Question

我正在研究贝叶斯概率项目，我需要根据新信息调整概率。我还没有找到一种有效的方法来做到这一点。我要做的是从不同场景的等概率列表开始。防爆。共有6个人：E，T，M，Q，L和Z，他们的初始相应概率被表示为

myList=[.1667, .1667, .1667, .1667, .1667, .1667]

新信息表面，第一个三分之一的人按字母顺序集体有70％的机会被选中。制作新列表，按名称（E，L，M，Q，T，Z）按字母顺序排序，仅包含新信息。（.7 / .333 = 2.33，.3 / .667 = .45）

    newList=[2.33, 2.33, .45, .45, .45, .45)

我需要一种方法来命令newList与myList相同，这样我就可以在列表推导中乘以正确的值，并达到调整概率。具有单个一致的顺序是重要的，因为该过程将重复多次，每个具有不同的标准（元音，最接近P等），并且在具有大约1000个项目的列表中。每个newList都可以改为newDictionary，然后一旦创建了调整条件，就可以将它们排序到列表中，但转换多个字典似乎效率低下。是吗？是否有一种简单的方法可以做到这一点我完全失踪了？

谢谢！

Answer 1

对于它的价值，你可以为Python中的方法速度做的最好的事情是使用numpy而不是标准类型（因此你将使用预编译的C代码来执行算术运算）。这将导致速度急剧增加。 Numpy数组无论如何都有固定的排序，语法更直接适用于数学运算。您只需要考虑如何将操作表示为矩阵运算。例如。你的例子：

myList = np.ones(6) / 6.
newInfo = np.array( [.7/2, .7/2, .3/4, .3/4, .3/4, .3/4] )
result = myList * newInfo

由于两个向量都有单位和，所以没有必要进行标准化（我不确定你在你的例子中做了什么，我承认，所以如果有一个微妙的我错过了让我知道），但如果你确实需要这是微不足道的：

result /= np.sum(result)

Answer 2

尝试将您的信息存储为元组列表：

bayesList = [('E', 0.1667), ('M', 0.1667), ...]

你的列表理解可以按照

的方式进行

newBayes = [(person, prob * normalizeFactor) for person, prob in bayesList]

在设置列表推导之前计算了normalizeFactor

Python列表重新排序，还记得原始订单吗？

2 个答案: