TypeError: ufunc 'ajouter' ne contient pas une boucle

La gdsCAD a été une douleur de galbées installer dans ce complot en question.


Cette question est à cause de mauvais type de données transmises aux couleurs de fonction. Il peut être résolu en modifiant la ligne suivante dans core.py

colors += matplotlib.cm.gist_ncar(np.linspace(0.98, 0, 15))

à

colors += list(matplotlib.cm.gist_ncar(np.linspace(0.98, 0, 15)))

Si vous ne savez pas où le core.py est situé. Il suffit de taper:

from gdsCAD import *
core

Cela vous donnera le chemin de core.py fichier. Bonne chance !

OriginalL'auteur Amit Solanki

Je ne sais pas si cela aide, je suis assez nouveau pour moi-même, mais j'ai eu une erreur similaire et a constaté que c'est en raison d'une conversion de type de problème comme l'a suggéré à la réponse précédente. Je ne peux pas le voir dans l'exemple en question exactement ce que vous essayez de faire. Ci-dessous un petit exemple de mon problème et de la solution. Mon code est de faire un tirage Aléatoire simple de la Forêt modèle à l'aide de scikit learn.

Voici un exemple qui va donner de l'erreur, et elle est causée par le troisième à la dernière ligne, la concaténation des résultats d'écrire dans un fichier.

import scipy
import math
import numpy as np
import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn import preprocessing, metrics, cross_validation

Data = pd.read_csv("Free_Energy_exp.csv", sep=",")
Data = Data.fillna(Data.mean()) # replace the NA values with the mean of the descriptor
header = Data.columns.values # Ues the column headers as the descriptor labels
Data.head()
test_name = "Test.csv"

npArray = np.array(Data)
print header.shape
npheader = np.array(header[1:-1])
print("Array shape X = %d, Y = %d " % (npArray.shape))
datax, datay =  npArray.shape

names = npArray[:,0]
X = npArray[:,1:-1].astype(float)
y = npArray[:,-1] .astype(float)
X = preprocessing.scale(X)

XTrain, XTest, yTrain, yTest = cross_validation.train_test_split(X,y, random_state=0)

# Predictions results initialised 
RFpredictions = []
RF = RandomForestRegressor(n_estimators = 10, max_features = 5, max_depth = 5, random_state=0)
RF.fit(XTrain, yTrain)       # Train the model
print("Training R2 = %5.2f" % RF.score(XTrain,yTrain))
RFpreds = RF.predict(XTest)

with open(test_name,'a') as fpred :
    lenpredictions = len(RFpreds)
    lentrue = yTest.shape[0]
    if lenpredictions == lentrue :
            fpred.write("Names/Label,, Prediction Random Forest,, True Value,\n")
            for i in range(0,lenpredictions) :
                    fpred.write(RFpreds[i]+",,"+yTest[i]+",\n")
    else :
            print "ERROR - names, prediction and true value array size mismatch."

Cela conduit à une erreur;

Traceback (most recent call last):
  File "min_example.py", line 40, in <module>
    fpred.write(RFpreds[i]+",,"+yTest[i]+",\n")
TypeError: ufunc 'add' did not contain a loop with signature matching types dtype('S32') dtype('S32') dtype('S32')

La solution est de faire de chaque variable str() tapez sur la dernière ligne, puis les écrire dans un fichier. Pas d'autres modifications de code ont été fabriqués à partir de ci-dessus.

import scipy
import math
import numpy as np
import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn import preprocessing, metrics, cross_validation

Data = pd.read_csv("Free_Energy_exp.csv", sep=",")
Data = Data.fillna(Data.mean()) # replace the NA values with the mean of the descriptor
header = Data.columns.values # Ues the column headers as the descriptor labels
Data.head()
test_name = "Test.csv"

npArray = np.array(Data)
print header.shape
npheader = np.array(header[1:-1])
print("Array shape X = %d, Y = %d " % (npArray.shape))
datax, datay =  npArray.shape

names = npArray[:,0]
X = npArray[:,1:-1].astype(float)
y = npArray[:,-1] .astype(float)
X = preprocessing.scale(X)

XTrain, XTest, yTrain, yTest = cross_validation.train_test_split(X,y, random_state=0)

# Predictions results initialised 
RFpredictions = []
RF = RandomForestRegressor(n_estimators = 10, max_features = 5, max_depth = 5, random_state=0)
RF.fit(XTrain, yTrain)       # Train the model
print("Training R2 = %5.2f" % RF.score(XTrain,yTrain))
RFpreds = RF.predict(XTest)

with open(test_name,'a') as fpred :
    lenpredictions = len(RFpreds)
    lentrue = yTest.shape[0]
    if lenpredictions == lentrue :
            fpred.write("Names/Label,, Prediction Random Forest,, True Value,\n")
            for i in range(0,lenpredictions) :
                    fpred.write(str(RFpreds[i])+",,"+str(yTest[i])+",\n")
    else :
            print "ERROR - names, prediction and true value array size mismatch."

Ces exemples sont d'un grand code donc j'espère que les exemples sont assez claires.

OriginalL'auteur James