Python生成正则测试数据

前言

匹配文本,最简单的方法就是使用正则表达式了。

但根据表达式生成测试数据,反过来一看,缺没什么头绪。

万幸的是,使用的是轮子遍地的python,所以只要找到相关模块就可以了。

正文

可使用xegerrstr(含xeger)模块。

这里使用xeger模块。

1
pip3 install xeger
1
2
3
4
5
6
7
8
from xeger import Xeger

reg_str = '0\((.+?)\);'
x = Xeger(limit=1)
x._alphabets['whitespace'] = ' '  # 重定义空白字符为空格
x._cases['any'] = lambda x: '.'  # 重定义任意字符为.
result = x.xeger(reg_str)
print(result)

 

 

原文链接:点击打开链接

  • 2
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Python 中实现正则化线性回归可以使用 Scikit-learn 库提供的 `Ridge` 或 `Lasso` 模型。这两个模型都是基于线性回归模型的正则化版本,可以通过添加 L1 或 L2 正则化项来控制模型的复杂度。 下面是使用 `Ridge` 模型实现正则化线性回归的示例代码: ```python from sklearn.linear_model import Ridge from sklearn.metrics import mean_squared_error from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler import numpy as np # 生成数据 n_samples, n_features = 1000, 10 X = np.random.randn(n_samples, n_features) y = np.dot(X, np.random.randn(n_features)) + np.random.randn(n_samples) # 数据预处理 scaler = StandardScaler() X = scaler.fit_transform(X) y = scaler.fit_transform(y.reshape(-1, 1)) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 训练模型 alpha = 0.1 # 正则化参数 model = Ridge(alpha=alpha) model.fit(X_train, y_train) # 预测并计算 MSE y_pred = model.predict(X_test) mse = mean_squared_error(y_test, y_pred) print("MSE: %.4f" % mse) ``` 在上面的示例代码中,我们生成了一个随机的数据集,然后使用 `StandardScaler` 对数据进行标准化处理,接着使用 `train_test_split` 将数据划分为训练集和测试集。然后,我们使用 `Ridge` 模型进行训练,并使用 `mean_squared_error` 函数计算模型在测试集上的均方误差。

“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