Python 更新类属性值

我在将值从一个类调用到该类之外的新迭代循环时遇到了一个问题。代码如下所示：（data和newdata是向量）

---

如何解决此问题？

问题在于此函数：

def update(self, new_data, delta):
    for featureset in new_data:
        distances = [np.linalg.norm(featureset - self.centroids[centroid]) for centroid in self.centroids]

        if min(distances) < delta:
            classification = distances.index(min(distances))
            self.classifications[classification].append(featureset)
            self.centroids[classification] = np.average(self.classifications[classification], axis=0)
            
        else:
            self.centroids[self.k] = featureset
            self.classifications[self.k] = []
            self.classifications[self.k].append(featureset)   
            self.k = self.k + 1
            k = self.k

def更新（自身、新_数据、增量）：
对于新_数据中的特征集：
距离=[np.linalg.norm（featureset-self.centroids[centroid]），用于self.centroids中的形心]
如果最小（距离）<增量：
分类=距离。索引（最小（距离））
self.classification[classification].append（特征集）
自形心[分类]=np.平均值（自形心[分类]，轴=0）
其他：
self.centroids[self.k]=特征集
self.classification[self.k]=[]
self.classification[self.k].append（featureset）
self.k=self.k+1
k=自我。k

您仅在“else”块内设置“k”值。忽略任何不相关的内容，看起来是这样的：

def update(self, new_data, delta):
    for featureset in new_data:
        ...
        if min(distances) < delta:
            ...
        else:
            ...
            k = self.k
    print (k)  # <-- error here
    return k  # <-- error here

def更新（自身、新_数据、增量）：
对于新_数据中的特征集：
...
如果最小（距离）<增量：
...
其他：
...
k=自我。k
打印（k）#请给出一个有用的示例，以便测试问题。您的
else
语句是否达到了要求？@gold\u cy是的，每次达到else条件时，k都会自动重置为3，但我想要达到的是，如果最小（距离）

，则保持k

的值，为else条件更新k，问题是每次调用类A时，k的值仍然是3，尽管我在else条件中设置了k=self.k。我确信在输入新数据时else条件正在运行。所以，问题是，对于每个新的迭代，k总是等于3，你得到的回溯并不存在。代码的某些部分使您输入“if”块。解决方案不变。在访问k之前，需要设置k的值。如果希望保持“k”始终不变，则需要在“update（）”函数中引入一个新变量进行修改。但在使用它之前，它仍然需要设置为一个值。似乎我对每次迭代重置k感到困惑。不幸的是，我不能上传所有的代码，这太长了。不过还是谢谢你。
def update(self, new_data, delta):
    for featureset in new_data:
        distances = [np.linalg.norm(featureset - self.centroids[centroid]) for centroid in self.centroids]

        if min(distances) < delta:
            classification = distances.index(min(distances))
            self.classifications[classification].append(featureset)
            self.centroids[classification] = np.average(self.classifications[classification], axis=0)
            
        else:
            self.centroids[self.k] = featureset
            self.classifications[self.k] = []
            self.classifications[self.k].append(featureset)   
            self.k = self.k + 1
            k = self.k

def update(self, new_data, delta):
    for featureset in new_data:
        ...
        if min(distances) < delta:
            ...
        else:
            ...
            k = self.k
    print (k)  # <-- error here
    return k  # <-- error here