pythontes預測

❶ python能做什麼

python的用途：

Python的優勢有必要作為第一步去了解，Python作為面向對象的腳本語言，優勢就是數據處理和挖掘，這也註定了它和AI、互聯網技術的緊密聯系。

網路爬蟲。顧名思義，從互聯網上爬取信息的腳本，主要由urllib、requests等庫編寫，實用性很強，小編就曾寫過爬取5w數據量的爬蟲。在大數據風靡的時代，爬蟲絕對是新秀。

人工智慧。AI使Python一戰成名，AI的實現可以通過tensorflow庫。神經網路的核心在於激活函數、損失函數和數據，數據可以通過爬蟲獲得。訓練時大量的數據運算又是Python的show time。

(1)pythontes預測擴展閱讀：

Python開發人員盡量避開不成熟或者不重要的優化。一些針對非重要部位的加快運行速度的補丁通常不會被合並到Python內。在某些對運行速度要求很高的情況，Python設計師傾向於使用JIT技術，或者用使用C/C++語言改寫這部分程序。可用的JIT技術是PyPy。

Python是完全面向對象的語言。函數、模塊、數字、字元串都是對象。並且完全支持繼承、重載、派生、多繼承，有益於增強源代碼的復用性。

Python支持重載運算符和動態類型。相對於Lisp這種傳統的函數式編程語言，Python對函數式設計只提供了有限的支持。有兩個標准庫(functools, itertools)提供了Haskell和Standard ML中久經考驗的函數式程序設計工具。

❷ python寫的測試框架怎麼使用

安裝

>pipinstall-Upytest#通過pip安裝

>py.test--version#查看pytest版本

Thisispytestversion2.7.2,importedfromC:Python27libsite-packagespytest.pyc

簡單的測試

讓我們創建第一個文件，對個簡單的功能進行測試。

好吧！其實， 我也不理解這段代碼的含義，但是執行它的可運行測試用例了。

pytest/

├──test_case/

│├── test_sample.py

│├──test_class.py

│├── __init__.py

│ └──test_case2/

│ ├── test_main.py

│ ├── test_time.py

│ └──__init__.py

└──runtests.py

執行runtest.py文件。

>python runtest.py

當然，你也可以打開runtests.py 文件運行它。

===================================================================

*最後，pytest是如果識別測試用例的呢？它默認使用檢查以test_ *.py 或*_test.py命名的文件名，在文件內部查找以test_打頭的方法或函數，並執行它們。

pytest還有許多需要討論的地方，做為這個系列的第一節，先介紹到這里。

❸ 使用Python進行驗證碼識別案例無法驗證通過，SOS

是不是PIL需要的依賴圖像支持沒有下?
試試這個
sudo apt-get install zlib1g-dev
sudo apt-get install libfreetype6-dev
sudo apt-get build-dep python-imaging
能安裝的都安上

❹ 如何在實踐中學習Python

如果你是在校生，你可以加入相關實驗室。如果不是的話，有些python論壇或者編程論壇你可以進去看看，有相關項目練手。像碼雲，github上有很多python項目，你可以申請加入，當然要求較高。也可以把python2的程序用python3寫（網上大多是用2寫的爬蟲 學2的忽略）
我當時是在知乎，開源中國，還是開發者頭條中看到的，有一些前輩給出的建議。我就找了感興趣的練手，我寫了一些爬蟲：爬取網路圖片（不受『翻頁』限制），模擬登陸，cookie登陸等。

在實踐中你會發現很多問題，我寫第一個爬蟲是遇到了"編碼"問題，爬取的源碼出現亂碼情況。也出現過文件的保存問題（html文件以文本形式打開可以，瀏覽器打開亂碼）。
在實踐中遇到亂七八糟的問題很多，基本是靠網路，谷歌解決的（有些時候的想放棄，但一定要堅持）

❺ Python sklearn 訓練完邏輯回歸模型之後，怎麼使用他做預判

from sklearn import linear_model
建立模型
model = linear_model.LinearRegression()
model.fit(x_train,y_train)
評估模型
score = model.score(x_test, y_test)
預測模型
result = model.predict(x_test)

❻ python中的testresult怎麼用

TestResult方法介紹

1. printErrors

作用：被TestRunner在執行玩測試內容的時候調用，列印錯誤信息，默認不輸出任何信息

輸入參數：無

輸出參數：無

返回值：無

2. startTest(self, test)

作用：在每個測試條目執行測試之前被調用，將測試條目個數加一，設置_mirrorOutput為False ，最後根據buffer參數，設置 sys.stderr 和sys.stdout，

輸入參數：test 測試用例類的實例化對象

輸出參數：

返回值：

3. startTestRun

作用： 在runner開始執行測試用例之前被調用，默認不執行內容，和startTest不同，startTest是在Testcase子類調用。

輸入參數：無

輸出參數：無

返回值：無

4. stopTest (self, test)

作用： 在測試用例執行測試條目之後被調用，如果處於buffer狀態，並且mirrorOutput為真，即測試條目執行失敗或異常，則將原來緩存的數據進行輸出。然後將緩存數據清空，並_mirrorOutput置為False

輸入參數：test 測試用例類的實例化對象

輸出參數：無

返回值：無

5 stopTestRun

作用： 在runner執行完所有的測試用例後被調用，默認不執行內容，和stopTest不同，stopTest是在Testcase子類調用。

輸入參數：無

輸出參數：無

返回值：無

6. addError(self, test, err)

作用： 在測試用例類執行完測試條目錯誤或異常後被調用，

輸入參數：test 測試用例類的實例化對象

Err 是根據sys.exc_info（）返回的對象， 是一個三元組，（exctype, value, tb） exctype是異常類型，value 是具體的異常數據，tb 是traceback的內容

輸出參數：無

返回值：無

7. addFailure(self, test, err)

作用：在測試用例類執行完測試條目失敗後被調用，，默認不執行內容，和stopTest不同，stopTest是在Testcase子類調用。

輸入參數：test 測試用例類的實例化對象

Err 是根據sys.exc_info（）返回的對象， 是一個三元組，（exctype, value, tb）
exctype是異常類型，value 是具體的異常數據，tb 是traceback的內容，如果處在buffer
為真的情況下，還還會將當前的sys.stdout 和sys.stderr的內容也一並合並保存在failture的成員變數列表中的字元串內容中。

輸出參數：無

返回值：無

8. addError (self, test, err)

作用：在測試用例類執行完測試條目失敗後被調用，，默認不執行內容，和stopTest不同，stopTest是在Testcase子類調用。

輸入參數：test 測試用例類的實例化對象

Err 是根據sys.exc_info（）返回的對象， 是一個三元組，（exctype, value, tb）
exctype是異常類型，value 是具體的異常數據，tb 是traceback的內容，如果處在buffer
為真的情況下，還還會將當前的sys.stdout 和sys.stderr的內容也一並合並保存在error的成員變數列表中的字元串內容中。

輸出參數：無

返回值：無

9. addSuccess (self, test)

作用：在測試用例類執行完測試條目成功後被調用，，默認不執行內容

輸入參數：test 測試用例類的實例化對象

輸出參數：無

返回值：無

10. addSkip（ self, test, reason):

作用：在測試用例類執行的測試條目被skip後被調用，將該條目添加到 skipped 列表中

輸入參數：test 測試用例類的實例化對象 reson 是skip的原因

輸出參數：無

返回值：無

11. addExpectedFailure (self, test, err):

作用：在測試用例類執行的測試條目期望的失敗發生後被調用，將該條目添加到expectedFailures列表中

輸入參數：test 測試用例類的實例化對象 err是 該失敗的情況

輸出參數：無

返回值：無

12. addUnexpectedSuccess (self, test):

作用：在測試用例類執行的測試條目期望的失敗發生後被調用，將該條目添加到expectedFailures列表中

輸入參數：test 測試用例類的實例化對象 err是 該失敗的情況

輸出參數：無

返回值：無

13. wasSuccessful

作用：通過判斷failures和errors列表是否為空，判斷所有測試條目是否執行成功

輸入參數： 無

輸出參數：無

返回值：無

14. stop

作用： shouldStop設置為True，用於終止測試

輸入參數： 無

輸出參數：無

返回值：無

15. _exc_info_to_string (self, err, test):

作用： 將err 異常數據整理成字元串，並且如果有buffer為真，將sys.stdout 和sys.stderr的數據也添加到返回的字元串中

輸入參數： 無

輸出參數：無

返回值：字元串

16. _is_relevant_tb_level(self, tb):

作用： 將err 異常數據整理成字元串，並且如果有buffer為真，將sys.stdout 和sys.stderr的數據也添加到返回的字元串中

輸入參數： 無

輸出參數：無

返回值：字元串

17. _count_relevant_tb_levels(self, tb):

作用： 獲取traceback的層次數

輸入參數： 無

輸出參數：無

返回值：traceback的層次數

18, __repr__

作用： 返回一個顯示測試項執行的數目以及測試失敗的條目和異常的條目的個數。

輸入參數： 無

輸出參數：無

返回值：字元串

注釋：

addError和addFailure 以及
addUnexpectedSuccess 函數 都有裝飾器@failfast，有了該裝飾器，則在實際調用 上述三個函數的時候，都會被封裝一層 ,額外添加的功能就是會被用在發生錯誤或失敗的時候停止測試。

def failfast(method):

@wraps(method)

def inner(self, *args, **kw):

if getattr(self, 'failfast', False):

self.stop()

return method(self, *args, **kw)

return inner

❼ python多元線性回歸怎麼計算

1、什麼是多元線性回歸模型？

當y值的影響因素不唯一時,採用多元線性回歸模型。

y =y=β0+β1x1+β2x2+...+βnxn

例如商品的銷售額可能不電視廣告投入,收音機廣告投入,報紙廣告投入有關系,可以有 sales =β0+β1*TV+β2* radio+β3*newspaper.

2、使用pandas來讀取數據

pandas 是一個用於數據探索、數據分析和數據處理的python庫

[python]view plain

• importpandasaspd

[html]view plain

• <prename="code"class="python">#

• data=pd.read_csv('/home/lulei/Advertising.csv')

• #displaythefirst5rows

• data.head()








上面代碼的運行結果：

• TV Radio Newspaper Sales


• 0 230.1 37.8 69.2 22.1


• 1 44.5 39.3 45.1 10.4


• 2 17.2 45.9 69.3 9.3


• 3 151.5 41.3 58.5 18.5


• 4 180.8 10.8 58.4 12.9



上面顯示的結果類似一個電子表格，這個結構稱為Pandas的數據幀(data frame)，類型全稱：pandas.core.frame.DataFrame.


pandas的兩個主要數據結構：Series和DataFrame：

• Series類似於一維數組，它有一組數據以及一組與之相關的數據標簽(即索引)組成。

• DataFrame是一個表格型的數據結構，它含有一組有序的列，每列可以是不同的值類型。DataFrame既有行索引也有列索引，它可以被看做由Series組成的字典。

[python]view plain

• #displaythelast5rows

• data.tail()

只顯示結果的末尾5行

• TV Radio Newspaper Sales


• 195 38.2 3.7 13.8 7.6


• 196 94.2 4.9 8.1 9.7


• 197 177.0 9.3 6.4 12.8


• 198 283.6 42.0 66.2 25.5


• 199 232.1 8.6 8.7 13.4



[html]view plain

• #checktheshapeoftheDataFrame(rows,colums)

• data.shape

查看DataFrame的形狀,注意第一列的叫索引，和資料庫某個表中的第一列類似。

(200,4)


3、分析數據

特徵：

• TV：對於一個給定市場中單一產品，用於電視上的廣告費用（以千為單位）

• Radio：在廣播媒體上投資的廣告費用

• Newspaper：用於報紙媒體的廣告費用

響應：

• Sales：對應產品的銷量

在這個案例中，我們通過不同的廣告投入，預測產品銷量。因為響應變數是一個連續的值，所以這個問題是一個回歸問題。數據集一共有200個觀測值，每一組觀測對應一個市場的情況。

注意：這里推薦使用的是seaborn包。網上說這個包的數據可視化效果比較好看。其實seaborn也應該屬於matplotlib的內部包。只是需要再次的單獨安裝。

[python]view plain

• importseabornassns

• importmatplotlib.pyplotasplt

• #ots

• sns.pairplot(data,x_vars=['TV','Radio','Newspaper'],y_vars='Sales',size=7,aspect=0.8)

• plt.show()#注意必須加上這一句，否則無法顯示。

[html]view plain

• 這里選擇TV、Radio、Newspaper作為特徵，Sales作為觀測值

[html]view plain

• 返回的結果：




• seaborn的pairplot函數繪制X的每一維度和對應Y的散點圖。通過設置size和aspect參數來調節顯示的大小和比例。可以從圖中看出，TV特徵和銷量是有比較強的線性關系的，而Radio和Sales線性關系弱一些，Newspaper和Sales線性關系更弱。通過加入一個參數kind='reg'，seaborn可以添加一條最佳擬合直線和95%的置信帶。



[python]view plain

• sns.pairplot(data,x_vars=['TV','Radio','Newspaper'],y_vars='Sales',size=7,aspect=0.8,kind='reg')

• plt.show()


結果顯示如下：




4、線性回歸模型

優點：快速；沒有調節參數；可輕易解釋；可理解。

缺點：相比其他復雜一些的模型，其預測准確率不是太高，因為它假設特徵和響應之間存在確定的線性關系，這種假設對於非線性的關系，線性回歸模型顯然不能很好的對這種數據建模。

線性模型表達式：y=β0+β1x1+β2x2+...+βnxn其中

• y是響應

• β0是截距

• β1是x1的系數，以此類推

在這個案例中：y=β0+β1∗TV+β2∗Radio+...+βn∗Newspaper

(1)、使用pandas來構建X(特徵向量)和y(標簽列)

scikit-learn要求X是一個特徵矩陣，y是一個NumPy向量。

pandas構建在NumPy之上。

因此，X可以是pandas的DataFrame，y可以是pandas的Series，scikit-learn可以理解這種結構。

[python]view plain

• #

• feature_cols=['TV','Radio','Newspaper']

• #

• X=data[feature_cols]

• #

• X=data[['TV','Radio','Newspaper']]

• #printthefirst5rows

• printX.head()

• #checkthetypeandshapeofX

• printtype(X)

• printX.shape

輸出結果如下：

• TV Radio Newspaper


• 0 230.1 37.8 69.2


• 1 44.5 39.3 45.1


• 2 17.2 45.9 69.3


• 3 151.5 41.3 58.5


• 4 180.8 10.8 58.4


• <class 'pandas.core.frame.DataFrame'>


• (200, 3)




[python]view plain

• #selectaSeriesfromtheDataFrame

• y=data['Sales']

• #

• y=data.Sales

• #printthefirst5values

• printy.head()

輸出的結果如下：

• 0 22.1


• 1 10.4


• 2 9.3


• 3 18.5


• 4 12.9


• Name: Sales



（2）、構建訓練集與測試集

[html]view plain

• <prename="code"class="python"><spanstyle="font-size:14px;">##構造訓練集和測試集

• fromsklearn.cross_validationimporttrain_test_split#這里是引用了交叉驗證

• X_train,X_test,y_train,y_test=train_test_split(X,y,random_state=1)








#default split is 75% for training and 25% for testing

[html]view plain

• printX_train.shape

• printy_train.shape

• printX_test.shape

• printy_test.shape




輸出結果如下：

• (150, 3)


• (150,)


• (50, 3)


• (50,)



註：上面的結果是由train_test_spilit()得到的，但是我不知道為什麼我的版本的sklearn包中居然報錯：

• ImportError Traceback (most recent call last)<ipython-input-182-3eee51fcba5a> in <mole>() 1 ###構造訓練集和測試集----> 2 from sklearn.cross_validation import train_test_split 3 #import sklearn.cross_validation 4 X_train,X_test, y_train, y_test = train_test_split(X, y, random_state=1) 5 # default split is 75% for training and 25% for testingImportError: cannot import name train_test_split



處理方法：1、我後來重新安裝sklearn包。再一次調用時就沒有錯誤了。

2、自己寫函數來認為的隨機構造訓練集和測試集。(這個代碼我會在最後附上。)

（3）sklearn的線性回歸

[html]view plain

• fromsklearn.linear_modelimportLinearRegression

• linreg=LinearRegression()

• model=linreg.fit(X_train,y_train)

• printmodel

• printlinreg.intercept_

• printlinreg.coef_


輸出的結果如下：

• LinearRegression(_X=True, fit_intercept=True, normalize=False)


• 2.66816623043


• [ 0.04641001 0.19272538 -0.00349015]



[html]view plain

• #

• zip(feature_cols,linreg.coef_)

輸出如下：

• [('TV', 0.046410010869663267),


• ('Radio', 0.19272538367491721),


• ('Newspaper', -0.0034901506098328305)]







y=2.668+0.0464∗TV+0.192∗Radio-0.00349∗Newspaper
如何解釋各個特徵對應的系數的意義？

對於給定了Radio和Newspaper的廣告投入，如果在TV廣告上每多投入1個單位，對應銷量將增加0.0466個單位。就是加入其它兩個媒體投入固定，在TV廣告上每增加1000美元（因為單位是1000美元），銷量將增加46.6（因為單位是1000）。但是大家注意這里的newspaper的系數居然是負數，所以我們可以考慮不使用newspaper這個特徵。這是後話，後面會提到的。

（4）、預測

[python]view plain

• y_pred=linreg.predict(X_test)

• printy_pred

[python]view plain

• printtype(y_pred)


輸出結果如下：



• [ 14.58678373 7.92397999 16.9497993 19.35791038 7.36360284


• 7.35359269 16.08342325 9.3046 20.35507374 12.63160058


• 22.83356472 9.66291461 4.18055603 13.70368584 11.4533557


• 4.16940565 10.31271413 23.06786868 17.80464565 14.53070132


• 15.19656684 14.22969609 7.54691167 13.47210324 15.00625898


• 19.28532444 20.7319878 19.70408833 18.21640853 8.50112687


• 9.8493781 9.51425763 9.73270043 18.13782015 15.41731544


• 5.07416787 12.20575251 14.05507493 10.6699926 7.16006245


• 11.80728836 24.79748121 10.40809168 24.05228404 18.44737314


• 20.80572631 9.45424805 17.00481708 5.78634105 5.10594849]


• <type 'numpy.ndarray'>



5、回歸問題的評價測度

(1) 評價測度

對於分類問題，評價測度是准確率，但這種方法不適用於回歸問題。我們使用針對連續數值的評價測度(evaluation metrics)。
這里介紹3種常用的針對線性回歸的測度。

1)平均絕對誤差(Mean Absolute Error, MAE)

(2)均方誤差(Mean Squared Error, MSE)

(3)均方根誤差(Root Mean Squared Error, RMSE)

這里我使用RMES。

[python]view plain

• <prename="code"class="python">#計算Sales預測的RMSE

• printtype(y_pred),type(y_test)

• printlen(y_pred),len(y_test)

• printy_pred.shape,y_test.shape

• fromsklearnimportmetrics

• importnumpyasnp

• sum_mean=0

• foriinrange(len(y_pred)):

• sum_mean+=(y_pred[i]-y_test.values[i])**2

• sum_erro=np.sqrt(sum_mean/50)

• #calculateRMSEbyhand

• print"RMSEbyhand:",sum_erro




最後的結果如下：

• <type 'numpy.ndarray'> <class 'pandas.core.series.Series'>


• 50 50


• (50,) (50,)


• RMSE by hand: 1.42998147691



（2）做ROC曲線

[python]view plain

• importmatplotlib.pyplotasplt

• plt.figure()

• plt.plot(range(len(y_pred)),y_pred,'b',label="predict")

• plt.plot(range(len(y_pred)),y_test,'r',label="test")

• plt.legend(loc="upperright")#顯示圖中的標簽

• plt.xlabel("thenumberofsales")

• plt.ylabel('valueofsales')

• plt.show()


顯示結果如下：（紅色的線是真實的值曲線，藍色的是預測值曲線）

直到這里整個的一次多元線性回歸的預測就結束了。

6、改進特徵的選擇
在之前展示的數據中，我們看到Newspaper和銷量之間的線性關系竟是負關系（不用驚訝，這是隨機特徵抽樣的結果。換一批抽樣的數據就可能為正了），現在我們移除這個特徵，看看線性回歸預測的結果的RMSE如何？

依然使用我上面的代碼，但只需修改下面代碼中的一句即可：

[python]view plain

• #

• feature_cols=['TV','Radio','Newspaper']

• #

• X=data[feature_cols]

• #

• #X=data[['TV','Radio','Newspaper']]#只需修改這里即可<prename="code"class="python"style="font-size:15px;line-height:35px;">X=data[['TV','Radio']]#去掉newspaper其他的代碼不變

# print the first 5 rowsprint X.head()# check the type and shape of Xprint type(X)print X.shape




最後的到的系數與測度如下：

LinearRegression(_X=True, fit_intercept=True, normalize=False)

• 2.81843904823


• [ 0.04588771 0.18721008]


• RMSE by hand: 1.28208957507



然後再次使用ROC曲線來觀測曲線的整體情況。我們在將Newspaper這個特徵移除之後，得到RMSE變小了，說明Newspaper特徵可能不適合作為預測銷量的特徵，於是，我們得到了新的模型。我們還可以通過不同的特徵組合得到新的模型，看看最終的誤差是如何的。

備註：

之前我提到了這種錯誤：

註：上面的結果是由train_test_spilit()得到的，但是我不知道為什麼我的版本的sklearn包中居然報錯：

• ImportError Traceback (most recent call last)<ipython-input-182-3eee51fcba5a> in <mole>() 1 ###構造訓練集和測試集----> 2 from sklearn.cross_validation import train_test_split 3 #import sklearn.cross_validation 4 X_train,X_test, y_train, y_test = train_test_split(X, y, random_state=1) 5 # default split is 75% for training and 25% for testingImportError: cannot import name train_test_split



處理方法：1、我後來重新安裝sklearn包。再一次調用時就沒有錯誤了。

2、自己寫函數來認為的隨機構造訓練集和測試集。(這個代碼我會在最後附上。)

這里我給出我自己寫的函數：

❽ Python Test怎麼寫

你的上面的代碼有問題啊，附件有兩個文件MyTest.py為測試下面代碼的例子

defsum_items(a_list):
n=len(a_list)
sum=0
ifn==0:
return0
else:
foriinrange(0,n-1):
sum=sum+a_list[i]
returnsum