能帮我看看为什么代码运行结果啥都没有呢

img

img

跟mooc上敲的代码是一样的，为什么执行之后没有结果啊，有没有牛人能给解答一下啊，非常的困惑

return dayup缩进不对，然后返回的值一直是i为0时计算出的dayup值0.99，所以导致while循环死循环了；

将return dayup这一行保持和for循环一样的缩进位置，即等for循环计算完成之后再返回就可以了。

修改如下：

参考链接：


关于 python 的缩进_python缩进_aolixiaox的博客-CSDN博客 python使用缩进来区分不同的代码块，所以对缩进有严格要求，本文就python缩进规则，及常见的缩进问题做了一些整理。_python缩进 https://blog.csdn.net/wosind/article/details/100012180

img


def dayUP(df):

    dayup = 1

    for i in range(365):

        if i%7 in [6,0]:
            dayup = dayup * (1-0.01)
        else :
            dayup = dayup * (1+df)
       # print("dayup=",dayup,",i=",i)
       # http://c.biancheng.net/view/4180.html
       # https://blog.csdn.net/wosind/article/details/100012180
    return dayup  # 这一行保持和for循环同样的缩进

dayfactor = 0.01
while dayUP(dayfactor)<37.78:
    dayfactor += 0.001
print("value:{:.3f}".format(dayfactor))

img

return dayup
的缩进不一样！

你这个是对齐错误
看看这个你就懂了：https://www.ycpai.cn/python/J4FjzpTP.html
里面有一句话是这样的：
Python代码中的对齐是非常重要的。在Python中，使用缩进来表示代码块的层次结构。如果缩进不正确，代码就会出现对齐错误。对齐错误可能包括缩进不足或缩进过多，这些错误可能会导致SyntaxError或IndentationError等错误。
不知道对你有没有帮助，有帮助的话，能采纳一下吗，谢谢啦。

不知道你这个问题是否已经解决, 如果还没有解决的话:
  • 帮你找了个相似的问题, 你可以看下: https://ask.csdn.net/questions/7578901
  • 我还给你找了一篇非常好的博客，你可以看看是否有帮助，链接：数据科学技术与应用【中国大学MOOC】：数据汇总与统计（一）_第三次作业_答案
  • 除此之外, 这篇博客: MOOC环境中一种基于深度置信网络的推荐模型中的 实验结果分析 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:

    作者主要使用均方根误差（RMSE）来计算预测分数与实际分数之间的差异，以反映推荐的准确性。
    作者先采用MovieLens 1 M开放数据集来验证推荐准确性。MovieLens 1 M数据集上各种推荐算法的性能如图3所示。
    在这里插入图片描述图3 MovieLens 1 M数据集上各种推荐算法的性能
    上图显示了不同推荐算法的RMSE随着迭代次数的变化而变化。从实验性能的角度来看，作者提出的MOOCRC推荐算法经过约10次迭代后基本达到收敛，并且随着迭代次数的增加，RMSE降低，推荐精度提高。其推荐准确性几乎不再受迭代次数的影响。推荐质量优于基于RBM的混合推荐算法。当迭代次数固定时，基于RBM的混合推荐算法和MOOCRC算法的推荐质量明显高于其他推荐算法。而且，MOOCRC的收敛速度比其他推荐算法还快。
    作者采用starC MOOC数据集来验证推荐准确性。starC MOOC数据集上各种推荐算法的性能如图4所示。
    在这里插入图片描述
    图4 starC MOOC数据集上各种推荐算法的性能
    上图显示了不同推荐方法的迭代次数增加时，RMSE的变化。作者提出的MOOCRC模型在大约40个纪元后收敛，并且随着纪元数的增加，RMSE减小，推荐精度也继续提高。此外，该方法的推荐质量优于基于RBM的混合推荐方法。当使用所有训练集对MOOCRC进行完全训练时，其RMSE低至67.48％。当时间段固定时，基于RBM的混合推荐方法和MOOCRC产生的效果明显优于其他推荐算法。对于基于RBM的混合推荐方法，推荐效果明显小于MOOCRC方法，因为没有使用监督的BP算法进行参数调整。

  • 以下回答由chatgpt基于相关博客总结生成:

    这个问题缺乏具体的代码和问题描述，因此无法针对性地给出解决方案。建议提供相关的代码和问题描述，以便我们能更好地帮助你解决问题。


如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^