KeyError: '820'错误代码print_res = "class: {} prob: {:.3}".format(class_indict[str(predict_cla)]

您的代码中使用了一个字典 class_indict，但是在其中找不到键为 '820' 的值，因此产生了 KeyError: '820' 的错误。您需要检查一下您的 class_indict 字典中是否包含键为 '820' 的值。如果没有，您可以尝试添加这个键，并为其赋一个默认值，或者在代码中处理 KeyError 错误的情况。

相关问题

# prediction result = model.predict(mat) predict_class = np.argmax(result) print_res = "class: {} prob: {:.3}".format(class_indict[str(predict_class)], result[0][predict_class]) plt.title(print_res) for i in range(len(result[0])): print("class: {:10} prob: {:.3}".format(class_indict[str(i)], result[0][i])) # del mat_data,mat,json_path,class_indict,model,weights_path,result,predict_class,print_res,i

这段代码是用来进行模型预测的，其中：

- `result = model.predict(mat)` 表示使用模型对输入图像进行预测，得到一个预测结果。其中 `mat` 是输入的图像数据，`result` 是一个 numpy 数组，表示预测结果。

- `predict_class = np.argmax(result)` 表示找到预测结果中概率最高的类别，即预测的类别。

- `print_res = "class: {} prob: {:.3}".format(class_indict[str(predict_class)], result[0][predict_class])` 表示将预测结果格式化成一个字符串，包含预测的类别和对应的概率。

- `plt.title(print_res)` 表示设置图像的标题，将预测结果显示在标题上。

- `for i in range(len(result[0])):` 表示遍历预测结果中的每一个类别，打印每个类别的名称和对应的概率。

- 最后一行注释掉了，表示将一些不再需要的变量删除，以释放内存。

如果您需要对模型进行批量预测，可以将输入图像打包成一个 batch，然后使用 `model.predict` 方法对整个 batch 进行预测。另外，如果需要可视化预测结果，可以使用 matplotlib 等库来绘制图像。

import aip import time import pandas as pd from tqdm import tqdm content_list = [] positive_prob_list = [] negative_prob_list = [] def sentiment_classify(txt): client_appid = '34468201' client_ak = 'U3tHxNzzm3z89wXRpjSswVv3' client_sk = 'qlbLtgMcUg75Mmfd4ei1puzLXPpNgDfC' my_nlp = aip.nlp.AipNlp(client_appid, client_ak, client_sk) results = my_nlp.sentimentClassify(txt) positive_prob = results['items'][0]['positive_prob'] negative_prob = results['items'][0]['negative_prob'] content_list.append(txt) positive_prob_list.append(positive_prob) negative_prob_list.append(negative_prob) return positive_prob df = pd.read_excel('/Users/26921/Desktop/shuju/20000-30000.xlsx') txt_content = df["content"] positive_times = 0 negative_times = 0 for txt in tqdm(txt_content): if sentiment_classify(txt) > 0.5: positive_times += 1 else: negative_times += 1 df_res = pd.DataFrame({"content": content_list, "positive_prob":positive_prob_list, "negative_prob":negative_prob_list}) df_res.to_excel("/Users/26921/Desktop/shuju/20000-30000(2).xlsx") print("分析完成，正向{}条，负向{}条!".format(positive_times, negative_times))优化这段代码，使其出现'items'错误时，跳过错误继续执行程序

要优化这段代码，可以在 `sentiment_classify()` 函数中使用异常处理语句，避免出现 'items' 错误时程序崩溃。以下是修改后的代码：

import aip
import time
import pandas as pd
from tqdm import tqdm

content_list = []
positive_prob_list = []
negative_prob_list = []

def sentiment_classify(txt):
    client_appid = '34468201'
    client_ak = 'U3tHxNzzm3z89wXRpjSswVv3'
    client_sk = 'qlbLtgMcUg75Mmfd4ei1puzLXPpNgDfC'
    my_nlp = aip.nlp.AipNlp(client_appid, client_ak, client_sk)

    try:
        results = my_nlp.sentimentClassify(txt)
        positive_prob = results['items'][0]['positive_prob']
        negative_prob = results['items'][0]['negative_prob']

        content_list.append(txt)
        positive_prob_list.append(positive_prob)
        negative_prob_list.append(negative_prob)
        return positive_prob

    except:
        print("分析出错：", txt)
        return None

df = pd.read_excel('/Users/26921/Desktop/shuju/20000-30000.xlsx')
txt_content = df["content"]

positive_times = 0
negative_times = 0

for txt in tqdm(txt_content):
    if sentiment_classify(txt) is not None:
        if sentiment_classify(txt) > 0.5:
            positive_times += 1
        else:
            negative_times += 1

df_res = pd.DataFrame({"content": content_list, "positive_prob":positive_prob_list, "negative_prob":negative_prob_list})
df_res.to_excel("/Users/26921/Desktop/shuju/20000-30000(2).xlsx")

print("分析完成，正向{}条，负向{}条!".format(positive_times, negative_times))

在修改后的代码中，我们在 `sentiment_classify()` 函数中使用了 try-except 语句。如果出现 'items' 错误，程序会跳过当前循环并打印出错信息，然后继续执行下一次循环。同时，在主函数中调用 `sentiment_classify()` 函数时，我们增加了一个判断，如果返回值为 None，则不执行后续的判断语句，而是直接跳过当前循环。这样就避免了出现错误时程序崩溃的问题。