列表生成式+正则提取信息

# -*- codeing=utf-8 -*-
# @Time:10/11/2022 08:10

# 1:生成一个由1-10的平方组成的列表
number = [i * i for i in range(1, 11)]
print(number)

# 2:字符串s1=‘ABC’,字符串s2=‘123’,要求:生成序列 A1 A2 A3 B1 B2 B3 C1 C2 C3
str1 = ['A' + str(i) for i in range(1, 4)]
str2 = ['B' + str(i) for i in range(1, 4)]
str3 = ['C' + str(i) for i in range(1, 4)]
print(str1)
print(str2)
print(str3)

# 3:将3×3的矩阵alist1转换成一个列表,且使该列表中包含偶数
alist1 = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
mylist = []
# list=[i for i in alist1[0][:] for y in alist1[1][:] for j in alist1[2][:]]
for i in range(3):
    for i in alist1[i]:
        if i % 2 == 0:
            mylist.append(i)
print(mylist)

# 4:取出所有带a的列表
list1 = ['52pojie', 'OVVO', 'asd', 'sdf', 'freg', 'sfag', 'refv', 'aser', 'sdfr']
word = [i for i in list1 if 'a' in i]
print(word)

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1. 余弦相似度模型的缺点: - 不能很好地处理稀疏向量,因为这会导致相似度接近于0。 - 不能考虑单词之间的语义关系。 改进方法: - 使用加权余弦相似度计算,以便更好地处理稀疏向量。 - 结合词嵌入技术来考虑单词之间的语义关系。 2. 最小生成树模型的缺点: - 它假设所有点都是相互连接的,这不一定总是符合实际情况。 - 它可能会漏掉与其他集群相关的点。 改进方法: - 使用其他图论算法来构建聚类模型,例如k-近邻图。 - 结合其他聚类算法来增强聚类模型的准确性。 3. TfidfVectorizer的缺点: - 它无法处理语义相似但不完全相同的单词,例如“cat”和“cats”。 - 它不能很好地处理停用词,因为这些词在文本中太过普遍。 改进方法: - 使用词干提取和词形还原技术来处理单词形态变化的问题。 - 使用自定义停用词列表以过滤无关紧要的单词。 4. K-Means聚类得到聚类中心点的缺点: - 它对初始聚类中心的选择非常敏感。 - 它可能会陷入局部最优解。 改进方法: - 使用其他聚类算法来提高聚类模型的准确性。 - 采用启发式算法来选择初始聚类中心。 5. 正则表达式的缺点: - 它只能处理特定格式的文本。 - 它可能会忽略文本中的上下文信息。 改进方法: - 使用自然语言处理技术来更好地理解文本。 - 结合其他文本处理技术来增强正则表达式的能力。
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