for i in words: if i == '': # 是空就跳过 continue if i not in text_count.keys(): # 遍历所有的key text_count[i] = 1 # 如果不存在代表是个新单词，重新+1就行 else: text_count[i] += 1 # 不是新单词就在原来的key的值上+1
result = sorted(text_count.items(), key=lambda x: x[1], reverse=True) print(result)
### 2、(操作题)请编写Python代码实现下列要求。
### 给定一个字符串，从头部或尾部截取指定数量的字符串，然后将其翻转拼接。
def reStr(str_info, nums): """ str_info "有这么个字符串，给定长度然后反转" nums # 给定长度 :param str_info: :param nums: :return: """ head_left = str_info[0: nums] head_right = str_info[nums:] last_left = str_info[0: len(str_info) - nums] last_right = str_info[len(str_info) - nums:]
print("头部cut翻转 : ", (head_right + head_left))
print("尾部cut翻转 : ", (last_right + last_left))
reStr("我拥有一个世界。", 3)
reStr(input(), int(input())) """ 输入示例： 我拥有一个个世界 2 输出示例： 头部cut翻转 : 有一个个世界我拥 尾部cut翻转 : 世界我拥有一个个 """
### 3、请简述K-Means聚类算法的流程。
>
> 1、从数据中选择k个对象作为初始聚类中心；
>
>
> 2、计算每个聚类对象到聚类中心的距离来划分；
>
>
> 3、再次计算每个聚类中心；
>
>
> 4、计算标准测度函数，之道达到最大迭代次数，则停止，否则，继续操作。
>
>
>
---
下面是一些理论，可以略过：
K-means也是聚类算法中最简单的一种了，但是里面包含的思想却是不一般。最早我使用并实现这个算法是在学习韩爷爷那本数据挖掘的书中，那本书比较注重应用。看了Andrew Ng的这个讲义后才有些明白K-means后面包含的EM思想。
聚类属于无监督学习，以往的回归、朴素贝叶斯、SVM等都是有类别标签y的，也就是说样例中已经给出了样例的分类。而聚类的样本中却没有给定y，只有特征x，比如假设宇宙中的星星可以表示成三维空间中的点集
。聚类的目的是找到每个样本x潜在的类别y，并将同类别y的样本x放在一起。比如上面的星星，聚类后结果是一个个星团，星团里面的点相互距离比较近，星团间的星星距离就比较远了。
在聚类问题中，给我们的训练样本是
，每个，没有了y。
K-means算法是将样本聚类成k个簇（cluster），具体算法描述如下：
1、 随机选取k个聚类质心点（cluster centroids）为。
2、 重复下面过程直到收敛 {
对于每一个样例i，计算其应该属于的类
对于每一个类j，重新计算该类的质心
}
K是我们事先给定的聚类数，
代表样例i与k个类中距离最近的那个类，的值是1到k中的一个。质心代表我们对属于同一个类的样本中心点的猜测，拿星团模型来解释就是要将所有的星星聚成k个星团，首先随机选取k个宇宙中的点（或者k个星星）作为k个星团的质心，然后第一步对于每一个星星计算其到k个质心中每一个的距离，然后选取距离最近的那个星团作为，这样经过第一步每一个星星都有了所属的星团；第二步对于每一个星团，重新计算它的质心（对里面所有的星星坐标求平均）。重复迭代第一步和第二步直到质心不变或者变化很小。
下图展示了对n个样本点进行K-means聚类的效果，这里k取2。
K-means面对的第一个问题是如何保证收敛，前面的算法中强调结束条件就是收敛，可以证明的是K-means完全可以保证收敛性。下面我们定性的描述一下收敛性，我们定义畸变函数（distortion function）如下：
J函数表示每个样本点到其质心的距离平方和。K-means是要将J调整到最小。假设当前J没有达到最小值，那么首先可以固定每个类的质心
**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**
**[需要这份系统化资料的朋友，可以戳这里获取](https://gitee.com/vip204888)**
**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**
