【手把手教你如何简单的封装自己私人的Python库,提高撸代码的效率】

10 篇文章 1 订阅
4 篇文章 0 订阅

手把手教你如何简易封装自创的Python库,提高撸代码的效率

库的导入

写python的朋友第一行基本上应该都是import xxxyyy as xy或者from xxxyyy import zzz as xyz吧?咱不导入库的话代码也没法运行嘞。

我的moduleigh库

我至今也分享过大概10篇关于python的文章了,有些朋友可能也发现我有一个叫做moduleigh的库,不知道是个啥玩意儿,在pypi.org上也没有,也没见别人用过这库。所以很显然这是我自己为了方便做的私人库:import moduleigh as ml

今天我就把它里面都写了啥给大家看看

  1. 首先呢,我也得导入别人的库嘞:
import pandas as pd
from sqlalchemy import create_engine
import pymysql
pymysql.install_as_MySQLdb()
  1. 以上的库都是啥我就不用做过多的解释了。
  2. 我要把我喜欢的Pandas输出显示设置提前预设好,代码如下:
def mypandasview():
    # the usual pandas settings
    pd.set_option('display.unicode.east_asian_width', True)
    pd.set_option('display.unicode.ambiguous_as_wide', True)
    pd.set_option('display.colheader_justify', 'right')
    pd.set_option('expand_frame_repr', True)
    pd.set_option('display.column_space', 50)
    pd.set_option('display.max_columns', None)
    pd.set_option('display.max_rows', None)
    pd.set_option('display.width', 2000)
  1. 当我想调用的时候我就写一行代码执行就行了ml.mypandasview()
  2. 下一个部分是我自己封装MySQL的代码:
def df_2_mysql(df, name, user='root', psw='root', ip='xx.xx.yy.yy:3306', db='stockdbleigh'):
    """
    :param df: The data to pass
    :param name: The name of the table in db
    :param psw: Your password of your database
    :param ip: Your IP
    :param db: The name of your database
    :param user: root
    :return: None
    """

    con = create_engine('mysql+pymysql://{}:{}@{}/{}'.format(user, psw, ip, db))  # mysql+pymysql的意思为:指定引擎为pymysql
    df.to_sql(name, con, index=False, if_exists='replace', chunksize=None)
  1. 当我想把某个Dataframe数据传入到我的MySQL的时候我就输入ml.df_2_mysql([Dataframe的赋值名称], [在mysql里该数据的命名])
  2. 最后的部分我都没有封装函数,就是一个dictionary
mytoken = {
    "Leigh": "570………………33ade",
    "Healer": "f6b51………………cfd8",
    "Leo": "c09c………………ee8c",
}
  1. 这是3个tushare的密钥,当我想用我的token的时候,就不用每次都要复制粘贴那一长串token了。然后分享代码的时候也不方便,把自己的token分享出去就BBQ了。
	import tushare as ts
    token = ml.mytoken['Leigh']
    ts.set_token(token)
    pro = ts.pro_api(token)

总结

  1. 这种方法是不是有点儿意思?大家都可以把一些经常重复敲打的代码打包再来进行调用,这样既可以节省时间也能提高书写效率。
  2. 但是这种方法也有个麻烦事儿就是你得把这个文件和导入它的文件放在一个文件夹下。我也尝试过进行全局设定导入那种方法,但是我失败了,囧。
  3. 看看以后有没有可能写一个关于可以完美的全局导入的方法分享给大家参考。
  4. 欢迎大家指点批评!!!
  5. 最后给大家普及一下发音:Leigh同Lee同Li同李。
  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
好的,我可以为您提供一些关于使用Python代码实现Transformer的指导。 首先,您需要安装PyTorch和torchtext。然后,您可以按照以下步骤实现Transformer模型: 1. 定义输入和输出的词汇表,并使用torchtext加载数据集。 2. 定义Transformer模型的编码器和解码器部分。 3. 实现自注意力机制(self-attention)和前向神经网络(feed-forward network)。 4. 实现残差连接(residual connection)和层归一化(layer normalization)。 5. 定义Transformer模型的训练和评估过程。 下面是一个简单的示例代码,用于实现一个基本的Transformer模型: ```python import torch import torch.nn as nn import torch.optim as optim import torch.nn.functional as F from torchtext.datasets import TranslationDataset, Multi30k from torchtext.data import Field, BucketIterator # 定义输入和输出的词汇表 SRC = Field(tokenize='spacy', tokenizer_language='de', init_token='<sos>', eos_token='<eos>', lower=True) TRG = Field(tokenize='spacy', tokenizer_language='en', init_token='<sos>', eos_token='<eos>', lower=True) # 加载数据集 train_data, valid_data, test_data = Multi30k.splits(exts=('.de', '.en'), fields=(SRC, TRG)) SRC.build_vocab(train_data, min_freq=2) TRG.build_vocab(train_data, min_freq=2) # 定义Transformer模型的编码器和解码器部分 class Encoder(nn.Module): def __init__(self, input_dim, hid_dim, n_layers, n_heads, pf_dim, dropout, device): super().__init__() self.device = device self.tok_embedding = nn.Embedding(input_dim, hid_dim) self.pos_embedding = nn.Embedding(1000, hid_dim) self.layers = nn.ModuleList([EncoderLayer(hid_dim, n_heads, pf_dim, dropout, device) for _ in range(n_layers)]) self.dropout = nn.Dropout(dropout) self.scale = torch.sqrt(torch.FloatTensor([hid_dim])).to(device) def forward(self, src, src_mask): # src: [batch_size, src_len] # src_mask: [batch_size, 1, 1, src_len] batch_size = src.shape[0] src_len = src.shape[1] pos = torch.arange(0, src_len).unsqueeze(0).repeat(batch_size, 1).to(self.device) # pos: [batch_size, src_len] src = self.dropout((self.tok_embedding(src) * self.scale) + self.pos_embedding(pos)) for layer in self.layers: src = layer(src, src_mask) return src class EncoderLayer(nn.Module): def __init__(self, hid_dim, n_heads, pf_dim, dropout, device): super().__init__() self.self_attn_layer_norm = nn.LayerNorm(hid_dim) self.ff_layer_norm = nn.LayerNorm(hid_dim) self.self_attention = MultiHeadAttentionLayer(hid_dim, n_heads, dropout, device) self.positionwise_feedforward = PositionwiseFeedforwardLayer(hid_dim, pf_dim, dropout) self.dropout = nn.Dropout(dropout) def forward(self, src, src_mask):

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
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

打赏作者

Mike_Leigh

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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