Erreur de code python [Résolu]

Signaler
Messages postés
37
Date d'inscription
dimanche 15 décembre 2019
Statut
Membre
Dernière intervention
9 février 2021
-
Messages postés
15161
Date d'inscription
lundi 9 juin 2008
Statut
Contributeur
Dernière intervention
14 avril 2021
-
Bonsoir;
je veux calculer le nombre de cluster sur une matrice de similarité,
j'ai utilisé ce code, mais j'ai une erreur d'execution à la ligne 74,
erreur:
TypeError: '(slice(None, None, None), 0)' is an invalid key

# -*- coding: utf-8 -*-
"""
===================================
Demo of DBSCAN clustering algorithm
===================================

Finds core samples of high density and expands clusters from them.

"""
print(__doc__)

import numpy as np
import pandas as pd 
from sklearn.cluster import DBSCAN
from sklearn import metrics
#from sklearn.datasets import make_blobs
from sklearn.preprocessing import StandardScaler

X=pd.read_csv("C:/Users/click/Desktop/doctorat/rfiddd/fichier trouvé resultats/2020-07-22/lev_173.csv", sep=";")
# #############################################################################
# Generate sample data
#centers = [[1, 1], [-1, -1], [1, -1]]
#X, labels_true = make_blobs(n_samples=750, centers=centers, cluster_std=0.4,
                           # random_state=0)



#X = StandardScaler().fit_transform(X)

# #############################################################################
# Compute DBSCAN
db = DBSCAN(eps=15, min_samples=2).fit(X)
core_samples_mask = np.zeros_like(db.labels_, dtype=bool)
core_samples_mask[db.core_sample_indices_] = True
labels = db.labels_

# Number of clusters in labels, ignoring noise if present.
n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0)
print(labels)
n_noise_ = list(labels).count(-1)

print('Estimated number of clusters: %d' % n_clusters_)
print('Estimated number of noise points: %d' % n_noise_)
#print("Homogeneity: %0.3f" % metrics.homogeneity_score(labels_true, labels))
#print("Completeness: %0.3f" % metrics.completeness_score(labels_true, labels))
#print("V-measure: %0.3f" % metrics.v_measure_score(labels_true, labels))
#print("Adjusted Rand Index: %0.3f"
#      % metrics.adjusted_rand_score(labels_true, labels))
#print("Adjusted Mutual Information: %0.3f"
#      % metrics.adjusted_mutual_info_score(labels_true, labels))
#print("Silhouette Coefficient: %0.3f"
#      % metrics.silhouette_score(X, labels))

# #############################################################################
# Plot result
import matplotlib.pyplot as plt

# Black removed and is used for noise instead.
unique_labels = set(labels)
#colors = [plt.cm.Spectral(each)
#          for each in np.linspace(0, 1, len(unique_labels))]

colors=['y','b','g','r']
print (colors)
for k, col in zip(unique_labels, colors):
    if k == -1:
        # Black used for noise.
#        col = [0, 0, 0, 1]
         col='k'

    class_member_mask = (labels == k)

    xy = X[class_member_mask & core_samples_mask]
    plt.plot(xy[:, 0], xy[:, 1], 'o', markerfacecolor=col,
             markeredgecolor='k', markersize=6)

    xy = X[class_member_mask & core_samples_mask]
    plt.plot(xy[:, 0], xy[:, 1], 'o', markerfacecolor=col,
             markeredgecolor='k', markersize=6)

plt.title('Estimated number of clusters: %d' % n_clusters_)
plt.show()


merci d'avance pour toute aide.

8 réponses

Messages postés
15161
Date d'inscription
lundi 9 juin 2008
Statut
Contributeur
Dernière intervention
14 avril 2021
831
bonjour,
as-tu comparé le contenu de X par rapport au contenu du programme non modifié?
Messages postés
37
Date d'inscription
dimanche 15 décembre 2019
Statut
Membre
Dernière intervention
9 février 2021

Bonjour;
marci yg_be pour ton aide,

le contenu de X est:
[[ 0.49426097 1.45106697]
[-1.42808099 -0.83706377]
[ 0.33855918 1.03875871]
...
[-0.05713876 -0.90926105]
[-1.16939407 0.03959692]
[ 0.26322951 -0.92649949]]

et le contenu de ma base est une matrice de similarité symétrique de taille (173*173)
voici un exemple:
1 0.30 0.28 0.25 0.36
0.30 1 0.39 0.34 0.23
0.28 0.39 1 0.39 0.28
0.25 0.34 0.39 1 0.33
0.36 0.23 0.28 0.33 1

comment procéder pour appliquer mes données sur cet exemple de code,

merci
Messages postés
15161
Date d'inscription
lundi 9 juin 2008
Statut
Contributeur
Dernière intervention
14 avril 2021
831
peux-tu partager ton fichier csv?
Messages postés
37
Date d'inscription
dimanche 15 décembre 2019
Statut
Membre
Dernière intervention
9 février 2021

voici le lien du fichier
https://www.cjoint.com/c/JItkswlIksa
Messages postés
15161
Date d'inscription
lundi 9 juin 2008
Statut
Contributeur
Dernière intervention
14 avril 2021
831
pourquoi la ligne 28 est-elle commentée?
Messages postés
37
Date d'inscription
dimanche 15 décembre 2019
Statut
Membre
Dernière intervention
9 février 2021

normalement d’après mon fichier elle est pas commenté!!!
Messages postés
15161
Date d'inscription
lundi 9 juin 2008
Statut
Contributeur
Dernière intervention
14 avril 2021
831
regarde le code que tu as partagé.
Messages postés
37
Date d'inscription
dimanche 15 décembre 2019
Statut
Membre
Dernière intervention
9 février 2021

oui c'est vrai dans le code que j'ai partagé la ligne 28 est commenté,
comme le programme ne voulais pas s'executer, alors j'ai mis cette ligne en commentaire, pour voire si l'erreur vien de cette ligne
Messages postés
15161
Date d'inscription
lundi 9 juin 2008
Statut
Contributeur
Dernière intervention
14 avril 2021
831
as-tu essayé de rétablir cette ligne?
Messages postés
15161
Date d'inscription
lundi 9 juin 2008
Statut
Contributeur
Dernière intervention
14 avril 2021
831 >
Messages postés
15161
Date d'inscription
lundi 9 juin 2008
Statut
Contributeur
Dernière intervention
14 avril 2021

as-tu essayé de rétablir cette ligne?
Messages postés
37
Date d'inscription
dimanche 15 décembre 2019
Statut
Membre
Dernière intervention
9 février 2021

an recherchant sur internet, j'ai fait cette modification concernant l'importation du fichier csv,
la première erreur ne s'affiche plus, mais maintenant j'ai une autre erreur à la ligne 32:
ValueError: could not convert string to float: '0.307692307692308;1;0.392857142857143;

voici le code avec modification à partir de la ligne 21 jusqu'a la ligne 23

import numpy as np
import pandas as pd 
from sklearn.cluster import DBSCAN
from sklearn import metrics
from sklearn.datasets import make_blobs
from sklearn.preprocessing import StandardScaler
from pandas import read_csv

#rcParams['figure.figsize'] = 70, 40
csv_url = 'C:/Users/click/Desktop/doctorat/rfiddd/fichier trouvé resultats/2020-07-22/bisim_173.csv'
df = pd.read_csv(csv_url)
df.iloc[:, 0:172].values 
#X=pd.read_csv("C:/Users/click/Desktop/doctorat/rfiddd/fichier trouvé resultats/2020-07-22/bisim_173.csv", sep=";")
# #############################################################################
# Generate sample data
#centers = [[1, 1], [-1, -1], [1, -1]]
#X, labels_true = make_blobs(n_samples=750, centers=centers, cluster_std=0.4,
                           # random_state=0)


df = StandardScaler().fit_transform(df)

# #############################################################################
# Compute DBSCAN
db = DBSCAN(eps=50, min_samples=3).fit(df)
core_samples_mask = np.zeros_like(db.labels_, dtype=bool)
core_samples_mask[db.core_sample_indices_] = True
labels = db.labels_

# Number of clusters in labels, ignoring noise if present.
n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0)
print(labels)
n_noise_ = list(labels).count(-1)

print('Estimated number of clusters: %d' % n_clusters_)
print('Estimated number of noise points: %d' % n_noise_)
#print("Homogeneity: %0.3f" % metrics.homogeneity_score(labels_true, labels))
#print("Completeness: %0.3f" % metrics.completeness_score(labels_true, labels))
#print("V-measure: %0.3f" % metrics.v_measure_score(labels_true, labels))
#print("Adjusted Rand Index: %0.3f"
#      % metrics.adjusted_rand_score(labels_true, labels))
#print("Adjusted Mutual Information: %0.3f"
#      % metrics.adjusted_mutual_info_score(labels_true, labels))
#print("Silhouette Coefficient: %0.3f"
#      % metrics.silhouette_score(X, labels))

# #############################################################################
# Plot result
import matplotlib.pyplot as plt

# Black removed and is used for noise instead.
unique_labels = set(labels)
#colors = [plt.cm.Spectral(each)
#          for each in np.linspace(0, 1, len(unique_labels))]

colors=['y','b','g','r']
print (colors)
for k, col in zip(unique_labels, colors):
    if k == -1:
        # Black used for noise.
#        col = [0, 0, 0, 1]
         col='k'

    class_member_mask = (labels == k)

    xy = df[class_member_mask & core_samples_mask]
    plt.plot(xy[:, 0], xy[:, 1], 'o', markerfacecolor=col,
             markeredgecolor='k', markersize=6)

    xy = df[class_member_mask & core_samples_mask]
    plt.plot(xy[:, 0], xy[:, 1], 'o', markerfacecolor=col,
             markeredgecolor='k', markersize=6)

plt.title('Estimated number of clusters: %d' % n_clusters_)
plt.show()
Messages postés
15161
Date d'inscription
lundi 9 juin 2008
Statut
Contributeur
Dernière intervention
14 avril 2021
831
comprends-tu ce que tu as changé?
Messages postés
37
Date d'inscription
dimanche 15 décembre 2019
Statut
Membre
Dernière intervention
9 février 2021

iloc est utilisée pour l'indexation basée sur des emplacements entiers, elle permet de sélectionner les colonnes, en utilisant une notation de découpage.

mon but c'est l'utilisation de la méthode dbscan pour regrouper mon fichier csv en classes,
pour cela j'ai essayer plusieurs solutions mais ça na pas marché,

désolé pour les fautes de programmation, parce que je débute avec le langage python
Messages postés
15161
Date d'inscription
lundi 9 juin 2008
Statut
Contributeur
Dernière intervention
14 avril 2021
831
si t fais un changement que tu ne comprends pas et qui provoque une erreur, pourquoi ne pas faire marche arrière?
Messages postés
37
Date d'inscription
dimanche 15 décembre 2019
Statut
Membre
Dernière intervention
9 février 2021

j'ai fait un marche arrière comme tu me la demandé "yg_be" et ça marche,et j'ai supprimer le commentaire de la ligne 28.
merci beaucoup pour ton aide
Messages postés
15161
Date d'inscription
lundi 9 juin 2008
Statut
Contributeur
Dernière intervention
14 avril 2021
831
peux-tu alors marquer la discussion comme résolue?