TGTGInsighttelegram intelligenceLIVE / telegram public index
← Python Заметки

TGINSIGHT SIMILAR POSTS

Најди сличен содржај

Изворен канал @pythonotes · Post #241 · 5 мај

Можно ли в Python создавать бинарные файлы? Конечно можно. Для этого в Python есть следующие инструменты: ▫️ тип данных bytes и bytearray ▫️ открытие файла в режиме wb (write binary) или rb (read binary) ▫️ модуль struct Про модуль struct поговорим в первую очередь. Файл в формате JSON или Yaml внутри себя содержит разметку данных. Всегда можно определить где список начался а где закончился. Где записана строка а где словарь. То есть формат записи данных содержит в себе элементы разметки данных. В binary-файле данные не имеют визуальной разметки. Это просто байты, записанные один за другим. Правила записи и чтения находятся вне файла. Модуль struct как раз и помогает с организацией данных в таком файле с помощью определения форматов записи для разных частей файла. Модуль struct преобразует Python-объекты в массив байт, готовый к записи в файл и имеющий определённый вид. Для этого всегда следует указывать формат преобразования (или, как оно здесь называется - запаковки). Формат нужен для того, чтобы выделить достаточное количество байт для записи конкретного типа объекта. В последствии с помощью того же формата будет производиться чтение. При этом следует помнить что мы говорим о типах языка С а не Python. Именно формат определяет, что записано в конкретном месте файла, число, строка или что-то еще. Вот какие токены формата у нас есть. Помимо этого, первым символом можно указать порядок байтов. На разных системах одни и те же типы данных могут записываться по-разному, поэтому желательно указать конкретный способ из доступных. Если этого не сделать, то используется символ '@', то есть нативный для текущей системы. В строке формата мы пишем в каком порядке и какие типы собираемся преобразовать в байты. Запакуем в байты простое число, токен "i". >>> import struct >>> struct.pack('=i', 10) b'\n\x00\x00\x00' Теперь несколько float, при этом нужно передавать элементы не массивом а последовательностью аргументов. >>> struct.pack('=fff', 1.0, 2.5, 4.1) b'\x00\x00\x80?\x00\x00 @33\x83@' Вместо нескольких токенов можно просто указать нужное количество элементов перед одним токеном, результат будет тот же. >>> struct.pack('=3f', 1.0, 2.5, 4.1) b'\x00\x00\x80?\x00\x00 @33\x83@' Теперь запакуем разные типы >>> data = struct.pack('=fiQ', 1.0, 4, 100500) я запаковал типы float, int и unsigned long long (очень большой int, на 8 байт) b'\x00\x00\x80?\x04\x00\x00...' Распаковка происходит аналогично, но нужно указать тот же формат, который использовался при запаковке. Результат возвращается всегда в виде кортежа. >>> struct.unpack('=fiQ', data) (1.0, 4, 100500) Как видите, ничего страшного! #lib#basic

Hashtags

Резултати

Пронајдени 4 слични објави

Пребарај: #firo

当前筛选 #firo清除筛选
Pro Analysis

@proanalysistrader · Post #28408 · 21.01.2025 г., 14:58

#FIRO/USDT analysis : #FIRO is in an uptrend, trading above the 200 EMA. The price has retraced and tested the support zone. It is currently bouncing back from this zone, with expectations to resume bullish momentum and test the previous swing high. TF : 1D Entry : $1.850 Target : $2.840 SL : $1.367

Hashtags

American Crypto©

@americancryptotrading · Post #27102 · 30.12.2024 г., 15:08

🇺🇸#FIRO/USDT is trading above the fallingwedge formation on the weekly timeframe🔥 Pump is expected🚀 American Crypto©

Hashtags

Coinlegs Cryptocurrency Signals

@coinlegs · Post #9696 · 09.01.2024 г., 06:21

🐬DOLPHIN | AI PREDICTIONS 09.01.2024 06:00 GMT Expected 5% Profit/Loss in 24 Hours #NFP | 0.58321 | PP: 92% | LP: 9% #FIRO | 1.585 | PP: 90% | LP: 0% #GFT | 0.02027 | PP: 87% | LP: 100% #JTO | 1.7112 | PP: 86% | LP: 100% #NTRN | 1.5177 | PP: 78% | LP: 100% #ORDI | 74.726 | PP: 77% | LP: 100% #TIA | 15.578 | PP: 77% | LP: 100% #VANRY | 0.05837 | PP: 74% | LP: 96% #IQ | 0.00531 | PP: 66% | LP: 100% #MEME | 0.023135 | PP: 64% | LP: 90% #ACE | 8.2438 | PP: 28% | LP: 91% #ARK | 0.7136 | PP: 23% | LP: 91% ——————————————————————— Total Predictions: 366 PP > 50%: 328 LP > 50%: 18 PP > 60%: 202 LP > 60%: 17 PP > 70%: 54 LP > 70%: 16 PP > 80%: 36 LP > 80%: 16 PP > 90%: 1 LP > 90%: 9 ——————————————————————— PP: Profit Probability | LP: Loss Probability