preprocess(python如何调用另一个py文件的所有函数)
本文目录
python如何调用另一个py文件的所有函数
在同一个文件夹下
调用函数:
A.py文件:
B.py文件:
或
调用类:
A.py文件:
B.py文件:
或
在不同文件夹下
A.py文件的文件路径:E:\PythonProject\winycg
B.py文件:
针对这个问题,网上有很多的解决方式。其实最主要的原因是因为Python无法正确找到你其他文件夹下文件的路径。针对不同的环境和问题有不同的方法,大家可自行测试。
方法一
环境,Python为3.5,pycharm工作区间。主文件(main_preprocess.py)需要运用split_by_date.py中的函数,main_preprocess与split_by_date在同一个大文件夹下,其中split_by_date在preprocess文件夹下
2.文件夹目录视图:
3.以下问题针对的问题如下:
在此处有一个文件 application/app/folder/file.py
想在 application/app2/some_folder/some_file.py 中应用file.py
方法二
方法三
但是这个方法必须保证folder文件夹(也就是需要的文件夹下)包含__init__.py,若是没有,可以新建一个
方法四
此法适用于 python3 on linux
方法五
当文件在平行路径下时,如
application/app2/some_folder/some_file.pyapplication/app2/another_folder/another_file.py
DataPreprocess.m是什么类型文件,如何执行
1.在提交新版本到AppStore时候一定要保留每个版本的.dSYM文件。无法定位crash的代码肯定是.dSYM文件和crash report对应的程序版本不一致。 2.由用户反馈的当前版本的crash report可以在iTunesConnect下载。如果是存在设备上的,可以用Organizer导出 3.打开.crash文件,参考Hardware Model确定故障设备是armv6还是armv7架构。 4.利用.dSYM定位调用栈记录中未确定的offset。 比如有如下记录: Last Exception Backtrace: 0 CoreFoundation 0x3440a8bf __exceptionPreprocess 1 libobjc.A.dylib 0x3465a1e5 objc_exception_throw 2 CoreFoundation 0x3440a7b9 + (in MyApp) (MyDelegate.m:441) 这样就确定了调用栈中offset对应的源代码位置。注意如果此时.dSYM文件版本不对,会得到完全无用的错误结果。之后就可以根据所有信息综合分析,确定crash的原因并修正。
sklearn.preprocessing.scale 和standardscale的区别
一、标准化(Z-Score),或者去除均值和方差缩放
公式为:(X-mean)/std 计算时对每个属性/每列分别进行。
将数据按期属性(按列进行)减去其均值,并处以其方差。得到的结果是,对于每个属性/每列来说所有数据都聚集在0附近,方差为1。
实现时,有两种不同的方式:
使用sklearn.preprocessing.scale()函数,可以直接将给定数据进行标准化。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
》》》 from sklearn import preprocessing
》》》 import numpy as np
》》》 X = np.array(,
... ,
... )
》》》 X_scaled = preprocessing.scale(X)
》》》 X_scaled
array(,
,
)
》》》#处理后数据的均值和方差
》》》 X_scaled.mean(axis=0)
array()
》》》 X_scaled.std(axis=0)
array()
使用sklearn.preprocessing.StandardScaler类,使用该类的好处在于可以保存训练集中的参数(均值、方差)直接使用其对象转换测试集数据。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
》》》 scaler = preprocessing.StandardScaler().fit(X)
》》》 scaler
StandardScaler(copy=True, with_mean=True, with_std=True)
》》》 scaler.mean_
array()
》》》 scaler.std_
array()
》》》 scaler.transform(X)
array(,
,
)
》》》#可以直接使用训练集对测试集数据进行转换
》》》 scaler.transform()
array()
二、将属性缩放到一个指定范围
除了上述介绍的方法之外,另一种常用的方法是将属性缩放到一个指定的最大和最小值(通常是1-0)之间,这可以通过preprocessing.MinMaxScaler类实现。
使用这种方法的目的包括:
1、对于方差非常小的属性可以增强其稳定性。
2、维持稀疏矩阵中为0的条目。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
》》》 X_train = np.array(,
... ,
... )
...
》》》 min_max_scaler = preprocessing.MinMaxScaler()
》》》 X_train_minmax = min_max_scaler.fit_transform(X_train)
》》》 X_train_minmax
array(,
,
)
》》》 #将相同的缩放应用到测试集数据中
》》》 X_test = np.array()
》》》 X_test_minmax = min_max_scaler.transform(X_test)
》》》 X_test_minmax
array()
》》》 #缩放因子等属性
》》》 min_max_scaler.scale_
array()
》》》 min_max_scaler.min_
array()
当然,在构造类对象的时候也可以直接指定最大最小值的范围:feature_range=(min, max),此时应用的公式变为:
X_std=(X-X.min(axis=0))/(X.max(axis=0)-X.min(axis=0))
X_scaled=X_std/(max-min)+min
三、正则化(Normalization)
正则化的过程是将每个样本缩放到单位范数(每个样本的范数为1),如果后面要使用如二次型(点积)或者其它核方法计算两个样本之间的相似性这个方法会很有用。
Normalization主要思想是对每个样本计算其p-范数,然后对该样本中每个元素除以该范数,这样处理的结果是使得每个处理后样本的p-范数(l1-norm,l2-norm)等于1。
p-范数的计算公式:||X||p=(|x1|^p+|x2|^p+...+|xn|^p)^1/p
该方法主要应用于文本分类和聚类中。例如,对于两个TF-IDF向量的l2-norm进行点积,就可以得到这两个向量的余弦相似性。
1、可以使用preprocessing.normalize()函数对指定数据进行转换:
1
2
3
4
5
6
7
8
9
》》》 X = ,
... ,
...
》》》 X_normalized = preprocessing.normalize(X, norm=’l2’)
》》》 X_normalized
array(,
,
)
2、可以使用processing.Normalizer()类实现对训练集和测试集的拟合和转换:
1
2
3
4
5
6
7
8
9
10
11
12
》》》 normalizer = preprocessing.Normalizer().fit(X) # fit does nothing
》》》 normalizer
Normalizer(copy=True, norm=’l2’)
》》》
》》》 normalizer.transform(X)
array(,
,
)
》》》 normalizer.transform()
array()
补充:
更多文章:
秘媞的培训,对代理成长有没有帮助?让孩子成长的秘密读后感四五
2024年3月7日 06:40
宝鸡窄版猴,改名“大圣归来”,有什么意义?儿子的生日蛋糕上写什么字比较好
2024年6月14日 22:44
天下贰 魍魉 加点问题,高手进不要复制,要你自己的经验?天下贰魍魉PK加点
2024年7月22日 13:25