					
python 内置函数range_python的内置函数(十一)、range()

				
			

			

				

					weixin_31830691的博客
				

				

					02-09
					
					1988
					
				

			

		

		

			
				
python range() 函数可创建一个整数列表，一般用在 for 循环中。函数语法range(start, stop[, step])参数说明：start: 计数从 start 开始。默认是从 0 开始。例如range(5)等价于range(0， 5);stop: 计数到 stop 结束，但不包括 stop。例如：range(0， 5) 是[0, 1, 2, 3, 4]没有5step：步长，...

			
		

	





	

		

			

				
					
python机器学习理论与实战（四）逻辑回归

				
			

			

				

					12-24
				

			

		

		

			
				
逻辑回归是机器学习中一种基础且重要的算法，尤其在二分类问题中表现出色。它属于有监督学习，意味着我们需要已标记的数据集来训练模型。在本文中，我们将深入理解逻辑回归的基本理论及其在Python中的实现。  首先，...

			
		

	





	

		

			

				
					
机器学习实战之k-近邻算法（3）---如何可视化数据

				
			

			

				

					chchlh的专栏
				

				

					11-29
					
					1万+
					
				

			

		

		

			
				
关于可视化：
《机器学习实战》书中的一个小错误，P22的datingTestSet.txt这个文件，根据网上的源代码，应该选择datingTestSet2.txt这个文件。主要的区别是最后的标签，作者原来使用字符串‘veryLike’作为标签，但是Python转换会出现ValueError: invalid literal for int() with base 10: 'largeDoses'

			
		

	





	

		

			

				
					
Python机器学习实战之逻辑回归

				
			

			

				

					沉心修炼
				

				

					12-30
					
					1364
					
				

			

		

		

			
				
逻辑回归Python代码

			
		

	





	

		

			

				
					
range(1,2)函数只有两个参数时

				
			

			

				

					漫步量化
				

				

					09-06
					
					6696
					
				

			

		

		

			
				
range()函数创建一个整数列表，常用于for循环。


语法
range(start, stop[, step])

其中stop参数是必须要有的，
如果只有一个参数，则是stop，range(5)意味着从0开始，间隔为1；
如果只有两个参数，则是start, stop，range(2,5)意味着从2开始，到5结束，间隔为1；
三个你肯定能懂



...

			
		

	





	

		

			

				
					
python将伪代码转为代码时容易遇到range使用不正确的问题

				
			

			

				

					Pz_mstr's Blog
				

				

					03-17
					
					1514
					
				

			

		

		

			
				
前言
算法课经常会将伪代码转成可运行代码，这时候如果遇到循环比较多的情况，容易搞不清楚for循环如何转成range()，导致数组越界问题，且较难排查，只能调试解决。
本文将分享我在转化的过程中遇到的问题。下图为本文的样例伪代码

编程语言：python


python的range()
for i in range(a,b):
	print(i)

对于上面这一行代码我们会输出a到b-1的结果，也...

			
		

	





	

		

			

				
					
《机器学习实战》之KNN代码基础

				
			

			

				

					书读的太少，想的太多
				

				

					12-31
					
					1299
					
				

			

		

		

			
				
理论不在赘述，自己明白就行，代码基础记录如下：
1.sum(axis=0/1)

import numpy as np
np.sum([0,1,2],[1,2,3],axis=1)
>>array([3,6])
np.sum([0,1,2],[1,2,3],axis=0)
>>array([1,3,5])
说明sum(axis=1)是行相加，sum(axis=0)是列相加
2.data

			
		

	





	

		

			

				
					
单线激光雷达（Lidar）学习四：使用雷达进行目标跟随（二）

				
			

			

				

					wxhy666的博客
				

				

					04-09
					
					2753
					
				

			

		

		

			
				
单线激光雷达（Lidar）学习四：使用雷达进行目标跟随（二）
前言：
结合上一篇内容，我使用gibhub的例程转移到了自己的雷达机器上，发现了一个问题，那便是在使用不同品牌的雷达进行跟随时会出现机器人乱动，达不到跟随的功能的情况,经过对多个不同的品牌的多次测试，我发现rplidar是可以直接使用的，但我在使用ydlidar与ls01b(镭神)时都出现了错乱的问题，经过测试与问题查找我发现是获取激光/scan数据的问题，GitHub上的例程过滤不掉inf这个值。
既然发现了问题那么接下来便是解决问题
直接上修

			
		

	





	

		

			

				
					
《机器学习实战》python3中的项目汇总（整理中）

				
			

			

				

					qq_27403925的博客
				

				

					09-07
					
					1167
					
				

			

		

		

			
				
朴素贝叶斯：

1.屏蔽言论https://blog.csdn.net/c406495762/article/details/77341116

2.新浪新闻分类https://blog.csdn.net/c406495762/article/details/77500679

逻辑回归：

我的算法理解：线性回归即为曲线拟合法，有点像最小二乘法。y=wx+b，也是一个最优化问题，目标函数是cos...

			
		

	





	

		

			

				
					
Numpy np.array 相关常用操作学习笔记

				
			

			

				

					weixin_34185364的博客
				

				

					11-18
					
					8394
					
				

			

		

		

			
				
1.np.array构造函数
用法：np.array([1,2,3,4,5]) 1.1 numpy array 和 python list 有什么区别？
标准Python的列表(list)中，元素本质是对象。如：L = [1, 2, 3]，需要3个指针和三个整数对象，对于数值运算比较浪费内存和CPU。因此，Numpy提供了ndarray(N-dimensional array object)对象：...

			
		

	





	

		

			

				
					
Python3《机器学习实战》学习笔记（六）：Logistic回归基础篇之梯度上升算法

					
热门推荐

				
			

			

				

					Jack-Cui
				

				

					08-30
					
					4万+
					
				

			

		

		

			
				
本文从Logistic回归的原理开始讲起，补充了书上省略的数学推导。本文可能会略显枯燥，理论居多，Sklearn实战内容会放在下一篇文章。自己慢慢推导完公式，还是蛮开心的一件事。

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		
评论 2

	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值