小编gla*_*313的帖子

我正在使用pymongo来查询区域中的所有项目(实际上是查询地图上某个区域中的所有场所).我db.command(SON())之前用过搜索球形区域,它可以返回一个字典,在字典中有一个叫做results包含场地的键.现在我需要搜索一个方形区域,我建议使用db.places.find,但是,这会给我一个pymongo.cursor.Cursor课程,我不知道如何从中提取场地结果.

有谁知道我是否应该将光标转换为字典并提取结果,或使用其他方法查询方形区域中的项目？BTW,db是pymongo.database.Database类

代码是:

>>> import pymongo
>>> db = pymongo.MongoClient(host).PSRC 
>>> resp = db.places.find({"loc": {"$within": {"$box": [[ll_lng,ll_lat], [ur_lng,ur_lat]]}}})
>>> for doc in resp:
>>>     print(doc)

我有ll_lng,ll_lat,ur_lng和ur_lat的值,使用这些值,但它不打印此代码

我是tensorflow和word2vec的新手.我刚研究了word2vec_basic.py,它使用Skip-Gram算法训练模型.现在我想训练使用CBOW算法.如果我简单地逆转train_inputs和,这是否可以实现train_labels？

我正在编写一个python代码来更新集合中的每个文档.我的代码是这样的:

for r, d_50 in enumerate(grid50.find().batch_size(500)):
    self_grid = grid50.find({'_id':d_50['_id']})
    .....
    .....
    (processing process)
    grid50.update({'_id':d_50['_id']},{'$set':{u'big_cell8':{"POI":venue_count, "cell_ids":cell_ids}}})

但是,当我运行此代码时,我遇到了问题:

   raise AutoReconnect(str(e))
   pymongo.errors.AutoReconnect: connection closed

有谁知道如何处理这个问题？我应该在代码中添加一些东西来处理这个问题吗？

我对 WSL 很陌生。我想在我的 win10 PC 上的 ubuntu shell 上运行 python 代码。此代码需要访问网络摄像头，但似乎网络摄像头未正确打开..我在网上查过，我发现1-2年前的几个帖子说WSL无法访问集成网络摄像头..是否有任何更新或可以在 WSL 上使用网络摄像头的技巧？

非常感谢！

我使用GridSearchCV进行分类,我的代码是:

parameter_grid_SVM = {'dual':[True,False],
                    'loss':["squared_hinge","hinge"],
                    'penalty':["l1","l2"] 
                    }
clf = GridSearchCV(LinearSVC(),param_grid=parameter_grid_SVM,verbose=2)
clf.fit(trian_data, labels)

然后,我遇到了错误

ValueError:不支持的参数集:仅当dual ='false'时支持penalty ='l1'.,参数:penalty ='l1',loss ='hinge',dual = False

稍后我将我的代码更改为:

clf = GridSearchCV(LinearSVC(penalty='l1',dual=False),verbose=2)

我遇到了错误

TypeError:init()至少需要3个参数(给定3个)

我也尝试过:

parameter_grid_SVM = {
                    'loss':["squared_hinge"]
                    }
clf = GridSearchCV(LinearSVC(penalty='l1',dual=False),param_grid=parameter_grid_SVM,verbose=2)
clf.fit(trian_data, labels)

但是,我仍然有错误

ValueError:不支持的参数集:仅当dual ='false'时,支持penalty ='l1'.,参数:penalty ='l1',loss ='squared_hinge',dual = False

任何人都知道我该怎么做才能解决这个问题？

我正在使用Python。现在我有一个mongoDB数据库集合，其中所有文档都有这样的格式：

{"_id":ObjectId("53590a43dc17421e9db46a31"),
 "latlng": {"type" : "Polygon", "coordinates":[[[....],[....],[....],[....],[.....]]]}
 "self":{"school":2,"home":3,"hospital":6}
 }

其中，“self”字段表示Polygon中的场地类型以及对应的场地类型的数量。不同的文档有不同的 self 字段，例如 {"KFC":1,"building":2,"home":6}, {"shopping mall":1, "gas station":2}

现在我需要计算两个文档的两个“自身”字段之间的余弦相似度。之前，我的所有文档都以字典形式保存在pickle文件中，我使用以下代码来计算相似度：

vec = DictVectorizer()
total_arrays = vec.fit_transform(data + citymap).A
vector_matrix = total_arrays[:len(data)]
citymap_base_matrix = total_arrays[len(data):]

def cos_cdist(matrix, vector):
v = vector.reshape(1, -1)
return scipy.spatial.distance.cdist(matrix, v, 'cosine').reshape(-1)

for vector in vector_matrix:
    distance_result = cos_cdist(citymap_base_matrix,vector)

这里，数据和城市地图就像 [{"KFC":1,"building":2,"home":6},{"school":2,"home":3,"hospital":6}, {“购物中心”：1，“加油站”：2}]

但现在我正在使用 mongoDB，我想知道是否有 mongoDB 方法以更直接的方式计算相似度，有什么想法吗？

我想计算两个列表的余弦相似度，如下所示：

A = [u'home (private)', u'bank', u'bank', u'building(condo/apartment)','factory']

B = [u'home (private)', u'school', u'bank', u'shopping mall']

我知道 A 和 B 的余弦相似度应该是

3/(sqrt(7)*sqrt(4)).

我尝试将列表改成“home bank bank building factory”这样的形式，看起来像一个句子，但是，有些元素（例如home（私人））本身有空格，有些元素有括号，所以我觉得很难计算单词出现次数。

您知道如何计算这个复杂列表中的单词出现次数，以便对于列表 B，单词出现次数可以表示为

{'home (private):1, 'school':1, 'bank': 1, 'shopping mall':1}? 

或者你知道如何计算这两个列表的余弦相似度吗？

非常感谢

我有一个从 0 到 1 的 7130 个值的列表，这些值代表城市地图上相应 GPS 坐标的“热值”，我可以从数据文件中提取坐标。现在我想使用 python 生成热图，如下图所示。有谁知道这是怎么做到的吗？非常感谢

我有一个代码来计算两个矩阵之间的余弦相似度:

def cos_cdist_1(matrix, vector):
    v = vector.reshape(1, -1)
    return sp.distance.cdist(matrix, v, 'cosine').reshape(-1)


def cos_cdist_2(matrix1, matrix2):
    return sp.distance.cdist(matrix1, matrix2, 'cosine').reshape(-1)

list1 = [[1,1,1],[1,2,1]]
list2 = [[1,1,1],[1,2,1]]

matrix1 = np.asarray(list1)
matrix2 = np.asarray(list2)

results = []
for vector in matrix2:
    distance = cos_cdist_1(matrix1,vector)
    distance = np.asarray(distance)
    similarity = (1-distance).tolist()
    results.append(similarity)


dist_all = cos_cdist_2(matrix1, matrix2)
results2 = []
for item in dist_all:
    distance_result = np.asarray(item)
    similarity_result = (1-distance_result).tolist()
    results2.append(similarity_result)

results 是

[[1.0000000000000002, 0.9428090415820635],
                     [0.9428090415820635, 1.0000000000000002]]

但是,results2是[1.0000000000000002, 0.9428090415820635, 0.9428090415820635, 1.0000000000000002]

我理想的结果是 …

我使用Python的sklearn随机林(ensemble.RandomForestClassifier)进行分类,并feature_importances_用于查找分类器的重要功能.现在我的代码是:

for trip in database:
    venue_feature_start.append(Counter(trip['POI']))
# Counter(trip['POI']) is like Counter({'school':1, 'hospital':1, 'bus station':2}),actually key is the feature

feat_loc_vectorizer = DictVectorizer()
feat_loc_vectorizer.fit(venue_feature_start)
feat_loc_orig_mat = feat_loc_vectorizer.transform(venue_feature_start)

orig_tfidf = TfidfTransformer()
orig_ven_feat = orig_tfidf.fit_transform(feat_loc_orig_mat.tocsr())

# so DictVectorizer() and TfidfTransformer() help me to phrase the features and for each instance, the feature dimension is 580, which means that there are 580 venue types 

data = orig_ven_feat.tocsr()

le = LabelEncoder() 
labels = le.fit_transform(labels_raw)
if "Unlabelled" in labels_raw:
    unlabelled_int = …