如何添加上述代码到原始代码中

可以先将上述代码保存到一个单独的 Python 文件中，比如命名为 `utils.py`。然后在原始代码中导入这个文件，并调用其中的函数和方法。

假设你的原始代码文件命名为 `main.py`，那么可以在该文件中添加以下代码：

from utils import cluster

# 其他的代码

if __name__ == '__main__':
    # 其他的代码
    cluster(poscar_path)  # 调用 cluster 函数

这样，当你运行 `main.py` 文件时，就会自动导入 `utils.py` 文件，并调用其中的 `cluster` 函数。记得确保 `utils.py` 文件和 `main.py` 文件处于同一目录下，或者在导入时指定正确的文件路径。

相关问题

上述代码中的合成样本包含原始数据吗

在上述代码中，合成样本是通过SMOTE算法生成的，它包含来自原始数据集的样本，并在少数类样本之间进行插值以生成新的合成样本。因此，合成样本是在原始数据的基础上生成的，并且包含了原始数据的一部分。

具体来说，在代码中，我们首先读取了原始数据集，然后使用SMOTE算法生成了合成样本。合成样本是通过在少数类样本之间进行插值生成的，并且在某种程度上反映了原始数据集的特征分布。

如果你想仅使用合成样本进行训练，而不包含原始数据，可以使用`X_resampled`和`y_resampled`作为训练数据集。这些变量包含了从原始数据集中生成的合成样本。

希望这个解答对你有所帮助！如果你还有其他问题，请随时提问。

将上述代码的结果存储到DataFrame中

以下是将上述代码的结果存储到DataFrame中的修改示例：

import pandas as pd
import numpy as np

# 从CSV文件读取数据，假设数据文件名为data.csv
data = pd.read_csv('data.csv')

# 获取原始样本的大小
sample_size = len(data)

# 设置Bootstrapping抽样的样本大小为原始样本大小的80%
bootstrap_sample_size = int(sample_size * 0.8)

# 创建一个空的DataFrame来存储所有Bootstrapping抽样得到的数据集
bootstrap_data_all = pd.DataFrame()

# 进行50次Bootstrapping抽样
for i in range(50):
    # 创建一个空的DataFrame来存储当前循环中的Bootstrapping抽样得到的数据集
    bootstrap_data = pd.DataFrame()
    
    # 进行Bootstrapping抽样
    for j in range(bootstrap_sample_size):
        # 随机选择一个数据点的索引
        index = np.random.randint(0, sample_size)
        
        # 将选择的数据点复制到当前循环的数据集中
        bootstrap_data = bootstrap_data.append(data.iloc[index])
    
    # 将当前循环的数据集添加到所有数据集中，并为每个样本添加一个标签以区分不同的循环
    bootstrap_data['Loop'] = i
    
    # 将当前循环的数据集添加到所有数据集bootstrap_data_all中
    bootstrap_data_all = pd.concat([bootstrap_data_all, bootstrap_data], ignore_index=True)

# 打印所有Bootstrapping抽样得到的数据集
print(bootstrap_data_all)

上述代码中，在进行Bootstrapping抽样时，我们为每个样本添加了一个名为"Loop"的列，用于区分不同的循环。然后，将当前循环的数据集添加到所有数据集bootstrap_data_all中。这样，最后得到的bootstrap_data_all数据集中包含了每个样本以及它们所属的循环。你可以根据实际需求进一步处理和分析这个数据集。