Python项目骨架

1. 项目骨架目录:
项目文件布局
自动测试代码
模块
安装脚本
建立新项目的时候,使用项目骨架进行编辑。
2. python软件包的安装
a. 安装pip
$ wget "https://pypi.python.org/packages/source/p/pip/pip-1.5.4.tar.gz#md5=834b2904f92d46aaa333267fb1c922bb" --no-check-certificate
- 使用--no-check-certificate保证当url 404notfound 或url指向新url时依然可以下载pip安装包
$ tar -xvf pip-1.4.1.tar.gz
$ cd pip-1.4.1/
$ sudo python setup.py install
Traceback (most recent call last):
File "setup.py", line 5, in <module>
from setuptools import setup, find_packages
ImportError: No module named setuptools
- 显示没有setuptools
b. 安装setuptools软件包
# wget http://pypi.python.org/packages/source/s/setuptools/setuptools-2.0.tar.gz
# tar zxvf setuptools-2.0.tar.gz
# cd setuptools-2.0
# python setup.py build
# python setup.py install
- 若安装不成功,有可能是权限不够,进入root后再安装setuptools包。
c. 使用pip安装其他软件包
pip install nose
pip install virtualenv
pip install distribute
d. Pip的使用方法
安装
$pip install package
查看
$pip show --files package
3. 创建骨架项目目录
[root[@spc](https://my.oschina.net/u/153990) py]# mkdir projects #projects目录存储项目
[root[@spc](https://my.oschina.net/u/153990) py]# cd projects/
[root[@spc](https://my.oschina.net/u/153990) projects]# mkdir skeleton #skeleton是新项目的基础目录
[root[@spc](https://my.oschina.net/u/153990) projects]# cd skeleton/
[root[@spc](https://my.oschina.net/u/153990) skeleton]# mkdir bin
[root@spc skeleton]# mkdir NAME #NAME目录是项目的主模块,使用骨架时进行取名
[root@spc skeleton]# mkdir tests
[root@spc skeleton]# mkdir docs
[root@spc skeleton]# touch NAME/__init__.py
[root@spc skeleton]# touch tests/__init__.py
[root@spc skeleton]# vi tests/NAME_tests.py #测试专用的骨架文件
from nose.tools import *
import NAME
def setup():
print "SETUP!"
def teardown():
print "TEAR DOWN!"
def test_basic():
print "I RAN!"
[root@spc skeleton]# vi setup.py
config = {
'description':'my project',
'author':'spc',
'url':'spacewe',
'download_url':'spacewe',
'author_email':'spc email',
'version':'0.1',
'install_requires':['nose'],
'package':['NAME'],
'scripts':[],
'name':'projectname'
}
setup(**config)
[root@spc skeleton]# ls -R #最终目录结构
.:
bin docs NAME setup.py tests
./bin:
./docs:
./NAME:
__init__.py
./tests:
__init__.py NAME_tests.py
[root@spc skeleton]# nosetests #测试配置
.
----------------------------------------------------------------------
Ran 1 test in 0.004s
OK
4. 使用项目骨架
a. 复制骨架目录,改名
b. 改NAME模块的名字
c. 编辑setup.py,更新信息
d. 重命名tests/NAME_tests.py,使名字匹配模块名字
e. 使用nosetests检查
f. 开始写代码
  • 2
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
独立计量区域(DMA)管理是控制城市供水系统水量漏失的有效方法之一,通过对流入或流出这一区域的水量进行计量,对流量,压力的分析来识别泄漏水模式。 针对问题一,利用拉以达法则进行异常值剔除,运用NAR神经网络模型,结合混沌时间序算法优化模型,建立变种神经网络模型,将异常值剔除后的供水量数据输入神经网络训练,得到供水量拟合趋势曲线。查阅各个典型用水模式的相关供水量数据,作出趋势图,并与拟合后的趋势曲线对比,辨识出该DMA分区的典型用水模式为居民生活(小区)模式。 针对问题二,参考国际水协制定的漏失指数(ILI)性能指标,将供水量-压力进行危险等级划分:A-正常,B-一般异常,C-较异常,D-严重异常,E-源头漏损5类。建立DBSCAN聚类模型,利用逆高斯函数对minPts与EPts值进行优化,得到优化SA-DBSCAN模型。将所有数据放入模型中进行分类,得到异常数据和正常数据。通过SA-DBSCAN模型将异常数据分类,对照等级分类标准,对异常值进行等级量化,得到不同危险等级下的漏水量模式。 针对问题三,参考资料,将供水异常模式分为:明漏,暗漏,源头漏损,供水失窃。建立BP神经网络模型,结合GA遗传算法优化,得到GA-BP神经网络。将问题二中所得的正常数据消除固定数值背景漏水量之后,输入神经网络训练,将异常数据放入网络,得到正常的供水量数据,与原异常数据对比出异常幅度和持续时间,结合辨识出的居民生活(小区)用水模式,识别不同月份异常值产生的模式。四月用水异常模式为供水失窃;五月用水异常模式为明漏、暗漏及源头漏损;六月用水异常模式为明漏和暗漏。
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