Textual Learning4 -- binding and action

一、绑定BINDINGS

1.1 简单介绍:

BINDINGS是一个简单的三元组,可以连结到行动方法(action)

1.2 注意事项:

bindings类变量应该用全大写 -- BINDINGS

变量应该是所有密钥绑定的列表(全部的BINDINGS都应该写在一个BINDINGS里面)

1.3 组成说明:

按键绑定:键位名,要触发的方法,描述文档

按键名就是某键按下后执行想要的动作

该描述是对密钥绑定应该做什么的描述,并且是可读的

动作名称应该与方法的名称匹配

1.4 英文介绍:

A binding can be something as simple as a triple that connects a key to a method

Write in caps lock at the bindings class variable -- BINDINGS

And this quest variable is supposed to be a list of all of your key bindings

We are going to have a triple which is going to consist of 3 things

        (key, action name, description)

        the description is the description of what the key binding is supposed to do and it is readable

        the action name should match the name of your method --- But the action method should begin with action!!!!!!

1.5 例子:

class HelloTest(App):

    BINDINGS = [
        ("o","show_my_screen","Author Info"),
        ("d", "toggle_dark_mode", "Toggle dark mode")
        ]

    def compose(self):
        yield Header(show_clock=True)


    def action_show_my_screen(self):
        self.push_screen(AuthorInfo())

    def action_toggle_dark_mode(self):
        self.dark = not self.dark


if __name__ == "__main__":
    app = HelloTest(css_path="./hello.css", watch_css = True)
    app.run()

1.6 位置说明:

BINDINGS与def都在class app 的里面, 并且与def compose有相同的缩进格(缩进一个Tab键)

二、行动action

2.1 位置说明:

action需要定义,def与compose有相同的缩进格(一个Tab键)

而且不同的action的先后顺序不影响实际程序的执行

2.2 易忽视的点:

在定义action时,action的名称前面必须加action,否则按下按键不会执行action内的东西

错误案例:

    def toggle_dark_mode(self):
        self.dark = not self.dark

正确案例:在前面加action及一个下划线:

    def action_toggle_dark_mode(self):
        self.dark = not self.dark

提取EDGAR 10-K文件中的文本数据是通过自动化和机器学习技术实现的。EDGAR是美国证券交易委员会(SEC)提供的一个公开的电子数据管理系统,其中包含了上市公司提交给SEC的各种文件,包括10-K报告。 首先,我们需要使用网络爬虫技术从EDGAR数据库中下载所需的10-K文件。爬虫程序按照特定的规则访问EDGAR网站上的公司文件列表,获取目标公司的10-K文件链接,并将这些链接保存下来。 接下来,我们使用数据抽取技术对已下载的10-K文件进行解析。这通常涉及到使用自然语言处理(NLP)技术,如文本标记、语义分析和实体识别等,以从文本数据中提取有用的信息。例如,我们可能需要提取公司的财务数据、管理层讨论与分析、风险因素等。 在提取文本数据之后,我们可能需要使用数据清洗和预处理技术对数据进行处理。这可以包括去除无用的标点符号和停用词,进行词干提取和拼写纠正,以及处理缺失值和异常值等。 最后,在数据准备和处理完毕后,我们可以将提取的文本数据用于各种目的。例如,可以进行文本分析和情感分析来了解公司的业绩和市场趋势,或者进行机器学习任务,如文本分类、命名实体识别或信息提取等。 总而言之,提取EDGAR 10-K文件中的文本数据是一个复杂的过程,需要使用Web爬虫、自然语言处理和数据清洗等技术来实现。这些数据可以帮助我们了解上市公司的财务状况和经营情况,并为后续的分析和决策提供有用的信息。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值