Question

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倍交叉验证分数。例如，对于Naive Bayes，我有两个模型，一个只使用一个变量，而另一个使用两个。类似于决策树模型。该功能类似于

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crossV(clf_nb)，它会将结果显示为

    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其结果附加为长数据框，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))

我也试过像

这样的数组中的map函数

map(crossV,(clf_nb,clf_dt))

它有效，但只是给我一个更大的列表，我不知道如何将其转换为数据框。

Answer 1

clf = [clf_nb, clf_dt]

cross_clf = [ crossV(x) for x in clf ]

df = pd.concat( cross_clf )

修改

评论中的问题示例：

我需要i = clf_nb或i = clf_nb才能启动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i始终是clf_nb和clf_nb始终在列表hhh上的所有时间，因此您有无限循环，始终将clf_nb添加到g

如何使用for循环在python中附加从函数生成的数据帧

1 个答案: