Bild von Editor | Chatgpt
# Einführung
Die Arbeit mit Python bedeutet, sich auf viele seiner integrierten Funktionen zu verlassen, insbesondere für Datenwissenschaftsaufgaben. Beliebte Funktionen wie lenAnwesend maxAnwesend varyusw. sind in dem Toolkit eines Datenwissenschaftlers häufig und in verschiedenen Situationen nützlich. Viele integrierte Funktionen bleiben jedoch nicht erkannt, da sie als nutzlos empfunden werden.
In diesem Artikel werden wir sieben verschiedene Einbauten untersuchen, die Sie vielleicht für einen Witz halten, aber in ihren Anwendungen tatsächlich sehr nützlich sind. Diese integrierten Ins unterscheiden sich von Ihrem üblichen Code, finden jedoch ihren Platz in Ihrem Workflow, sobald Sie ihre Nützlichkeit erkennen.
Neugierig? Lassen Sie uns darauf eingehen.
# 1. Die divmod Integrierte Funktion
Viele Menschen benutzen das selten divmod integrierte Funktion oder sogar wissen, dass sie existiert. Der divmod Die integrierte Funktion gibt zwei Zahlen zurück: das Ergebnis der Bodenteilung und des Modulbetriebs. Es magazine nutzlos erscheinen, da wir Syntax wie verwenden können a // b Und a % b Ohne die Bedürfnisse des Eingebauten, insbesondere wenn wir selten beide Ergebnisse gleichzeitig benötigen.
In realen Anwendungsfällen benötigen wir häufig beide Ergebnisse und möchten, dass sie einmal konsequent berechnet werden, um den Prozess schneller zu gestalten. Ein paar divmod Anwendungen – einschließlich Zeitumwandlung, Pagination, Cost und sauberer Hash -Mathematik – zeigen den Nutzen.
Lassen Sie uns ein Nutzungsbeispiel sehen:
total_seconds = 7132
minutes, seconds = divmod(total_seconds, 60)
hours, minutes = divmod(minutes, 60)
print(f"Time: {hours:02d}:{minutes:02d}:{seconds:02d}")Wobei die Ausgabe unten angezeigt wird:
Mit einer Funktion können wir Zahlen gleichmäßig teilen, was in vielen Anwendungen nützlich ist.
# 2. Die slice Integrierte Funktion
Der slice Die integrierte Funktion wird verwendet, um Teile von Sequenzen wie Zeichenfolgen, Hear oder Tupeln zu trennen oder zu extrahieren. Es magazine überflüssig erscheinen, weil wir einfach ein Slice -Objekt wie erstellen können wie obj(1:10:2).
Die Stärke der Stärke jedoch slice Die integrierte Funktion wird deutlich, wenn Sie dieselbe Schnittregel über verschiedene Objekte hinweg wiederverwenden müssen. Die Funktion hilft uns, eine konsistente Parsenlogik aufrechtzuerhalten und ermöglicht es uns, Strategien für die Datenverarbeitung zu erstellen.
Hier ist ein Beispiel für die Implementierung:
evens = slice(0, None, 2)
textual content = "abcdefghij"
print(textual content(evens))Die Ausgabe ist unten dargestellt:
Der slice Die oben integrierte oben zeigt, dass wir eine wiederverwendbare Regel festlegen können, um jeden zweiten Charakter zu nehmen.
# 3.. Die iter Integrierte Funktion
Der iter Die integrierte Funktion erstellt ein Iteratorobjekt, das Elemente nacheinander nacheinander verarbeitet. Dies magazine unnötig erscheinen, da wir bereits das Muster „true“ und „Break“ haben. Es ist jedoch hilfreich, da es einen saubereren Code und eine bessere Struktur in der Datenpipeline ermöglicht.
Zum Beispiel können wir verwenden iter Um die Streaming -Datenverarbeitung zu steuern:
import io
f = io.BytesIO(b"12345678")
for block in iter(lambda: f.learn(3), b""):
print(block)Wobei die Ausgabe unten angezeigt wird:
# 4. Die memoryview Integrierte Funktion
Der memoryview Die integrierte Funktion erstellt ein Speicheransichtsobjekt aus internen Daten, ohne sie zu kopieren. Es magazine eine unnötige Funktion erscheinen, die keinen Platz im Commonplace -Python -Workflow hat.
Allerdings die memoryview Funktion wird nützlich, wenn große binäre Daten behandelt werden, da Benutzer darauf zugreifen und diese ändern können, ohne ein neues Objekt zu erstellen. Sie können beispielsweise einen Teil der Daten im selben Speicher ersetzen, ohne zu kopieren, wie im folgenden Code gezeigt.
buf = bytearray(b"hi there")
mv = memoryview(buf)
mv(0) = ord('H')
print(buf)
mv(:) = b"HELLO"
print(buf)Die Ausgabe ist unten dargestellt:
bytearray(b'Hi there')
bytearray(b'HELLO')Die Zuordnung erfolgt in demselben Speicher, was für jede leistungsempfindliche Arbeit hilfreich ist.
# 5. die any Integrierte Funktion
Der any Die integrierte Funktion gibt einen booleschen Wert zurück, indem sie Elemente in einem iterablen Objekt überprüfen. Es kehrt zurück True Wenn ein Component im iterablen wahr ist und wahr ist und False ansonsten. Die Funktion scheint nutzlos zu sein, da sie anscheinend eine einfache Kontrollschleife ersetzt.
Die Stärke der Stärke jedoch any Die Funktion liegt in ihrer Fähigkeit, vorübergehende Objekte zu erstellen und eine faule Bewertung mit Generatoren zu verwenden, was bedeutet, dass die Funktion eine klare Schleifenlogik haben und die Speicherverwendung reduzieren kann.
Ein Beispiel für den Python -Code ist unten dargestellt:
information = ("report.txt", "gross sales.csv", "notes.md")
print(any(f.endswith(".csv") for f in information))Wobei die Ausgabe unten angezeigt wird:
Es ist vorteilhaft, wenn wir Anwendungsfälle haben, die Validierung oder Schutzbedingungen erfordern.
# 6. die all Integrierte Funktion
Der all Die integrierte Funktion ist ähnlich wie anyAber der Unterschied ist, dass erstere nur zurückkehrt True Wenn all Objekte in der Iteration sind Wahrheit. Ähnlich anyDie all Die integrierte Funktion wird häufig als nutzlos empfunden, da eine manuelle Schleife das gleiche Ergebnis erzielen kann.
Es ist ein wertvolles integriertes Einbau, da es eine deklarative und kurze Überprüfung bietet, dass jedes Component für Generatoren mit fauler Bewertung wahr ist. Dies bedeutet, dass der Code sauberer ist und weniger Speicher benötigt.
Bei der beispielhaften Nutzung wird der folgende Code verwendet:
required = ("id", "identify", "electronic mail")
report = {"id": 1, "identify": "Ana", "electronic mail": "a@x.io"}
print(all(okay in report for okay in required))Wobei die Ausgabe unten angezeigt wird:
Anwendungen umfassen Schemaprüfungen und Eingabevalidierung.
# 7. Die zip Integrierte Funktion
Der zip Die integrierte Funktion wird verwendet, um Elemente von mehreren iterablen Objekten in Tupel zu aggregieren. Es magazine unnötig erscheinen, da ein Entwickler einfach mit Indizes iterieren könnte, wie beispielsweise mit a for i in vary(len(x)): Schleife oder weil es nur Tupel zurückgibt.
Der zip Die integrierte Funktion ist jedoch weitaus hilfreicher, da Sie über mehrere iterable Objekte wechseln können, ohne Indizes zu jonglieren. Wenn die Funktion nur bei Bedarf Paare erstellt, verschwendet sie keinen Speicher. Es vermeidet auch gemeinsame Indexfehler, wenn wir die Indexierung manuell verwalten.
Das Python -Beispiel ist unten gezeigt:
keys = ("id", "identify", "electronic mail")
vals = (1, "Ana", "a@x.io")
report = dict(zip(keys, vals))
print(report)Wobei die Ausgabe unten angezeigt wird:
{'id': 1, 'identify': 'Ana', 'electronic mail': 'a@x.io'}Es gibt viele Anwendungen, z. B. für die parallele Iteration über Datensätze oder paarweise Berechnungen ohne Indexarithmetik.
# Abschluss
Python ist eine nützliche Programmiersprache für alle datenbezogenen Aktivitäten, und seine integrierten Funktionen sind ein wesentlicher Bestandteil dieses Nutzens. Einige Einbauten werden jedoch als nutzlos empfunden-das heißt, bis Sie sie tatsächlich verwenden und erkennen, wie wertvoll sie sind.
Ich hoffe das hat geholfen!
Cornellius Yudha Wijaya ist ein Knowledge Science Assistant Supervisor und Datenautor. Während er in Vollzeit bei Allianz Indonesien arbeitet, liebt er es, Python- und Datentipps über soziale Medien und das Schreiben von Medien zu teilen. Cornellius schreibt über eine Vielzahl von KI- und maschinellen Lernthemen.