创建空的array/DataFrame,按照指定格式往里面添加数据实例

在机器学习与深度学习的数据预处理环节,经常会遇到将所有训练集格式化为二维数组的形式,一行一样本,一列一特征。
借助python可以逐行构建数组。

创建一个空的array,然后往里面添加实例

import numpy as np
data = np.float32([]).reshape(0,3)       #加入有3个特征
fes = [1,2,3]
data  = np.append(data,np.asarray(fes).reshape(-1,3),axis=0)
print(data.shape)
print(a)

创建一个空的dataframe,然后往里面添加实例

import pandas as pd
a = pd.DataFrame({'a':[],'b':[]})

b = pd.DataFrame({'a':[1,2],'b':[3,4]})
a = pd.concat([a,b],ignore_index = True)
print(a.head())
  • 1
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
以下是一个使用LSTM模型预测多变量二维数据的代码实例: ```python import numpy as np import pandas as pd from keras.models import Sequential from keras.layers import LSTM, Dense # 生成随机数据 data = np.random.randn(1000, 2) df = pd.DataFrame(data, columns=['x1', 'x2']) # 添加目标列 df['y'] = df['x1'] + df['x2'] # 划分训练集和测试集 train_size = int(len(df) * 0.7) train = df[:train_size] test = df[train_size:] # 创建函数生成LSTM输入格式 def create_lstm_input(df, window_size): X, y = [], [] for i in range(len(df)-window_size): X.append(df.iloc[i:i+window_size, :].values) y.append(df.iloc[i+window_size, -1]) return np.array(X), np.array(y) # 定义LSTM参数 window_size = 10 hidden_size = 8 # 创建LSTM模型 model = Sequential() model.add(LSTM(hidden_size, input_shape=(window_size, 2))) model.add(Dense(1)) model.compile(loss='mean_squared_error', optimizer='adam') # 生成训练数据 X_train, y_train = create_lstm_input(train, window_size) X_test, y_test = create_lstm_input(test, window_size) # 训练模型 model.fit(X_train, y_train, epochs=50, batch_size=16) # 预测测试集 y_pred = model.predict(X_test) # 计算均方误差 mse = np.mean((y_pred - y_test)**2) print('均方误差:', mse) ``` 在这个示例中,我们生成了一个随机的二维数据集,并在其中添加了一个目标列,该列是x1和x2的和。我们使用了一个带有8个隐藏节点的LSTM模型来预测目标列,并使用均方误差度量预测性能。
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