Подразумеваемые неймспейсы или неявные пакеты.
Этот функционал добавлен в Python 3.3
Что он означает?
Ранее, до 3.3 пакетами считались лишь директории, в которых есть файл __init__.py.
Этот файл одновременно являлся свидетельством того, что директория это Python-пакет, и служил "телом" этого пакета. То есть местом, где можно написать код, как это делается внутри модуля. Этот код исполняется в момент импорта пакета, так что его принято называть "код инициализации пакета".
Начиная с версии 3.3 Любая директория считается пакетом и Python будет пытаться использовать любую директорию для импорта.
Конечно, не любую в файловой системе, а только те что находятся в sys.path.
Это значит, что теперь __init__.py нужно делать только если:
🔸 вам требуется создать код инициализации пакета
🔸 нужна совместимость со старыми версиями Python
На мой взгляд это немного упрощает разработку, делает её чище, но с другой стороны убивает некоторую однозначность происходящего.
Например, я создал репозиторий со своей библиотекой и рядом положил код примеров или тестов.
repo_name/
my_library/
__init__.py
main.py
examples/
exam1.py
exam2.py
В этом репозитории пакетом является только my_library, остальные директории это не пакеты, это просто дополнительный код в файлах. Директория examples не добавлена в sys.path, в ней нет рабочих модулей. Но если она лежит рядом с my_library, то Python вполне сможет импортнуть из неё модули, так как посчитает что examples это валидный пакет.
Конечно, пример несколько надуманный. Никто не будет добавлять корень репозитория в sys.path. Но, я думаю, суть ясна. Иногда директория это просто директория а не пакет!
#basic#pep
#timeseries
Ekambaram, Vijay, Arindam Jati, Pankaj Dayama, Sumanta Mukherjee, Nam H. Nguyen, Wesley M. Gifford, Chandra Reddy, and Jayant Kalagnanam. 2024. “Tiny Time Mixers (TTMs): Fast Pre-Trained Models for Enhanced Zero/Few-Shot Forecasting of Multivariate Time Series.” arXiv [Cs.LG]. arXiv. http://arxiv.org/abs/2401.03955.
#timeseries
Finding a suitable forecasting metric to evaluate the forecasting models is often the key to a forecasting project. Right? We use metrics when developing models, we also use metrics to monitor models.
There are a bunch of metrics people choose from or adapt from. To be faster when choosing and adapting metrics, I created a page on the properties of different metrics for time series forecasting problems. For reproducibility, I also included all the code used to write this page.
https://dl.leima.is/time-series/timeseries-metrics.forecasting/
#Tableau#timeSeries
📊
Forecasting and Time Series Analysis in Tableau
Use Tableau to work with time series, generate forecasts and even add R functionality to enhance Tableau.
🔗Link
-----
Canal principal: @repo_science
Cupones: @freecoupons_reposcience
-----
#TimeSeries#Analysis#Python
⌚️
Forecasting Models and Time Series for Business in Python
Time Series Analysis in Python. Demand Planning & Business Forecasting. Forecast with 6 Models: Prophet, ARIMA & More.
-----
Main channel: @repo_science
Coupons: @freecoupons_reposcience
-----
#вакансия#vacancy#job#timeseries
#datasciense#remote
Вакансия: Middle/ Senior Data Scientist
Кадровое агентство: DevHunt
ЗП: от 150.000 до 250.000 руб на руки
Формат: удаленка
Почему стоит выбрать именно эту позицию:
- Удаленка с гибким началом рабочего дня
- Свобода в принятии решений
- Возможности для роста
- Никакого тайм-трекинга
- Неформальная атмосфера с минимальным числом бюрократии
- Проекты не "в стол"
- Плюшки IT-аккредитации
- Годовые бонусы: х1, х1.5
- ДМС после испытательного срока
Чек-лист идеального кандидата:
- Опыт ML-разработки на Python от 3х лет
- Опыт работы с Pandas, NumPy, SсiPy, scikit-learn, Keras/TensoFlow
- Опыт работы с XGboost, LightGBM, Random Forest, линейными моделями, основными архитектурами нейронных сетей. Понимание механизмов их работы
- Знание SQL на продвинутом уровне, опыт работы с реляционными СУБД (PostgreSQL, Oracle, MS SQL и пр.)
Опыт работы с *nix системами
- Навыки работы с Git и с Conda окружениями
Будет плюсом:
- Опыт разработки проектной документации в части подготовки разделов по предиктивному анализу
- Опыт разработки архитектуры данных и структур баз данных
- Знание и опыт работы с ETL/ELT инструментами
Знание TimescaleDB, InfluxDB, AVEVA (OSIsoft) PI System
- Понимание специфики работы IT-интегратора (outsource)
- Опыт работы в нефтегазовой или смежной области
Задачи:
- Реализации проектов по предиктивной аналитике на промышленных предприятиях
- Анализ и прогнозирование временных рядов
- Анализ производственных процессов и выработка требований к сбору данных
Выбор и обоснование моделей машинного обучения для решения бизнес-задач
- Конструирование признаков для ML-моделей (feature engineering)
Выбор и обоснование метрик для оценки моделей машинного обучения
- Интерпретация результатов функционирования моделей машинного обучения
- Разработка и автоматизация ML-пайплайнов
Контакт:@barnes_recruiter
#Tableau
#Forecasting#TimeSeries
📊
Forecasting and Time Series Analysis in Tableau
Use Tableau to work with time series, generate forecasts and even add R functionality to enhance Tableau.
-----
Main channel: @repo_science
Coupons: @freecoupons_reposcience
-----
#tableau#TimeSeries#Forecasting
📈
Forecasting and Time Series Analysis in Tableau
Use Tableau to work with time series, generate forecasts and even add R functionality to enhance Tableau.
-----
Main channel: @repo_science
Coupons: @freecoupons_reposcience
-----