2.传递把不可变对象

不可变对象有字符串，数字，元组，function

传递不可变对象时，发生的运行逻辑，由于原对象不可变，会产生一个新的对象

### 参数的传递

1.对可变对象进行写操作

a=[10,20]

print(id(a))
print(a)
def test01(m):
    print(id(m))
    m.append(300)
    print(id(m))

test01(a)
print(a)

1.全局变量应尽量避免使用

2.局部比全局变量快

3.局部变量和全局变量一样是，系统自动使用局部变量

4.局部变量通过产生栈帧临时保存地址

5.在函数中用golbal声明，则局部变量变为全局变量

返回值

1.默认返回None

2.结束函数运行

printMax(a,b):

形参，在定义时使用

实参，在调用时会用

1.括号内是形参列表，有多个参数要用逗号隔开

2.形参不需要声明类型，也不需要指定函数返回值类型

3.无参数，也必须保留空的圆括号

4.实参列表必须与形参列表一一对应

import turtle

t=turtle.Pen()

t.circle(50)
t.penup()
t.goto(0,-50)
t.pendown()
t.circle(100)
t.penup()
t.goto(0,-100)
t.pendown()
t.circle(150)
turtle.done()

###  推导式创建序列

#### 列表推导式

[表达式 for item in 可迭代对象]

或者：{表达式 for item in 可迭代对象 if 条件判断}

也可以两个循环

```python

例子1：

y=[x*2 for x in range(1,50) if x%5==0]
print(y)

例子2：

cells=[(a,b) for a in range(1,10) for b in range(1,10)]
print(cells)

```

#### 字典推导式

{key_expression : value_expression for 表达式 in 可迭代对象}

```python

my_text="i love you,i love sxt,i love gaoqi"
char_count={c:my_text.count(c) for c in my_text}#count（）表示字符出现的次数
print(char_count)

```

#### 集合推导式

```python

b={x for x in range(1,100) if x%9==0}
print(b)

```

#### 生成器推导式

一个生成器只能运行一次，迭代第一次后，再迭代就没有数据了

```python

a=(x for x in range(4))
print(tuple(a))#tuple是生成元组的意思

```

用zip()并行迭代

### 循环代码的优化

原则：

1.尽量减少不必要的计算

2.尽可能把东西往循环外面放

3.尽量使用局部变量

```python

import time

start=time.time()
for i in range(3000):
    result=[]
    for m in range(10000):
        result.append(i*1000+m*100)
end=time.time()
print("耗时：{0}".format(end-start))


start2=time.time()
for i in range(3000):
    result=[]
    c=i*1000
    for m in range(10000):
        result.append(c+m*100)
end2=time.time()
print("耗时：{0}".format(end2-start2))

```

### 其他优化手段

1.连接多个字符，使用join（）而不使用+

2.列表进行元素插入和删除，尽量在列表尾部操作

3.zip（）

几何概率：与构成事件的长、面积、体积 成比例；

几何概率特点：基本事件 的无限性（抽象）、等可能性；

古典概型特点：基本事件 的有限性（具象）、等可能性；

del 删除变量

同时调整多个参数，模型运行非常慢。更换数据预处理的方式。

I4

调参可以画学习曲线，或者进行网格搜索。模型调参，第一步找目标。

泛化误差：当模型在未知数据表现很差时，表明模型泛化能力不够。模型太简单和太复杂泛化误差都会很大。

偏差-方差困境。n_estimator增加，不影响单个模型的复杂度。调参方向：降低模型复杂度。

max_deph有增无减，模型复杂度增加。

当复杂度无法再降低时，就可以不用再tiaozhnegle

[*矩阵]查看列的索引。需要Ytest所带的索引，

使用随机森林填补缺失值。n个数据，特征T有缺失值，把特征T当作标签，作为训练集。遍历所有特征，缺失值最少的特征进行填补，因为一开始需要的缺失值最少。当进行到最后一行时，那么在弥补缺失值最多的数据时，就有足够多的准确数据了。

随机森林填补获取数据集时的缺失值。

sklearn.impute.SimpleImputer轻松填补数据缺失值。

随机森林的回归。

分类树与回归树，MSE均方误差。

回归树衡量指标mse、firedman_mse与MAE

sklearn使用负值的均方误差作为衡量指标，因为表示的是损失。

load_boston是一个标签连续型数据集。

regressor是模型

boston.data完整的矩阵、boston.target是标签。来回验证十次，scoring选择指标进行打分。

一半以上的决策树判断错误，才会导致随机森林才会判断错误。

comb是求和。

相同的训练集与参数，随机森林中的树会有不同的判断结果，选择重要的特征进行提问。

estimators，查看森林中树的参数或属性。每棵树中的random_state不一样，导致每棵树都不一样。

random_state固定，随机森林中的树是固定的，但随机挑选的特征，导致树是不一样。随机性越大，效果越好。

bootstrap用于控制抽样技术的参数。

自主集：从原始训练集中进行n次有放回抽样，得到的数据集。自主集会包含63%的原始数据集元素。剩下37%数据可以作为测试模型的数据，称为袋外数据。

wine.target为wine的标签。

一个自助集里，样本A永远不被抽到的概率：(1-1/n)^n

oob_score训练分数。

apply返回所在叶子节点的索引

predict_proba返回每个样本对应类别的标签的概率。