如何在python中创建一系列浮点值？

Question

我试图在 x+y+z 的条件下在彼此内部做几个循环应该等于 1，以进入最后一个循环。我使用了以下内容：import numpy as npfor gbrCount in np.arange(0, 1.0, 0.1):    for xgbCount in np.arange(0, 1.0, 0.1):        for regCount in np.arange(0, 1.0, 0.1):            #check if sum is 1            if int(gbrCount+xgbCount+regCount) == 1:                y_p = (xgbCount*xgb.predict(testset)+ gbrCount*gbr.predict(testset)+regCount*regressor.predict(testset))                testset['SalePrice']=np.expm1(y_p)                y_train_p = xgb.predict(dataset)                y_train_p = np.expm1(y_train_p)                rmse.append(np.sqrt(mean_squared_error(y, y_train_p)))                rmse.append(xgbCount)                rmse.append(gbrCount)                rmse.append(regCount)但即使总和大于 1，它也会进入循环。(xgb, reg 和 gbr) 的一些值类似于 0.70000001。所以我尝试使用 linspace 但它不适用于浮点数。所以我尝试了范围：for gbrCount in range(0, 1):    gbrCount += 0.1    for xgbCount in range(0, 1):        xgbCount += 0.1        for regCount in range(0, 1):            regCount += 0.1            if int(gbrCount+xgbCount+regCount)==1:                #y_p = (xgbCount*xgb.predict(testset)+ gbrCount*gbr.predict(testset)+regCount*regressor.predict(testset))                #testset['SalePrice']=np.expm1(y_p)                y_train_p = (xgbCount*xgb.predict(dataset)+ gbrCount*gbr.predict(dataset)+regCount*regressor.predict(dataset))                y_train_p = np.expm1(y_train_p)#                print(np.sqrt(mean_squared_error(y, y_train_p)))#                print(xgbCount)#                print(gbrCount)#                print(regCount)                print(xgbCount,  gbrCount, regCount, np.sqrt(mean_squared_error(y, y_train_p)))但它在控制台上根本没有错误。

Answer 1

那这个呢？（我不认为最后的四舍五入是必要的，但为了安全起见，我把它留在那里。）

    import numpy as np

    for _gbrCount in np.arange(0, 1.0, 0.1):

        for _xgbCount in np.arange(0, 1.0, 0.1):

            gbrCount = np.round(_gbrCounr, decimals=1)

            xgbCount = np.round(_cgbCount, decimals=1)

            regCount = np.round(1 - gbrCount - xgbCount, decimals=1)

            y_p = (xgbCount*xgb.predict(testset)+ gbrCount*gbr.predict(testset)+regCount*regressor.predict(testset))

            testset['SalePrice']=np.expm1(y_p)

            y_train_p = xgb.predict(dataset)

            y_train_p = np.expm1(y_train_p)

            rmse.append(np.sqrt(mean_squared_error(y, y_train_p)))

            rmse.append(xgbCount)

            rmse.append(gbrCount)

            rmse.append(regCount)