有列表[34,-12,-56,78,-22,9，-1，87]，要求计算其中正数，负数和零的个数。要求完成下面的函数。正确的输出为“正数的个数为4,负数的个数为4,零的个数为2”。

有列表[34,-12,-56,78,-22,9，-1，87]，要求计算其中正数，负数和零的个数。要求完成下面的函数。正确的输出为“正数的个数为4,负数的个数为4,零的个数为2”。

def count_numbers(lst):
    positive_count = 0
    negative_count = 0
    zero_count = 0
    
    for num in lst:
        if num > 0:
            positive_count += 1
        elif num < 0:
            negative_count += 1
        else:
            zero_count += 1
    
    result = "正数的个数为 {}, 负数的个数为 {}, 零的个数为 {}".format(positive_count, negative_count, zero_count)
    return result

# 示例列表
numbers = [34, -12, -56, 78, -22, 9, -1, 87]
result = count_numbers(numbers)
print(result)

• 你可以看下这个问题的回答https://ask.csdn.net/questions/7562777
• 你也可以参考下这篇文章：数据解析-正则表达式-爬取糗图百科上的图片
• 除此之外, 这篇博客: 机器学习----线性回归、逻辑回归、线性回归正则化、逻辑回归正则化底层代码中的 4. 逻辑回归正则化 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

• 

  import numpy as np
  
  import matplotlib.pyplot as plt
  import scipy
  import seaborn
  from pylab import *
  import warnings
  warnings.filterwarnings('ignore')
  mpl.rcParams['font.sans-serif'] = ['SimHei']
  
  #模型函数
  def sigmoid(x,theta):
      z=x.dot(theta)
      h=1/(1+np.exp(-z))
      return h
  #代价函数（正则化）
  def cost(x,h,y,lamba,theta):
      m,n=x.shape
      r=lamba/(2*m)*theta.T.dot(theta)
      j=-1/(m)*np.sum(y*np.log(h)+(1-y)*np.log(1-h))+r
      return j
  #梯度下降函数（正则化）
  def gradeDecline(x,y,alpha,lamba,nums):
      m,n=x.shape
      theta=np.zeros(n)
      j=np.zeros(nums)
      for i in range(nums):
          h=sigmoid(x,theta)
          j[i]=cost(x,h,y,lamba,theta)
          rr = lamba / m * theta
          dietatheta=1/m*x.T.dot(h-y)+rr
          theta=theta-alpha*dietatheta
  
      return theta,j,h
  #精度函数
  def score(x,theta):
      m,n=x.shape
      count=0
      for i in range(m):
          h=sigmoid(x,theta)
          if np.where(h[i]>0.5,1,0)==y[i]:
              count+=1
      accurancy=count/m
      return accurancy
  #缩放
  def suofang(x):
      xmin=np.min(x,axis=0)
      xmax=np.max(x,axis=0)
      s=(x-xmin)/(xmax-xmin)
      return s
  
  if __name__ == '__main__':
      # 1.加载数据
      data=np.loadtxt(r'E:\机器学习\机器学习1\机器\线性回归\ex2data1.txt',delimiter=',')
      # 2.切割数据
      x = data[:, :-1]
      y = data[:, -1]
      m, n = x.shape
      print('x=', x)
      # print(y)
      #缩放
      x=suofang(x)
  
      # 3.拼接
      xx = np.c_[np.ones(m), x]
      print(xx)
      #4.调用梯度下降函数
      theta, j,h= gradeDecline(xx, y, 0.01,0.2, 10000)
      print(theta)
  
      # # 画散点图
      plt.scatter(x[y==0,0],x[y==0,1],c='red')
      plt.scatter(x[y==1,0],x[y==1,1],c='blue')
      #画直线,两点确定一条直线
      # x1min = np.min(x[:, 0])
      # x1max = np.max(x[:, 0])
      x1min=x[:,0].min()  # 第一个特征的最小值
      x1max=x[:,0].max()#第一个特征的最大值
      x2min = -(theta[0] + theta[1] * x1min) / theta[2]
      x2max = -(theta[0] + theta[1] * x1max) / theta[2]
      plt.plot([x1min, x1max], [x2min, x2max], c='pink')
      plt.show()
      #画代价函数图
      plt.plot(j)
      plt.show()
      #求精确度
      print('lamda调节前的精度：',score(xx,theta)*100,'%')
      theta1, j1, h1 = gradeDecline(xx, y, 0.01, 0.04, 10000)
      print('lamda调节前的精度：', score(xx, theta1) * 100, '%')
  

  注意：逻辑回归正则化与逻辑回归代价函数和梯度下降函数略有区别。

def func(lst):
    a = 0
    b = 0
    c = 0
    for num in lst:
        if num > 0:
            a += 1
        elif num < 0:
            b += 1
        else:
            c += 1
    print("正数的个数为{},负数的个数为{},零的个数为{}".format(a, b, c))