首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

在将数据集分组为2个样本时获取KeyError

将数据集分组为两个样本时,获取KeyError通常是指在数据集中使用某个键值作为索引进行分组时,出现了无法找到该键值的错误。

解决这个问题的方法取决于所使用的编程语言和数据处理工具。一般来说,可以采取以下步骤进行排查和解决:

  1. 确保数据集包含指定的键值:首先,检查数据集是否包含用于分组的键值。可以使用数据集的键或列来查看是否存在指定的键值。如果键值不存在,可能需要重新检查数据集或更新分组逻辑。
  2. 检查键值的数据类型:如果数据集中的键值是字符串类型,而在分组时使用了其他类型(例如整数或浮点数),可能会导致键值无法匹配的错误。确保键值的数据类型与分组逻辑一致。
  3. 检查键值的命名规则和拼写:确保键值的命名规则和拼写与分组逻辑中使用的一致。大小写、空格或特殊字符可能导致键值无法匹配。
  4. 使用异常处理机制:在代码中添加适当的异常处理机制,例如使用try-except语句来捕获KeyError,并提供相应的错误处理或提示信息。这可以帮助排查问题并提供更友好的用户体验。

关于云计算和相关术语,以下是一些常见的概念和相关产品介绍:

  1. 云计算(Cloud Computing):云计算是一种通过互联网提供计算资源和服务的模式。它允许用户通过网络按需获取计算资源,无需直接管理和维护硬件和软件基础设施。
  2. 前端开发:前端开发主要关注用户界面和用户体验的设计和实现,通常使用HTML、CSS和JavaScript等技术进行开发。
  3. 后端开发:后端开发涉及处理服务器端的逻辑和数据存储,主要使用各种编程语言(如Java、Python、Node.js等)和数据库技术。
  4. 软件测试:软件测试是为了评估和验证软件的质量和功能性而进行的过程。它包括单元测试、集成测试、系统测试和用户验收测试等多个阶段。
  5. 数据库:数据库用于存储和管理数据的集合。常见的数据库包括关系型数据库(如MySQL、Oracle)和非关系型数据库(如MongoDB、Redis)。
  6. 服务器运维:服务器运维是指对服务器硬件和软件进行管理、监控和维护的工作,确保服务器的稳定运行和性能优化。
  7. 云原生(Cloud Native):云原生是一种软件开发和部署的方法论,旨在充分利用云计算的优势,如弹性伸缩、容器化和自动化。
  8. 网络通信:网络通信涉及计算机之间通过网络进行数据交换和通信的过程。常见的网络通信协议包括TCP/IP、HTTP、HTTPS等。
  9. 网络安全:网络安全是保护计算机网络和系统免受未经授权的访问、破坏和数据泄露的措施和实践。
  10. 音视频:音视频技术涉及音频和视频数据的处理、传输和播放。常见的音视频应用包括音乐播放器、视频会议和流媒体服务。
  11. 多媒体处理:多媒体处理涉及对各种媒体数据(如图像、音频、视频)进行编辑、转码、压缩等处理操作。
  12. 人工智能(Artificial Intelligence,AI):人工智能是研究和开发用于模拟和扩展人类智能的方法和技术。常见的人工智能应用包括图像识别、自然语言处理和机器学习等。
  13. 物联网(Internet of Things,IoT):物联网是指将传感器、设备、网络和云计算等技术相互连接,实现物理和数字世界的融合和互通。
  14. 移动开发:移动开发涉及针对移动设备(如智能手机和平板电脑)开发应用程序和服务的过程,常用的开发平台包括Android和iOS。
  15. 存储:存储涉及数据的长期保存和管理。云存储是一种通过云计算平台提供的存储服务,具有高可靠性、可扩展性和灵活性。
  16. 区块链(Blockchain):区块链是一种分布式账本技术,通过将数据以区块的形式连接起来,实现去中心化的数据存储和交易验证。
  17. 元宇宙(Metaverse):元宇宙是虚拟世界的扩展,通过数字技术和人工智能的进步,创造出一个与现实世界相似但又独立存在的虚拟世界。元宇宙可以包括虚拟现实、增强现实、游戏和社交网络等。

请注意,上述产品介绍链接地址仅是一个示例,具体产品推荐需要根据实际需求和腾讯云的产品线进行选择。

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

数据挖掘】基于密度的聚类方法 - DBSCAN 方法 ( DBSCAN 原理 | DBSCAN 流程 | 可变密度问题 | 链条现象 | OPTICS 算法引入 | 聚类层次 | 族序概念 )

如果 p 是边界对象 ( 非核心对象 ) : p 样本标记成噪音 , 再随机地选取另外一个数据样本进行处理 ; 6 ....: DBSCAN 算法 对于密度可变的数据进行聚类分析效果很差 , 这里的密度可变指的是 聚类分组 中的样本密度不同 ; 数据样本中一部分密度大 , 一部分密度小 ; ③ 链条现象 : DBSCAN...的聚类分组 的结构 , 同一个聚类分组样本 , 顺序相近 ; ③ 根据索引排列 : 全体数据样本数据 , 根据该索引值 , 排列坐标系中 , 索引值就是 x 轴的坐标值 , 排列的结果就是不同层次的聚类分组...聚类分组包含关系 : ① 前提 : 数据样本 进行 聚类分组 , MinPts 邻域最小样本阈值 参数不变 ; ② 密度大的聚类 : 当设置的 \varepsilon -邻域 的 \varepsilon...族序 ( Cluster Ordering ) 概念 : ① 多层次同时聚类 : 不同层次的聚类分组 , 可以同时进行构建 ; ② 顺序处理样本 : 处理数据样本对象 , 使用特定的顺序进行处理 ;

1.1K10
  • 数据挖掘】聚类 Cluster 简介 ( 概念 | 应用场景 | 质量 | 相似度 | 算法要求 | 数据矩阵 | 相似度矩阵 | 二模矩阵 | 单模矩阵 )

    聚类简介 : 已知 原始的数据 , 没有类标签 , 没有训练 , 测试 , 数据所有属性已知 ; 设计聚类算法 , 根据聚类算法数据进行分组 ; ( 数据 -> 聚类算法 -> 数据分组...) ① 没有类标签 : 虽然数据分成若干子集 , 但是以什么依据分 , 事先是不知道的 ; ② 没有训练 : 分类操作中 , 数据先分成训练 和 测试 , 但是聚类中 , 只有一个数据...聚类 ( Cluster ) 应用方向 : ① 分析 数据分布 : 如数据样本分布空间中 , 可以先对这个数据进行聚类分析 , 分在一组的数据当做一个数据 , 相当于数据压缩 ; ② 分类 前预处理...聚类应用实例 : ① 客户管理 : 将不同的客户数据进行分组 , 分析不同分组的客户的购买模式 ; ② 城市规划 : 城市中的房子放在一个数据集中 , 总和考虑 房子 价值 , 类型 , 用途 ,...位置 , 等因素 , 对该数据进行聚类分析 , 数据分组 , 便于城市规划 ; ③ 地理用途 : 地球上不同地区的情况当做数据 , 录入该地区的各种属性 , 聚类分析这些地区 , 并将其分组

    1.3K10

    数据挖掘】聚类算法 简介 ( 基于划分的聚类方法 | 基于层次的聚类方法 | 基于密度的聚类方法 | 基于方格的聚类方法 | 基于模型的聚类方法 )

    个划分 (k \leq n) , 每个划分代表一个聚类 ; ② 分组 : 数据 分成 k 组 , 每个分组至少要有一个样本 ; ③ 分组样本 对应关系 : 每个分组有 1 个或多个样本对象...基于层次的聚类方法 概念 : 数 据样本对象 排列成 树结构 , 称为 聚类树 , 指定的层次 ( 步骤 ) 上切割数据样本 , 切割后时刻的 聚类分组 就是 聚类算法的 聚类结果 ; 2 ....划分层次聚类 ( 根节点到叶子节点 ) : 开始 , 整个数据样本一个总的聚类中 , 然后根据样本之间的相似性 , 不停的切割 , 直到完成要求的聚类操作 ; 5 ....聚类分组要求 : 聚类分组中 , 每个分组数据样本密度都 必须达到密度要求的最低阈值 ; 3 ....基于方格的方法优点 : 处理速度很快 , 每个方格都作为一个数据 , 如果分成 少数的几个方格进行聚类操作 , 聚类瞬间完成 ; 其速度与数据样本个数无关 , 与划分的数据方格个数有关 ; 3 .

    2.8K20

    10种聚类算法及python实现

    本教程中,你发现如何在 python 中安装和使用顶级聚类算法。完成本教程后,你知道: 聚类是输入数据的特征空间中查找自然组的无监督问题。...它包括自动发现数据中的自然分组。与监督学习(类似预测建模)不同,聚类算法只解释输入数据,并在特征空间中找到自然组或群集。 聚类技术适用于没有要预测的类,而是实例划分为自然组的情况。...__version__) 运行该示例,您应该看到以下版本号或更高版本。 0.22.1 2.聚类数据 我们将使用 make _ classification ()函数创建一个测试二分类数据。...我们可以清楚地看到两个不同的数据两个维度,并希望一个自动的聚类算法可以检测这些分组。 已知聚类着色点的合成聚类数据的散点图 接下来,我们可以开始查看应用于此数据的聚类算法的示例。...本文的主要目的是描述一种基于样本 N 维种群划分为 k 个集合的过程。这个叫做“ K-均值”的过程似乎给出了类内方差意义上相当有效的分区。

    70430

    数据分析必备!Pandas实用手册(PART III)

    ,今天继续大家带来三大类实用操作: 基本数据处理与转换 简单汇总&分析数据 与pandas相得益彰的实用工具 基本数据处理与转换 了解如何选取想要的数据以后,你可以通过这节的介绍来熟悉pandas...本节介绍一些常用的数据汇总技巧。 取出某栏位top k的值 这你选取某栏位top-k值的样本小节应该就看过了。...让我们再次拿出Titanic数据: 你可以所有乘客(列)依照它们的Pclass栏位值分组,并计算每组里头乘客们的平均年龄: 你也可以搭配刚刚看过的describe函数来汇总各组的统计数据: 你也可以依照多个栏位分组...另外小细节是你可以利用numpy的broadcasting运算轻松地DataFrame里的所有数值做操作(初始df_date用到的*10) 简易绘图并修改预设样式 Python世界里有很多数据可视化工具供你选择..., EDA)、师徒快速了解手上数据十分方便。

    1.8K20

    数据清洗 Chapter05 | 数据分组数据不平衡

    二、数据不平衡 考虑数据不均衡,关注数据的类别所属问题 对于分类问题,本身观测记录X的基础上,数据还会添加一列字段数据y,表示观测记录的类别,那么该标注数据表示(x,y) 非标注数据适用于聚类问题...,给算法的性能带来负面影响 下面解决方法: 1、扩大样本容量 数量不均衡的原因多种多样,可能是抽样算法,也可能数据的真实分布就是如此 如果是前者,可以改变抽样方法,扩大现有的数据样本...,消除数据类别的失衡 2、欠采样 从多数的负类样本中,随机选择与正类样本数量相当的数据样本,组成新的数据,这种方法称为欠采样 ?...> a ,数据归属类A 反之,数据归属类B 解决数据不均衡,可以改变阈值来调节数据集中类别的比例,适当增加少数类样本的数量 6、人工合成样本 SMOTE算法通过合成全新的正类样本,来补充原有的数据...三、不均衡数据下的模型的评价标准 对于类别取值分布均衡的数据,评价算法的常用评价标准是准确率 不均衡的数据上使用准确率,难以反应分类算法的真实性能 归属负类的样本过多,会导致算法负类样本的正确率很高

    1.2K10

    三个臭皮匠顶个诸葛亮的随机森林算法!

    因此,我们需要对数据和特征集进行分组分组的过程中,分别对数据分组和对特征集的分组。...根据m个分类器的投票结果决定数据最终归结为哪一类。 首先通过重采样对数据进行分组数据分为t组。如图1所示: ? 图1....对数据进行分组 分组过程中,输入是原始的数据,输出分好组的子数据D_i,其中子数据的长度是和原始数据的长度相同,值得注意的是为了保持数据大小的一致和数据的多样性,这里采用重采样,所以每一个子数据集中...我们的随机森林算法构建决策树的时候,就是在在对数据和特征集分组之后,子特征集和子数据分组进行训练分类模型: ? 传统的随机森林算法中,决策树的建立是通过CART算法进行训练决策树模型。...阈值表决制:投票的时候,每个类设置阈值,当投票结果达到某一类的阈值,即选取该类最终结果。 4.

    902120

    10大机器学习聚类算法实现(Python)

    本教程中,你发现如何在 python 中安装和使用顶级聚类算法。 完成本教程后,你知道: 聚类是输入数据的特征空间中查找自然组的无监督问题。...它包括自动发现数据中的自然分组。与监督学习(类似预测建模)不同,聚类算法只解释输入数据,并在特征空间中找到自然组或群集。 聚类技术适用于没有要预测的类,而是实例划分为自然组的情况。...__version__) 运行该示例,您应该看到以下版本号或更高版本。 0.22.1 2 聚类数据 我们将使用 make _ classification ()函数创建一个测试二分类数据。...我们可以清楚地看到两个不同的数据两个维度,并希望一个自动的聚类算法可以检测这些分组。 图:已知聚类着色点的合成聚类数据的散点图 接下来,我们可以开始查看应用于此数据的聚类算法的示例。...本文的主要目的是描述一种基于样本 N 维种群划分为 k 个集合的过程。这个叫做“ K-均值”的过程似乎给出了类内方差意义上相当有效的分区。

    30520

    WGCNA仅仅是划分基因模块,其它都是附加分析

    那就来做做看吧 ---- 获取数据 这篇文章属于数据挖掘,所以不是自己测的数据 查看使用的数据,看起来也没直接提供表达矩阵 文章作者也是自己做的上游: 这一点需要注意,可以看到数据GEO提供了上游处理流程和差异表达分析结果...1)大样本数据挖掘:当有生物学重复样本数≥15个,不包含生物学重复样本数≥8个。 2)简洁归类:大量的基因按照变化模式归类成不同的模块,简化整体分析难度。...如果样本分组太少(如:两组、三组)变化模式比较弱,难以有效聚类; (2)WGCNA是以基因表达量相关系数基础,得到基因变化模式的相关性。...作者这里二分组还是拿来做了,感觉这里就没利用到WGCNA相较于差异表达分析用来处理多分组的优点,只利用到了基因按照变化模式归类成不同的模块 ---- WGCNA一般流程 1.读取数据 数据作者提供了三种表达矩阵...样本信息的加入也是通过相关性系数矩阵来的 手动设计前面的二分组实验矩阵进行相关性计算也一样 我们就将以此为基础,往里加其它表型-模块的相关性系数 获取其它表型信息: 试下getGEO能不能直接获取

    1K20

    10种聚类算法的完整python操作实例

    本教程中,你发现如何在 python 中安装和使用顶级聚类算法。 完成本教程后,你知道: 聚类是输入数据的特征空间中查找自然组的无监督问题。...它包括自动发现数据中的自然分组。与监督学习(类似预测建模)不同,聚类算法只解释输入数据,并在特征空间中找到自然组或群集。 聚类技术适用于没有要预测的类,而是实例划分为自然组的情况。...__version__) 运行该示例,您应该看到以下版本号或更高版本。 0.22.1 2.聚类数据 我们将使用 make _ classification ()函数创建一个测试二分类数据。...我们可以清楚地看到两个不同的数据两个维度,并希望一个自动的聚类算法可以检测这些分组。 已知聚类着色点的合成聚类数据的散点图 接下来,我们可以开始查看应用于此数据的聚类算法的示例。...本文的主要目的是描述一种基于样本 N 维种群划分为 k 个集合的过程。这个叫做“ K-均值”的过程似乎给出了类内方差意义上相当有效的分区。

    1.1K20

    决策树原理与应用:C5.0

    也就是说,我们分组的目的,是为了让输出变量差异上尽量小,到达叶节点,不同叶节点上的输出变量相同类别,或达到用户指定的决策树停止生成的标准。...我们知道,随着决策树的生长,决策树分枝所处理的样本数量不断减少,决策树对数据总体珠代表程度不断下降。在对根节点进行分枝,处理的是全部样本,再往下分枝,则是处理的不同分组下的分组下的样本。...二、输入变量带有缺失值如何选择最佳分组变量 C5.0选择最佳分组变量,通常将带有缺失值的样本当作临时剔除样本看待,并进行权数调整处理。...平时练习默认自动即可,商业活动中避免重名或混乱,一律要自定义命名,这是数据挖掘的基本规范。 使用分区数据:英文Use Partitioned data。...事实上,多增加几组独立样本要考虑数据获取的成本和可行性;不同模型投票中的同等的地位也过粗糙,而且也要考虑模型预测精度。Boosting技术是解决上述问题的一处现实有效的技术。

    4.3K60

    10 种聚类算法的完整 Python 操作示例

    本教程中,你发现如何在 python 中安装和使用顶级聚类算法。 完成本教程后,你知道: 聚类是输入数据的特征空间中查找自然组的无监督问题。...__version__) 运行该示例,您应该看到以下版本号或更高版本。 0.22.1 2.聚类数据 我们将使用 make _ classification ()函数创建一个测试二分类数据。...我们可以清楚地看到两个不同的数据两个维度,并希望一个自动的聚类算法可以检测这些分组。 已知聚类着色点的合成聚类数据的散点图 接下来,我们可以开始查看应用于此数据的聚类算法的示例。...yhat = model.predict(X)# 检索唯一群clusters = unique(yhat)# 每个群集的样本创建散点图for cluster in clusters:# 获取此群集的示例的行索引...本文的主要目的是描述一种基于样本 N 维种群划分为 k 个集合的过程。这个叫做“ K-均值”的过程似乎给出了类内方差意义上相当有效的分区。

    86420

    交叉验证_验证的三种方法

    它的基本思想就是原始数据(dataset)进行分组,一部分做为训练来训练模型,另一部分做为测试来评价模型。 主要是用于小部分数据集中。...交叉验证用于评估模型的预测性能,尤其是训练好的模型数据上的表现,可以在一定程度上减小过拟合。 还可以从有限的数据获取尽可能多的有效信息。 ---- 交叉验证用途?...交叉验证(Cross Validation)是用来验证分类器的性能一种统计分析方法,基本思想是把某种意义下原始数据(dataset)进行分组,一部分做为训练 (training set),另一部分做为验证...第一步,不重复抽样原始数据随机分为 k 份。 第二步,每一次挑选其中 1 份作为测试,剩余 k-1 份作为训练用于模型训练。...但是训练复杂度增加了,因为模型的数量与原始数据样本数量相同。 一般在数据缺乏使用。 此外: 多次 k 折交叉验证再求均值,例如:10 次 10 折交叉验证,以求更精确一点。

    2.3K10

    太强了,10种聚类算法完整Python实现!

    本教程中,你发现如何在 python 中安装和使用顶级聚类算法。 完成本教程后,你知道: 聚类是输入数据的特征空间中查找自然组的无监督问题。...它包括自动发现数据中的自然分组。与监督学习(类似预测建模)不同,聚类算法只解释输入数据,并在特征空间中找到自然组或群集。 聚类技术适用于没有要预测的类,而是实例划分为自然组的情况。 ...__version__) 运行该示例,您应该看到以下版本号或更高版本。 0.22.1 2.聚类数据 我们将使用 make _ classification ()函数创建一个测试二分类数据。...我们可以清楚地看到两个不同的数据两个维度,并希望一个自动的聚类算法可以检测这些分组。 已知聚类着色点的合成聚类数据的散点图 接下来,我们可以开始查看应用于此数据的聚类算法的示例。...本文的主要目的是描述一种基于样本 N 维种群划分为 k 个集合的过程。这个叫做“ K-均值”的过程似乎给出了类内方差意义上相当有效的分区。

    1.6K10

    数据挖掘】基于层次的聚类方法 ( 聚合层次聚类 | 划分层次聚类 | 族间距离 | 最小距离 | 最大距离 | 中心距离 | 平均距离 | 基于层次聚类步骤 | 族半径 )

    基于层次的聚类方法 : 数据样本对象 排列成 聚类树 , 指定 的层次 ( 切割点 ) 进行切割 , 切割点 时刻 的聚类分组 , 就是 最终需要的聚类分组 ; 也就是这个切割点的切割的时刻...基于层次的聚类方法 概念 : 数 据样本对象 排列成 树结构 , 称为 聚类树 , 指定的层次 ( 步骤 ) 上切割数据样本 , 切割后时刻的 聚类分组 就是 聚类算法的 聚类结果 ; 2 ....聚合层次聚类 ( 叶子节点到根节点 ) : 开始 , 每个样本对象自己就是一个聚类 , 称为 原子聚类 , 然后根据这些样本之间的 相似性 , 这些样本对象 ( 原子聚类 ) 进行 合并 ; 常用的聚类算法...划分层次聚类 ( 根节点到叶子节点 ) : 开始 , 整个数据样本一个总的聚类中 , 然后根据样本之间的相似性 , 不停的切割 , 直到完成要求的聚类操作 ; 5 ....切割点回退问题 : 切割点一旦确定 , 便无法回退 ; 这里以聚合层次聚类例 : ① 处于切割点 4 : 如已经执行到了步骤三 , 此时处于切割点 4 , 聚类分组 \{a, b\} ,

    3.1K20

    Pandas学习笔记04-数据清洗(缺失值与异常值处理)

    之前我们介绍过通过索引获取自己想要的数据,这节我们介绍在数据清洗过程中遇到缺失值、异常值的一些处理方式以及我们需要对某列的值就行分组的时候怎么解决。...原始数据来自本周刚抓取的创造营2020撑腰榜数据,公众号后台回复‘ 异常值’可以获得本节使用的数据与ipynb文件。 ?...导入包及数据 1.查看缺失值 isnull 和 isna 可以获取 返回缺失值 的布尔值,True则表示缺失值,False则表示非缺失值 notnull 和 notna 与上述效果相反 ?...使用map+自定义函数形式进行分组 pandas也提供了一种方式,cut和pcut方法,对数值型的进行分箱离散化 ? cut分箱方法 qcut按照样本分位数进行分箱 ?...qcut按照样本分位数分箱 6.异常值过滤 异常值过滤其实就是确定异常值逻辑之后,根据布尔索引选择需要的数据 ? 异常值过滤 嗨,你还在看吗?

    4.5K40

    机器学习面试题 - 详解四种交叉验证方法

    它的基本思想就是原始数据(dataset)进行分组,一部分做为训练来训练模型,另一部分做为测试来评价模型。 ---- 为什么用交叉验证法?...交叉验证用于评估模型的预测性能,尤其是训练好的模型数据上的表,可以在一定程度上减小过拟合。 还可以从有限的数据获取尽可能多的有效信息。 可以选择出合适的模型 ---- 主要有哪些方法?...k 折交叉验证通过对 k 个不同分组训练的结果进行平均来减少方差, 因此模型的性能对数据的划分就不那么敏感。 第一步,不重复抽样原始数据随机分为 k 份。...当 k=m 即样本总数,叫做 ** 留一法(Leave one out cross validation)**, 每次的测试都只有一个样本,要进行 m 次训练和预测。...这个方法用于训练的数据只比整体数据少了一个样本,因此最接近原始样本的分布。 但是训练复杂度增加了,因为模型的数量与原始数据样本数量相同。 一般在数据缺乏使用。

    1.9K41

    数据挖掘】高斯混合模型 ( 与 K-Means 每个步骤对比 | 初始参数设置 | 计算概率 | 计算平均值参数 | 计算方差参数 | 计算高斯分布概率参数 | 算法终止条件 )

    高斯混合模型 ( 样本 -> 模型 ) ---- 根据数据训练模型 : 目的是要 得到 高斯混合模型 的参数值 ; ① 已知条件 : 给定数据样本 n 个 , 这些样本分成 k 个聚类分组...参数 , 可以生成该聚类分组样本 ; ④ 生成 整个 数据 ( 多个 高斯分布 / 聚类分组 ) : 根据 高斯混合分布 模型 , 生成 k 个聚类分组样本 , 即所有的 n 个数据 ;...硬指派 与 软指派 : K-Means 属于硬指派 , 必须样本指派一个聚类分组 ; 高斯混合模型 属于软指派 , 每个样本都属于所有的聚类分组 , 只是概率大小不同 ; IV ....高斯混合模型 聚类分析 步骤 ( 2 ) 计算概率 ---- 计算概率 : 数据分组情况 : 数据有 n 个对象 , 这 n 个对象分成 k 个聚类分组 ; 计算的概率 : 这里需要计算每个对象...n 个样本整体数据 {x_1 , x_2 , \cdots , x_n} 的总贡献 ; 引入参数值 n_i : n_i 值可以看做该 高斯分布 ( 聚类分组 ) 对生成 整个数据

    75820
    领券