Path: csiph.com!eternal-september.org!feeder.eternal-september.org!reader01.eternal-september.org!.POSTED!not-for-mail
From: Felix <slad@keemail.me>
Newsgroups: fr.comp.lang.python
Subject: =?UTF-8?Q?Re=3a_Difficult=c3=a9_pour_d=c3=a9velopper_une_fonction?=
Date: Wed, 11 Mar 2020 22:35:52 +0100
Organization: A noiseless patient Spider
Lines: 98
Message-ID: <r4bljs$oi1$1@dont-email.me>
References: <GO2dnfS3rO3qy8LDnZ2dnUU798zNnZ2d@giganews.com>
Reply-To: slad@keemail.me
Mime-Version: 1.0
Content-Type: text/plain; charset=windows-1252; format=flowed
Content-Transfer-Encoding: 8bit
Injection-Date: Wed, 11 Mar 2020 21:35:57 -0000 (UTC)
Injection-Info: reader02.eternal-september.org; posting-host="36c9c05349732e1c2509469d3723bf29"; logging-data="25153"; mail-complaints-to="abuse@eternal-september.org";	posting-account="U2FsdGVkX1+CZSotwPWj2o44ecvD3b618P9ocw+y2FA="
User-Agent: Mozilla/5.0 (Windows NT 10.0; WOW64; rv:68.0) Gecko/20100101 Thunderbird/68.5.0
Cancel-Lock: sha1:uR3GqwK0b0A3Xz8UoNbDqmPQdos=
In-Reply-To: <GO2dnfS3rO3qy8LDnZ2dnUU798zNnZ2d@giganews.com>
Content-Language: fr
Xref: csiph.com fr.comp.lang.python:3298

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)) + '%' )
>