我正在研究贝叶斯概率项目,我需要根据新信息调整概率。我还没有找到一个有效的方法来做到这一点。我试图做的是以不同场景的等概率列表开始。防爆。 有6人:E,T,M,Q,L和Z,并且被选择在一个人在第一第三字母顺序具有集体Python列表重新排序,记得原来的顺序?
myList=[.1667, .1667, .1667, .1667, .1667, .1667]
新的信息面表示的其初始相应概率70%的机会被选中。新名单按名称(E,L,M,Q,T,Z)按字母顺序排列,只包含新信息。 (0.7/0.333 = 2.33,0.3/0.667 = 0.45)
newList=[2.33, 2.33, .45, .45, .45, .45)
我需要一种方法来订购newList作为myList中,所以我可以在乘以列表解析正确的价值观,并达到相同的调整概率。有一个单一的一致的顺序很重要,因为这个过程会重复多次,每个都有不同的标准(元音,最接近P等),并且列表中有大约1000个项目。 每个newList可以改为newDictionary,然后一旦创建了调整条件,就可以将它们排序到列表中,但转换多个字典似乎效率低下。是吗?有没有简单的方法来做到这一点我完全失踪?
谢谢!
这似乎是一个不成熟优化的经典案例:担心你描述的那种低效率;它只是无关紧要。 – Petri
注意。我仍然是一个相对的初学者,所以我不确定效率,看起来好像字典里的有序列表转换可能会很慢。知道这不是什么大问题,令人放心。 – sybaritic