Ошибка 'int' object is not iterable

@triatri3 · Регистрация: 16.11.2016

Студворк — интернет-сервис помощи студентам

Добрый день! Пытаюсь предсказать стоимость акций в будущем. Есть такой код, выводит ошибку в последней строке:
TypeError: 'int' object is not iterable

Помогите пожалуйста решить её.

Есть предположение что строчки
dataset["Close"]=dataset["Close"].replace("." , "").astype(float)
dataset["Volume"]=dataset["Volume"].replace(".", "").astype(float)
вызвали её, потому что не ничего не делают, а должны вроде менять символы (в следствии может и тип данных). Но это лишь предположение. Помогите пожалуйста.

Python
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
import pandas_datareader.data as reader
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import datetime as dt
 
end=dt.datetime.now()
start=dt.datetime(end.year-20,end.month,end.day)
dataset = reader.get_data_yahoo('GOOG',start,end)
dataset
 
dataset.head()
 
dataset['Open'].plot(figsize=(16,6))
 
dataset["Close"]=dataset["Close"].replace("." , "").astype(float)
dataset["Volume"]=dataset["Volume"].replace(".", "").astype(float)
dataset
 
dataset.rolling(7).mean().head(20)
 
dataset['Open'].plot(figsize=(16,6))
dataset.rolling(window=30).mean()['Close'].plot()
 
dataset['Close: 30 Day Mean']=dataset['Close'].rolling(window=30).mean()
dataset[['Close','Close: 30 Day Mean']].plot(figsize=(16,6))
 
dataset['Close'].expanding(min_periods=1).mean().plot(figsize=(16,6))
 
training_set=dataset['Open']
training_set=pd.DataFrame(training_set)
 
from sklearn.preprocessing import MinMaxScaler
sc=MinMaxScaler(feature_range=(0,1))
training_set_scaled=sc.fit_transform(training_set)
 
x_train=[]
y_train=[]
for i in range(60,1258):
  x_train.append(training_set_scaled[i-60:i,0])
  y_train.append(training_set_scaled[i,0])
x_train,y_train=np.array(x_train), np.array(y_train)
 
x_train=np.reshape(x_train, (x_train.shape[0], x_train.shape[1], 1))
 
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
from keras.layers import Dropout
 
regressor = Sequential()
 
regressor.add(LSTM(units=50, return_sequences=True, input_shape = (x_train.shape[1], 1)))
regressor.add(Dropout(0.2))
 
regressor.add(LSTM(units=50, return_sequences=True))
regressor.add(Dropout(0,2))
 
regressor.add(LSTM(units=50, return_sequences=True))
regressor.add(Dropout(0.2))
 
regressor.add(LSTM(units=50))
regressor.add(Dropout(0.2))
 
regressor.add(Dense(units=1))
 
regressor.compile(optimizer='adam', loss='mean_squared_error')
 
regressor.fit(x_train, y_train, epochs=100, batch_size=32)

@Welemir1 · 14.04.2021, 10:44

triatri3, почему вы стесняетесь все приводить веь текст ошибки, там же важно еще строки.
Где то ты вызываешь целое число с круглыми скобками, если это про твою последнюю строку, то regressor.fit это число, а не функция

@triatri3 · 14.04.2021, 11:05 **[ТС]**

Вся ошибка полностью:

PowerShell
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
TypeError                                 Traceback (most recent call last)
<ipython-input-63-1e82220909bf> in <module>()
      1 regressor.compile(optimizer='adam', loss='mean_squared_error')
      2 
----> 3 regressor.fit(x_train, y_train, epochs=100, batch_size=32)
 
9 frames
/usr/local/lib/python3.7/dist-packages/tensorflow/python/framework/func_graph.py in wrapper(*args, **kwargs)
    975           except Exception as e:  # pylint:disable=broad-except
    976             if hasattr(e, "ag_error_metadata"):
--> 977               raise e.ag_error_metadata.to_exception(e)
    978             else:
    979               raise
 
TypeError: in user code:
 
    /usr/local/lib/python3.7/dist-packages/tensorflow/python/keras/engine/training.py:805 train_function  *
        return step_function(self, iterator)
    /usr/local/lib/python3.7/dist-packages/tensorflow/python/keras/engine/training.py:795 step_function  **
        outputs = model.distribute_strategy.run(run_step, args=(data,))
    /usr/local/lib/python3.7/dist-packages/tensorflow/python/distribute/distribute_lib.py:1259 run
        return self._extended.call_for_each_replica(fn, args=args, kwargs=kwargs)
    /usr/local/lib/python3.7/dist-packages/tensorflow/python/distribute/distribute_lib.py:2730 call_for_each_replica
        return self._call_for_each_replica(fn, args, kwargs)
    /usr/local/lib/python3.7/dist-packages/tensorflow/python/distribute/distribute_lib.py:3417 _call_for_each_replica
        return fn(*args, **kwargs)
    /usr/local/lib/python3.7/dist-packages/tensorflow/python/keras/engine/training.py:788 run_step  **
        outputs = model.train_step(data)
    /usr/local/lib/python3.7/dist-packages/tensorflow/python/keras/engine/training.py:754 train_step
        y_pred = self(x, training=True)
    /usr/local/lib/python3.7/dist-packages/tensorflow/python/keras/engine/base_layer.py:1012 __call__
        outputs = call_fn(inputs, *args, **kwargs)
    /usr/local/lib/python3.7/dist-packages/tensorflow/python/keras/engine/sequential.py:375 call
        return super(Sequential, self).call(inputs, training=training, mask=mask)
    /usr/local/lib/python3.7/dist-packages/tensorflow/python/keras/engine/functional.py:425 call
        inputs, training=training, mask=mask)
    /usr/local/lib/python3.7/dist-packages/tensorflow/python/keras/engine/functional.py:560 _run_internal_graph
        outputs = node.layer(*args, **kwargs)
    /usr/local/lib/python3.7/dist-packages/tensorflow/python/keras/engine/base_layer.py:1012 __call__
        outputs = call_fn(inputs, *args, **kwargs)
    /usr/local/lib/python3.7/dist-packages/tensorflow/python/keras/layers/core.py:231 call
        lambda: array_ops.identity(inputs))
    /usr/local/lib/python3.7/dist-packages/tensorflow/python/keras/utils/control_flow_util.py:115 smart_cond
        pred, true_fn=true_fn, false_fn=false_fn, name=name)
    /usr/local/lib/python3.7/dist-packages/tensorflow/python/framework/smart_cond.py:54 smart_cond
        return true_fn()
    /usr/local/lib/python3.7/dist-packages/tensorflow/python/keras/layers/core.py:226 dropped_inputs
        noise_shape=self._get_noise_shape(inputs),
    /usr/local/lib/python3.7/dist-packages/tensorflow/python/keras/layers/core.py:215 _get_noise_shape
        for i, value in enumerate(self.noise_shape):
 
    TypeError: 'int' object is not iterable

@iamvic · 15.04.2021, 16:56

В 57-й строке запятая вместо точки

Сообщение от triatri3

regressor.add(Dropout(0,2))

Оно?

@triatri3 · 15.04.2021, 18:12 **[ТС]**

Сообщение от iamvic

Оно?

ДАААА! Спасибо огромное!запустился процесс обучения модели! Спасибо огромное!

@triatri3 · 16.04.2021, 09:02 **[ТС]**

Не могли бы помочь уже с фундаментально-логической проблемой, если можно так сказать? Предсказание не верное, как видите по графику Как исправить? Сможете помочь?

Python
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
import pandas_datareader.data as reader
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import datetime as dt
 
end=dt.datetime.now()
start=dt.datetime(end.year-20,end.month,end.day)
dataset = reader.get_data_yahoo('GOOG',start,end)
dataset
 
dataset.head()
 
dataset['Open'].plot(figsize=(16,6))
 
dataset["Close"]=dataset["Close"].replace("." , "").astype(float)
dataset["Volume"]=dataset["Volume"].replace(".", "").astype(float)
dataset
 
dataset.rolling(7).mean().head(20)
 
dataset['Open'].plot(figsize=(16,6))
dataset.rolling(window=30).mean()['Close'].plot()
 
dataset['Close: 30 Day Mean']=dataset['Close'].rolling(window=30).mean()
dataset[['Close','Close: 30 Day Mean']].plot(figsize=(16,6))
 
dataset['Close'].expanding(min_periods=1).mean().plot(figsize=(16,6))
 
training_set=dataset['Open']
training_set=pd.DataFrame(training_set)
 
from sklearn.preprocessing import MinMaxScaler
sc=MinMaxScaler(feature_range=(0,1))
training_set_scaled=sc.fit_transform(training_set)
 
x_train=[]
y_train=[]
for i in range(60,1258):
  x_train.append(training_set_scaled[i-60:i,0])
  y_train.append(training_set_scaled[i,0])
x_train,y_train=np.array(x_train), np.array(y_train)
 
x_train=np.reshape(x_train, (x_train.shape[0], x_train.shape[1], 1))
 
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
from keras.layers import Dropout
 
regressor = Sequential()
 
regressor.add(LSTM(units=50, return_sequences=True, input_shape = (x_train.shape[1], 1)))
regressor.add(Dropout(0.2))
 
regressor.add(LSTM(units=50, return_sequences=True))
regressor.add(Dropout(0,2))
 
regressor.add(LSTM(units=50, return_sequences=True))
regressor.add(Dropout(0.2))
 
regressor.add(LSTM(units=50))
regressor.add(Dropout(0.2))
 
regressor.add(Dense(units=1))
 
regressor.compile(optimizer='adam', loss='mean_squared_error')
 
regressor.fit(x_train, y_train, epochs=100, batch_size=32)
 
dataset_test = yf.download('NVDA', 
                      start='2016-01-01', 
                      end='2021-12-04', 
                      progress=False)
dataset_test
 
real_stock_price=dataset_test.iloc[:,1:2].values
dataset_test["Volume"]=dataset_test["Volume"].replace(',', '').astype(float)
test_set=dataset_test['Open']
test_set=pd.DataFrame(test_set)
 
dataset_total=pd.concat((dataset['Open'], dataset_test['Open']), axis=0)
inputs = dataset_total[len(dataset_total)-len(prices)-60:].values
inputs = inputs.reshape(-1,1)
inputs = sc.transform(inputs)
x_test=[]
for i in range(60,80):
  x_test.append(inputs[i-60:i, 0])
x_test=np.array(x_test)
x_test=np.reshape(x_test, (x_test.shape[0], x_test.shape[1], 1))
predicted_stock_price = regressor.predict(x_test)
predicted_stock_price = sc.inverse_transform(predicted_stock_price)
 
predicted_stock_price=pd.DataFrame(predicted_stock_price)
predicted_stock_price.info()
 
plt.plot(real_stock_price, color="red", label = "Real Stock Price")
plt.plot(predicted_stock_price, color="green", label = "Predicted Stock Price")
plt.title('Stock price prediction')
plt.xlabel('Time')
plt.ylabel('Stock price')
plt.legend()
plt.show()

Новые блоги и статьи Все статьи Все блоги /
Модель заражения группы наркоманов alhaos 17.04.2026 Условия задачи сформулированы тут Суть: - Группа наркоманов из 10 человек. - Только один инфицирован ВИЧ. - Колются одной иглой. - Колются раз в день. - Колются последовательно через. . .	Мысли в слух. Про "навсегда". kumehtar 16.04.2026 Подумалось тут, что наверное очень глупо использовать во всяких своих установках понятие "навсегда". Это очень сильное понятие, и я только начинаю понимать край его смысла, не смотря на то что давно. . .	My Business CRM MaGz GoLd 16.04.2026 Всем привет, недавно возникла потребность создать CRM, для личных нужд. Собственно программа предоставляет из себя базу данных клиентов, в которой можно фиксировать звонки, стадии сделки, а также. . .	Знаешь почему 90% людей редко бывают счастливыми? kumehtar 14.04.2026 Потому что они ждут. Ждут выходных, ждут отпуска, ждут удачного момента. . . а удачный момент так и не приходит.
Фиксация колонок в отчете СКД Maks 14.04.2026 Фиксация колонок в СКД отчета типа Таблица. Задача: зафиксировать три левых колонки в отчете. Процедура ПриКомпоновкеРезультата(ДокументРезультат, ДанныеРасшифровки, СтандартнаяОбработка) / / . . .	Настройки VS Code Loafer 13.04.2026 { "cmake. configureOnOpen": false, "diffEditor. ignoreTrimWhitespace": true, "editor. guides. bracketPairs": "active", "extensions. ignoreRecommendations": true, . . .	Оптимизация кода на разграничение прав доступа к элементам формы Maks 13.04.2026 Алгоритм из решения ниже реализован на нетиповом документе, разработанного в конфигурации КА2. Задачи, как таковой, поставлено не было, проделанное ниже исключительно моя инициатива. Было так:. . .	Контроль заполнения и очистка дат в зависимости от значения перечислений Maks 12.04.2026 Алгоритм из решения ниже реализован на примере нетипового документа "ПланированиеПерсонала", разработанного в конфигурации КА2. Задача: реализовать контроль корректности заполнения дат назначения. . .

@Welemir1 Автоматизируй это! 7392 / 4819 / 1246 Регистрация: 30.03.2015 Сообщений: 13,694 Записей в блоге: 29
	14.04.2021, 10:44
	triatri3, почему вы стесняетесь все приводить веь текст ошибки, там же важно еще строки. Где то ты вызываешь целое число с круглыми скобками, если это про твою последнюю строку, то regressor.fit это число, а не функция 0

Ошибка 'int' object is not iterable

Решение