分类后合并格值

有一个分类明细表格

AB
1NameName 2
2Unique 1ex 1
3Unique 1ex 2
4Unique 1ex 3
5Unique 2ext 1
6Unique 2ext 2
7Unique 2ext 3
8Unique 2ext 4
9Unique 2ext 5

要求分类后用分号合并明细

DE
1Unique 1ex 1;ex 2;ex 3
2Unique 2ext 1;ext 2;ext 3;ext 4;ext 5

使用 SPL XLL

=spl("=E@b(?.groups(~1;concat(~2;$[;])))",A2:B9)

Picture4png

函数 E@b 将二维表转为序列,~1 表示当前成员的第 1 个子成员,$[] 是字符串标志

  • 8
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
如果你已经将时间序列数据`t`和采样数据`samples`合并成一个二维数组`data`,可以直接使用`data`来进行Adaboost分类。具体来说,你可以按照以下步骤进行: 1. 将数据集划分为训练集和测试集 ``` from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(data[:, :-1], data[:, -1], test_size=0.2, random_state=42) ``` 上述代码中,`train_test_split`函数用于将数据集划分为训练集和测试集,其中`test_size`参数指定了测试集所占的比例,`random_state`参数指定了随机种子,以保证每次划分的结果相同。 2. 构建Adaboost分类器 ``` from sklearn.ensemble import AdaBoostClassifier clf = AdaBoostClassifier(n_estimators=50, random_state=42) ``` 上述代码中,`n_estimators`参数指定了Adaboost算法中基分类器的数量。 3. 训练模型 ``` clf.fit(X_train, y_train) ``` 4. 在测试集上进行预测 ``` y_pred = clf.predict(X_test) ``` 5. 评估模型性能 ``` from sklearn.metrics import accuracy_score accuracy = accuracy_score(y_test, y_pred) ``` 上述代码中,`accuracy_score`函数用于计算分类器在测试集上的准确率。 需要注意的是,Adaboost分类器中基分类器的选择对模型的性能有较大影响。如果你的数据集中有很多噪声或异常值,可以考虑使用决策树等鲁棒性较强的基分类器。如果你的数据集中有很多线性关系,可以考虑使用线性分类器作为基分类器。同时,你还可以使用网格搜索等方法来寻找最优的参数组合,以提高模型性能。

“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