统计标签(labels)里每类缺陷的数量

 统计缺陷数量,会自动遍历文件夹下所有的txt格式文件,并将每一类缺陷数量累加求和。

import os

def count_first_column_chars(folder_path):
    char_count = {}
    for root, dirs, files in os.walk(folder_path):
        for file in files:
            if file.endswith('.txt'):
                file_path = os.path.join(root, file)
                with open(file_path, 'r', encoding='utf-8') as f:
                    for line in f:
                        if line.strip():  # Skip empty lines
                            first_char = line.split()[0]  # Assume columns are separated by whitespace
                            char_count[first_char] = char_count.get(first_char, 0) + len(first_char)
    return char_count

if __name__ == "__main__":
    folder_path = input("输入目录")
    result = count_first_column_chars(folder_path)
    print("每一行第一列的字符数量统计:")
    for char, count in result.items():
        print(f"字符 '{char}' 总数为: {count}")

  • 8
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
朴素贝叶斯分类器是一种基于贝叶斯定理的分类算法,它假设每个特征都是独立的,并且使用极大似然估计来估计每个特征的条件概率。在Python中,可以使用scikit-learn库中的MultinomialNB类实现朴素贝叶斯分类器。 下面是一个简单的示例代码,使用朴素贝叶斯分类器对文本数据进行分类统计: ```python from sklearn.naive_bayes import MultinomialNB from sklearn.feature_extraction.text import CountVectorizer # 训练数据 train_data = [ {'text': 'Chinese Beijing Chinese', 'label': 'China'}, {'text': 'Chinese Chinese Shanghai', 'label': 'China'}, {'text': 'Chinese Macao', 'label': 'China'}, {'text': 'Tokyo Japan Chinese', 'label': 'Japan'} ] # 测试数据 test_data = [ {'text': 'Chinese Chinese Chinese Tokyo Japan', 'label': 'China'}, {'text': 'Tokyo Tokyo Japan', 'label': 'Japan'} ] # 特征提取器,将文本转换为词频向量 vectorizer = CountVectorizer() # 训练集特征和标签 train_features = vectorizer.fit_transform([d['text'] for d in train_data]) train_labels = [d['label'] for d in train_data] # 测试集特征和标签 test_features = vectorizer.transform([d['text'] for d in test_data]) test_labels = [d['label'] for d in test_data] # 创建朴素贝叶斯分类器 clf = MultinomialNB() # 训练模型 clf.fit(train_features, train_labels) # 预测测试集标签 pred_labels = clf.predict(test_features) # 输出预测结果 for i, d in enumerate(test_data): print('文本:', d['text'], '真实标签:', d['label'], '预测标签:', pred_labels[i]) ``` 上述代码中,训练数据和测试数据都是以字典形式存储,其中每个文本数据都有一个标签。使用CountVectorizer特征提取器将文本转换为词频向量,然后使用MultinomialNB类创建朴素贝叶斯分类器,并使用fit方法训练模型。最后,使用predict方法对测试集进行预测,并输出预测结果。

“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

打赏作者

玩大侠

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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