我正在做这个操作：
for model, dict in fullCostDict.items():
if dict['cost_matrix']:
for i, (costDict, normalCostDict, normalCostDict1, normalCostDict2,normalCostDict3,normalCostDict4) in enumerate(
zip(dict['cost_matrix'], dict['normalised_matrix'],dict['normalised_matrix_sum'],dict['normalised_matrix_sumSquared'],dict['normalised_matrix_sumExp'],dict['normalised_matrix_sigmoid'])):
for count, (lb, cost),(lb1, cost1),(lb2, cost2),(lb3, cost3),(lb4, cost4),(lb5, cost5) in enumerate(zip(costDict.items(),normalCostDict.items(),normalCostDict1.items(),normalCostDict2.items(),normalCostDict3.items(),normalCostDict4.items())):
在这个阵列上：
fullCostDict = {
'open_cost_2': {
'normalised_matrix': [
{
'a': 0.0,
'c': 0.9318755256518082,
'b': 1.0
},
{
'a': 0.1,
'c': 0.0,
'b': 1.0
},
{
'a': 0.016098839385997755,
'c': 0.0,
'b': 1.0
}
],
'normalised_matrix_sum': [
{
'a': 0.046136534133533386,
'c': 0.4617404351087772,
'b': 0.49212303075768943
},
{
'a': 0.2637620662666319,
'c': 0.23767284111661885,
'b': 0.4985650926167493
},
{
'a': 0.06399035455925695,
'c': 0.050549254264535146,
'b': 0.8854603911762079
}
],
'normalised_matrix_sumExp': [
{
'a': 4.695521542065545e-52,
'c': 4.699339039254216e-51,
'b': 5.0085563115365814e-51
},
{
'a': 3.37e-08,
'c': 3.036666666666667e-08,
'b': 6.37e-08
},
{
'a': 4.7766666666666664e-08,
'c': 3.7733333333333334e-08,
'b': 6.609666666666667e-07
}
],
'cost_matrix': [
{
'a': 123,
'c': 1231,
'b': 1312
},
{
'a': 1011,
'c': 911,
'b': 1911
},
{
'a': 1433,
'c': 1132,
'b': 19829
}
],
'normalised_matrix_sumSquared': [
{
'a': 3.782480901546635e-05,
'c': 0.00037855560892714697,
'b': 0.0004034646294983077
},
{
'a': 0.00018368582782987458,
'c': 0.0001655171010415586,
'b': 0.0003472043689247184
},
{
'a': 3.613903429449092e-06,
'c': 2.854807175252179e-06,
'b': 5.000704194176277e-05
}
],
'normalised_matrix_sigmoid': [
{
'a': 1.0,
'c': 1.0,
'b': 1.0
},
{
'a': 1.0,
'c': 1.0,
'b': 1.0
},
{
'a': 1.0,
'c': 1.0,
'b': 1.0
}
]
},
'open_cost_1': {
'normalised_matrix': [
{
'a': 0.0,
'c': 1.0,
'b': 0.5925925925925926
},
{
'a': 0.0,
'c': 1.0,
'b': 0.05562060889929742
},
{
'a': 0.0,
'c': 1.0,
'b': 0.0009238586496266071
}
],
'normalised_matrix_sum': [
{
'a': 0.1518987341772152,
'c': 0.4936708860759494,
'b': 0.35443037974683544
},
{
'a': 0.0016556291390728477,
'c': 0.9442604856512141,
'b': 0.05408388520971302
},
{
'a': 9.306716534258754e-06,
'c': 0.9990584064147736,
'b': 0.0009322868686921517
}
],
'normalised_matrix_sumExp': [
{
'a': 3.200675556312609e-33,
'c': 1.0402195558015979e-32,
'b': 7.468242964729421e-33
},
{
'a': 8.246355023730644e-43,
'c': 4.703171148534378e-40,
'b': 2.6938093077520104e-41
},
{
'a': 3.413131807036764e-51,
'c': 3.66393239921894e-46,
'b': 3.4190554242225303e-49
}
],
'cost_matrix': [
{
'a': 24,
'c': 78,
'b': 56
},
{
'a': 3,
'c': 1711,
'b': 98
},
{
'a': 121,
'c': 12989121,
'b': 12121
}
],
'normalised_matrix_sumSquared': [
{
'a': 0.002449979583503471,
'c': 0.007962433646386281,
'b': 0.0057166190281747655
},
{
'a': 1.021403858319028e-06,
'c': 0.000582540667194619,
'b': 3.336585937175491e-05
},
{
'a': 7.171755367615439e-13,
'c': 7.698743657219539e-08,
'b': 7.18420221577411e-11
}
],
'normalised_matrix_sigmoid': [
{
'a': 0.99999999996224864,
'c': 1.0,
'b': 1.0
},
{
'a': 0.95257412682243336,
'c': 1.0,
'b': 1.0
},
{
'a': 1.0,
'c': 1.0,
'b': 1.0
}
]
},
'open_cost_threshold': {
'normalised_matrix': [
{
'a': 0.0,
'b': 1.0
},
{
'a': 0.1,
'b': 1.0
},
{
'a': 0.016098839385997755,
'b': 1.0
}
],
'normalised_matrix_sum': [
{
'a': 0.046136534133533386,
'b': 0.49212303075768943
},
{
'a': 0.2637620662666319,
'b': 0.4985650926167493
},
{
'a': 0.06399035455925695,
'b': 0.8854603911762079
}
],
'normalised_matrix_sumExp': [
{
'a': 4.695521542065545e-52,
'b': 5.0085563115365814e-51
},
{
'a': 3.37e-08,
'b': 6.37e-08
},
{
'a': 4.7766666666666664e-08,
'b': 6.609666666666667e-07
}
],
'cost_matrix': [
{
'a': 123,
'b': 1312
},
{
'a': 1011,
'b': 1911
},
{
'a': 1433,
'b': 19829
}
],
'normalised_matrix_sumSquared': [
{
'a': 3.782480901546635e-05,
'b': 0.0004034646294983077
},
{
'a': 0.00018368582782987458,
'b': 0.0003472043689247184
},
{
'a': 3.613903429449092e-06,
'b': 5.000704194176277e-05
}
],
'normalised_matrix_sigmoid': [
{
'a': 1.0,
'b': 1.0
},
{
'a': 1.0,
'b': 1.0
},
{
'a': 1.0,
'b': 1.0
}
]
},
'open_cost_1': {
'normalised_matrix': [
{
'a': 0.0,
'b': 0.5925925925925926
},
{
'a': 0.0,
'b': 0.05562060889929742
},
{
'a': 0.0,
'b': 0.0009238586496266071
}
],
'normalised_matrix_sum': [
{
'a': 0.1518987341772152,
'b': 0.35443037974683544
},
{
'a': 0.0016556291390728477,
'b': 0.05408388520971302
},
{
'a': 9.306716534258754e-06,
'b': 0.0009322868686921517
}
],
'normalised_matrix_sumExp': [
{
'a': 3.200675556312609e-33,
'b': 7.468242964729421e-33
},
{
'a': 8.246355023730644e-43,
'b': 2.6938093077520104e-41
},
{
'a': 3.413131807036764e-51,
'b': 3.4190554242225303e-49
}
],
'cost_matrix': [
{
'a': 24,
'b': 56
},
{
'a': 3,
'b': 98
},
{
'a': 121,
'b': 12121
}
],
'normalised_matrix_sumSquared': [
{
'a': 0.002449979583503471,
'b': 0.0057166190281747655
},
{
'a': 1.021403858319028e-06,
'b': 3.336585937175491e-05
},
{
'a': 7.171755367615439e-13,
'b': 7.18420221577411e-11
}
],
'normalised_matrix_sigmoid': [
{
'a': 0.99999999996224864,
'b': 1.0
},
{
'a': 0.95257412682243336,
'b': 1.0
},
{
'a': 1.0,
'b': 1.0
}
]
}
}
正如您所看到的，我正在尝试使用完整字典中每种不同类型cost_matrix的字典列表来获取每个字典的键值对。我在这做错了什么？注意，一些内部词典有不同的长度（一些有a和b，所以有2个项目，有些项目有a，b和c，所以3项）。
答案 0 :(得分：1)
您在上一个for循环中缺少一个paranthesis。虽然你期望有一个count和一个元组元组，但你得到了一堆元组。因此，修复方法是在元组上添加一对()。
for count, ((lb, cost),(lb1, cost1),(lb2, cost2),(lb3, cost3),(lb4, cost4),(lb5, cost5)) in enumerate(.......
^ ^