请尝试给出参数化解决方案（有三个以上的选择）。我有一个带有 beta 值的字典：{'B_X1': 2.0, 'B_X2': -3.0}而这个数据框： X1_123 X1_456 X1_789 X2_123 X2_456 X2_789 6.75 4.69 9.59 5.52 9.69 7.40 7.46 4.94 3.01 1.78 1.38 4.68 2.05 7.30 4.08 7.02 8.24 8.49 5.60 7.88 8.11 5.98 4.60 1.39 1.80 8.28 9.16 7.34 7.69 6.16 3.73 6.93 8.93 2.58 3.48 6.04 8.06 8.88 7.06 6.76 4.68 7.82 5.00 7.29 5.86 3.92 5.67 4.10 2.49 2.55 4.66 7.15 6.26 7.87 1.50 3.35 5.70 9.86 4.83 1.17 8.19 7.72 9.56 6.61 4.15 3.64 2.43 9.54 9.15 4.41 9.18 7.85 2.71 3.24 4.56 6.22 7.89 9.93 5.96 4.34 5.26 8.63 9.81 9.40123, 456, 和789是备选方案。我想使用这个公式计算预测概率：j, k, 和s是提到的替代方案。预期结果： X1_123 X1_456 X1_789 X2_123 X2_456 X2_789 P_123 P_456 P_789 6.75 4.69 9.59 5.52 9.69 7.40 0.490 0.000 0.510 7.46 4.94 3.01 1.78 1.38 4.68 0.979 0.021 0.000 2.05 7.30 4.08 7.02 8.24 8.49 0.001 0.998 0.001 5.60 7.88 8.11 5.98 4.60 1.39 0.000 0.000 1.000 1.80 8.28 9.16 7.34 7.69 6.16 0.000 0.002 0.998 3.73 6.93 8.93 2.58 3.48 6.04 0.024 0.952 0.024 8.06 8.88 7.06 6.76 4.68 7.82 0.000 1.000 0.000 5.00 7.29 5.86 3.92 5.67 4.10 0.210 0.107 0.683 2.49 2.55 4.66 7.15 6.26 7.87 0.038 0.623 0.339 1.50 3.35 5.70 9.86 4.83 1.17 0.000 0.000 1.000 8.19 7.72 9.56 6.61 4.15 3.64 0.000 0.005 0.995 2.43 9.54 9.15 4.41 9.18 7.85 0.041 0.037 0.922 2.71 3.24 4.56 6.22 7.89 9.93 0.981 0.019 0.001 5.96 4.34 5.26 8.63 9.81 9.40 0.975 0.001 0.024每行的概率总和应该为 1。请尝试给出参数化解决方案（有三个以上的选择）。
1 回答
森栏
TA贡献1810条经验 获得超5个赞
国际大学联盟：
将列转换为 MultiIndex
df = df.set_axis(df.columns.str.split('_', expand=True), axis=1, inplace=False)
并定义你B的键匹配前缀df
B = {'X1': 2.0, 'X2': -3.0}
然后
def f(b, x):
return np.exp((b * x).sum(1))
parts = f(B, df.stack()).unstack()
preds = parts.div(parts.sum(1), axis=0)
df.join(pd.concat({'P': preds}, axis=1).round(3)).pipe(
lambda d: d.set_axis(map('_'.join, d.columns), axis=1, inplace=False)
)
X1_123 X1_456 X1_789 X2_123 X2_456 X2_789 P_123 P_456 P_789
0 6.75 4.69 9.59 5.52 9.69 7.40 0.490 0.000 0.510
1 7.46 4.94 3.01 1.78 1.38 4.68 0.979 0.021 0.000
2 2.05 7.30 4.08 7.02 8.24 8.49 0.001 0.998 0.001
3 5.60 7.88 8.11 5.98 4.60 1.39 0.000 0.000 1.000
4 1.80 8.28 9.16 7.34 7.69 6.16 0.000 0.002 0.998
5 3.73 6.93 8.93 2.58 3.48 6.04 0.024 0.952 0.024
6 8.06 8.88 7.06 6.76 4.68 7.82 0.000 1.000 0.000
7 5.00 7.29 5.86 3.92 5.67 4.10 0.210 0.107 0.683
8 2.49 2.55 4.66 7.15 6.26 7.87 0.038 0.623 0.339
9 1.50 3.35 5.70 9.86 4.83 1.17 0.000 0.000 1.000
10 8.19 7.72 9.56 6.61 4.15 3.64 0.000 0.005 0.995
11 2.43 9.54 9.15 4.41 9.18 7.85 0.041 0.037 0.922
12 2.71 3.24 4.56 6.22 7.89 9.93 0.981 0.019 0.001
13 5.96 4.34 5.26 8.63 9.81 9.40 0.975 0.001 0.024
包裹在一个漂亮的功能中
def f(df, b):
d = df.set_axis(df.columns.str.split('_', expand=True), axis=1, inplace=False)
parts = np.exp(d.stack().mul(b).sum(1).unstack())
preds = pd.concat({'P': parts.div(parts.sum(1), axis=0)}, axis=1).round(3)
d = d.join(preds)
d.columns = list(map('_'.join, d.columns))
return d
f(df, B)
X1_123 X1_456 X1_789 X2_123 X2_456 X2_789 P_123 P_456 P_789
0 6.75 4.69 9.59 5.52 9.69 7.40 0.490 0.000 0.510
1 7.46 4.94 3.01 1.78 1.38 4.68 0.979 0.021 0.000
2 2.05 7.30 4.08 7.02 8.24 8.49 0.001 0.998 0.001
3 5.60 7.88 8.11 5.98 4.60 1.39 0.000 0.000 1.000
4 1.80 8.28 9.16 7.34 7.69 6.16 0.000 0.002 0.998
5 3.73 6.93 8.93 2.58 3.48 6.04 0.024 0.952 0.024
6 8.06 8.88 7.06 6.76 4.68 7.82 0.000 1.000 0.000
7 5.00 7.29 5.86 3.92 5.67 4.10 0.210 0.107 0.683
8 2.49 2.55 4.66 7.15 6.26 7.87 0.038 0.623 0.339
9 1.50 3.35 5.70 9.86 4.83 1.17 0.000 0.000 1.000
10 8.19 7.72 9.56 6.61 4.15 3.64 0.000 0.005 0.995
11 2.43 9.54 9.15 4.41 9.18 7.85 0.041 0.037 0.922
12 2.71 3.24 4.56 6.22 7.89 9.93 0.981 0.019 0.001
13 5.96 4.34 5.26 8.63 9.81 9.40 0.975 0.001 0.024
添加回答
举报
0/150
提交
取消