我的问题是我生成了一个函数来存储每个分类器中每个逐步模型的 10 折交叉验证分数。例如,对于朴素贝叶斯,我有两个模型,一个只使用一个变量,而其他的使用两个。类似于决策树模型。函数类似于
def crossV(clf):
cvOutcome=pd.DataFrame()
index=pd.DataFrame()
classifier=pd.DataFrame()
for i in range(4)[2:]:
tt=array(tuple(x[1:i] for x in modelDataFullnew))
qq=array(tuple(x[0] for x in modelDataFullnew))
scores=cross_validation.cross_val_score(clf, tt, qq, cv=10)*100
index_i=list(np.repeat(i-1,10))
classifier_i=list(np.repeat(str(clf)[:-2],10))
scores=list(scores)
cvOutcome=cvOutcome.append(scores)
index=index.append(index_i)
classifier=classifier.append(classifier_i)
merge=pd.concat([index,cvOutcome,classifier],axis=1)
merge.columns=['model','rate','classifier']
return(merge)
from sklearn.naive_bayes import GaussianNB as gnb
clf_nb=gnb()
from sklearn import tree
clf_dt=tree.DecisionTreeClassifier()
如果我执行 crossV(clf_nb)
它会给我结果
model rate classifier
1 92.558679 GaussianNB
1 92.558381 GaussianNB
1 92.558381 GaussianNB
1 92.558381 GaussianNB
1 92.558381 GaussianNB
我的问题是如何将此函数应用于多个分类器并将它们的结果 append 为长数据框,例如
model rate classifier
1 92.558679 GaussianNB
1 92.558381 GaussianNB
1 92.558381 GaussianNB
1 92.558381 GaussianNB
1 92.558381 GaussianNB
1 93.25 DecisionTree
1 93.25 DecisionTree
我试过这段代码,但它不起作用:
hhh=[clf_nb,clf_dt]
g=pd.DataFrame()
while i in hhh:
g=g.append(crossV(i))
我也试过数组中的 map 函数,比如
map(crossV,(clf_nb,clf_dt))
它有效,但只是给我一个更大的列表,我不知道如何将它转换为数据框。
最佳答案
clf = [clf_nb, clf_dt]
cross_clf = [ crossV(x) for x in clf ]
df = pd.concat( cross_clf )
编辑:
您在评论中的问题示例:
我需要 i = clf_nb
或 i = clf_nb
来启动 while
hhh = [clf_nb, clf_dt]
g = pd.DataFrame()
i = clf_nb
while i in hhh: # if `clf_nb` is still on the list `hhh` then ...
g.append( crossV(i) ) # append `clf_nb` to the `g`
但是 i
总是等于 clf_nb
而 clf_nb
总是在列表 hhh
上所以你有无限循环,总是将 clf_nb
添加到 g
关于python - 如何使用for循环 append 从python中的函数生成的数据框,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/24623323/