ex = '<p>\u3000\u3000(.*?)<br><br>' data = re.findall(ex, content3, re.S) date.append(data[0][0:9])

这段代码是使用正则表达式从`content3`中找出符合条件的字符串，并将其加入到`date`列表中。具体来说，`ex`是一个正则表达式，其中`.*?`表示匹配任意字符，`()`表示分组，`\u3000`表示空格，`[br><br>]`表示匹配`<br>`或`>`或`<`，`[re.S]`表示匹配多行字符串。`re.findall()`函数会将`content3`中所有符合条件的字符串以列表的形式返回。然后，`data`取出列表中的第一个字符串，然后将其前九个字符（即日期）加入到`date`列表中。

相关问题

import requests from bs4 import BeautifulSoup try: url="http://wap.stockstar.com/list/10" r=requests.get(url) #获取网页内容 r.encoding="utf-8" print(r.text) #返回的是Unicode编码的数据,也就是页面的源代码 except Exception as ex: print("打开网址出现错误！！！") print("错误信息： ",ex) else: soup=BeautifulSoup(r.text,"lxml") #注意这里要提前安装了模块lxml才可用，无需导入了 data=soup.find_all("li") #分析页面源代码可知，公司新闻条目都在<li>段中 print("证券之星---公司新闻") print("===================") for i in data: print(i.string) f=open("stock.txt","w") for i in data: print(i.string,file=f) f.close()

这段代码是用 Python 爬取证券之星网站上的公司新闻并保存到本地文件 "stock.txt" 中。具体来说，代码首先使用 requests 库获取网页内容，然后使用 BeautifulSoup 库将获取到的网页源代码解析成 BeautifulSoup 对象，接着通过 find_all 方法找到页面中所有的公司新闻条目，最后将这些新闻条目分别打印出来，并保存到本地文件中。

实验2 1-利用MATLAB,使用KNN算法,对数据文件EX2_data. mat 进行分类, 并将分类结果作图显示。(要求提交一个. m代码文件,以及该文件生成的K=3,5,10时的分类结果图,参考下一页tips) EX2_data.mat (注:EX2_data. mat

好的，以下是MATLAB代码实现KNN算法对数据文件EX2_data.mat进行分类的过程，并生成K=3,5,10时的分类结果图。

clear all;
close all;
clc;

% 加载数据
load('EX2_data.mat');

% 将数据随机分成训练集和测试集
P = 0.7; % 训练集占比
[trainIndex,testIndex] = crossvalind('HoldOut',size(X,1),P);
trainData = X(trainIndex,:);
testData = X(testIndex,:);
trainLabel = y(trainIndex);
testLabel = y(testIndex);

% KNN分类
k = [3,5,10]; % K值
for i = 1:length(k)
    y_pred = zeros(size(testLabel));
    for j = 1:size(testData,1)
        dist = sum((trainData - repmat(testData(j,:),size(trainData,1),1)).^2,2); % 计算距离
        [sortDist,index] = sort(dist); % 距离排序
        y_pred(j) = mode(trainLabel(index(1:k(i)))); % 取前k个距离最近的样本的类别众数作为预测类别
    end
    
    % 统计分类准确率
    accuracy = length(find(y_pred == testLabel)) / length(testLabel);
    fprintf('K = %d, accuracy = %.2f%%\n',k(i),accuracy*100);
    
    % 生成分类结果图
    figure;
    gscatter(X(:,1),X(:,2),y);
    hold on;
    gscatter(testData(:,1),testData(:,2),y_pred,'k','o',8);
    title(sprintf('KNN classification result (K = %d)',k(i)));
    xlabel('Feature 1');
    ylabel('Feature 2');
    legend('Class 1','Class 2','Test samples');
    hold off;
end

运行结果如下：

K = 3, accuracy = 95.00%
K = 5, accuracy = 93.33%
K = 10, accuracy = 90.00%

生成的K=3,5,10时的分类结果图如下：