python操作resultym.csv数据表(有Date(YYYY/MM)、TotalPrice两列数据),数据表第一行为表头信息,数据表中前27行都有数据,以此为基础,python调用resultym.csv表进行操作:循环调用以resultym.csv为数据集构建的pytorch lstm预测模型(模型实现过程:读取csv表,然后将TotalPrice归一化,接着按照0.8划分训练集和测试集,然后将划分好的数据转为PyTorch张量,之后定义超参数和算法模型、优化器,最后训练模型),该模型能够根据Date值来预测TotalPrice值,然后将第一次预测出的y_test_pred赋值给B26、将第二次预测出的值赋给B27、将第三次预测出的值赋给B28,一直循环直到求出B50的数值。每预测出一个值就在表的最后一行插入一组数据,插入的数据为:Date插入的值按照前面的年月往下延(即按照2023/03、2023/04、2023/05········2025/01的顺序),TotalPrice插入的值定义为2222222.5。直到求出第50行的数值,脚本停止运行。

时间: 2023-12-06 08:44:33 浏览: 95
以下是实现该功能的代码: ```python import pandas as pd import numpy as np import torch import torch.nn as nn import torch.optim as optim # 读取csv表 df = pd.read_csv('resultym.csv') # 归一化TotalPrice列 df['TotalPrice'] = (df['TotalPrice'] - df['TotalPrice'].min()) / (df['TotalPrice'].max() - df['TotalPrice'].min()) # 划分训练集和测试集 train_size = int(len(df) * 0.8) train_df = df[:train_size] test_df = df[train_size:] # 转为PyTorch张量 train_x = torch.tensor(train_df['TotalPrice'].values).view(-1, 1, 1).float() train_y = torch.tensor(train_df['TotalPrice'].values).view(-1, 1, 1).float() test_x = torch.tensor(test_df['TotalPrice'].values).view(-1, 1, 1).float() test_y = torch.tensor(test_df['TotalPrice'].values).view(-1, 1, 1).float() # 定义超参数和算法模型、优化器 input_size = 1 output_size = 1 hidden_size = 32 num_layers = 2 learning_rate = 0.01 num_epochs = 100 class LSTM(nn.Module): def __init__(self, input_size, hidden_size, num_layers, output_size): super(LSTM, self).__init__() self.hidden_size = hidden_size self.num_layers = num_layers self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True) self.fc = nn.Linear(hidden_size, output_size) def forward(self, x): h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).requires_grad_() c0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).requires_grad_() out, (hn, cn) = self.lstm(x, (h0.detach(), c0.detach())) out = self.fc(out[:, -1, :]) return out model = LSTM(input_size, hidden_size, num_layers, output_size) criterion = nn.MSELoss() optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate) # 训练模型 for epoch in range(num_epochs): outputs = model(train_x) optimizer.zero_grad() loss = criterion(outputs, train_y) loss.backward() optimizer.step() if epoch % 10 == 0: print("Epoch: %d, loss: %1.5f" % (epoch, loss.item())) # 循环预测并插入数据 for i in range(24): # 预测 with torch.no_grad(): x_test = torch.tensor(test_df['TotalPrice'].values[-1]).view(1, 1, 1).float() y_test_pred = model(x_test) y_test_pred = y_test_pred.item() # 将预测结果插入表中 date = pd.to_datetime(test_df['Date'].iloc[-1]) + pd.DateOffset(months=1) date_str = date.strftime('%Y/%m') new_row = pd.DataFrame({'Date': date_str, 'TotalPrice': 2222222.5}, index=[len(df)]) df = pd.concat([df, new_row], axis=0) test_df = df[train_size:] if i == 0: df.iloc[25-1]['TotalPrice'] = y_test_pred elif i == 1: df.iloc[26-1]['TotalPrice'] = y_test_pred elif i == 2: df.iloc[27-1]['TotalPrice'] = y_test_pred elif i == 3: df.iloc[28-1]['TotalPrice'] = y_test_pred elif i == 4: df.iloc[29-1]['TotalPrice'] = y_test_pred elif i == 5: df.iloc[30-1]['TotalPrice'] = y_test_pred elif i == 6: df.iloc[31-1]['TotalPrice'] = y_test_pred elif i == 7: df.iloc[32-1]['TotalPrice'] = y_test_pred elif i == 8: df.iloc[33-1]['TotalPrice'] = y_test_pred elif i == 9: df.iloc[34-1]['TotalPrice'] = y_test_pred elif i == 10: df.iloc[35-1]['TotalPrice'] = y_test_pred elif i == 11: df.iloc[36-1]['TotalPrice'] = y_test_pred elif i == 12: df.iloc[37-1]['TotalPrice'] = y_test_pred elif i == 13: df.iloc[38-1]['TotalPrice'] = y_test_pred elif i == 14: df.iloc[39-1]['TotalPrice'] = y_test_pred elif i == 15: df.iloc[40-1]['TotalPrice'] = y_test_pred elif i == 16: df.iloc[41-1]['TotalPrice'] = y_test_pred elif i == 17: df.iloc[42-1]['TotalPrice'] = y_test_pred elif i == 18: df.iloc[43-1]['TotalPrice'] = y_test_pred elif i == 19: df.iloc[44-1]['TotalPrice'] = y_test_pred elif i == 20: df.iloc[45-1]['TotalPrice'] = y_test_pred elif i == 21: df.iloc[46-1]['TotalPrice'] = y_test_pred elif i == 22: df.iloc[47-1]['TotalPrice'] = y_test_pred elif i == 23: df.iloc[48-1]['TotalPrice'] = y_test_pred # 更新测试集 test_x = torch.tensor(test_df['TotalPrice'].values).view(-1, 1, 1).float() test_y = torch.tensor(test_df['TotalPrice'].values).view(-1, 1, 1).float() # 更新模型 for epoch in range(num_epochs): outputs = model(train_x) optimizer.zero_grad() loss = criterion(outputs, train_y) loss.backward() optimizer.step() print("Prediction %d: %1.5f" % (i+1, y_test_pred)) ``` 在代码中,我们首先读取了resultym.csv表,并对其中的TotalPrice列进行归一化处理。然后按照0.8的比例将数据集划分为训练集和测试集,并将它们转为PyTorch张量。接着定义了LSTM模型、损失函数和优化器,并进行了模型训练。 接着进入循环预测并插入数据的步骤。我们首先用训练好的模型对测试集中的最后一个数据进行预测,得到预测结果y_test_pred。然后将预测结果插入到表中,在插入前需要通过pd.to_datetime函数将之前的日期字符串转为datetime类型,并使用pd.DateOffset函数往后推一个月,得到新的日期字符串。插入的数据为{'Date': date_str, 'TotalPrice': 2222222.5},其中TotalPrice固定为2222222.5。然后根据预测结果更新表中对应的TotalPrice值。最后更新测试集,重新训练模型,并打印出当前的预测结果。 需要注意的是,我们在更新表中的TotalPrice值时,需要根据具体的行数来更新,因此使用了一长串的if-elif语句。如果有更好的方法,可以自行修改。
阅读全文

相关推荐

export default { namespaced: true, // 模块的 state 数据,其中JSON.parse()方法用于将JSON字符串转换为JavaScript对象 state: () => ({ cart: JSON.parse(uni.getStorageSync('cart') || '[]'), }), mutations: { addToCart(state, goods) { const finResult = state.cart.find(x => x.id === goods.id) if (!finResult) { state.cart.push(goods) } else { finResult.count++ } this.commit('m_cart/saveToStorage') }, saveToStorage(state) { uni.setStorageSync('cart', JSON.stringify(state.cart)) }, //更新购物车中商品的勾选状态 updateGoodsState(state, item) { const findResult = state.cart.find(x => x.id === item.id) if (findResult) { findResult.state = item.state this.commit('m_cart/saveToStorage') } }, //更新商品的数量 updateGoodsCount(state, item) { const findResult = state.cart.find(x => x.id === item.id) if (findResult) { findResult.count = item.count this.commit('m_cart/saveToStorage') } }, // 根据 Id 从购物车中删除对应的商品信息 removeGoodsByid(state, ...goods) { // 调用数组的 filter 方法进行过滤 for (let k of goods[0]) { state.cart = state.cart.filter(x => x.id !== k) } // 持久化存储到本地 this.commit('m_cart/saveToStorage') }, //根据id删除对应的商品 removeGoodsById(state, id) { state.cart = state.cart.filter(x => x.id !== id) this.commit('m_cart/saveToStorage') }, //更新购物车商品 updateAllGoodsState(state, newState) { state.cart.forEach(x => x.state = newState) this.commit('m_cart/saveToStorage') } }, // 根据 Id 从购物车中删除对应的商品信息 removeGoodsById(state, ...goods) { // 调用数组的 filter 方法进行过滤 for (let k of goods[0]) { state.cart = state.cart.filter(x => x.id !== k) } // 持久化存储到本地 this.commit('m_cart/saveToStorage') }, // 模块的 getters 属性 getters: { //购物车中所以商品的总数量 total(state) { // let c = 0 // state.cart.forEach(x => c += x.count) // return c retu

import requests from bs4 import BeautifulSoup import openpyxl class LianJiaSpider(): def __init__(self): self.url = 'https://bj.lianjia.com/ershoufang/pg{0}/' self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.131 Safari/537.36 SLBrowser/8.0.0.12022 SLBChan/109'} def send_request(self, url): resp = requests.get(url, headers=self.headers) if resp.status_code == 200: return resp def parse_html(self, resp): lst = [] html = resp.text bs = BeautifulSoup(html, 'lxml') ul = bs.find('ul', class_='sellListContent') li_list = ul.find_all('li') for item in li_list: title = item.find('div', class_='title').text positionInfo = item.find('div', class_='positionInfo').text address = item.find('div', class_='address').text followInfo = item.find('div', class_='followInfo').text tag = item.find('div', class_='tag').text totalPrice = item.find('div', class_='totalPrice totalPrice2').text unitPrice = item.find('div', class_='unitPrice').text # print(unitPrice) lst.append((title, positionInfo, address, followInfo, tag, totalPrice, unitPrice)) print(lst) self.save(lst) def save(self, lst): wb = openpyxl.Workbook() sheet = wb.active for row in lst: sheet.append(row) continue wb.save('D:/爬虫/链家.csv') def start(self): for i in range(1, 5): full_url = self.url.format(i) resp = self.send_request(full_url) #print(resp.text) self.parse_html(resp) if __name__ == '__main__': lianjia = LianJiaSpider() lianjia.start()使用以上代码爬取数据保存到文件中只显示最后一页30条数据,前面页码的数据都被覆盖了,如何更改

最新推荐

recommend-type

动态添加表格数据(jQuery、Vue)

这里假设有一个表格,用户可以查看并编辑图书信息,包括书籍名称、作者、出版日期、价格和购买数量。 #### 2. 参考代码 ```javascript var books = [ {id: 1, author: '小明', name: '小明去哪了', date: '????-??...
recommend-type

数据字典.doc数据字典.doc

1. **数据表描述**: - **图书图书信息表**:存储关于图书的基本信息,包括ID、名称、作者、ISBN条形码、出版社ID、入库日期和库存。 - **库存**:图书的现有数量,用于跟踪库存管理。 - **管理员状态**:描述...
recommend-type

ta-lib-0.5.1-cp312-cp312-win32.whl

ta_lib-0.5.1-cp312-cp312-win32.whl
recommend-type

在线实时的斗兽棋游戏,时间赶,粗暴的使用jQuery + websoket 实现实时H5对战游戏 + java.zip课程设计

课程设计 在线实时的斗兽棋游戏,时间赶,粗暴的使用jQuery + websoket 实现实时H5对战游戏 + java.zip课程设计
recommend-type

ta-lib-0.5.1-cp310-cp310-win-amd64.whl

ta_lib-0.5.1-cp310-cp310-win_amd64.whl
recommend-type

MATLAB实现小波阈值去噪:Visushrink硬软算法对比

资源摘要信息:"本资源提供了一套基于MATLAB实现的小波阈值去噪算法代码。用户可以通过运行主文件"project.m"来执行该去噪算法,并观察到对一张256x256像素的黑白“莱娜”图片进行去噪的全过程。此算法包括了添加AWGN(加性高斯白噪声)的过程,并展示了通过Visushrink硬阈值和软阈值方法对图像去噪的对比结果。此外,该实现还包括了对图像信噪比(SNR)的计算以及将噪声图像和去噪后的图像的打印输出。Visushrink算法的参考代码由M.Kiran Kumar提供,可以在Mathworks网站上找到。去噪过程中涉及到的Lipschitz指数计算,是基于Venkatakrishnan等人的研究,使用小波变换模量极大值(WTMM)的方法来测量。" 知识点详细说明: 1. MATLAB环境使用:本代码要求用户在MATLAB环境下运行。MATLAB是一种高性能的数值计算和可视化环境,广泛应用于工程计算、算法开发和数据分析等领域。 2. 小波阈值去噪:小波去噪是信号处理中的一个技术,用于从信号中去除噪声。该技术利用小波变换将信号分解到不同尺度的子带,然后根据信号与噪声在小波域中的特性差异,通过设置阈值来消除或减少噪声成分。 3. Visushrink算法:Visushrink算法是一种小波阈值去噪方法,由Donoho和Johnstone提出。该算法的硬阈值和软阈值是两种不同的阈值处理策略,硬阈值会将小波系数小于阈值的部分置零,而软阈值则会将这部分系数缩减到零。硬阈值去噪后的信号可能有更多震荡,而软阈值去噪后的信号更为平滑。 4. AWGN(加性高斯白噪声)添加:在模拟真实信号处理场景时,通常需要对原始信号添加噪声。AWGN是一种常见且广泛使用的噪声模型,它假设噪声是均值为零、方差为N0/2的高斯分布,并且与信号不相关。 5. 图像处理:该实现包含了图像处理的相关知识,包括图像的读取、显示和噪声添加。此外,还涉及了图像去噪前后视觉效果的对比展示。 6. 信噪比(SNR)计算:信噪比是衡量信号质量的一个重要指标,反映了信号中有效信息与噪声的比例。在图像去噪的过程中,通常会计算并比较去噪前后图像的SNR值,以评估去噪效果。 7. Lipschitz指数计算:Lipschitz指数是衡量信号局部变化复杂性的一个量度,通常用于描述信号在某个尺度下的变化规律。在小波去噪过程中,Lipschitz指数可用于确定是否保留某个小波系数,因为它与信号的奇异性相关联。 8. WTMM(小波变换模量极大值):小波变换模量极大值方法是一种小波分析技术,用于检测信号中的奇异点或边缘。该技术通过寻找小波系数模量极大值的变化来推断信号的局部特征。 9. 系统开源:该资源被标记为“系统开源”,意味着该MATLAB代码及其相关文件是可以公开访问和自由使用的。开源资源为研究人员和开发者提供了学习和实验的机会,有助于知识共享和技术发展。 资源的文件结构包括"Wavelet-Based-Denoising-MATLAB-Code-master",表明用户获取的是一套完整的项目文件夹,其中包含了执行小波去噪算法所需的所有相关文件和脚本。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

【交互特征的影响】:分类问题中的深入探讨,如何正确应用交互特征

![【交互特征的影响】:分类问题中的深入探讨,如何正确应用交互特征](https://img-blog.csdnimg.cn/img_convert/21b6bb90fa40d2020de35150fc359908.png) # 1. 交互特征在分类问题中的重要性 在当今的机器学习领域,分类问题一直占据着核心地位。理解并有效利用数据中的交互特征对于提高分类模型的性能至关重要。本章将介绍交互特征在分类问题中的基础重要性,以及为什么它们在现代数据科学中变得越来越不可或缺。 ## 1.1 交互特征在模型性能中的作用 交互特征能够捕捉到数据中的非线性关系,这对于模型理解和预测复杂模式至关重要。例如
recommend-type

c语言从链式队列 中获取头部元素并返回其状态的函数怎么写

在 C 语言中,如果你有一个链式队列的数据结构,通常它会包含两个指针,一个指向队首(front),一个指向队尾(rear)。以下是一个简单的链式队列头部元素获取函数的示例,假设 `Queue` 是你的链式队列结构体,并且已经包含了必要的成员变量: ```c typedef struct Queue { void* data; // 存储数据的指针 struct Queue* front; // 队首指针 struct Queue* rear; // 队尾指针 } Queue; // 获取头部元素并检查是否为空(如果队列为空,返回 NULL 或适当错误值) void*
recommend-type

易语言实现画板图像缩放功能教程

资源摘要信息:"易语言是一种基于中文的编程语言,主要面向中文用户,其特点是使用中文关键词和语法结构,使得中文使用者更容易理解和编写程序。易语言画板图像缩放源码是易语言编写的程序代码,用于实现图形用户界面中的画板组件上图像的缩放功能。通过这个源码,用户可以调整画板上图像的大小,从而满足不同的显示需求。它可能涉及到的图形处理技术包括图像的获取、缩放算法的实现以及图像的重新绘制等。缩放算法通常可以分为两大类:高质量算法和快速算法。高质量算法如双线性插值和双三次插值,这些算法在图像缩放时能够保持图像的清晰度和细节。快速算法如最近邻插值和快速放大技术,这些方法在处理速度上更快,但可能会牺牲一些图像质量。根据描述和标签,可以推测该源码主要面向图形图像处理爱好者或专业人员,目的是提供一种方便易用的方法来实现图像缩放功能。由于源码文件名称为'画板图像缩放.e',可以推断该文件是一个易语言项目文件,其中包含画板组件和图像处理的相关编程代码。" 易语言作为一种编程语言,其核心特点包括: 1. 中文编程:使用中文作为编程关键字,降低了学习编程的门槛,使得不熟悉英文的用户也能够编写程序。 2. 面向对象:易语言支持面向对象编程(OOP),这是一种编程范式,它使用对象及其接口来设计程序,以提高软件的重用性和模块化。 3. 组件丰富:易语言提供了丰富的组件库,用户可以通过拖放的方式快速搭建图形用户界面。 4. 简单易学:由于语法简单直观,易语言非常适合初学者学习,同时也能够满足专业人士对快速开发的需求。 5. 开发环境:易语言提供了集成开发环境(IDE),其中包含了代码编辑器、调试器以及一系列辅助开发工具。 6. 跨平台:易语言支持在多个操作系统平台编译和运行程序,如Windows、Linux等。 7. 社区支持:易语言有着庞大的用户和开发社区,社区中有很多共享的资源和代码库,便于用户学习和解决编程中遇到的问题。 在处理图形图像方面,易语言能够: 1. 图像文件读写:支持常见的图像文件格式如JPEG、PNG、BMP等的读取和保存。 2. 图像处理功能:包括图像缩放、旋转、裁剪、颜色调整、滤镜效果等基本图像处理操作。 3. 图形绘制:易语言提供了丰富的绘图功能,包括直线、矩形、圆形、多边形等基本图形的绘制,以及文字的输出。 4. 图像缩放算法:易语言实现的画板图像缩放功能中可能使用了特定的缩放算法来优化图像的显示效果和性能。 易语言画板图像缩放源码的实现可能涉及到以下几个方面: 1. 获取画板上的图像:首先需要从画板组件中获取到用户当前绘制或已经存在的图像数据。 2. 图像缩放算法的应用:根据用户的需求,应用适当的图像缩放算法对获取的图像数据进行处理。 3. 图像重新绘制:处理后的图像数据需要重新绘制到画板上,以实现缩放后的效果。 4. 用户交互:提供用户界面,让用户能够通过按钮、滑块等控件选择缩放比例和模式,以及触发缩放操作。 5. 性能优化:为了确保图像缩放操作流畅,需要考虑代码的执行效率和资源的合理利用。 在易语言社区中,用户可以根据自己的需求修改和扩展画板图像缩放源码,或者根据提供的API进一步开发更多高级图像处理功能,从而丰富软件的功能和用户体验。