如何在python中创建一系列浮点值？

我试图在x+y+z等于1的条件下，在彼此内部做几个循环，以进入最后一个循环

我使用了以下方法：

import numpy as np
for gbrCount in np.arange(0, 1.0, 0.1):
    for xgbCount in np.arange(0, 1.0, 0.1):
        for regCount in np.arange(0, 1.0, 0.1):
            #check if sum is 1
            if int(gbrCount+xgbCount+regCount) == 1:

                y_p = (xgbCount*xgb.predict(testset)+ gbrCount*gbr.predict(testset)+regCount*regressor.predict(testset))
                testset['SalePrice']=np.expm1(y_p)
                y_train_p = xgb.predict(dataset)
                y_train_p = np.expm1(y_train_p)
                rmse.append(np.sqrt(mean_squared_error(y, y_train_p)))
                rmse.append(xgbCount)
                rmse.append(gbrCount)
                rmse.append(regCount)

但即使总和大于1，它也会进入循环。（xgb、reg和gbr）的某些值类似于0.7000001

所以我试着使用linspace，但它对float不起作用。所以我尝试了这个范围：

for gbrCount in range(0, 1):
    gbrCount += 0.1
    for xgbCount in range(0, 1):
        xgbCount += 0.1
        for regCount in range(0, 1):
            regCount += 0.1
            if int(gbrCount+xgbCount+regCount)==1:
                #y_p = (xgbCount*xgb.predict(testset)+ gbrCount*gbr.predict(testset)+regCount*regressor.predict(testset))
                #testset['SalePrice']=np.expm1(y_p)
                y_train_p = (xgbCount*xgb.predict(dataset)+ gbrCount*gbr.predict(dataset)+regCount*regressor.predict(dataset))
                y_train_p = np.expm1(y_train_p)
#                print(np.sqrt(mean_squared_error(y, y_train_p)))
#                print(xgbCount)
#                print(gbrCount)
#                print(regCount)
                print(xgbCount,  gbrCount, regCount, np.sqrt(mean_squared_error(y, y_train_p)))

但是它在控制台上没有出现任何错误。

这是怎么回事？（我不认为最后一个四舍五入是必要的，但为了安全起见，我把它放在那里了。）

将numpy导入为np
对于np.arange（0,1.0,0.1）中的_gbrCount：
对于np.arange（0,1.0,0.1）中的xgbCount：
gbrCount=np.四舍五入（_gbrCounr，小数=1）
xgbCount=np.四舍五入（_cgbCount，小数=1）
regCount=np.round（1-gbrCount-xgbCount，小数=1）
y_p=（xgbCount*xgb.predict（testset）+gbrCount*gbr.predict（testset）+regCount*registor.predict（testset））
testset['SalePrice']=np.expm1（y\u p）
y_train_p=xgb.predict（数据集）
y_列p=np.expm1（y_列p）
附加（np.sqrt（均方误差（y，y列p）））
rmse.append（xgbCount）
rmse.append（gbrCount）
rmse.append（regCount）

您可以松开第三个循环，进行类似于

gbrCount=np.round（gbrCount，decimals=1

，

gbrCount=np.round（xgbCount，decimals=1

，和

regCount=np.round（1-gbrCount-xgbCount，decimals=1）的操作

。这个问题实际上与机器学习无关-请不要发送不相关的标签（请编辑并删除）。