将Python输出放入.xlxs文件
下面的代码运行并执行它应该执行的操作，但是我在Python中使用XlxsWriter模块时遇到了问题，无法将一些结果放入.xlxs文件中。目标是让输出包含来自功能块\u试验的信息，其中它跟踪每个块，并为我提供与该试验对应的all\u powers变量。将模块安装到我的用户目录中进展顺利，但它不会给我一个同时提供两组信息的文件 目前，我正在使用：将Python输出放入.xlxs文件,python,Python,下面的代码运行并执行它应该执行的操作，但是我在Python中使用XlxsWriter模块时遇到了问题，无法将一些结果放入.xlxs文件中。目标是让输出包含来自功能块\u试验的信息，其中它跟踪每个块，并为我提供与该试验对应的all\u powers变量。将模块安装到我的用户目录中进展顺利，但它不会给我一个同时提供两组信息的文件 目前，我正在使用： import xlsxwriter workbook = xlsxwriter.Workbook('SRT_data.xlsx') worksheet
import xlsxwriter
workbook = xlsxwriter.Workbook('SRT_data.xlsx')
worksheet = workbook.add_worksheet()
worksheet.set_column('A:A', 20)
bold = workbook.add_format({'bold': True})
worksheet.write('A1', 'RT')
workbook.close()
import random, math
num_features = 20
stim_to_vect = {}
all_stim = [1,2,3,4,5]
all_features = range(num_features)
zeros=[0 for i in all_stim]
memory=[]
def snoc(xs,x):
new_xs=xs.copy()
new_xs.append(x)
return new_xs
def concat(xss):
new_xs = []
for xs in xss:
new_xs.extend(xs)
return new_xs
def point_wise_mul(xs,ys):
return [x*y for x,y in zip(xs,ys)]
for s in snoc(all_stim, 0):
stim_to_vect[s]= []
for i in all_features:
stim_to_vect[s].append(random.choice([-1, 1]))
def similarity(x,y):
return(math.fsum(point_wise_mul(x,y))/math.sqrt(math.fsum(point_wise_mul(x,x))*math.fsum(point_wise_mul(y,y))))
def echo(probe,power):
echo_vect=[]
for j in all_features:
total=0
for i in range(len(memory)):
total+=math.pow(similarity(probe, memory[i]),power)*memory[i][j]
echo_vect.append(total)
return echo_vect
fixed_seq=[1,5,3,4,2,1,3,5,4,2,5,1]
prev_states={}
prev_states[0]=[]
prev=0
for curr in fixed_seq:
if curr not in prev_states.keys():
prev_states[curr]=[]
prev_states[curr].append(prev)
prev=curr
def update_memory(learning_parameter,event):
memory.append([i if random.random() <= learning_parameter else 0 for i in event])
for i in snoc(all_stim,0):
for j in prev_states[i]:
curr_stim = stim_to_vect[i]
prev_resp = stim_to_vect[j]
curr_resp = stim_to_vect[i]
update_memory(1.0, concat([curr_stim, prev_resp, curr_resp]))
def first_part(x):
return x[:2*num_features-1]
def second_part(x):
return x[2*num_features:]
def compare(curr_stim, prev_resp):
for power in range(1,10):
probe=concat([curr_stim,prev_resp,zeros])
theEcho=echo(probe,power)
if similarity(first_part(probe),first_part(theEcho))>0.97:
curr_resp=second_part(theEcho)
return power,curr_resp
return 10,zeros
def block_trial(sequence):
all_powers=[]
prev_resp = stim_to_vect[0]
for i in sequence:
curr_stim = stim_to_vect[i]
power,curr_resp=compare(curr_stim,prev_resp)
update_memory(0.7,concat([curr_stim,prev_resp,curr_resp]))
all_powers.append(power)
prev_resp=curr_resp
return all_powers
导入随机、数学
num_特征=20
stim_to_vect={}
所有刺激=[1,2,3,4,5]
所有特征=范围（数量特征）
零=[0表示所有刺激中的i]
内存=[]
def snoc（xs，x）：
new_xs=xs.copy（）
新的_xs.append（x）
返回新的
def concat（xss）：
新的_xs=[]
对于xss中的xs：
新的扩展（xs）
返回新的
def point_wise_mul（xs，ys）：
返回[x*y代表x，y在zip中（xs，ys）]
对于snoc中的s（所有时间，0）：
刺激向量[s]=[]
对于所有_功能中的i：
stim_to_vect[s].append（random.choice（[-1，1]））
def相似性（x，y）：
返回（math.fsum（point_-wise_-mul（x，y））/math.sqrt（math.fsum（point_-wise_-mul（x，x））*math.fsum（point_-wise_-mul（y，y）））
def回波（探头、电源）：
回声向量=[]
对于所有功能中的j：
总数=0
对于范围内的i（len（内存））：
总+=math.pow（相似性（探测，内存[i]），功率）*内存[i][j]
回显向量追加（总计）
回波向量
固定顺序=[1,5,3,4,2,1,3,5,4,2,5,1]
上个州={}
上一个州[0]=[]
prev=0
对于固定汇率：
如果当前不在上一状态。键（）：
上一个州[当前]=[]
上一个状态[curr]。追加（上一个）
上一次=当前
def更新_存储器（学习_参数，事件）：
memory.append（[i if random.random（）0.97:
电流响应=第二部分（theEcho）
返回功率，电流响应
返回10，零
def块_试验（顺序）：
所有的权力=[]
prev_resp=刺激到向量[0]
对于顺序中的i：
curr\u stim=stim\u to\u vect[i]
电源，电流响应=比较（电流刺激，上一次响应）
更新内存（0.7，concat（[curr\u stim，prev\u resp，curr\u resp]））
所有权力。附加（权力）
prev_resp=curr_resp
归还所有的权力