随笔分类 - python编程
该分类用于存放python编程相关的一些知识点和笔记
摘要：
如果我们遇到[[1],[2,3],[4,5,6]]这样的一个python列表，想把他展平为一个一维的列表，这个时候你会使用什么样的方法呢？for循环？while循环？其实python的内置函数sum中简单的支持了一下这样的功能，使得我们可以更加简便的把一个高维且长度不固定的列表展平为一个规则的一维列表。
阅读全文
如果我们遇到[[1],[2,3],[4,5,6]]这样的一个python列表，想把他展平为一个一维的列表，这个时候你会使用什么样的方法呢？for循环？while循环？其实python的内置函数sum中简单的支持了一下这样的功能，使得我们可以更加简便的把一个高维且长度不固定的列表展平为一个规则的一维列表。
阅读全文
摘要：
本文主要基于Python的Numpy库，介绍一些爱因斯坦求和算子Einsum的应用场景，包括求和、求内外积、求转置等等。我们需要明确的是，爱因斯坦求和算子的意义主要在于矩阵的多重运算时，可以通过爱因斯坦求和约定将这种复杂问题定义成一个张量网络，通过图模型去找到一个更好的缩并路径，以得到更好的算法复杂度。而如果只是普通的点乘求和之类的运算，其实并不是Einsum的主要功能。但是这些功能也可以用爱因斯坦求和的形式来实现，也说明了这个约定的先进性。当然，也有众多的矩阵运算功能是无法直接通过爱因斯坦求和算子来实现的，比如矩阵求逆、求本征值、矩阵扩维、矩阵重构还有向量叉乘等等。只有在合适的地方使用Einsum，才能体现它的真正价值。
阅读全文
本文主要基于Python的Numpy库，介绍一些爱因斯坦求和算子Einsum的应用场景，包括求和、求内外积、求转置等等。我们需要明确的是，爱因斯坦求和算子的意义主要在于矩阵的多重运算时，可以通过爱因斯坦求和约定将这种复杂问题定义成一个张量网络，通过图模型去找到一个更好的缩并路径，以得到更好的算法复杂度。而如果只是普通的点乘求和之类的运算，其实并不是Einsum的主要功能。但是这些功能也可以用爱因斯坦求和的形式来实现，也说明了这个约定的先进性。当然，也有众多的矩阵运算功能是无法直接通过爱因斯坦求和算子来实现的，比如矩阵求逆、求本征值、矩阵扩维、矩阵重构还有向量叉乘等等。只有在合适的地方使用Einsum，才能体现它的真正价值。
阅读全文
摘要：
本文主要通过一个实际的案例，介绍了如何可以在命令行中调用和运行我们的python模块。“python -m”这个方案为我们提供了一个新的选项，这个运行方法以“__main__.py”文件为入口文件运行，结合python中常用的命令行工具argparse，我们就可以很容易的创建一个可以通过命令行运行和获取参数的python模块。并且可以使用twine上传到pypi网站上，用pip进行安装和管理，会更加的便捷。
阅读全文
本文主要通过一个实际的案例，介绍了如何可以在命令行中调用和运行我们的python模块。“python -m”这个方案为我们提供了一个新的选项，这个运行方法以“__main__.py”文件为入口文件运行，结合python中常用的命令行工具argparse，我们就可以很容易的创建一个可以通过命令行运行和获取参数的python模块。并且可以使用twine上传到pypi网站上，用pip进行安装和管理，会更加的便捷。
阅读全文
摘要：
本文只是通过一个实例来讲述如何获得python中所有的单字符的字母表，不仅仅是局限于英文的abcd，可能还有其他语言如ᵝᵞᵟᵠ等。在实际写python的过程中可能不一定用得到，但是不失为一个挺有趣的功能探索。
阅读全文
本文只是通过一个实例来讲述如何获得python中所有的单字符的字母表，不仅仅是局限于英文的abcd，可能还有其他语言如ᵝᵞᵟᵠ等。在实际写python的过程中可能不一定用得到，但是不失为一个挺有趣的功能探索。
阅读全文
摘要：
在完成一个软件或者程序的实现之后，最后的一步就是发布，发布的目的是为了让更多的人来使用这个项目，而大部分的人是没有相应的编程环境的，因此我们必须考虑将代码编译成各个平台的可执行文件，再发布给用户去使用。本文主要介绍通过pyinstaller在linux和windows上分别打包python脚本为可执行文件，想要跨平台的编译软件就目前而言实现起来还比较困难，博主本地使用的是Win11+WSL2 Ubuntu Linux的环境，能够在一定的程度上解决跨平台发布的问题。
阅读全文
在完成一个软件或者程序的实现之后，最后的一步就是发布，发布的目的是为了让更多的人来使用这个项目，而大部分的人是没有相应的编程环境的，因此我们必须考虑将代码编译成各个平台的可执行文件，再发布给用户去使用。本文主要介绍通过pyinstaller在linux和windows上分别打包python脚本为可执行文件，想要跨平台的编译软件就目前而言实现起来还比较困难，博主本地使用的是Win11+WSL2 Ubuntu Linux的环境，能够在一定的程度上解决跨平台发布的问题。
阅读全文
摘要：
在python的输出结果中，尤其是浮点数的输出，当我们需要写入文本文件时，最好是采用统一的输出格式，这样也能够增强结果的可读性。而对于浮点数输出位数的控制，可以通过{:.4f}、%.4f来指定打印或者输出时的字符串占据空间，也可以通过round函数来对输出前的结果进行转化。而如果是取有效数字，需要用到{:.4}，这几种方法没有优劣，只有看不同的场景，选取不同的精度控制方案。
阅读全文
在python的输出结果中，尤其是浮点数的输出，当我们需要写入文本文件时，最好是采用统一的输出格式，这样也能够增强结果的可读性。而对于浮点数输出位数的控制，可以通过{:.4f}、%.4f来指定打印或者输出时的字符串占据空间，也可以通过round函数来对输出前的结果进行转化。而如果是取有效数字，需要用到{:.4}，这几种方法没有优劣，只有看不同的场景，选取不同的精度控制方案。
阅读全文
摘要：
Python本身是一门比较灵活便捷的编程语言，但是便捷往往有可能伴随着一些风险，比如exec和eval等内置函数的实现，有可能导致sandbox escaping的问题。而有时候我们又需要一些批量化的操作，比如批量化的创建或者修改局部、全局或者是成员变量，这样就需要我们首先要把所有的变量名存成字符串，在需要的时候再作为变量名去调用。在这篇文章中，我们介绍了一系列非exec和eval的操作（并不是说没有风险，也引用了ctype和sys定义的数据帧），来查看和定义、修改所需的各种变量。
阅读全文
Python本身是一门比较灵活便捷的编程语言，但是便捷往往有可能伴随着一些风险，比如exec和eval等内置函数的实现，有可能导致sandbox escaping的问题。而有时候我们又需要一些批量化的操作，比如批量化的创建或者修改局部、全局或者是成员变量，这样就需要我们首先要把所有的变量名存成字符串，在需要的时候再作为变量名去调用。在这篇文章中，我们介绍了一系列非exec和eval的操作（并不是说没有风险，也引用了ctype和sys定义的数据帧），来查看和定义、修改所需的各种变量。
阅读全文
摘要：
本文所解决的问题场景是这样的：如果给定一个字典，比如一般从json文件或者npz文件中加载出来的数据都是字典的数据结构，如果我们希望把这个字典赋值给一个类，且使得字典的key和value分别作为类的成员变量名和成员变量值，那么该如何实现呢？对于一个展平的字典而言（没有嵌套字典），我们直接使用update就可以将字典中的所有key和value转变为当前类的成员变量。比较麻烦的是包含有嵌套字典的层级结构字典，此时我们只能使用循环，并且递归的对类的成员变量进行赋值。
阅读全文
本文所解决的问题场景是这样的：如果给定一个字典，比如一般从json文件或者npz文件中加载出来的数据都是字典的数据结构，如果我们希望把这个字典赋值给一个类，且使得字典的key和value分别作为类的成员变量名和成员变量值，那么该如何实现呢？对于一个展平的字典而言（没有嵌套字典），我们直接使用update就可以将字典中的所有key和value转变为当前类的成员变量。比较麻烦的是包含有嵌套字典的层级结构字典，此时我们只能使用循环，并且递归的对类的成员变量进行赋值。
阅读全文
摘要：
本文通过一个python的实际案例的设计，来讲解python面向对象的技术——类的继承中必用的super函数的逻辑。其实我们可以把python中类的继承理解成这样的一个过程：当我们在括号中明确了父类时，其实已经引用了父类的成员函数，但是并没有执行父类的初始化函数。在执行子类的初始化函数的同时，会检查是否重载了父类的成员函数，如果重载则会直接覆盖。而只有在执行了super之后，才相当于执行了父类的初始化函数，此时才可以访问父类的成员变量。
阅读全文
本文通过一个python的实际案例的设计，来讲解python面向对象的技术——类的继承中必用的super函数的逻辑。其实我们可以把python中类的继承理解成这样的一个过程：当我们在括号中明确了父类时，其实已经引用了父类的成员函数，但是并没有执行父类的初始化函数。在执行子类的初始化函数的同时，会检查是否重载了父类的成员函数，如果重载则会直接覆盖。而只有在执行了super之后，才相当于执行了父类的初始化函数，此时才可以访问父类的成员变量。
阅读全文
摘要：
线性插值和三次样条插值都是非常常用的插值算法，使用插值法，可以帮助我们对离散的样本信息进行扩展，得到样本信息中所不包含的样本点的信息。插值法有着非常广泛的应用场景，就比如某手机厂商所号称的x千万像素拍照，其中插值法就发挥了重要作用。在python的scipy这个库中实现了线性插值算法和三次样条插值算法，而numpy库中实现了线性插值的算法，我们通过这两者的不同使用方式，来看下所得到的插值的结果。
阅读全文
线性插值和三次样条插值都是非常常用的插值算法，使用插值法，可以帮助我们对离散的样本信息进行扩展，得到样本信息中所不包含的样本点的信息。插值法有着非常广泛的应用场景，就比如某手机厂商所号称的x千万像素拍照，其中插值法就发挥了重要作用。在python的scipy这个库中实现了线性插值算法和三次样条插值算法，而numpy库中实现了线性插值的算法，我们通过这两者的不同使用方式，来看下所得到的插值的结果。
阅读全文
摘要：Numpy是在Python中用于各种矩阵运算非常强大的工具之一，而快速的通过下标取出所需位置的元素也是numpy所支持的强大功能之一。常规的元素取法都可以通过numpy的下标或者是numpy.take函数来实现，比如array[0,:]可用于取第一条轴的所有元素，array[:,0]可以用于取第二条轴的所有第二个元素，放在一个2维的矩阵里面就分别是取第一行的所有元素和取第一列的所有元素。但是本文更加关注于更高维的矩阵，当我们想从多个维度中取多个元素时，是不太容易直接用下标去取的，比如同时取a[0][0]，a[0][1]，a[1][1]，a[1][2]的话，那么就只能使用numpy所支持的另外一个函数numpy.take_along_axis来实现。
阅读全文
摘要：这篇文章的主要内容是梳理在Numpy中经常用到的各种取下标的操作，包括但不限于取指定轴的所有元素、取指定位置的单个元素、取指定位置的多个元素、扩维以及取未显式给定位置的多个元素等等。比较重要的是在Numpy中tuple的取法和list的取法是代表不一样的含义，并且由于历史原因，Numpy中存在一些list取法和numpy.array的取法表示不一致的地方，在本文中进行了总结。
阅读全文
摘要：在前一篇博客中我们介绍了加侧旋的乒乓球弧圈技术的模拟，本文我们关注的是高吊弧圈和削球弧线这两种轨迹原理，并且引入了空气阻力对乒乓球运动轨迹的影响。通过对空气阻力和马格努斯力的模拟，我们可以看到不同的弧线曲线。对于乒乓球爱好者而言，可以通过这种模拟的结果，来制定比赛中有可能用到的策略，比如低长弧圈球、高短弧圈球等等。先从科学的角度出发制定战略，再通过日常训练和巩固提高技术水平，最后再使用到正式的赛场上去。
阅读全文
摘要：本文通过对马格努斯力的模拟，来理解乒乓球的弧圈原理。并且在这个理论基础之上对比了几种场景下的乒乓球轨迹，比如乒乓球的运动速度，或者日常所说的撞击对乒乓球轨迹的影响。还有乒乓球的角速度，也就是日常我们所说的摩擦对乒乓球轨迹的影响。还有一个在乒乓球界堪称变革的小球改大球对乒乓球这项运动可能带来的影响。由于这方面读过的理论文章较少，本文仅仅作为一个娱乐参考即可。
阅读全文
摘要：本文通过一个实际的散点图案例，展示了如何使用pyqt5嵌套一个pyecharts图层的方法，通过这个技巧，可以在pyqt5的框架中也实现精美的数据可视化的功能模块。
阅读全文
摘要：在使用一些python的GPU模块，或者写CUDA时，有时会发现显存被无端占用的场景，即时执行了cudaFree()或者python的del操作，也无法消除这一块的显存占用。最终我们发现，可以通过额外开启一个子进程的方法来封装相关的操作，通过对进程的存活控制来实现对GPU显存占用的控制，有可能是一个临时规避问题的思路。
阅读全文
摘要：关于工业领域中可能使用到的随机采样，更多的是这样的一个场景：给定一个连续或者离散的分布，然后进行大规模的连续采样，采样的同时需要对每一个得到的样点进行分析打分，最终在这大规模的采样过程中，有可能被使用到的样品可能只有其中的几份。那么这样的一个抽象问题，就非常适合使用分布式的多GPU硬件架构来实现。
阅读全文
摘要：在这篇文章中，我们并没有介绍非常多的MPI的应用，其实在普通的并行或者分布式任务中，掌握了各个进程的任务处理过程以及进程间的通信方法就足够了。总体来说，MPI是一个非常通用也非常高效的并行计算软件。有了这些专业的并行化任务调度软件，我们就可以专注于专业任务的代码和算法上，而不需要过多的去关注并行任务的调度和分配问题。
阅读全文
摘要：本文通过对比Jax和Numpy计算Normalized Hamming Distance的过程来对比了Jax所实现的Numpy的GPU版本所带来的加速效果。实际上在维度比较小的时候，Numpy还是有非常轻量级的优势，此时GPU的加速效果并没有很好的体现出来。但是在规模较大的输入场景下，GPU的并行加速效果简直无敌，而且几乎没有改动原本Numpy的函数接口。除此之外，Jax作为一个函数式编程的端到端可微编程框架，支持jit、vmap、pmap和xmap等非常神奇的加速和并行化功能，为深度学习等领域提供了非常强有力的支持。
阅读全文
摘要：在近期conda的版本更新中，有可能会删除路径下的_sysconfigdata_x86_64_conda_linux_gnu模块相关备份文件，而在其他的一些软件的运行过程中有可能依赖于这个备份文件，这就会导致运行过程报错模块无法找到的问题。最终我们通过重新复制备份这个文件解决了该问题。
阅读全文
浙公网安备 33010602011771号