Ответы пользователя Андрей по тегу «Python»

Каким образом, можно улучшить алгоритм поиска наибольшего числа палиндрома в произведении двух чисел?

Андрей @Dronablo

Oracle performance geek

Зачем вам вообще массив?

max_poly = 0
for i in range(100, 1000):
    for j in range(100, 1000):
        if i*j>max_poly and str(i*j) == str(i*j)[::-1]:
            max_poly = i*j
print(max_poly)

906609

Ответ написан более трёх лет назад

4 комментария

Как авторизоваться в БД Oracle без явного указания пароля?

Андрей @Dronablo

Oracle performance geek

Обычно в таких случаях делают через wallet, но вообще вариантов вагон.

Ответ написан более трёх лет назад

Комментировать

Как правильно профайлить питон?

Андрей @Dronablo

Oracle performance geek

Вероятно, вам может помочь такая штука как Flamegraph.

Ответ написан более трёх лет назад

Комментировать

Как создать символьную матрицу?

Андрей @Dronablo

Oracle performance geek

Может что-то такое:

import numpy as np
shape = (4,4)
np.core.defchararray.add('x_',(((np.arange(shape[0])+1)*10).reshape(-1,1)+1 + np.arange(shape[1])).astype(np.str))

array([['x_11', 'x_12', 'x_13', 'x_14'],
       ['x_21', 'x_22', 'x_23', 'x_24'],
       ['x_31', 'x_32', 'x_33', 'x_34'],
       ['x_41', 'x_42', 'x_43', 'x_44']], 
      dtype='<U13')

Ответ написан более трёх лет назад

Комментировать

Как лучше визуализировать БД?

Андрей @Dronablo

Oracle performance geek

Если поднимать самому и именно на python, то где-то в 50-100 строчек можно накатать на CherryPy. А так из готового я б прикрутил Graphana с grafana-sqldb-datasource.

Ответ написан более трёх лет назад

Комментировать

Как заменить список на словарь?

Андрей @Dronablo

Oracle performance geek

import datetime
import json

in_data = {}
in_data['2018']={'11': ['3', '4', '5', '10', '11', '17', '18', '24', '25'],
               '10': ['6', '7', '13', '14', '20', '21', '27', '28'],
               '12': ['1', '2', '8', '9', '15', '16', '22', '23', '29', '30', '31*'],
               '1': ['1', '2', '3', '4', '5', '6', '7', '8', '9', '10', '13', '14', '20', '21', '27', '28'],
               '3': ['3', '4', '7*', '8', '10', '11', '17', '18', '24', '25', '31'],
               '2': ['3', '4', '10', '11', '17', '18', '22*', '23', '24', '25'],
               '5': ['1', '5', '6', '8*', '9', '12', '13', '19', '20', '26', '27'],
               '4': ['1', '7', '8', '14', '15', '21', '22', '28', '29', '30*'],
               '7': ['1', '7', '8', '14', '15', '21', '22', '28', '29'],
               '6': ['2', '3', '9', '10', '11*', '12', '16', '17', '23', '24', '30'],
               '9': ['1', '2', '8', '9', '15', '16', '22', '23', '29', '30'],
               '8': ['4', '5', '11', '12', '18', '19', '25', '26']}

print(json.dumps(dict([[year, 
                  dict([[month, 
                         dict([[day, 
                                {'isWorking':2}] for day in in_data[year][month]])
                         ] for month in in_data[year]]
                      )] for x in in_data]
               ), indent=4, sort_keys=4
          ))

{
    "2018": {
        "1": {
            "1": {
                "isWorking": 2
            },
            "10": {
                "isWorking": 2
            },
            "13": {
                "isWorking": 2
            },
            "14": {
                "isWorking": 2
            },
            "2": {
                "isWorking": 2
            },
            "20": {
                "isWorking": 2
            },
            "21": {
                "isWorking": 2
            },
            "27": {
                "isWorking": 2
            },
            "28": {
                "isWorking": 2
            },
            "3": {
                "isWorking": 2
            },
            "4": {
                "isWorking": 2
            },
            "5": {
                "isWorking": 2
            },
            "6": {
                "isWorking": 2
            },
            "7": {
                "isWorking": 2
            },
            "8": {
                "isWorking": 2
            },
            "9": {
                "isWorking": 2
            }
        },
        "10": {
            "13": {
                "isWorking": 2
            },
            "14": {
                "isWorking": 2
            },
            "20": {
                "isWorking": 2
            },
            "21": {
                "isWorking": 2
            },
            "27": {
                "isWorking": 2
            },
            "28": {
                "isWorking": 2
            },
            "6": {
                "isWorking": 2
           },
            "7": {
                "isWorking": 2
            }
        },
        "11": {
            "10": {
                "isWorking": 2
            },
            "11": {
                "isWorking": 2
            },
            "17": {
                "isWorking": 2
            },
            "18": {
                "isWorking": 2
            },
            "24": {
                "isWorking": 2
            },
            "25": {
                "isWorking": 2
            },
            "3": {
                "isWorking": 2
            },
            "4": {
                "isWorking": 2
            },
            "5": {
                "isWorking": 2
            }
        },
        "12": {
            "1": {
                "isWorking": 2
            },
            "15": {
                "isWorking": 2
            },
            "16": {
                "isWorking": 2
            },
            "2": {
                "isWorking": 2
            },
            "22": {
                "isWorking": 2
            },
            "23": {
                "isWorking": 2
            },
            "29": {
                "isWorking": 2
            },
            "30": {
                "isWorking": 2
            },
            "31*": {
                "isWorking": 2
            },
            "8": {
                "isWorking": 2
            },
            "9": {
                "isWorking": 2
            }
        },
        "2": {
            "10": {
                "isWorking": 2
            },
            "11": {
                "isWorking": 2
            },
            "17": {
                "isWorking": 2
            },
            "18": {
                "isWorking": 2
            },
            "22*": {
                "isWorking": 2
            },
            "23": {
                "isWorking": 2
            },
            "24": {
                "isWorking": 2
            },
            "25": {
                "isWorking": 2
            },
            "3": {
                "isWorking": 2
            },
            "4": {
                "isWorking": 2
            }
        },
        "3": {
            "10": {
                "isWorking": 2
            },
            "11": {
                "isWorking": 2
            },
            "17": {
                "isWorking": 2
            },
            "18": {
                "isWorking": 2
            },
            "24": {
                "isWorking": 2
            },
            "25": {
                "isWorking": 2
            },
            "3": {
                "isWorking": 2
            },
            "31": {
                "isWorking": 2
            },
            "4": {
                "isWorking": 2
            },
            "7*": {
                "isWorking": 2
            },
            "8": {
                "isWorking": 2
            }
        },
        "4": {
            "1": {
                "isWorking": 2
            },
            "14": {
                "isWorking": 2
            },
            "15": {
                "isWorking": 2
            },
            "21": {
                "isWorking": 2
            },
            "22": {
                "isWorking": 2
            },
            "28": {
                "isWorking": 2
            },
            "29": {
                "isWorking": 2
            },
            "30*": {
                "isWorking": 2
            },
            "7": {
                "isWorking": 2
            },
            "8": {
                "isWorking": 2
            }
        },
        "5": {
            "1": {
                "isWorking": 2
            },
            "12": {
                "isWorking": 2
            },
            "13": {
                "isWorking": 2
            },
            "19": {
                "isWorking": 2
            },
            "20": {
                "isWorking": 2
            },
            "26": {
                "isWorking": 2
            },
            "27": {
                "isWorking": 2
            },
            "5": {
                "isWorking": 2
            },
            "6": {
                "isWorking": 2
            },
            "8*": {
                "isWorking": 2
            },
            "9": {
                "isWorking": 2
            }
        },
        "6": {
            "10": {
                "isWorking": 2
            },
            "11*": {
                "isWorking": 2
            },
            "12": {
                "isWorking": 2
            },
            "16": {
                "isWorking": 2
            },
            "17": {
                "isWorking": 2
            },
            "2": {
                "isWorking": 2
            },
            "23": {
                "isWorking": 2
            },
            "24": {
                "isWorking": 2
            },
            "3": {
                "isWorking": 2
            },
            "30": {
                "isWorking": 2
            },
            "9": {
                "isWorking": 2
            }
        },
        "7": {
            "1": {
                "isWorking": 2
            },
            "14": {
                "isWorking": 2
            },
            "15": {
                "isWorking": 2
            },
            "21": {
                "isWorking": 2
            },
            "22": {
                "isWorking": 2
            },
            "28": {
                "isWorking": 2
            },
            "29": {
                "isWorking": 2
            },
            "7": {
                "isWorking": 2
            },
            "8": {
                "isWorking": 2
            }
        },
        "8": {
            "11": {
                "isWorking": 2
            },
            "12": {
                "isWorking": 2
            },
            "18": {
                "isWorking": 2
            },
            "19": {
                "isWorking": 2
            },
            "25": {
                "isWorking": 2
            },
            "26": {
                "isWorking": 2
            },
            "4": {
                "isWorking": 2
            },
            "5": {
                "isWorking": 2
            }
        },
        "9": {
            "1": {
                "isWorking": 2
            },
            "15": {
                "isWorking": 2
            },
            "16": {
                "isWorking": 2
            },
            "2": {
                "isWorking": 2
            },
            "22": {
                "isWorking": 2
            },
            "23": {
                "isWorking": 2
            },
            "29": {
                "isWorking": 2
            },
            "30": {
                "isWorking": 2
            },
            "8": {
                "isWorking": 2
            },
            "9": {
                "isWorking": 2
            }
        }
    }
}

Ответ написан более трёх лет назад

Комментировать

Как правильно заполнить в таблице pandas nan нулями?

Андрей @Dronablo

Oracle performance geek

Если при использовании pandas или numpy вы делает вложенный for (а в большинстве случае и одинарный) - вы делаете что-то не так, во всяком случае - не самым оптимальным образом.

import numpy as np
import pandas as pd

print('pandas version: ' + pd.__version__)
print()
print('Source dataframe:')
X = pd.DataFrame([['John', 10],
                  ['Mike', None],
                  ['Alice', 20],
                  ['Eve', None]], columns=['Name', 'Salary'])
print(X)

X['Salary'].fillna(0.0, inplace=True)
print()
print('Target dataframe:')
print(X)

pandas version: 0.18.1

Source dataframe:
    Name  Salary
0   John    10.0
1   Mike     NaN
2  Alice    20.0
3    Eve     NaN

Target dataframe:
    Name  Salary
0   John    10.0
1   Mike     0.0
2  Alice    20.0
3    Eve     0.0

Ответ написан более трёх лет назад

Комментировать

Как в pandas вычесть из датасета определнные значения?

Андрей @Dronablo

Oracle performance geek

Например, вот так:

import numpy as np
import pandas as pd

print('pandas version: ' + pd.__version__)
df1 = pd.DataFrame([[1,'M'],
                    [2 ,'M',],
                    [3,'F'],
                    [4,'F']], columns=['customer_id', 'gender'])
print('df1:')
print(df1)

df2 = pd.DataFrame([[1,100,'yellow'],
                    [2 ,150,'black'],
                    [3,10, 'black'],
                    [4,700,'red'],
                    [5,200,'green'],
                    [6,170,'white']], columns=['customer_id', 'feature1', 'feature2'])
print('df2:')
print(df2)

train_df=df2[df2['customer_id'].isin(df1['customer_id'])]
print('train_df:')
print(train_df)

test_df=df2[~df2['customer_id'].isin(df1['customer_id'])]
print('test_df:')
print(test_df)

pandas version: 0.18.1
df1:
   customer_id gender
0            1      M
1            2      M
2            3      F
3            4      F
df2:
   customer_id  feature1 feature2
0            1       100   yellow
1            2       150    black
2            3        10    black
3            4       700      red
4            5       200    green
5            6       170    white
train_df:
   customer_id  feature1 feature2
0            1       100   yellow
1            2       150    black
2            3        10    black
3            4       700      red
test_df:
   customer_id  feature1 feature2
4            5       200    green
5            6       170    white

Ответ написан более трёх лет назад

Комментировать

Войдите на сайт