pythontes预测

❶ python能做什么

python的用途：

Python的优势有必要作为第一步去了解，Python作为面向对象的脚本语言，优势就是数据处理和挖掘，这也注定了它和AI、互联网技术的紧密联系。

网络爬虫。顾名思义，从互联网上爬取信息的脚本，主要由urllib、requests等库编写，实用性很强，小编就曾写过爬取5w数据量的爬虫。在大数据风靡的时代，爬虫绝对是新秀。

人工智能。AI使Python一战成名，AI的实现可以通过tensorflow库。神经网络的核心在于激活函数、损失函数和数据，数据可以通过爬虫获得。训练时大量的数据运算又是Python的show time。

(1)pythontes预测扩展阅读：

Python开发人员尽量避开不成熟或者不重要的优化。一些针对非重要部位的加快运行速度的补丁通常不会被合并到Python内。在某些对运行速度要求很高的情况，Python设计师倾向于使用JIT技术，或者用使用C/C++语言改写这部分程序。可用的JIT技术是PyPy。

Python是完全面向对象的语言。函数、模块、数字、字符串都是对象。并且完全支持继承、重载、派生、多继承，有益于增强源代码的复用性。

Python支持重载运算符和动态类型。相对于Lisp这种传统的函数式编程语言，Python对函数式设计只提供了有限的支持。有两个标准库(functools, itertools)提供了Haskell和Standard ML中久经考验的函数式程序设计工具。

❷ python写的测试框架怎么使用

安装

>pipinstall-Upytest#通过pip安装

>py.test--version#查看pytest版本

Thisispytestversion2.7.2,importedfromC:Python27libsite-packagespytest.pyc

简单的测试

让我们创建第一个文件，对个简单的功能进行测试。

好吧！其实， 我也不理解这段代码的含义，但是执行它的可运行测试用例了。

pytest/

├──test_case/

│├── test_sample.py

│├──test_class.py

│├── __init__.py

│ └──test_case2/

│ ├── test_main.py

│ ├── test_time.py

│ └──__init__.py

└──runtests.py

执行runtest.py文件。

>python runtest.py

当然，你也可以打开runtests.py 文件运行它。

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

*最后，pytest是如果识别测试用例的呢？它默认使用检查以test_ *.py 或*_test.py命名的文件名，在文件内部查找以test_打头的方法或函数，并执行它们。

pytest还有许多需要讨论的地方，做为这个系列的第一节，先介绍到这里。

❸ 使用Python进行验证码识别案例无法验证通过，SOS

是不是PIL需要的依赖图像支持没有下?
试试这个
sudo apt-get install zlib1g-dev
sudo apt-get install libfreetype6-dev
sudo apt-get build-dep python-imaging
能安装的都安上

❹ 如何在实践中学习Python

如果你是在校生，你可以加入相关实验室。如果不是的话，有些python论坛或者编程论坛你可以进去看看，有相关项目练手。像码云，github上有很多python项目，你可以申请加入，当然要求较高。也可以把python2的程序用python3写（网上大多是用2写的爬虫 学2的忽略）
我当时是在知乎，开源中国，还是开发者头条中看到的，有一些前辈给出的建议。我就找了感兴趣的练手，我写了一些爬虫：爬取网络图片（不受‘翻页’限制），模拟登陆，cookie登陆等。

在实践中你会发现很多问题，我写第一个爬虫是遇到了"编码"问题，爬取的源码出现乱码情况。也出现过文件的保存问题（html文件以文本形式打开可以，浏览器打开乱码）。
在实践中遇到乱七八糟的问题很多，基本是靠网络，谷歌解决的（有些时候的想放弃，但一定要坚持）

❺ Python sklearn 训练完逻辑回归模型之后，怎么使用他做预判

from sklearn import linear_model
建立模型
model = linear_model.LinearRegression()
model.fit(x_train,y_train)
评估模型
score = model.score(x_test, y_test)
预测模型
result = model.predict(x_test)

❻ python中的testresult怎么用

TestResult方法介绍

1. printErrors

作用：被TestRunner在执行玩测试内容的时候调用，打印错误信息，默认不输出任何信息

输入参数：无

输出参数：无

返回值：无

2. startTest(self, test)

作用：在每个测试条目执行测试之前被调用，将测试条目个数加一，设置_mirrorOutput为False ，最后根据buffer参数，设置 sys.stderr 和sys.stdout，

输入参数：test 测试用例类的实例化对象

输出参数：

返回值：

3. startTestRun

作用： 在runner开始执行测试用例之前被调用，默认不执行内容，和startTest不同，startTest是在Testcase子类调用。

输入参数：无

输出参数：无

返回值：无

4. stopTest (self, test)

作用： 在测试用例执行测试条目之后被调用，如果处于buffer状态，并且mirrorOutput为真，即测试条目执行失败或异常，则将原来缓存的数据进行输出。然后将缓存数据清空，并_mirrorOutput置为False

输入参数：test 测试用例类的实例化对象

输出参数：无

返回值：无

5 stopTestRun

作用： 在runner执行完所有的测试用例后被调用，默认不执行内容，和stopTest不同，stopTest是在Testcase子类调用。

输入参数：无

输出参数：无

返回值：无

6. addError(self, test, err)

作用： 在测试用例类执行完测试条目错误或异常后被调用，

输入参数：test 测试用例类的实例化对象

Err 是根据sys.exc_info（）返回的对象， 是一个三元组，（exctype, value, tb） exctype是异常类型，value 是具体的异常数据，tb 是traceback的内容

输出参数：无

返回值：无

7. addFailure(self, test, err)

作用：在测试用例类执行完测试条目失败后被调用，，默认不执行内容，和stopTest不同，stopTest是在Testcase子类调用。

输入参数：test 测试用例类的实例化对象

Err 是根据sys.exc_info（）返回的对象， 是一个三元组，（exctype, value, tb）
exctype是异常类型，value 是具体的异常数据，tb 是traceback的内容，如果处在buffer
为真的情况下，还还会将当前的sys.stdout 和sys.stderr的内容也一并合并保存在failture的成员变量列表中的字符串内容中。

输出参数：无

返回值：无

8. addError (self, test, err)

作用：在测试用例类执行完测试条目失败后被调用，，默认不执行内容，和stopTest不同，stopTest是在Testcase子类调用。

输入参数：test 测试用例类的实例化对象

Err 是根据sys.exc_info（）返回的对象， 是一个三元组，（exctype, value, tb）
exctype是异常类型，value 是具体的异常数据，tb 是traceback的内容，如果处在buffer
为真的情况下，还还会将当前的sys.stdout 和sys.stderr的内容也一并合并保存在error的成员变量列表中的字符串内容中。

输出参数：无

返回值：无

9. addSuccess (self, test)

作用：在测试用例类执行完测试条目成功后被调用，，默认不执行内容

输入参数：test 测试用例类的实例化对象

输出参数：无

返回值：无

10. addSkip（ self, test, reason):

作用：在测试用例类执行的测试条目被skip后被调用，将该条目添加到 skipped 列表中

输入参数：test 测试用例类的实例化对象 reson 是skip的原因

输出参数：无

返回值：无

11. addExpectedFailure (self, test, err):

作用：在测试用例类执行的测试条目期望的失败发生后被调用，将该条目添加到expectedFailures列表中

输入参数：test 测试用例类的实例化对象 err是 该失败的情况

输出参数：无

返回值：无

12. addUnexpectedSuccess (self, test):

作用：在测试用例类执行的测试条目期望的失败发生后被调用，将该条目添加到expectedFailures列表中

输入参数：test 测试用例类的实例化对象 err是 该失败的情况

输出参数：无

返回值：无

13. wasSuccessful

作用：通过判断failures和errors列表是否为空，判断所有测试条目是否执行成功

输入参数： 无

输出参数：无

返回值：无

14. stop

作用： shouldStop设置为True，用于终止测试

输入参数： 无

输出参数：无

返回值：无

15. _exc_info_to_string (self, err, test):

作用： 将err 异常数据整理成字符串，并且如果有buffer为真，将sys.stdout 和sys.stderr的数据也添加到返回的字符串中

输入参数： 无

输出参数：无

返回值：字符串

16. _is_relevant_tb_level(self, tb):

作用： 将err 异常数据整理成字符串，并且如果有buffer为真，将sys.stdout 和sys.stderr的数据也添加到返回的字符串中

输入参数： 无

输出参数：无

返回值：字符串

17. _count_relevant_tb_levels(self, tb):

作用： 获取traceback的层次数

输入参数： 无

输出参数：无

返回值：traceback的层次数

18, __repr__

作用： 返回一个显示测试项执行的数目以及测试失败的条目和异常的条目的个数。

输入参数： 无

输出参数：无

返回值：字符串

注释：

addError和addFailure 以及
addUnexpectedSuccess 函数 都有装饰器@failfast，有了该装饰器，则在实际调用 上述三个函数的时候，都会被封装一层 ,额外添加的功能就是会被用在发生错误或失败的时候停止测试。

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多元线性回归怎么计算

1、什么是多元线性回归模型？

当y值的影响因素不唯一时,采用多元线性回归模型。

y =y=β0+β1x1+β2x2+...+βnxn

例如商品的销售额可能不电视广告投入,收音机广告投入,报纸广告投入有关系,可以有 sales =β0+β1*TV+β2* radio+β3*newspaper.

2、使用pandas来读取数据

pandas 是一个用于数据探索、数据分析和数据处理的python库

[python]view plain

• importpandasaspd

[html]view plain

• <prename="code"class="python">#

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

• #displaythefirst5rows

• data.head()








上面代码的运行结果：

• 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



上面显示的结果类似一个电子表格，这个结构称为Pandas的数据帧(data frame)，类型全称：pandas.core.frame.DataFrame.


pandas的两个主要数据结构：Series和DataFrame：

• Series类似于一维数组，它有一组数据以及一组与之相关的数据标签(即索引)组成。

• DataFrame是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型。DataFrame既有行索引也有列索引，它可以被看做由Series组成的字典。

[python]view plain

• #displaythelast5rows

• data.tail()

只显示结果的末尾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的形状,注意第一列的叫索引，和数据库某个表中的第一列类似。

(200,4)


3、分析数据

特征：

• TV：对于一个给定市场中单一产品，用于电视上的广告费用（以千为单位）

• Radio：在广播媒体上投资的广告费用

• Newspaper：用于报纸媒体的广告费用

响应：

• Sales：对应产品的销量

在这个案例中，我们通过不同的广告投入，预测产品销量。因为响应变量是一个连续的值，所以这个问题是一个回归问题。数据集一共有200个观测值，每一组观测对应一个市场的情况。

注意：这里推荐使用的是seaborn包。网上说这个包的数据可视化效果比较好看。其实seaborn也应该属于matplotlib的内部包。只是需要再次的单独安装。

[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()#注意必须加上这一句，否则无法显示。

[html]view plain

• 这里选择TV、Radio、Newspaper作为特征，Sales作为观测值

[html]view plain

• 返回的结果：




• seaborn的pairplot函数绘制X的每一维度和对应Y的散点图。通过设置size和aspect参数来调节显示的大小和比例。可以从图中看出，TV特征和销量是有比较强的线性关系的，而Radio和Sales线性关系弱一些，Newspaper和Sales线性关系更弱。通过加入一个参数kind='reg'，seaborn可以添加一条最佳拟合直线和95%的置信带。



[python]view plain

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

• plt.show()


结果显示如下：




4、线性回归模型

优点：快速；没有调节参数；可轻易解释；可理解。

缺点：相比其他复杂一些的模型，其预测准确率不是太高，因为它假设特征和响应之间存在确定的线性关系，这种假设对于非线性的关系，线性回归模型显然不能很好的对这种数据建模。

线性模型表达式：y=β0+β1x1+β2x2+...+βnxn其中

• y是响应

• β0是截距

• β1是x1的系数，以此类推

在这个案例中：y=β0+β1∗TV+β2∗Radio+...+βn∗Newspaper

(1)、使用pandas来构建X(特征向量)和y(标签列)

scikit-learn要求X是一个特征矩阵，y是一个NumPy向量。

pandas构建在NumPy之上。

因此，X可以是pandas的DataFrame，y可以是pandas的Series，scikit-learn可以理解这种结构。

[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

输出结果如下：

• 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()

输出的结果如下：

• 0 22.1


• 1 10.4


• 2 9.3


• 3 18.5


• 4 12.9


• Name: Sales



（2）、构建训练集与测试集

[html]view plain

• <prename="code"class="python"><spanstyle="font-size:14px;">##构造训练集和测试集

• fromsklearn.cross_validationimporttrain_test_split#这里是引用了交叉验证

• 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




输出结果如下：

• (150, 3)


• (150,)


• (50, 3)


• (50,)



注：上面的结果是由train_test_spilit()得到的，但是我不知道为什么我的版本的sklearn包中居然报错：

• ImportError Traceback (most recent call last)<ipython-input-182-3eee51fcba5a> in <mole>() 1 ###构造训练集和测试集----> 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



处理方法：1、我后来重新安装sklearn包。再一次调用时就没有错误了。

2、自己写函数来认为的随机构造训练集和测试集。(这个代码我会在最后附上。)

（3）sklearn的线性回归

[html]view plain

• fromsklearn.linear_modelimportLinearRegression

• linreg=LinearRegression()

• model=linreg.fit(X_train,y_train)

• printmodel

• printlinreg.intercept_

• printlinreg.coef_


输出的结果如下：

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


• 2.66816623043


• [ 0.04641001 0.19272538 -0.00349015]



[html]view plain

• #

• zip(feature_cols,linreg.coef_)

输出如下：

• [('TV', 0.046410010869663267),


• ('Radio', 0.19272538367491721),


• ('Newspaper', -0.0034901506098328305)]







y=2.668+0.0464∗TV+0.192∗Radio-0.00349∗Newspaper
如何解释各个特征对应的系数的意义？

对于给定了Radio和Newspaper的广告投入，如果在TV广告上每多投入1个单位，对应销量将增加0.0466个单位。就是加入其它两个媒体投入固定，在TV广告上每增加1000美元（因为单位是1000美元），销量将增加46.6（因为单位是1000）。但是大家注意这里的newspaper的系数居然是负数，所以我们可以考虑不使用newspaper这个特征。这是后话，后面会提到的。

（4）、预测

[python]view plain

• y_pred=linreg.predict(X_test)

• printy_pred

[python]view plain

• printtype(y_pred)


输出结果如下：



• [ 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、回归问题的评价测度

(1) 评价测度

对于分类问题，评价测度是准确率，但这种方法不适用于回归问题。我们使用针对连续数值的评价测度(evaluation metrics)。
这里介绍3种常用的针对线性回归的测度。

1)平均绝对误差(Mean Absolute Error, MAE)

(2)均方误差(Mean Squared Error, MSE)

(3)均方根误差(Root Mean Squared Error, RMSE)

这里我使用RMES。

[python]view plain

• <prename="code"class="python">#计算Sales预测的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




最后的结果如下：

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


• 50 50


• (50,) (50,)


• RMSE by hand: 1.42998147691



（2）做ROC曲线

[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")#显示图中的标签

• plt.xlabel("thenumberofsales")

• plt.ylabel('valueofsales')

• plt.show()


显示结果如下：（红色的线是真实的值曲线，蓝色的是预测值曲线）

直到这里整个的一次多元线性回归的预测就结束了。

6、改进特征的选择
在之前展示的数据中，我们看到Newspaper和销量之间的线性关系竟是负关系（不用惊讶，这是随机特征抽样的结果。换一批抽样的数据就可能为正了），现在我们移除这个特征，看看线性回归预测的结果的RMSE如何？

依然使用我上面的代码，但只需修改下面代码中的一句即可：

[python]view plain

• #

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

• #

• X=data[feature_cols]

• #

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

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




最后的到的系数与测度如下：

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

• 2.81843904823


• [ 0.04588771 0.18721008]


• RMSE by hand: 1.28208957507



然后再次使用ROC曲线来观测曲线的整体情况。我们在将Newspaper这个特征移除之后，得到RMSE变小了，说明Newspaper特征可能不适合作为预测销量的特征，于是，我们得到了新的模型。我们还可以通过不同的特征组合得到新的模型，看看最终的误差是如何的。

备注：

之前我提到了这种错误：

注：上面的结果是由train_test_spilit()得到的，但是我不知道为什么我的版本的sklearn包中居然报错：

• ImportError Traceback (most recent call last)<ipython-input-182-3eee51fcba5a> in <mole>() 1 ###构造训练集和测试集----> 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



处理方法：1、我后来重新安装sklearn包。再一次调用时就没有错误了。

2、自己写函数来认为的随机构造训练集和测试集。(这个代码我会在最后附上。)

这里我给出我自己写的函数：

❽ Python Test怎么写

你的上面的代码有问题啊，附件有两个文件MyTest.py为测试下面代码的例子

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