Je dois développer une fonction permettant de trier un type d'objet pour savoir s'ils sont vrai ou faux. Ma fonction doit pouvoir lire un fichier et déterminer si les objets sont vrai ou faux.
Cette action est irreversible, confirmez la suppression du commentaire ?
Signaler le commentaire
Veuillez sélectionner un problème
Nudité
Violence
Harcèlement
Fraude
Vente illégale
Discours haineux
Terrorisme
Autre
Nicolas
Bonjour, Pour avoir de l'aide il faut : 1- Décrire précisément la problématique. 2- Fournir un code utilisable le plus simple possible. 3- Expliquer ce qui pose problème. 1-> La description est trop vague. Qu'est-ce qu'un objet vrai ou faux ? Qu'est-ce qui est lu dans le fichier ?... 2-> Dès la première ligne on peut voir que le code n'est pas fonctionnel : pd n'existe pas. 3-> "Voici mon code, pourriez vous m'aider?" : Aider à quoi ? Qu'est-ce qui pose problème ? Cordialement, Nicolas Le 04/03/2020 à 08:19, heevy a écrit :
Bonjour, Je dois développer une fonction permettant de trier un type d'objet pour savoir s'ils sont vrai ou faux. Ma fonction doit pouvoir lire un fichier et déterminer si les objets sont vrai ou faux. Voici mon code, pourriez vous m'aider? illet=pd.read_csv("notes.csv") b2 =pd.read_csv("example.csv") feature_names = ["diagonal", "height_left","height_right", "margin_low","margin_up", "length" ] X1 = billet[feature_names] y1 = billet["is_genuine"] model = sm.OLS(y1, X1) results = model.fit() X2 = b2[feature_names] b2['résultats'] = results.predict(X2).values b2['statut'] = np.where(b2['résultats']>=0.5, 'vrai', 'faux') b2.drop(columns=["diagonal","height_left","height_right","margin_low","margin_up","length"],axis=1,inplace=True) #nourrir le modèle logreg = LogisticRegression() logreg.fit(X1,y1) import random from random import* y=choices(y1, k=5) #prévision y_pred = logreg.predict(X2) #graphique répartition vrai/faux billet b2["statut"].value_counts(normalize=True).plot(kind='pie', autopct =lambda x: str(round(x, 2)) + '%' ) #fonction def lire(nom): return pd.read_csv(nom) lire ("example.csv") feature_names = ["diagonal", "height_left","height_right", "margin_low","margin_up", "length" ] X1 = billet[feature_names] y1 = billet["is_genuine"] model = sm.OLS(y1, X1) results = model.fit() X2 = nom[feature_names] nom['résultats'] = results.predict(X2).values nom['statut'] = np.where(nom['résultats']>=0.5, 'vrai', 'faux') nom.drop(columns=["diagonal","height_left","height_right","margin_low","margin_up","length"],axis=1,inplace=True) #nourrir le modèle logreg = LogisticRegression() logreg.fit(X1,y1) import random from random import* y=choices(y1, k=5) #prévision y_pred = logreg.predict(X2) #graphique répartition vrai/faux billet nom["statut"].value_counts(normalize=True).plot(kind='pie', autopct =lambda x: str(round(x, 2)) + '%' )
Bonjour,
Pour avoir de l'aide il faut :
1- Décrire précisément la problématique.
2- Fournir un code utilisable le plus simple possible.
3- Expliquer ce qui pose problème.
1-> La description est trop vague. Qu'est-ce qu'un objet vrai ou faux ?
Qu'est-ce qui est lu dans le fichier ?...
2-> Dès la première ligne on peut voir que le code n'est pas fonctionnel
: pd n'existe pas.
3-> "Voici mon code, pourriez vous m'aider?" : Aider à quoi ? Qu'est-ce
qui pose problème ?
Cordialement,
Nicolas
Le 04/03/2020 à 08:19, heevy a écrit :
Bonjour,
Je dois développer une fonction permettant de trier un type d'objet pour savoir
s'ils sont vrai ou faux. Ma fonction doit pouvoir lire un fichier et déterminer
si les objets sont vrai ou faux.
Bonjour, Pour avoir de l'aide il faut : 1- Décrire précisément la problématique. 2- Fournir un code utilisable le plus simple possible. 3- Expliquer ce qui pose problème. 1-> La description est trop vague. Qu'est-ce qu'un objet vrai ou faux ? Qu'est-ce qui est lu dans le fichier ?... 2-> Dès la première ligne on peut voir que le code n'est pas fonctionnel : pd n'existe pas. 3-> "Voici mon code, pourriez vous m'aider?" : Aider à quoi ? Qu'est-ce qui pose problème ? Cordialement, Nicolas Le 04/03/2020 à 08:19, heevy a écrit :
Bonjour, Je dois développer une fonction permettant de trier un type d'objet pour savoir s'ils sont vrai ou faux. Ma fonction doit pouvoir lire un fichier et déterminer si les objets sont vrai ou faux. Voici mon code, pourriez vous m'aider? illet=pd.read_csv("notes.csv") b2 =pd.read_csv("example.csv") feature_names = ["diagonal", "height_left","height_right", "margin_low","margin_up", "length" ] X1 = billet[feature_names] y1 = billet["is_genuine"] model = sm.OLS(y1, X1) results = model.fit() X2 = b2[feature_names] b2['résultats'] = results.predict(X2).values b2['statut'] = np.where(b2['résultats']>=0.5, 'vrai', 'faux') b2.drop(columns=["diagonal","height_left","height_right","margin_low","margin_up","length"],axis=1,inplace=True) #nourrir le modèle logreg = LogisticRegression() logreg.fit(X1,y1) import random from random import* y=choices(y1, k=5) #prévision y_pred = logreg.predict(X2) #graphique répartition vrai/faux billet b2["statut"].value_counts(normalize=True).plot(kind='pie', autopct =lambda x: str(round(x, 2)) + '%' ) #fonction def lire(nom): return pd.read_csv(nom) lire ("example.csv") feature_names = ["diagonal", "height_left","height_right", "margin_low","margin_up", "length" ] X1 = billet[feature_names] y1 = billet["is_genuine"] model = sm.OLS(y1, X1) results = model.fit() X2 = nom[feature_names] nom['résultats'] = results.predict(X2).values nom['statut'] = np.where(nom['résultats']>=0.5, 'vrai', 'faux') nom.drop(columns=["diagonal","height_left","height_right","margin_low","margin_up","length"],axis=1,inplace=True) #nourrir le modèle logreg = LogisticRegression() logreg.fit(X1,y1) import random from random import* y=choices(y1, k=5) #prévision y_pred = logreg.predict(X2) #graphique répartition vrai/faux billet nom["statut"].value_counts(normalize=True).plot(kind='pie', autopct =lambda x: str(round(x, 2)) + '%' )
Felix
Bonjour, Il serait intéressant d'avoir une visibilité sur le contenu des dataframes. On se doute du début manquant de ton code, mais ce serait plus confortable si tu pouvais le corriger :) Merci, en espérant pouvoir t'aider davantage. Le 04/03/2020 à 08:19, heevy a écrit :
Bonjour, Je dois développer une fonction permettant de trier un type d'objet pour savoir s'ils sont vrai ou faux. Ma fonction doit pouvoir lire un fichier et déterminer si les objets sont vrai ou faux. Voici mon code, pourriez vous m'aider? illet=pd.read_csv("notes.csv") b2 =pd.read_csv("example.csv") feature_names = ["diagonal", "height_left","height_right", "margin_low","margin_up", "length" ] X1 = billet[feature_names] y1 = billet["is_genuine"] model = sm.OLS(y1, X1) results = model.fit() X2 = b2[feature_names] b2['résultats'] = results.predict(X2).values b2['statut'] = np.where(b2['résultats']>=0.5, 'vrai', 'faux') b2.drop(columns=["diagonal","height_left","height_right","margin_low","margin_up","length"],axis=1,inplace=True) #nourrir le modèle logreg = LogisticRegression() logreg.fit(X1,y1) import random from random import* y=choices(y1, k=5) #prévision y_pred = logreg.predict(X2) #graphique répartition vrai/faux billet b2["statut"].value_counts(normalize=True).plot(kind='pie', autopct =lambda x: str(round(x, 2)) + '%' ) #fonction def lire(nom): return pd.read_csv(nom) lire ("example.csv") feature_names = ["diagonal", "height_left","height_right", "margin_low","margin_up", "length" ] X1 = billet[feature_names] y1 = billet["is_genuine"] model = sm.OLS(y1, X1) results = model.fit() X2 = nom[feature_names] nom['résultats'] = results.predict(X2).values nom['statut'] = np.where(nom['résultats']>=0.5, 'vrai', 'faux') nom.drop(columns=["diagonal","height_left","height_right","margin_low","margin_up","length"],axis=1,inplace=True) #nourrir le modèle logreg = LogisticRegression() logreg.fit(X1,y1) import random from random import* y=choices(y1, k=5) #prévision y_pred = logreg.predict(X2) #graphique répartition vrai/faux billet nom["statut"].value_counts(normalize=True).plot(kind='pie', autopct =lambda x: str(round(x, 2)) + '%' )
Bonjour,
Il serait intéressant d'avoir une visibilité sur le contenu des
dataframes. On se doute du début manquant de ton code, mais ce serait
plus confortable si tu pouvais le corriger :)
Merci, en espérant pouvoir t'aider davantage.
Le 04/03/2020 à 08:19, heevy a écrit :
Bonjour,
Je dois développer une fonction permettant de trier un type d'objet pour savoir
s'ils sont vrai ou faux. Ma fonction doit pouvoir lire un fichier et déterminer
si les objets sont vrai ou faux.
Bonjour, Il serait intéressant d'avoir une visibilité sur le contenu des dataframes. On se doute du début manquant de ton code, mais ce serait plus confortable si tu pouvais le corriger :) Merci, en espérant pouvoir t'aider davantage. Le 04/03/2020 à 08:19, heevy a écrit :
Bonjour, Je dois développer une fonction permettant de trier un type d'objet pour savoir s'ils sont vrai ou faux. Ma fonction doit pouvoir lire un fichier et déterminer si les objets sont vrai ou faux. Voici mon code, pourriez vous m'aider? illet=pd.read_csv("notes.csv") b2 =pd.read_csv("example.csv") feature_names = ["diagonal", "height_left","height_right", "margin_low","margin_up", "length" ] X1 = billet[feature_names] y1 = billet["is_genuine"] model = sm.OLS(y1, X1) results = model.fit() X2 = b2[feature_names] b2['résultats'] = results.predict(X2).values b2['statut'] = np.where(b2['résultats']>=0.5, 'vrai', 'faux') b2.drop(columns=["diagonal","height_left","height_right","margin_low","margin_up","length"],axis=1,inplace=True) #nourrir le modèle logreg = LogisticRegression() logreg.fit(X1,y1) import random from random import* y=choices(y1, k=5) #prévision y_pred = logreg.predict(X2) #graphique répartition vrai/faux billet b2["statut"].value_counts(normalize=True).plot(kind='pie', autopct =lambda x: str(round(x, 2)) + '%' ) #fonction def lire(nom): return pd.read_csv(nom) lire ("example.csv") feature_names = ["diagonal", "height_left","height_right", "margin_low","margin_up", "length" ] X1 = billet[feature_names] y1 = billet["is_genuine"] model = sm.OLS(y1, X1) results = model.fit() X2 = nom[feature_names] nom['résultats'] = results.predict(X2).values nom['statut'] = np.where(nom['résultats']>=0.5, 'vrai', 'faux') nom.drop(columns=["diagonal","height_left","height_right","margin_low","margin_up","length"],axis=1,inplace=True) #nourrir le modèle logreg = LogisticRegression() logreg.fit(X1,y1) import random from random import* y=choices(y1, k=5) #prévision y_pred = logreg.predict(X2) #graphique répartition vrai/faux billet nom["statut"].value_counts(normalize=True).plot(kind='pie', autopct =lambda x: str(round(x, 2)) + '%' )
