小编rgk*_*rgk的帖子

我想知道是否有人可以解释Python的“in”关键字和contains方法之间的区别

我正在处理示例列表并发现了这种行为。这两个应该什么时候使用？如果我使用其中一种而不是另一种，是否可以实现一些效率？

    >>> my_list = ["a", "b", "c"]
    >>> my_list.__contains__("a")
    True
    >>> "a" in my_list
    True

我正在编写一个C++代码,它遍历目录的所有条目,并决定使用dirent.h.由于我使用的是C++,我决定使用C++标准来包含C库文件[即在库名前加上c并在最后删除.h]

在没有添加任何功能的情况下,我决定编译我的程序一次以查看是否实际存在cdirent或sys/cstat.g ++告诉我这些文件不存在的错误

#include <iostream>
#include <cdirent>
#include <sys/cstat>
#include <sys/ctypes>

using namespace std;

int main()
{

}

dummy.cpp:2:19: error: cdirent: No such file or directory
dummy.cpp:3:21: error: sys/cstat: No such file or directory
dummy.cpp:4:22: error: sys/ctypes: No such file or directory

继此给出的建议页上哪里找标准C++头文件,我可以找到cstdio,cstdlib,ctime和这使我对我的问题等等

1. 什么时候将C标准库文件转换为C++标准库文件？
2. 如何在程序中包含此类文件？这里的页面只讨论标准和非标准头文件.但我相信dirent.h是一个标准的库文件[纠正我,如果我错了]

提前感谢所有建议

我试图使用python gzip模块将数据写入压缩文件.但该模块似乎不接受压缩级别

我遵循gzip官方Python文档中指定的语法

这是一段代码示例代码,如果我错了,请纠正我

import gzip
fd = gzip.GzipFile(filename = "temp", mode = "w", compresslevel = 6)
fd.write("some text")

当我在文件temp上运行file命令时,我总是得到"max compression"的输出,即使它不是这种情况

file temp 
temp: gzip compressed data, was "temp", last modified: Tue Jul 30 23:12:29 2013, max compression

在下面的表达式中是否有一些确定的函数调用顺序,或者它是否因编译器而异？

此处的规则是否适用 - 在C中,未指定大多数运算符的函数和操作数的参数的计数顺序.在此Wiki页面中找到了上述规则

a = (f1(10, 20) * f2(30, 40)) + f3()

当您只有一个数字特征时，使用scikit-learn's LogisticRegressionsolver的正确方法是什么？

我运行了一个我发现很难解释的简单示例。谁能解释一下我在这里做错了什么？

import pandas
import numpy as np
from sklearn.linear_model import LogisticRegression

X = [1, 2, 3, 10, 11, 12]
X = np.reshape(X, (6, 1))
Y = [0, 0, 0, 1, 1, 1]
Y = np.reshape(Y, (6, 1))

lr = LogisticRegression()

lr.fit(X, Y)
print ("2 --> {0}".format(lr.predict(2)))
print ("4 --> {0}".format(lr.predict(4)))

这是我在脚本完成运行时得到的输出。4 的预测不应该是 0，因为根据高斯分布 4 更接近根据测试集分类为 0 的分布？

2 --> [0]
4 --> [1]

当您只有一列包含数字数据时，Logistic 回归采用什么方法？

我有一个具有20个数字功能和一个数字响应列的Pandas数据框。我想首先应用PCA将维数降低到10，然后运行线性回归来预测数值响应。我目前可以使用两个步骤

pipeline = Pipeline([('scaling', StandardScaler()),
                     ('pca', PCA(n_components=20, whiten=True))])
newDF = pipeline.fit_transform(numericDF)

Y = df["Response"]
model = LinearRegression()
model.fit(newDF, Y)

有没有办法在上述管道中组合线性回归？我问这个问题是因为

1. fit_transform 线性回归不支持。
2. fit_predict 不能与PCA一起使用。
3. 这不是一个一次性的用例

如何在同一管道中同时运行PCA和线性回归？