Python语法中的模糊语义，你知道吗？

Posted 2021-10-19 小小程序员ol

1. 切片不执行越界检查和报错

下面代码的输出结果将是什么？

list = [\'a\', \'b\', \'c\', \'d\', \'e\']
print list[10:]

下面的代码将输出空列表 [] ，不会产生IndexError错误。就像所期望的那样，尝试用超出成员的个数的index来获取某个列表的成员。

例如，尝试获取 list[10] 和之后的成员，会导致 IndexError .

然而，尝试获取列表的切片，开始的index超过了成员个数不会产生IndexError,而是仅仅返回一个空列表。

这成为特别让人恶心的疑难杂症，因为运行的时候没有错误产生，导致bug很难被追踪到。

2. 空列表的创建

1ist = [[ ]] * 5
list  # output?
list[0].append(10)
list  # output?
list[1].append(20)
list  # output?
list.append (30)
list  # output?

2,4,6,8行将输出什么结果？试解释。

输出的结果如下

[[],[],[],[],[]]
[[10],[10],[10],[10],[10]]
[[10,20],[10,20],[10,20]]
[[10,20],[10,20],[10,20],[10,20],[10,20],30]

第一行的输出结果直觉上很容易理解，例如 list = [ [ ] ] * 5 就是简单的创造了5个空列表。然而，理解表达式 list=[ [ ] ] * 5 的关键一点是它不是创造一个包含五个独立列表的列表，而是它是一个创建了包含对同一个列表五次引用的列表。只有了解了这一点，我们才能更好的理解接下来的输出结果。
3. 重点来了：闭包的延迟绑定

下面这段代码的输出结果将是什么？请解释。

\'\'\'
学习中遇到问题没人解答？小编创建了一个Python学习交流群：531509025
寻找有志同道合的小伙伴，互帮互助,群里还有不错的视频学习教程和PDF电子书！
\'\'\'
def multipliers():
    return [lambda x : i*x for i in range(4)]

print [m(2) for m in multipliers()]

你如何修改上面的multipliers的定义产生想要的结果？
上面代码输出的结果是 [6, 6, 6, 6] ，而不是我们想的 [0, 2, 4, 6] 。

上述问题产生的原因是Python闭包的延迟绑定。这意味着内部函数被调用时，参数的值在闭包内进行查找。因此，当任何由multipliers()返回的函数被调用时，i的值将在附近的范围进行查找。那时，不管返回的函数是否被调用，for循环已经完成，i被赋予了最终的值3。

因此，每次返回的函数乘以传递过来的值3，因为上段代码传过来的值是2，它们最终返回的都是6(3*2)。碰巧的是，《The Hitchhiker’s Guide to Python》也指出，在与lambdas函数相关也有一个被广泛被误解的知识点，不过跟这个case不一样。由lambda表达式创造的函数没有什么特殊的地方，它其实是和def创造的函数式一样的。

下面是解决这一问题的一些方法。

一种解决方法就是用Python生成器。

def multipliers():
    for i in range(4): yield lambda x : i * x

另外一个解决方案就是创造一个闭包，利用默认函数立即绑定。

def multipliers():
    return [lambda x, i=i : i * x for i in range(4)]

还有种替代的方案是，使用偏函数：

from functools import partial
from operator import mul

def multipliers():
    return [partial(mul, i) for i in range(4)]

模糊 C 均值算法是不是可用于 Python？

【中文标题】模糊 C 均值算法是不是可用于 Python？

【英文标题】：Is a Fuzzy C-Means algorithm available for Python?模糊 C 均值算法是否可用于 Python？

【发布时间】：2011-10-07 20:36:18

【问题描述】：

我在 3 维空间中有一些点，想将它们聚集在一起。我知道 Pythons 模块“集群”，但它只有 K-Means。你知道有 FCM (Fuzzy C-Means) 的模块吗？

（如果你知道其他一些与集群相关的 python 模块，你可以将它们命名为奖励。但重要的问题是 python 中的 FCM 算法。）

Matlab

在 Matlab 中使用 FCM 似乎很容易（example）。 Python 不能使用类似的东西吗？

NumPy、SciPy 和 Sage

我没有在 NumPy、SciPy 或 Sage 中找到 FCM。我已经下载了文档并进行了搜索。没有结果

Python 集群

集群模块似乎将在下一个版本中添加模糊 C-Means（请参阅Roadmap）。但我现在需要它

【问题讨论】：

我会看看numpy 和scipy。

this other question 下的一些选项可能对您有用。

【参考方案1】：

Python

PyPI 中有一个fuzzy-c-means 包。查看链接：fuzzy-c-means Python

这是在 python 中使用 FCM 的最简单方法。希望对您有所帮助。

【参考方案2】：

我使用 K++ 初始化从头开始完成（使用固定种子和 5 个质心。将其添加到您想要的质心数量应该不会太难）：

# K++ initialization Algorithm:
import random
def initialize(X, K):
    C = [X[0]]
    for k in range(1, K):
        D2 = scipy.array([min([scipy.inner(c-x,c-x) for c in C]) for x in X])
        probs = D2/D2.sum()
        cumprobs = probs.cumsum()
        np.random.seed(20)            # fixxing seeds
        #random.seed(0)               # fixxing seeds
        r = scipy.rand()        
        for j,p in enumerate(cumprobs):
            if r < p:
                i = j
                break
        C.append(X[i])
    return C

a = initialize(data2,5)   # "a" is the centroids initial array... I used 5 centroids

# Now the Fuzzy c means algorithm:
m = 1.5     # Fuzzy parameter (it can be tuned)
r = (2/(m-1))

# Initial centroids:
c1,c2,c3,c4,c5 = a[0],a[1],a[2],a[3],a[4]

# prepare empty lists to add the final centroids:
cc1,cc2,cc3,cc4,cc5 = [],[],[],[],[]

n_iterations = 10000

for j in range(n_iterations):
    u1,u2,u3,u4,u5 = [],[],[],[],[]

    for i in range(len(data2)):
        # Distances (of every point to each centroid):
        a = LA.norm(data2[i]-c1)    
        b = LA.norm(data2[i]-c2)
        c = LA.norm(data2[i]-c3)
        d = LA.norm(data2[i]-c4)
        e = LA.norm(data2[i]-c5)

        # Pertenence matrix vectors:
        U1 = 1/(1 + (a/b)**r + (a/c)**r + (a/d)**r + (a/e)**r) 
        U2 = 1/((b/a)**r + 1 + (b/c)**r + (b/d)**r + (b/e)**r)
        U3 = 1/((c/a)**r + (c/b)**r + 1 + (c/d)**r + (c/e)**r)
        U4 = 1/((d/a)**r + (d/b)**r + (d/c)**r + 1 + (d/e)**r)
        U5 = 1/((e/a)**r + (e/b)**r + (e/c)**r + (e/d)**r + 1)

        # We will get an array of n row points x K centroids, with their degree of pertenence       
        u1.append(U1)
        u2.append(U2)
        u3.append(U3)
        u4.append(U4)
        u5.append(U5)        

    # now we calculate new centers:
    c1 = (np.array(u1)**2).dot(data2) / np.sum(np.array(u1)**2)
    c2 = (np.array(u2)**2).dot(data2) / np.sum(np.array(u2)**2)
    c3 = (np.array(u3)**2).dot(data2) / np.sum(np.array(u3)**2)
    c4 = (np.array(u4)**2).dot(data2) / np.sum(np.array(u4)**2)
    c5 = (np.array(u5)**2).dot(data2) / np.sum(np.array(u5)**2)

    cc1.append(c1)
    cc2.append(c2)
    cc3.append(c3)
    cc4.append(c4)
    cc5.append(c5) 

    if (j>5):  
        change_rate1 = np.sum(3*cc1[j] - cc1[j-1] - cc1[j-2] - cc1[j-3])/3
        change_rate2 = np.sum(3*cc2[j] - cc2[j-1] - cc2[j-2] - cc2[j-3])/3
        change_rate3 = np.sum(3*cc3[j] - cc3[j-1] - cc3[j-2] - cc3[j-3])/3
        change_rate4 = np.sum(3*cc4[j] - cc4[j-1] - cc4[j-2] - cc4[j-3])/3
        change_rate5 = np.sum(3*cc5[j] - cc5[j-1] - cc5[j-2] - cc5[j-3])/3        
        change_rate = np.array([change_rate1,change_rate2,change_rate3,change_rate4,change_rate5])
        changed = np.sum(change_rate>0.0000001)
        if changed == 0:
            break

print(c1)  # to check a centroid coordinates   c1 - c5 ... they are the last centroids calculated, so supposedly they converged.
print(U)  # this is the degree of pertenence to each centroid (so n row points x K centroids columns).

我知道它不是很 Python，但我希望它可以成为您完整的模糊 C 均值算法的起点。我认为“软聚类”是数据不易分离的方式（例如，当“t-SNE 可视化”将所有数据显示在一起而不是清楚地分开显示组时。在这种情况下，强制数据严格属于只有一个集群可能是危险的）。我会尝试将 m = 1.1 改为 m = 2.0，这样您就可以看到模糊参数对 pertenence 矩阵的影响。

【参考方案3】：

看看scikit-fuzzy 包。它具有非常基本的模糊逻辑功能，包括模糊 c-means 聚类。

【参考方案4】：

PEACH 将提供一些模糊 C 均值功能： http://code.google.com/p/peach/

但是，由于 wiki 是空的，因此似乎没有任何可用的文档。可以在其网站上找到example for using FCM with PEACH。

【讨论】：

我刚刚安装了它并调用了帮助： class FuzzyCMeans - 使用这个类来实例化一个模糊的 c-means 对象。必须给对象一个训练集和初始条件。我没有训练集。

你也可以在peach.googlecode.com/svn/trunk/peach/fuzzy/cmeans.py看到代码和帮助，上面说训练集就是你想要聚类的数据。提供的示例显示，您可以随机选择初始条件