大佬可以帮我看一下吗！
是我的作业题我感觉那样写应该对了但是好像不太行
编写Python函数名为“filter_seq”下面的代码单元,以DNA序列的列表作为参数,并返回一个列表只包含那些序列通过以下两个标准:核苷酸的序列只包含字母A、C、G、T、或他们的小写,没有模棱两可的核苷酸(N、n)。必须完全长72核苷酸序列。另外:你的函数必须接受参数中的DNA序列为小写、大写或两者的混合。所有满足条件的序列都必须以大写返回。
可以帮忙看一下嘛求求了

即便是最精通程序设计的程序员也可能写出不完美的代码，导致程序中存在着bug或错误。如果程序不能够得到预期的运行结果，你也不必惊惶失措，通过多次试运行和仔细测试一定可以使程序能够正常运行并得到预期结果。当遇到屡次修正不了的bug时，可以暂停一会儿，休息一下再回来工作，可能对调试者更有帮助。

可以帮忙解决一下问题吗？
我在尝试使用本地代理的时候出现了问题：如图
如果把代理行注释掉可以正常访问。这是什么情况，求解决方法

大佬 我现在碰到个问题，有个列表字典，怎么能根据条件将列表字典中的部分字典过滤出来？

举个例子吧，这种一般使用推导式就行

来看看有人吗

大佬，这种图怎么用python画，多条折线用循环画，列表或数组怎么处理啊？

矩阵求导的几何意义是什么？书上说把矩阵看作m行n列矩阵映射到实数的函数，但只有方阵才有行列式，除了行列式还有什么映射关系？

大佬，这个exc前是要加什么吗，我一直不行，求告知

请问x的取值是几到几啊

mark，备用，感谢楼主

运行后报错，能帮忙介绍下哪里错了吗，实在搞不懂。
用的anaconda，python3.8
源码在这里，[无效] https://pan.baidu.com/s/1OCzut5NBEDCNrZKzb_HgaA，提取码1234，求大佬解惑

你定义的函数test_PCA_GBDTClassifier()不是优化器
我试了下，下面这个能跑：
import pandas as pd
import random
import requests
from sklearn.model_selection import KFold, StratifiedKFold
from sklearn.model_selection import cross_val_score, cross_val_predict
from sklearn.model_selection import train_test_split
from sklearn.model_selection import GridSearchCV
from sklearn.metrics import roc_auc_score, roc_curve, confusion_matrix, accuracy_score
from sklearn.ensemble import GradientBoostingClassifier
from sklearn import metrics
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.pipeline import Pipeline
from math import sqrt, fabs, exp
import matplotlib.pyplot as plt
from sklearn.tree import DecisionTreeClassifier
# 加载数据集
df = pd.read_csv('AD.csv')
x = df.iloc[:, 0:-1].values # 属性
y = df.iloc[:, -1].values # 标签
nrows = len(x)
ncols = len(x[1])
# def test_PCA_GBDTClassifier():
pipe_gbdt = Pipeline([('sc', StandardScaler()),
('pca', PCA(n_components=13)),
('gbdt', GradientBoostingClassifier(min_samples_split=300, min_samples_leaf=20,
max_depth=8, learning_rate=0.1,
subsample=0.8, random_state=10))])
sfolder = StratifiedKFold(n_splits=10, random_state=20, shuffle=False) # 10折SKFold
scores = []
for i, (train_index, test_index) in enumerate(sfolder.split(x, y)):
x_train, x_test = x[train_index], x[test_index]
y_train, y_test = y[train_index], y[test_index]
pipe_gbdt.fit(x_train, y_train)
score = pipe_gbdt.score(x_test, y_test)
scores.append(score)
cv_score = np.mean(scores)
cv_std = np.std(scores)
# print('Fold: %s, Acc: %.3f' %(i+1, score)) #每一折训练集的准确率
print(f"CV accuracy:{cv_score} +/- {cv_std}") # 平均准确率和标准差
# return (cv_score, cv_std)
param_test1 = {'n_estimators': (10, 100, 10)}
gsearch1 = GridSearchCV(estimator=DecisionTreeClassifier(random_state=0),
param_grid=[{'max_depth': [1, 2, 3, 4, 5, 6, 7, None]}], scoring='accuracy', iid=False, cv=5)
gsearch1.fit(x, y)
print(gsearch1.best_params_, gsearch1.best_score_)
没讲逻辑哈