new_ames <- read.csv("C:/Users/Administrator/Desktop/New_ames1.csv") Error in exists(cacheKey, where = .rs.WorkingDataEnv, inherits = FALSE) : invalid first argument Error in assign(cacheKey, frame, .rs.CachedDataEnv) : attempt to use zero-length variable name

这个错误信息可能是由于在您的 R 会话中已经存在一个名为 `new_ames` 的对象，而且该对象的名称为空或长度为零。这可能是由于之前的代码运行失败，或者手动在 R 中删除了该对象。

为了解决这个问题，您可以尝试在读取 CSV 文件之前删除 `new_ames` 对象。您可以使用 `rm()` 函数删除对象，例如：

rm(new_ames)
new_ames <- read.csv("C:/Users/Administrator/Desktop/New_ames1.csv")

如果仍然出现错误，请尝试在 `read.csv()` 函数中指定一个非空的名称，例如：

new_ames_data <- read.csv("C:/Users/Administrator/Desktop/New_ames1.csv")

这将避免使用空名称导致的错误。

相关问题

win10 下如何安装########## <?xml version="1.0"?> <package format="3"> <name>trac_ik_lib</name> <version>1.6.6</version> <description> TRAC-IK is a faster, significantly more reliable drop-in replacement for KDL's pseudoinverse Jacobian solver. The TRAC-IK library has a very similar API to KDL's IK solver calls, except that the user passes a maximum time instead of a maximum number of search iterations. Additionally, TRAC-IK allows for error tolerances to be set independently for each Cartesian dimension (x,y,z,roll,pitch.yaw). </description> <author>Patrick Beeson</author> <author>Barrett Ames</author> <maintainer email="robotics@traclabs.com">TRACLabs Robotics</maintainer> <license>BSD</license> <buildtool_depend>catkin</buildtool_depend> <build_depend>boost</build_depend> <build_depend>cmake_modules</build_depend> <build_depend>eigen</build_depend> <build_depend>kdl_parser</build_depend> <build_depend>libnlopt-dev</build_depend> <build_depend condition="$ROS_DISTRO == noetic">libnlopt-cxx-dev</build_depend> <build_depend>pkg-config</build_depend> <build_depend>roscpp</build_depend> <build_depend>urdf</build_depend> <build_export_depend condition="$ROS_DISTRO == noetic">libnlopt-cxx-dev</build_export_depend> <exec_depend>boost</exec_depend> <exec_depend>kdl_parser</exec_depend> <exec_depend>libnlopt-dev</exec_depend> <exec_depend>libnlopt0</exec_depend> <exec_depend>roscpp</exec_depend> <exec_depend>urdf</exec_depend> </package>

这是一个 ROS 包的描述文件，需要使用 ROS 环境来安装和使用。

在 Win10 上安装 ROS 可以参考以下步骤：

1. 安装虚拟机软件，例如 VMware Workstation 或 VirtualBox。

2. 下载 Ubuntu 镜像，可以从 Ubuntu 官网下载。

3. 创建一个新的虚拟机，将 Ubuntu 镜像作为虚拟机的启动盘。

4. 启动虚拟机，按照 Ubuntu 的安装向导进行安装。

5. 在 Ubuntu 中安装 ROS，可以参考 ROS 官方文档中的安装指南。

6. 下载 trac_ik_lib 包，将包放置在 ROS 工作空间的 src 目录中。

7. 在 ROS 工作空间的根目录中，运行以下命令编译 trac_ik_lib 包：

catkin_make

8. 运行以下命令激活 ROS 环境：

source devel/setup.bash

9. 运行以下命令启动 trac_ik_lib：

roslaunch trac_ik_lib trac_ik.launch

这些步骤完成后，trac_ik_lib 就可以在 Win10 上使用了。

unction load_boston is deprecated; `load_boston` is deprecated in 1.0 and will be removed in 1.2. The Boston housing prices dataset has an ethical problem. You can refer to the documentation of this function for further details. The scikit-learn maintainers therefore strongly discourage the use of this dataset unless the purpose of the code is to study and educate about ethical issues in data science and machine learning. In this special case, you can fetch the dataset from the original source:: import pandas as pd import numpy as np data_url = "http://lib.stat.cmu.edu/datasets/boston" raw_df = pd.read_csv(data_url, sep="\s+", skiprows=22, header=None) data = np.hstack([raw_df.values[::2, :], raw_df.values[1::2, :2]]) target = raw_df.values[1::2, 2] Alternative datasets include the California housing dataset (i.e. :func:`~sklearn.datasets.fetch_california_housing`) and the Ames housing dataset. You can load the datasets as follows:: from sklearn.datasets import fetch_california_housing housing = fetch_california_housing() for the California housing dataset and:: from sklearn.datasets import fetch_openml housing = fetch_openml(name="house_prices", as_frame=True) for the Ames housing dataset. warnings.warn(msg, category=FutureWarning) 线性回归模型的RMSE: 4.928602182665355 决策树回归模型的RMSE: 3.2273949915330395 随机森林回归模型的RMSE: 2.8109631609391226

这段提示信息的意思是，函数load_boston已经被弃用了，在1.0版本中已经弃用，在1.2版本中将被删除。波士顿房价数据集存在伦理问题，因此强烈不建议在非研究和教育伦理问题的情况下使用该数据集。如果要研究和教育有关伦理问题的数据科学和机器学习，可以从原始来源获取数据集。此外，还提供了替代数据集，包括加利福尼亚房屋数据集和埃姆斯房屋数据集。最后，给出了三种模型的RMSE值。