Pandas groupby和sklearn组合-通过应用管道携带各种密钥
Pandas groupby 是基于Python的数据分析库Pandas提供的功能，用于按照指定的列对数据进行分组操作。groupby可以根据一个或多个列的值来对数据进行分组，并对每个分组进行相应的聚合操作，如计算平均值、求和等。
sklearn是Python中一个常用的机器学习库，全称为Scikit-learn。它提供了许多机器学习算法和工具，可以用于数据挖掘和数据分析。
组合Pandas groupby和sklearn可以实现在数据分析和机器学习任务中对数据进行预处理和特征工程的功能。通过应用管道（Pipeline）可以将这两个操作有机地结合起来，实现数据的一系列转换和处理。
在这个组合中，首先使用Pandas的groupby对数据进行分组操作，可以按照某个或多个列的值将数据划分为若干个组。然后，可以针对每个组进行一系列的数据转换和处理操作，如填充缺失值、标准化、特征选择等。最后，使用sklearn的机器学习算法对处理后的数据进行建模和训练。
优势：
- 提高效率：通过将数据分组和处理操作结合在一起，可以避免重复的数据加载和转换操作，提高处理效率。
- 简化代码：使用管道可以将多个数据处理操作串联起来，简化代码结构，提高代码可读性和可维护性。
- 可复用性：通过定义管道的方式，可以将数据处理的流程进行封装，方便在不同的数据集上重复使用。
应用场景：
- 数据预处理：可以使用该组合进行数据清洗、特征选择、特征工程等预处理操作，为后续的机器学习任务做好准备。
- 数据分析：通过对分组后的数据进行统计分析和可视化，可以对数据进行更深入的理解和洞察。
- 机器学习：可以在数据处理和模型训练的过程中使用该组合，进行数据转换和特征工程，以提高机器学习模型的性能和效果。
推荐腾讯云相关产品： 腾讯云提供了一系列云计算服务和产品，其中与数据处理和机器学习相关的产品如下：
- 腾讯云数据处理：提供了各种数据处理工具和服务，如云数据库 TencentDB、云数据仓库 CDW、云数据集成 DCI 等。详细信息请参考：腾讯云数据处理
- 腾讯云机器学习平台：提供了丰富的机器学习工具和资源，如深度学习框架 TensorFlow、机器学习工具包 PyTorch、自动化机器学习平台 TIA、大规模训练集群等。详细信息请参考：腾讯云机器学习平台
以上是对Pandas groupby和sklearn组合的简要介绍，希望能对您有所帮助。
相关·内容
1回答
我有一个数据集，每个文档都有一个标签，如下所示。
label text
pay "i will pay now"
finance "are you the finance guy?"
law "lawyers and law"
court "was at the court today"
finance report "bank reported annual share.."
文本文档可以使用
浏览 1提问于2017-06-19得票数 0
我已经创建了一个用于集群的函数，该函数应用于各种数据格式和列。我希望有一个一致的集群排序，按平均值排序。
例如，以下集群的排序是可以的：
0: 1.5
1: 2.0
3: 2.5
对于下面的集群是不合适的：
0: 2.0
1: 1.6
2: 1.2
它应该是
0: 1.2
1: 1.6
2: 2.0
将所选列分组为群集的函数如下：
from sklearn.cluster import KMeans
from sklearn.preprocessing import robust_scale
def get_clustered_values(df, column_value, column_
浏览 6提问于2022-02-19得票数 0
我已经使用sklearn_pandas和sklearn创建了一个ML管道。它看起来像这样。
features = ['ColA','ColB','ColC']
labels = 'ColD'
mapper = sklearn_pandas.DataFrameMapper([
('ColB',sklearn.preprocessing.StandardScaler()),
('ColC',sklearn.preprocessing.StandardScaler())
])
pipe
浏览 4提问于2015-04-30得票数 2
回答已采纳
我正在计算一个包含多个组的数据帧的各种评估指标。这是我的代码 import pandas as pd
from sklearn.metrics import mean_squared_error, median_absolute_error
temp = pd.DataFrame({"group":['A','A','B','B'],"actual":[10,2,3,4],"pred":[0,1,2,3]})
temp.groupby("group").apply
浏览 19提问于2021-07-08得票数 0
回答已采纳
我正在尝试用下面的代码安装SkLearn DecisionTree的数据格式。但是我得到了一个错误Length of feature_names, 9 does not match number of features, 8。DecisionTree似乎只有经过一次编码转换后才有合适的分类特征，而不是数字特征。如何将数值特征包含在决策树模型中？
import pandas as pd
import numpy as np
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import make_pipelin
浏览 0提问于2022-07-13得票数 0
1回答
我遇到了一个使用Grid search调优参数的示例，以及在管道中使用TfidfVectorizer()调优文本数据的示例。据我所知，当我们调用grid_search.fit(X_train，y_train)时，它会转换数据，然后根据字典中的描述来拟合模型。然而，在评估过程中，我对测试数据集感到有点困惑，因为当我们调用grid_search.predict(X_test)时，我不知道/(如何) TfidfVectorizer()应用于此测试块。
谢谢
大卫
import pandas as pd
from sklearn.feature_extraction.text import Tfidf
浏览 0提问于2019-10-14得票数 0
我正在Windows上写一个简单的电子应用程序，它使用几个python文件，利用各种python机器学习库。
使用几种不同的方法(exec、spawn等)。我已经成功地调用了python脚本，并且让python脚本正确地将测试值写入文件，并正确地将测试值返回给我的应用程序。
const { spawn } = require('child_process');
const pyProg = spawn('python', ['./../path/to/pyfile/cmd_test.py', 'arg1', 'arg2&
浏览 1提问于2018-11-21得票数 0
我正在使用sklearn pipeline构建一个机器学习管道。在预处理步骤中，我尝试对两个不同的sting变量进行两种不同的处理: 1) BusinessType上的热编码2) AreaCode上的平均编码，如下所示：
preprocesses_pipeline = make_pipeline (
FeatureUnion (transformer_list = [
("text_features1", make_pipeline(
FunctionTransformer(getBusinessTypeCol, validat
浏览 0提问于2018-10-30得票数 4
如果我排除了我的自定义转换器，GridSearchCV运行的很好，但是它会出错。这里有一个假数据集：
import pandas
import numpy
from sklearn_pandas import DataFrameMapper
from sklearn_pandas import cross_val_score
from sklearn.pipeline import Pipeline
from sklearn.grid_search import GridSearchCV
from sklearn.base import TransformerMixin
from sklear
浏览 4提问于2015-06-22得票数 6
回答已采纳
2回答
我正在使用sklearns' pipeline函数、one hot encode和model。几乎和的帖子完全一样。
在使用Pipeline之后，我再也无法获得树的贡献了。获取此错误：
AttributeError：“管道”对象没有属性“n_outputs_”
我试着玩的参数，但我被卡住了。
因此，我的问题是:当我们使用sklearns Pipeline时，我们有没有办法从树中得到贡献？
编辑2-按Venkatachalam请求的真实数据：
# Data DF to train model
df = pd.DataFrame(
[['SGOHC', '
浏览 2提问于2020-11-27得票数 3
回答已采纳
我想创建一个PMML管道，比如 PMMLPipeline([
("clt", ColumnTransformer([
("cl", Pipeline([
("std", StandardScaler()),
("pca", PCA(4) ),
("kmeans", KMeans(
浏览 10提问于2019-06-19得票数 0
我用Python为Tweets编写了一个分类器，然后在磁盘上以.pkl格式保存它，这样我就可以一次又一次地运行它，而不需要每次训练它。这是代码：
import pandas
import re
from sklearn.feature_extraction import FeatureHasher
from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import chi2
from sklearn import cross_validation
from sklearn.exte
浏览 5提问于2015-10-07得票数 3
2回答
我需要将我的随机森林模型转换为python中的pmml格式。我已经从github导入了sklearn2pmml并尝试创建一个pmml文件。我运行下面的代码；
import pandas
import sklearn_pandas
iris = iris.csv
iris_df = pandas.concat((pandas.DataFrame(iris.data[:, :], columns = ["Sepal.Length", "sepal_width", "petal_length", "petal_width"]), p
浏览 8提问于2017-05-23得票数 0
1回答
在sklearn中，我们可以使用管道中的列转换器对特定的列应用预处理选项，如下所示：
import pandas as pd
from sklearn.preprocessing import MaxAbsScaler, MinMaxScaler, StandardScaler, ...
from sklearn.compose import ColumnTransformer, make_column_transformer
from sklearn.pipeline import Pipeline
from sklearn.neural_network import MLPClassifi
浏览 1提问于2021-12-02得票数 0
回答已采纳
我在试着理解科学学习管道是如何工作的。我有一些虚拟数据，我试图拟合一个随机森林模型的虹膜数据。这是一些代码
from sklearn import datasets
from sklearn import svm
from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import chi2
from sklearn.ensemble import RandomForestClassifier
from sklearn.pipeline import Pipeline
from sklea
浏览 1提问于2020-10-02得票数 4
回答已采纳
给出了以下示例：
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.decomposition import NMF
from sklearn.pipeline import Pipeline
import pandas as pd
pipe = Pipeline([
("tf_idf", TfidfVectorizer()),
("nmf", NMF())
])
data = pd.DataFrame([["Salut comment t
浏览 0提问于2018-02-12得票数 26
回答已采纳
3回答
全滑雪板管道实例
、、、
我试着用滑雪板管道。但我在网上尝试了各种教程，但这对我没有帮助。
import pandas as pd
import numpy as np
import json
import seaborn as sb
from sklearn.metrics import log_loss
from sklearn import linear_model
from sklearn.model_selection import StratifiedKFold
from sklearn.svm import SVC
from scipy.stats import zscore
from Transf
浏览 4提问于2017-03-25得票数 1
回答已采纳
我已经创建了一个自定义转换器(TopQuantile())，它使用sklearn的TransformerMixin和BaseEstimator类，如下所示，主要是在bumpy或pandas输入特性/列上运行np.percentile()或pd.DataFrame.quantile()，以确定功能中哪些值属于用户指定的分位数，哪些值不属于用户指定的分位数，然后将每一行计数写入一个新的numpy/Pandas列中。
这里的问题是，当我使用cross_validate运行管道时，它会抛出IndexError: index 10 is out of bounds for axis 1 with siz
浏览 1提问于2018-08-05得票数 0
回答已采纳
我们已经提出了一个类似的问题，但答案并没有帮助我解决问题：
我试图使用多个管道对数据进行预处理，使用一个热编码器对分类和数值数据进行预处理(如中所建议的)。
这是我的代码，即使我的分类器产生78%的准确率，我也不知道为什么我不能绘制我正在训练的决策树，以及什么可以帮助我解决这个问题。下面是代码片段：
import pandas as pd
import sklearn.tree as tree
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import OneHotEncoder
浏览 0提问于2021-06-11得票数 1
回答已采纳
1回答
我想要一个过程，作为结果，给我一个机器学习模型的列表和他们的准确性评分，但只对一组参数，它提供了最好的结果，类型的模型。
例如，这里只提供了XGBoost的简历：
数据集：
import numpy as np
import pandas as pd
from sklearn.datasets import load_iris
iris = load_iris()
data = pd.DataFrame(data= np.c_[iris['data'], iris['target']],
columns= iris[&#
浏览 1提问于2018-10-31得票数 1
回答已采纳
我正在学习一个专注于OneHotEncoder的教程。我理解编码特性背后的想法，但我在使用编码器和流水线进行新的预测时遇到了一些问题。其中两个特征--“性别”和“登船”--是绝对的，而不是数字的。当创建一个新的numpy数组进行预测时，您是使用初始值，比如"male“和"C"，还是使用"1”和"2“来进行新的预测？我得到了以下错误：“ValueError:使用字符串指定列只支持pandas DataFrames”，这很奇怪，因为我使用的值都是数值。无论如何，我是否必须将管道安装到X_new才能做出新的预测？如果是这样，我如何做到这一点？ X_new =
浏览 36提问于2020-06-17得票数 0
我希望能够在sklearn中使用RandomizedSearchCV结构中的管道。然而，现在我相信只有估计者才会得到支持。下面是我想要做的事情的一个例子：
import numpy as np
from sklearn.grid_search import RandomizedSearchCV
from sklearn.datasets import load_digits
from sklearn.svm import SVC
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import
浏览 6提问于2015-01-27得票数 21
回答已采纳
当我使用管道对象时，
当我使用.fit()方法时，管道对象是否适合并转换的火车数据？或者我应该使用.fit_transform()方法？这两者有什么区别？
当我对测试数据使用.predict()方法时，管道对象是否对测试数据进行转换，然后再进行预测？，也就是说，在使用.predict()方法之前，是否应该使用.transform()方法对测试数据进行转换？
这是我的代码：
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.feature
浏览 2提问于2021-07-07得票数 7
回答已采纳
我正在尝试创建一个基于科学知识的管道，通过熊猫的数据传输。在每个阶段，只应触及一子集的功能，其余的应通过未经修改。为此，我使用IBEX，因为DataFrameMapper似乎没有为我做这项工作，因为为了完整性起见，没有保留未触及的字段，这里的DataFrameMapper代码(它对我不起作用，但可能是在其他人之前)：
from sklearn_pandas import DataFrameMapper
from sklearn.preprocessing import StandardScaler
mapper = DataFrameMapper([
(['x',&
浏览 0提问于2018-05-14得票数 1
回答已采纳
1回答
代码在列的规范上抛出错误
、、、、
当我运行我的模型时，我一直收到以下的值错误： ValueError: Specifying the columns using strings is only supported for pandas DataFrames 以下是该错误的完整版本： Traceback (most recent call last):
File "/usr/lib/python3.8/site-packages/sklearn/utils/__init__.py", line 425, in _get_column_indices
all_columns = X.columns
浏览 38提问于2020-10-26得票数 0
回答已采纳
我正在尝试使用sklearn_pandas模块来扩展我在熊猫中所做的工作，并深入机器学习，但是我正在为一个错误而挣扎，我并不真正理解如何修复。
我正在处理上的以下数据集。
它本质上是一个带有浮点值的无头表(1000行，40个特性)。
import pandas as pdfrom sklearn import neighbors
from sklearn_pandas import DataFrameMapper, cross_val_score
path_train ="../kaggle/scikitlearn/train.csv"
path_labels ="..
浏览 2提问于2014-07-05得票数 1
回答已采纳
我在pandas数据框中的数据如下：
df = pd.DataFrame({'a':[1,2,3,3,4,4,4], 'b':[2,3,4,4,5,5,5]})
所以数据帧看起来是这样的：
a b
0 1 2
1 2 3
2 3 4
3 3 4
4 4 5
5 4 5
6 4 5
这里的列'a'，'b‘的组合是: 12(1)，23(1)，34(2)，45(3)。我尝试选择4和5并将它们打印出来，因为它们的组合出现次数最多(3次)。
我的代码是：
counts = df.groupby(['a&#
浏览 1提问于2018-10-29得票数 6
3回答
我想要每个数字最普通的字母。我试过各种各样的东西，不知道什么是正确的方法。
import pandas as pd
from pandas import DataFrame, Series
original = DataFrame({
'letter': {0: 'A', 1: 'A', 2: 'A', 3: 'B', 4: 'B'},
'number': {0: '01', 1: '01', 2: '02', 3:
浏览 4提问于2017-06-07得票数 2
回答已采纳
1回答
如何反演管道后的回归预测？
、、、、
当我使用管道时，我试图弄清楚如何对数据进行缩放(大概是使用inverse_transform)来进行预测。下面的数据只是一个例子。我的实际数据要大得多且复杂得多，但我希望使用RobustScaler (因为我的数据有异常值)和Lasso (因为我的数据有几十个无用的特性)。一般情况下，我对管道都很陌生。
基本上，如果我试着用这个模型来预测任何事情，我想用不成比例的术语来预测。这有可能有管道吗？我怎样才能用inverse_transform做到这一点呢？
import pandas as pd
from sklearn.linear_model import Lasso
from sklearn
浏览 2提问于2019-05-14得票数 3
我有两个功能的不同的产品ID下的不同类别的rank和ratings从一个电子商务网站在不同的日期刮。 此处提供示例数据帧： import pandas as pd
import numpy as np
import warnings; warnings.simplefilter('ignore')
from sklearn.preprocessing import MinMaxScaler
from sklearn.preprocessing import StandardScaler
from sklearn.preprocessing import RobustScale
浏览 33提问于2021-10-07得票数 0
回答已采纳
请考虑以下代码：
import pandas as pd
import numpy as np
from sklearn.svm import SVC
from sklearn.preprocessing import StandardScaler
from sklearn.feature_selection import RFE
from sklearn.pipeline import Pipeline
# data
train_X = pd.DataFrame(data=np.random.rand(20, 3), columns=["a", "b", &
浏览 14提问于2022-05-31得票数 1
回答已采纳
2回答
我正在处理泰坦尼克号数据集，我希望处理管道上的所有预处理活动。下面是我的代码：
获取数据集
!wget "https://calmcode.io/datasets/titanic.csv"
然后阅读如下：
import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler, OneHotEncoder
from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputer
dt = pd
浏览 4提问于2022-01-23得票数 0
3回答
熊猫中的分层抽样
、、、
我已经研究了以及，还有和，但它们都没有解决这个问题。
我正在寻找一种快速的pandas/sklearn/numpy方法来从数据集生成大小为n的分层样本。但是，对于少于指定采样数的行，它应该采用所有条目。
具体示例：
谢谢！:)
浏览 1提问于2017-05-22得票数 50
回答已采纳
我正在尝试学习各种方法，我可以在Pandas中使用聚合函数，但是当我查看文档时，我不能说太多。似乎我可以传递更多的参数，但我如何知道哪些参数意味着什么？
浏览 3提问于2015-05-05得票数 2
回答已采纳
7回答
熊猫群到to_csv
、、、
希望通过数据将Pandas组输出到CSV。尝试了各种StackOverflow解决方案，但它们都没有起作用。
Python 3.6.1，Pandas 0.20.1
groupby结果如下所示：
id month year count
week
0 9066 82 32142 895
1 7679 84 30112 749
2 8368 126 42187 872
3 11038 102 34165 976
4 8815 117 34122 767
5 10979 163
浏览 8提问于2017-12-01得票数 27
1回答
我希望将我的DataFrame按特定的列分组，然后应用sklearn预处理MinMaxScaler并存储scaler对象。
我现在的出发点是：
import pandas as pd
from sklearn import preprocessing
scaler = {}
groups = df.groupby('ID')
for name, group in groups:
scr = preprocessing.MinMaxScaler()
scr.fit(group)
scaler.update({name: scr})
group = scr.tr
浏览 4提问于2017-03-13得票数 10
回答已采纳
2回答
环境：
import pandas as pd
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import OneHotEncoder, StandardScaler
from sklearn.ensemble import RandomForestClassifier
样本数据：
X_train = pd.DataFrame({'A': ['a1', 'a3', 'a2'],
'B'
浏览 3提问于2020-03-22得票数 4
回答已采纳
我成功地使用sklearn的多元线性回归训练了我的模型。这是我使用的代码：
import pandas as pd
dataset = pd.read_csv('C:\\mylocation\\myfile.csv')
dataset2 = pd.get_dummies(dataset)
y = dataset.iloc[:, 31:32].values
dataset2.pop('Target')
X = dataset2.iloc[:, :180].values
#Split the dataset
from sklearn.cross_validati
浏览 0提问于2018-12-31得票数 0
回答已采纳
我有一个复杂的错误，不能解释，也不能弄清楚。显然，我的预处理流水线在简化拟合模型时可以工作，但在尝试交叉验证时会失败。我无法判断错误，也无法理解问题所在。请帮帮忙。
预处理
我已经创建了一个对数据执行一些预处理任务的管道。它起作用了。包括一些客户变压器。下面是代码。
from sklearn.pipeline import Pipeline
from sklearn.pipeline import FeatureUnion
from sklearn.base import BaseEstimator, TransformerMixin
class column_selector(BaseE
浏览 0提问于2019-11-13得票数 2
1回答
上下文
我正在使用scikit-学习并寻找一个转换器，允许我简单地选择哪些列要保留或哪些列要删除。
问题
实际上，我希望在管道中包含一个附加的转换器步骤，允许我选择保留哪些列或删除哪些列。我知道，在下面的例子中，我可以简单地使用其余部分，但这在我实际的实现中是行不通的，因为我需要参数化列选择，以便轻松地将其应用于培训、测试和最终得分。
示例
import numpy as np
import pandas as pd
from sklearn.compose import ColumnTransformer
from sklearn import preprocessing
prep_pipe
浏览 0提问于2020-05-02得票数 3
您好，我有以下DataFrame： # Import pandas library
import pandas as pd
import numpy as np
from sklearn.linear_model import LogisticRegression
# initialize list of lists
data = [['tom', 10,1], ['nick', 15,0], ['tom', 14,1], ['jason', 15,0], ['nick', 18,1], ['jaso
浏览 7提问于2020-06-22得票数 0
回答已采纳
假设我想使用sklearn管道应用几种特征选择方法。以下是一个例子：
from sklearn.datasets import load_breast_cancer
from sklearn.feature_selection import SelectKBest, chi2
from sklearn.feature_selection import VarianceThreshold
from sklearn.pipeline import Pipeline
from sklearn.model_selection import train_test_split
X, y = load_
浏览 6提问于2022-07-25得票数 1
回答已采纳
存在groupby操作返回的groupby对象B。我打印了它的长度，长度是6。然后我将这个groupby对象转换为dataframe类型，然后我打印了这个转换后的dataframe对象的形状，该形状与原始的groupby对象不匹配。我很困惑。请查看相关代码和结果，谢谢。 print('type of B', type(B))
print('len(B) ',len(B))
b=B.apply(pd.DataFrame)
print('type of b', type(b))
print('b shape' , b.shape)
浏览 11提问于2020-08-20得票数 0
回答已采纳
我正在将具有分类字符串功能day_of_week的PMMLPipeline导出为PMML文件。当我在Java中打开文件并列出InputFields时，我看到day_of_week字段的数据类型是double：
InputField{name=day_of_week, fieldName=day_of_week, displayName=null, dataType=double, opType=categorical}
因此，当我评估一个输入时，我得到了错误：
org.jpmml.evaluator.InvalidResultException: Field "day_of_week&
浏览 44提问于2020-05-25得票数 0
回答已采纳
给定此pandas数据帧，我正在尝试打印categ下每个值的最大时间值。例如，由于A=6的最大时间，B=9的最大时间和C=9的最大时间，我想打印像time=9:2，time=6:1这样的东西，你会怎么做？
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
import xgboost as xgb
import datetime
import seaborn as sns
from sklearn.
浏览 1提问于2021-07-22得票数 0
2回答
我以前看到过一个，它的代码如下：
scalar = StandardScaler()
clf = svm.LinearSVC()
pipeline = Pipeline([('transformer', scalar), ('estimator', clf)])
cv = KFold(n_splits=4)
scores = cross_val_score(pipeline, X, y, cv = cv)
我的理解是:当我们应用标度器时，我们应该使用3中的4倍来计算的均值和标准差，然后将均值和标准差应用于所有4倍。
在上面的代码中，我如何知道Sklearn在
浏览 0提问于2020-05-28得票数 1
1回答
我运行了下面的代码，并得到了一个错误
C:\projects\opencv-python\opencv\modules\imgproc\src\thresh.cpp:1406:错误：(-215) src.type() == (0)和(1 << 3) - 1)) +(1)-1) << 3)
我不清楚这意味着什么以及如何解决这个问题。
import numpy as numpy
from matplotlib import pyplot as matplot
import pandas as pandas
import math
from sklearn impor
浏览 2提问于2018-05-31得票数 3
3回答
我正试图在AWS DeepLearning AMI上安装sklearn，并预装了各种后端。我正在遵循本网站的指示：
$ conda install -c anaconda scikit-learn
$ source activate python3
$ jupyter notebook
在木星笔记本上：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
#Scaling the data
from sklearn.preprocessing import MinMaxScaler
ModuleNo
浏览 8提问于2018-04-17得票数 0
回答已采纳
作为一个没有任何预处理的交叉验证的例子，我可以这样做：
tuned_params = [{"penalty" : ["l2", "l1"]}]
from sklearn.linear_model import SGDClassifier
SGD = SGDClassifier()
from sklearn.grid_search import GridSearchCV
clf = GridSearchCV(myClassifier, params, verbose=5)
clf.fit(x_trai
浏览 2提问于2015-09-16得票数 14
回答已采纳
1回答
df_act = pd.DataFrame({'A': {0: 'CHEMBL264', 1: 'CHEMBL4124', 2: 'CHEMBL264', 3: 'CHEMBL233', 4: 'CHEMBL233', 5: 'CHEMBL237', 6: 'CHEMBL236', 7: 'CHEMBL312', 8: 'CHEMBL3820', 9: 'CHEMBL3820'}, 'B': {0: 8.
浏览 4提问于2017-12-11得票数 1
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
云直播
即时通信 IM活动推荐
腾讯云开发者
