Python3实例-----Python 二分查找--------递归实现

#代码如下:

print("Python3实例-----Python 二分查找")
'''
二分搜索:一种在有序数组中查找某一特定元素的搜索算法。
算法描述:
1)从数组的中间元素开始进行搜索
    (1)如果中间元素正好是待查找元素,则搜索过程结束;
        中间元素的索引:begin+(end-begin)/2
    (2)如果待查找元素大于或者小于中间元素,则在数组大于或小于中间元素的那一半中查找,而且跟开始一样从中间元素开始比较。
    (3)如果在某一步骤数组为空,则代表找不到。
2)这种搜索算法每一次比较都使搜索范围缩小一半。

递归总结:
重复部分:
    从中间元素开始进行查找
递归结束条件:
    在某一步骤数组为空,代表找不到
    或者直接找到
递归中的变量:
    每次都改变的值:begin,end
    变量的初始值:begin=0,end=len(arr)-1
    变量每次变化的规律:
递归中的保留值:
    最终需要得出的结果  mid


    def find_des(arr, begin, end, x):
        if l >= 1:
            mid = (end-l)/2+l
            if arr[mid] == x:
                return mid
            elif arr[mid] > x:
                return find_des(arr, begin, mid -1, x)
            else:
                return find_des(arr, mid + 1, end, x)
            




'''

# 返回 x 在 arr 中的索引,如果不存在返回 -1
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于信息熵进行划分选择的决策树算法是一种用于分类和回归分析的机器学习算法。该算法通过计算样本集中各个属性的熵,选择熵最小的属性作为节点进行划分,进而构建决策树。 Python编程语言提供了丰富的库和工具,可以方便地实现基于信息熵的决策树算法。下面是一个示例代码: ```python import pandas as pd import numpy as np def calculate_entropy(labels): unique_labels = np.unique(labels) entropy = 0 total_samples = len(labels) for label in unique_labels: p_label = len(labels[labels == label]) / total_samples entropy += -p_label * np.log2(p_label) return entropy def calculate_information_gain(data, labels, attribute): unique_values = np.unique(data[attribute]) total_samples = len(labels) info_gain = calculate_entropy(labels) for value in unique_values: subset_labels = labels[data[attribute] == value] p_value = len(subset_labels) / total_samples info_gain -= p_value * calculate_entropy(subset_labels) return info_gain def choose_best_attribute(data, labels): attributes = data.columns best_attribute = '' max_info_gain = -np.inf for attribute in attributes: info_gain = calculate_information_gain(data, labels, attribute) if info_gain > max_info_gain: max_info_gain = info_gain best_attribute = attribute return best_attribute def create_decision_tree(data, labels): # 基准情况:如果所有实例都属于同一类别,则返回该类别 if len(np.unique(labels)) == 1: return labels[0] # 基准情况:如果没有属性可用于划分,则返回实例数量最多的类别 if len(data.columns) == 0: unique_labels, counts = np.unique(labels, return_counts=True) return unique_labels[np.argmax(counts)] best_attribute = choose_best_attribute(data, labels) tree = {best_attribute: {}} unique_values = np.unique(data[best_attribute]) for value in unique_values: subset_data = data[data[best_attribute] == value].drop(columns=best_attribute) subset_labels = labels[data[best_attribute] == value] if len(subset_labels) == 0: unique_labels, counts = np.unique(labels, return_counts=True) tree[best_attribute][value] = unique_labels[np.argmax(counts)] else: tree[best_attribute][value] = create_decision_tree(subset_data, subset_labels) return tree # 示例使用 data = pd.DataFrame({ 'Outlook': ['Sunny', 'Sunny', 'Overcast', 'Rain', 'Rain', 'Rain', 'Overcast', 'Sunny', 'Sunny', 'Rain', 'Sunny', 'Overcast', 'Overcast', 'Rain'], 'Temperature': ['Hot', 'Hot', 'Hot', 'Mild', 'Cool', 'Cool', 'Cool', 'Mild', 'Cool', 'Mild', 'Mild', 'Mild', 'Hot', 'Mild'], 'Humidity': ['High', 'High', 'High', 'High', 'Normal', 'Normal', 'Normal', 'High', 'Normal', 'Normal', 'Normal', 'High', 'Normal', 'High'], 'Wind': ['Weak', 'Strong', 'Weak', 'Weak', 'Weak', 'Strong', 'Strong', 'Weak', 'Weak', 'Weak', 'Strong', 'Strong', 'Weak', 'Strong'], 'Play': ['No', 'No', 'Yes', 'Yes', 'Yes', 'No', 'Yes', 'No', 'Yes', 'Yes', 'Yes', 'Yes', 'Yes', 'No'] }) labels = data['Play'] data = data.drop(columns='Play') decision_tree = create_decision_tree(data, labels) print(decision_tree) ``` 以上代码中,我们首先定义了几个辅助函数。`calculate_entropy`函数用于计算标签的熵,`calculate_information_gain`函数用于计算每个属性的信息增益,`choose_best_attribute`函数用于选择信息增益最高的属性作为划分节点。然后,我们定义了`create_decision_tree`函数来归构建决策树。 在示例中,我们使用了一个天气预测的数据集来构建决策树。最终打印出的决策树是一个字典,其中键表示划分的属性,值表示该属性的不同取值所对应的子树。 总结来说,Python编程语言提供了丰富的库和工具,可以很方便地实现基于信息熵的决策树算法。通过计算属性的熵和信息增益,我们可以选择最优的属性进行划分,从而构建出一个高效且准确的决策树模型。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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