TypeError: ufunc 'soustraction' ne contient pas une boucle avec la signature de correspondance des types dtype('<U1') dtype('<U1') dtype('<U1')

Pourquoi est-il l'application de diff à un tableau de chaînes de caractères.

J'obtiens une erreur au même point, mais avec un message différent

In [23]: a=np.array([u'A' u'B' u'C' u'D' u'E'])
In [24]: np.diff(a)
---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-24-9d5a62fc3ff0> in <module>()
----> 1 np.diff(a)
C:\Users\paul\AppData\Local\Enthought\Canopy\User\lib\site-packages\numpy\lib\function_base.pyc in diff(a, n, axis)
1112         return diff(a[slice1]-a[slice2], n-1, axis=axis)
1113     else:
-> 1114         return a[slice1]-a[slice2]
1115 
1116 
TypeError: unsupported operand type(s) for -: 'numpy.ndarray' and 'numpy.ndarray' 

Est-ce a de la matrice de la bins paramètre? Ce qui ne les docs disent bins devrait être?

OriginalL'auteur hpaulj

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. J'essayais de concaténer plutôt que de prendre la différence, mais je pense que le principe est le même ici. J'ai fourni une réponse similaire sur un autre question donc j'espère que c'est OK.

En essence, vous devez utiliser un type de données différent de fonte, dans mon cas, j'avais besoin de str flottent pas, je suppose que le vôtre est le même donc ma solution suggérée est. Je suis désolé, je ne peux pas le tester avant de le proposer, mais je ne sais pas à partir de votre exemple de ce que vous faisiez.

return diff(str(a[slice1])-str(a[slice2]), n-1, axis=axis)

Veuillez voir mon exemple de code ci-dessous pour la correction de mon code, le changement se produit sur la dernière ligne. Le code est de produire une base aléatoire de la forêt modèle.

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