lhyljyt Goto Github PK

followers: 0.0 following: 1.0 repos: 4.0 gists: 0.0

Type: User

lhyljyt's Projects

-

确定需要的变量，并使用相关数据库。建立字典、列表（names、relationship、line_names）储存名字，关系。在此之前需要建立一个关于《黎明破晓的街道》的主要角色名称TXT文档，我将之命名为Introduction to key people.txt 。文本中实体识别。读入《黎明破晓的街道》剧本的每一行，对其做分词，判断该词的词性是不是“人名”（nr作用：判断是否是人名），提取每段人物，存入line_names。根据识别结果构建网络。对于 lineNames 中每一行，我们为该行中出现的所有人物两两相连。如果两个人物之间尚未有边建立，则将新建的边权值设为 1，否则将已存在的边的权值加 1。这种方法将产生很多的冗余边，这些冗余边将在最后处理。过滤冗余边。将已经建好的 names 和 relationships 输出到文本，以方便 gephi 可视化处理。输出边的过程中可以过滤可能是冗余的边，这里假设共同出现次数少于 10 次的是冗余边，则在输出时跳过这样的边。输出结果。由于gephi导入电子表格，故生成文件扩展名为csv。输出的节点集合保存为黎明破晓的街道_node.csv ，边集合保存为黎明破晓的街道_edge.csv。运行。会在相应文件夹python综合项目中生成黎明破晓的街道_node.csv、黎明破晓的街道_edge.csv 。使用gephi生成可视化网络。

-4-_rpsls_github.txt

#coding:gbk """ 第一个小项目：rock石头-paper纸-scissors剪刀-lizard蜥蜴-Spock史波克作者：梁鹤逸日期：2019.11.13 """ # 0 - 石头 # 1 - 史波克 # 2 - 纸 # 3 - 蜥蜴 # 4 - 剪刀 import random tag=1 list1=['石头','史波克','纸','蜥蜴','剪刀'] # 对程序进行测试 def name_to_number(name):#将用户的游戏选择对象转换为相应的整数 if name=='石头': return 0 elif name=='史波克': return 1 elif name=='纸': return 2 elif name=='蜥蜴': return 3 elif name=='剪刀': return 4 else: print('Error: No Correct Name') def number_to_name(number): if number in range(0,5): if number==0: return 石头 elif number==1: return 史波克 elif number==2: return 纸 elif number==3: return 蜥蜴 elif number==4: return 剪刀 else: print('Error: No Correct Name') def rpsls(player_choice,computer):#用户玩家任意给出一个选择，根据RPSLS游戏规则，在屏幕上输出对应的结果 while tag: list1=['石头','史波克','纸','蜥蜴','剪刀'] list2=[[0,4],[0,3],[1,4],[1,0],[2,0],[2,1],[3,2],[3,1],[4,3],[4,2]] if player_choice in list1: if [player_choice,computer]in list2: print('您赢了') elif player_choice==computer: print('您和计算机出的一样呢') else: print('计算机赢了') else: print('Error: No Correct Name') break print("欢迎使用RPSLS游戏") print("----------------") print("请输入您的选择:") player_choice=input() print("--------") computer=random.choice(list1) print('你的选择为:%s'%(player_choice)) print('计算机的选择为:%s'%(computer)) rpsls(player_choice,computer)#rpsls意为石头剪刀布 # 输出"-------- "进行分割 # 显示用户输入提示，用户通过键盘将自己的游戏选择对象输入，存入变量player_choice # 调用name_to_number()函数将用户的游戏选择对象转换为相应的整数，存入变量player_choice_number # 利用random.randrange()自动产生0-4之间的随机整数，作为计算机随机选择的游戏对象，存入变量comp_number # 调用number_to_name()函数将计算机产生的随机数转换为对应的游戏对象 # 在屏幕上显示计算机选择的随机对象 # 利用if/elif/else 语句，根据RPSLS规则对用户选择和计算机选择进行判断，并在屏幕上显示判断结果 # 如果用户和计算机选择一样，则显示“您和计算机出的一样呢”，如果用户获胜，则显示“您赢了”，反之则显示“计算机赢了” #根据以上提示编写执行代码，代码完成后删除掉pass #list2=[[0,4],[0,3],[1,4],[1,0],[2,0],[2,1],[3,2],[3,1],[4,3],[4,2]] #[['石头','剪刀'],['石头','蜥蜴'],['史波克','剪刀'],['史波克','石头'],['布','石头'],['布','史波克'],['蜥蜴','布'],['蜥蜴','史波克'],['剪刀','蜥蜴'],['剪刀','布']]

frenchwinedecisiontreeclassifier

程序运行输出：① 葡萄各参数指标的描述性统计结果；② 3个葡萄品种的每个指标对比图（5个指标，需5幅图）；③ 模型的精度值；④ 模型预测分类的结果（需输出品种具体的中文名）。 6. 法国红酒数据集（frenchwine.csv）说明：本数据集一共包括178条数据，3种葡萄品种，即仙粉黛(Zinfandel)，西拉（Syrah），赤霞珠(Sauvignon)，每个品种数据均包括5项指标（酒精含量alcohol、酸度malic_acid、灰份ash、灰分碱度alcalinity ash，镁含量magnesium）。 7. 需要用到的第三方库资源参考： Sklearn库官方文档：https://scikit-learn.org/stable/ ,https://sklearn.apachecn.org/ Pandas库官方中文文档：https://www.pypandas.cn/ Numpy库官方中文文档: https://www.numpy.org.cn/ Matplotlib库官方中文文档：https://www.matplotlib.org.cn/ Seaborn库官方文档：http://seaborn.pydata.org/, https://github.com/apachecn/seaborn-doc-zh

frenchwinedecisiontreeclassifier.py

#coding:gbk """ 利用决策树算法进行分类作者：梁鹤逸日期：2019.12.14 """ import pandas as pd # 调入需要用的库 import numpy as np import matplotlib.pyplot as plt import matplotlib.cm as cm import seaborn as sb #%matplotlib inline # 调入数据 df = pd.read_csv('G:\\zy\\python‘s程序\\frenchwine.csv') df.columns = ['species','alcohol', 'malic_acid', 'ash', 'alcalinity ash', 'magnesium'] # 查看前5条数据 df.head() print(df.head()) # 查看数据描述性统计信息 df.describe() print(df.describe()) def scatter_plot_by_category(feat, x, y): #数据的可视化 alpha = 0.5 gs = df.groupby(feat) cs = cm.rainbow(np.linspace(0, 1, len(gs))) for g, c in zip(gs, cs): plt.scatter(g[1][x], g[1][y], color=c, alpha=alpha) plt.figure(figsize=(20,5)) plt.subplot(131) scatter_plot_by_category('species', 'alcohol', 'ash') plt.xlabel('alcohol') plt.ylabel('ash') plt.title('species') plt.show() plt.figure(figsize=(20, 10)) #利用seaborn库绘制三种Iris花不同参数图 for column_index, column in enumerate(df.columns): if column == 'species': continue plt.subplot(2, 3, column_index + 1) sb.violinplot(x='species', y=column, data=df) plt.show() # 首先对数据进行切分，即划分出训练集和测试集 from sklearn.model_selection import train_test_split #调入sklearn库中交叉检验，划分训练集和测试集 all_inputs = df[['alcohol', 'malic_acid', 'ash', 'alcalinity ash','magnesium']].values all_species = df['species'].values (X_train, X_test, Y_train, Y_test) = train_test_split(all_inputs, all_species, train_size=0.85, random_state=1)#80%的数据选为训练集 # 使用决策树算法进行训练 from sklearn.tree import DecisionTreeClassifier #调入sklearn库中的DecisionTreeClassifier来构建决策树 # 定义一个决策树对象 decision_tree_classifier = DecisionTreeClassifier() # 训练模型 model = decision_tree_classifier.fit(X_train, Y_train) # 输出模型的准确度 print(decision_tree_classifier.score(X_test, Y_test)) # 使用训练的模型进行预测，为了方便， # 案例直接把测试集里面的数据拿出来三条 print(X_test[0:3])#利用3个数据进行测试，即取3个数据作为模型的输入端 model.predict(X_test[0:3]) print(model.predict(X_test[0:3]))#输出测试的结果，即输出模型预测的结 for all_species in range(1): print('仙粉,黛西拉,赤霞珠')

lhyljyt Goto Github PK

lhyljyt's Projects

-

-4-_rpsls_github.txt

frenchwinedecisiontreeclassifier

frenchwinedecisiontreeclassifier.py

Recommend Projects

React

Vue.js

Typescript

TensorFlow

Django

Laravel

D3

Recommend Topics

javascript

web

server

Machine learning

Visualization

Game

Recommend Org

Facebook

Microsoft

Google

Alibaba

D3

Tencent