我在机器学习领域还是个新手，正在尝试对数据集X_Train和Y_Train进行随机化，以便稍后从中构建小批量数据。X_Train的随机化运行正常，但Y_Train的随机化总是给我返回错误信息：

can only concatenate list (not “int”) to list

import numpy as npimport mathdef create_datasets():   dataset = np.genfromtxt('winequality-white.csv', delimiter=';')   dataset = dataset[1:,:]   X_Test=dataset[:64,:-1]   X_Train=dataset[64:,:-1]   m = X_Train.shape[0]   Y_Test=dataset[:64,-1:]   Y_Train=dataset[64:,-1:].reshape(m,1)   return X_Train, Y_Train, X_Test, Y_Test, mdef shuffling(X_Train,Y_Train,m,minibatch_size):   permutation=list(np.random.permutation(m))   shuffled_X=X_Train[permutation,:].T   shuffled_Y=Y_Train[permutation,:]   n_comp_minibatches=math.floor(m/minibatch_size)    #Total n. of minibatches with 64 elements   minibatches=[]

有谁能告诉我哪里出了问题吗？

回答：

你的代码在我看来是没问题的。以下是一个完整版本：

def shuffling(X_Train, Y_Train, m, minibatch_size):    permutation = list(np.random.permutation(m))    shuffled_X = X_Train[permutation, :]    shuffled_Y = Y_Train[permutation, :]    n_comp_minibatches = math.floor(m / minibatch_size)    minibatches = [(shuffled_X[i*minibatch_size:(i+1)*minibatch_size],                    shuffled_Y[i*minibatch_size:(i+1)*minibatch_size])                   for i in range(n_comp_minibatches)]    return minibatches

如果你也想包含最后一个不完整的小批量数据，只需在列表推导式中使用n_comp_minibatches + 1。此外，通常处理[rows, features]格式的数据比[features, data]更方便，这就是我跳过了转置操作的原因，但这取决于你。