Hướng dẫn python docstring vs type hints - python docstring so với gợi ý về loại

Nhập dữ liệudatetime

Timestamp = datetime.dateTime.now () & nbsp; & nbsp;# Nhận ngày và giờ hiện tại=datetime.datetime.now()  # Get the current date and time

x = 0 & nbsp; & nbsp; & nbsp; & nbsp;# khởi tạo X đến 0=0    # initialize x to zero

Nhập Scipy.statsscipy.stats

z_alpha = scipy.stats.norm.ppf (0.975) & nbsp; & nbsp;# gọi cdf nghịch đảo của tiêu chuẩn bình thường=scipy.stats.norm.ppf(0.975)  # Call the inverse CDF of standard normal

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

def adadelta (mục tiêu, phái sinh, giới hạn, n_iter, rho, ep = 1e-3):adadelta(objective,derivative,bounds,n_iter,rho,ep=1e-3):

& nbsp; & nbsp; & nbsp; & nbsp;# tạo một điểm ban đầu# generate an initial point

    solution=bounds[:,0]+rand(len(bounds))*(bounds[:,1]-bounds[:,0])solution =bounds[:,0]+rand(len(bounds))*(bounds[:,1]- bounds[:,0])

& nbsp; & nbsp; & nbsp; & nbsp;# danh sách để giữ các gradient vuông trung bình cho mỗi biến và# lists to hold the average square gradients for each variable and

& nbsp; & nbsp; & nbsp; & nbsp;# Cập nhật tham số trung bình# average parameter updates

    sq_grad_avg=[0.0for_inrange(bounds.shape[0])]sq_grad_avg=[0.0 for_inrange(bounds.shape[0])]

    sq_para_avg=[0.0for_inrange(bounds.shape[0])]sq_para_avg=[0.0for_in range(bounds.shape[0])]

& nbsp; & nbsp; & nbsp; & nbsp;# run the gradient descent

& nbsp; & nbsp; & nbsp; & nbsp; forit inrange (n_iter):forit inrange(n_iter):

        gradient=derivative(solution[0],solution[1])gradient =derivative(solution[0],solution[1])

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp;# update the moving average of the squared partial derivatives

        foriinrange(gradient.shape[0]):fori inrange(gradient.shape[0]):

            sg=gradient[i]**2.0sg=gradient[i]**2.0

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp;sq_grad_avg[i] =(sq_grad_avg[i]*rho)+(sg *(1.0-rho))

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp;# build a solution one variable at a time

        new_solution=list()new_solution =list()

        foriinrange(solution.shape[0]):foriinrange(solution.shape[0]):

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp;# calculate the step size for this variable

            alpha=(ep+sqrt(sq_para_avg[i]))/(ep+sqrt(sq_grad_avg[i]))alpha=(ep+sqrt(sq_para_avg[i]))/(ep+ sqrt(sq_grad_avg[i]))

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp;# calculate the change and update the moving average of the squared change

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp;change=alpha * gradient[i]

            sq_para_avg[i]=(sq_para_avg[i]*rho)+(change**2.0*(1.0-rho))sq_para_avg[i]=(sq_para_avg[i]*rho)+ (change**2.0*(1.0-rho))

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp;# calculate the new position in this variable and store as new solution

            value=solution[i]-changevalue =solution[i]-change

            new_solution.append(value)new_solution.append(value)

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp;# đánh giá điểm ứng cử viên# evaluate candidate point

        solution=asarray(new_solution)solution =asarray(new_solution)

        solution_eval=objective(solution[0],solution[1])solution_eval=objective(solution[0],solution[1])

& nbsp;# report progress

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp;print('>%d f(%s) = %.5f'%(it,solution,solution_eval))

    return[solution,solution_eval]return[solution, solution_eval]

# TODO Thay thế mã Keras bên dưới bằng TensorFlow

từ keras.models nhập tuần tựkeras.models import Sequential

từ keras.layers nhập Conv2Dkeras.layers import Conv2D

model=Sequential()=Sequential()

model.add(Conv2D(1,(3,3),strides=(2,2),input_shape=(8,8,1))).add(Conv2D(1, (3,3),strides=(2,2),input_shape=(8,8,1)))

model.summary().summary()

.....

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

TcpSocketBase::~TcpSocketBase(void)::~TcpSocketBase(void)

{

  NS_LOG_FUNCTION(this);NS_LOG_FUNCTION(this);

  m_node=nullptr;m_node=nullptr;

  if(m_endPoint!=nullptr)if (m_endPoint!=nullptr)

    {{

      NS_ASSERT(m_tcp!=nullptr);NS_ASSERT(m_tcp!=nullptr);

      /*/*

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; * Khi ràng buộc, IPv4ENDPOINT được phân bổ và đặt thành m_endpoint và

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; * Phá hủyCallback được đặt thành tcpsocketbase :: phá hủy. Nếu chúng ta gọi

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; * M_TCP-> Deallocate, nó sẽ phá hủy IPv4EndPointDemux :: DealLocate,

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; * Lần lượt phá hủy m_endpoint của tôi và lần lượt gọi

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; * Tcpsocketbase :: phá hủy thành Nullify M_Node, M_EndPoint và M_TCP.

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; */

      NS_ASSERT(m_endPoint!=nullptr);NS_ASSERT(m_endPoint!=nullptr);

      m_tcp->DeAllocate(m_endPoint);m_tcp->DeAllocate (m_endPoint);

      NS_ASSERT(m_endPoint==nullptr);NS_ASSERT(m_endPoint==nullptr);

    }}

  if(m_endPoint6!=nullptr)if(m_endPoint6!= nullptr)

    {{

      NS_ASSERT(m_tcp!=nullptr);NS_ASSERT(m_tcp!=nullptr);

      NS_ASSERT(m_endPoint6!=nullptr);NS_ASSERT(m_endPoint6!= nullptr);

      m_tcp->DeAllocate(m_endPoint6);m_tcp->DeAllocate(m_endPoint6);

      NS_ASSERT(m_endPoint6==nullptr);NS_ASSERT(m_endPoint6==nullptr);

    }}

  m_tcp=0;m_tcp=0;

  CancelAllTimers();CancelAllTimers();

}

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

async def main (indir):def main(indir):

& nbsp; & nbsp; & nbsp; & nbsp;# quét Dirs cho các tệp và điền vào danh sách# Scan dirs for files and populate a list

    filepaths=[]filepaths=[]

& nbsp;forpath, dirs,files inos.walk(indir):

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp;forbasename infiles:

            filepath=os.path.join(path,basename)filepath =os.path.join(path,basename)

            filepaths.append(filepath)filepaths.append(filepath)

& nbsp; & nbsp; & nbsp; & nbsp; "" "Tạo" nhóm quy trình "của 4 và chạy asyncio."""Create the "process pool" of 4 and run asyncio.

& nbsp; & nbsp; & nbsp; & nbsp; các quy trình sẽ thực thi chức năng công nhân

& nbsp; & nbsp; & nbsp; & nbsp; đồng thời với mỗi đường dẫn tệp dưới dạng tham số

    """""

    loop=asyncio.get_running_loop()loop=asyncio.get_running_loop()

& nbsp; & nbsp; & nbsp; & nbsp; với đồng thời.with concurrent.futures.ProcessPoolExecutor(max_workers=4)asexecutor:

        futures=[loop.run_in_executor(executor,func,f)forfinfilepaths]futures= [loop.run_in_executor(executor,func,f)forfinfilepaths]

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp;forfut in asyncio.as_completed(futures):

            try:try:

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp;filepath=await fut

                print(filepath)print(filepath)

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp;except Exception asexc:

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp;print("failed one job")

từ sklearn.linear_model nhập khẩu logisticregressionsklearn.linear_model import LogisticRegression

từ sklearn.datasets nhập make_classificationsklearn.datasets import make_classification

"" ""

X, y = make_classification (n_samples = 5000, n_features = 2, n_informative = 2,

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; n_redundant = 0, n_repeated = 0, n_ classes = 2,

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; n_clusters_per_class = 1,

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; Trọng lượng = [0,01, 0,05, 0,94],

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; class_sep = 0.8, Random_state = 0)

"" """

X, y = make_classification (n_samples = 5000, n_features = 2, n_informative = 2,pickle

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; n_redundant = 0, n_repeated = 0, n_ classes = 2,open("dataset.pickle","wb")asfp:

    X,y=pickle.load(fp)X,y= pickle.load(fp)

clf=LogisticRegression(random_state=0).fit(X,y)=LogisticRegression(random_state=0).fit(X,y)

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; n_clusters_per_class = 1,..

nhập khẩu dưa chuasquare(x):

Với Open ("DataSet.Pickle", "WB") ASFP:"""Just to compute the square of a value

    Args:

...

    Returns:

Trên đây là mã mẫu mà chúng tôi có thể phát triển bằng cách thử nghiệm vấn đề học máy. Mặc dù chúng tôi đã tạo một bộ dữ liệu một cách ngẫu nhiên ở đầu (cuộc gọi đến jedi8 ở trên), chúng tôi có thể muốn chuyển sang một bộ dữ liệu khác và lặp lại cùng một quy trình sau đó (ví dụ: phần Pickle ở trên). Thay vì xóa khối mã, chúng tôi có thể chỉ cần bình luận về các dòng đó để chúng tôi có thể lưu trữ mã sau. Nó không có hình dạng tốt cho mã hoàn thiện mà là thuận tiện trong khi phát triển giải pháp của chúng tôi.

    """""

Chuỗi theo nghĩa đen trong Python như một nhận xét có một mục đích đặc biệt nếu nó nằm trong dòng đầu tiên theo một hàm. Chuỗi theo nghĩa đen, trong trường hợp đó, được gọi là Doc DocString của chức năng. Ví dụ,returnx *x

& nbsp; & nbsp; & nbsp; & nbsp; "" "Chỉ để tính toán bình phương của một giá trị("Function name:",square.__name__)

print("Docstring:",square.__doc__)("Docstring:",square.__doc__)

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; x (int hoặc float)

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp;

Args:

& nbsp; & nbsp; & nbsp; & nbsp; returnx *x

Returns:

Chúng ta có thể thấy dòng đầu tiên trong hàm là một chuỗi theo nghĩa đen và nó phục vụ mục đích tương tự như một nhận xét. Nó làm cho mã dễ đọc hơn, nhưng đồng thời, chúng ta có thể lấy nó từ mã:

bình phương def (x):square(x):

& nbsp; & nbsp; & nbsp; & nbsp; "" "Chỉ để tổng hợp bình phương của một giá trị"""Just to compupte the square of a value

    Parameters

    ----------

& nbsp; & nbsp; & nbsp; & nbsp; x: int hoặc float

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; một giá trị số

    Returns

    -------

& nbsp; & nbsp; & nbsp; & nbsp; int hoặc float

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp;

    """""

& nbsp; & nbsp; & nbsp; & nbsp; returnx *xreturnx *x

def Square (x: int)-> int:square(x:int)->int:

& nbsp; & nbsp; & nbsp; & nbsp; returnx *xreturnx *x

def Square (x: int)-> int:square(x:int)->int:

Trong một hàm, các đối số có thể được theo sau bởi A & nbsp; ________ 19 & nbsp; cú pháp để đánh vần các loại & nbsp; dự định & nbsp; Giá trị trả về của một hàm được xác định bởi & nbsp; ____ ____ 20 cú pháp trước đại tràng. Trên thực tế, một gợi ý loại cũng có thể được khai báo cho các biến, ví dụ:value:int=x *x

    returnvaluereturnvalue

Đôi khi loại có thể phức tạp, và do đó Python cung cấp mô -đun ____ 21 & nbsp; trong thư viện tiêu chuẩn của nó để giúp làm sạch cú pháp. Ví dụ, chúng ta có thể sử dụng & nbsp; Như sau:typing import Any,Union,List

Từ việc nhập nhập bất kỳ, liên minh, danh sáchsquare(x:Union[int,float])-> Union[int,float]:

& nbsp; & nbsp; & nbsp; & nbsp; returnx *xreturnx *x

Các công cụ như AutoDoc có thể phân tích các tài liệu này và tạo tài liệu API. Nhưng ngay cả khi đó không phải là mục đích, có một tài liệu mô tả bản chất của hàm, các loại dữ liệu của các đối số hàm và giá trị trả về chắc chắn có thể giúp mã của bạn dễ đọc hơn. Điều này đặc biệt đúng vì Python, không giống như C ++ hoặc Java, là ngôn ngữ gõ vịt trong đó các biến và đối số chức năng không được khai báo với một loại cụ thể. Chúng tôi có thể sử dụng các tài liệu để đánh vần các giả định của kiểu dữ liệu để mọi người có thể dễ dàng theo dõi hoặc sử dụng chức năng của bạn hơn.append(x:List[Any],y: Any)->None:

    x.append(y)x.append(y)

n:int=3.5:int=3.5

Tham gia khóa học gặp sự cố email 7 ngày miễn phí của tôi ngay bây giờ (với mã mẫu).="assign a string"

Sử dụng các gợi ý loại trong mã Python

Vì Python 3.5, loại cú pháp gợi ý loại được cho phép. Như tên gọi, mục đích của nó là gợi ý về loại và không có gì khác. Do đó, ngay cả khi nó có vẻ đưa Python đến gần Java hơn, điều đó không có nghĩa là hạn chế dữ liệu được lưu trữ trong một biến. Ví dụ trên có thể được viết lại bằng một gợi ý loại:

def Square (x: int)-> int:

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

Từ việc gõ danh sách nhập, tuple, máy phát điệntyping import List,Tuple,Generator

Nhập Pandas ASPDpandas aspd

Nhập ASNP NUMPYnumpy asnp

TrainingSampleGenerator=Generator[Tuple[np.ndarray,np.ndarray],None,None]= Generator[Tuple[np.ndarray,np.ndarray],None,None]

def lstm_gen (dữ liệu: pd.dataframe,lstm_gen(data:pd.DataFrame,

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; Dấu thời gian: int,timesteps:int,

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; Batch_Size: int)-> TrainingSampleGenerator:batch_size:int)->TrainingSampleGenerator:

& nbsp; & nbsp; & nbsp; & nbsp; "" "Trình tạo để sản xuất các mẫu ngẫu nhiên để đào tạo LSTM"""Generator to produce random samples for LSTM training

    Args:

& NBSP;

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp;

& nbsp;

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; được sản xuất từ ​​một cửa sổ có độ dài như vậy

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp;

    Yields:

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp;

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; từ dữ liệu đầu vào

    """""

& nbsp; & nbsp; & nbsp; & nbsp;input_columns =[cforcindata.columns ifc!="target"]

    batch:List[Tuple[pd.DataFrame,pd.Series]]=[]batch: List[Tuple[pd.DataFrame,pd.Series]]=[]

    whileTrue:whileTrue:

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp;# pick one start time and security

        whileTrue:whileTrue:

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp;# Start from a random point from the data and clip a window

            row=data["target"].sample()row= data["target"].sample()

            starttime=row.index[0]starttime=row.index[0]

            window:pd.DataFrame=data[starttime:].iloc[:timesteps]window: pd.DataFrame=data[starttime:].iloc[:timesteps]

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp;# If we are at the end of the DataFrame, we can't get a full

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp;# window and we must start over

            iflen(window)==timesteps:iflen(window)==timesteps:

                breakbreak

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp;# trích xuất# Extract the input and output

        y=window["target"]y=window["target"]

        X=window[input_columns]X=window[input_columns]

        batch.append((X,y))batch.append((X, y))

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp;# If accumulated enough for one batch, dispatch

        iflen(batch)==batch_size:iflen(batch)==batch_size:

            X,y=zip(*batch)X, y=zip(*batch)

& nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; ")yield np.array(X).astype("float32"), np.array(y).astype("float32")

            batch=[]batch=[]