TGINSIGHT SIMILAR POSTS
Изворен канал @pythonotes · Post #309 · 2 фев.
Метод строки split() разделяет строку на несколько строк по указанному символу >>> "a_b_c".split('_') ['a', 'b', 'c'] Можно указать максимальное количество разделений >>> "a_b_c".split('_', 1) ['a', 'b_c'] Или резать с другой стороны с помощью rsplit() (right split) >>> "a_b_c".rsplit('_', 1) ['a_b', 'c'] А что будет если оставить аргументы пустыми? >>> "a_b_c".split() ['a_b_c'] Получаем список с одним элементом, потому что по умолчанию используется пробельный символ. >>> "a b c".split() ['a', 'b', 'c'] То есть это равнозначно такому вызову? >>> "a b c".split(" ") ['a', 'b', 'c'] Кажется да, но нет! Давайте попробуем добавить пробелов между буквами >>> "a b c".split(" ") ['a', '', '', 'b', '', '', 'c'] И вот картина уже не так предсказуема 😕 А вот что будет по умолчанию >>> "a b c".split() ['a', 'b', 'c'] Всё снова красиво! 🤩 По умолчанию в качестве разделителя используется любой пробельный символ, будь то табуляция или новая строка. Включая несколько таких символов идущих подряд. А также игнорируются пробельные символы по краям строки. >>> "a\t b\n c ".split() ['a', 'b', 'c'] Аналогичный способ можно собрать с помощью регулярного выражения. Но пробелы по краям строки придется обрабатывать дополнительно. >>> import re >>> re.split(r"\s+", ' a b c '.strip()) ['a', 'b', 'c'] Здесь тоже можно указать количество разделений >>> re.split(r"\s+", 'a b c', 1) ['a', 'b c'] А что если мы хотим написать красиво, то есть split() без аргументов, но при этом указать количество разделений? В этом случае первым аргументом передаём None >>> "a\n b c".split(None, 1) ['a', 'b c'] Данный метод не учитывает строки с пробелами, взятые в кавычки 'a "b c" '.split() ['a', '"b', 'c"'] Но для таких случаев есть другие способы. #tricks#basic
Пребарај: #anaconda
@djangoproject · Post #557 · 24.01.2018 г., 05:45
http://go2.anaconda.com/eR0p1W01000NXe0lq4U2f0C Data Scientist-Tested, IT-Approved Operational Best Practices for Enterprise Data Science We know how hard you work to keep things running smoothly at your enterprise. But when it comes to enterprise data science, do you know how to give your data science team the tools they need while also keeping everything secure and stable? #Anaconda
Hashtags
@djangoproject · Post #506 · 26.11.2017 г., 21:54
Taming the #Python Visualization Jungle It’s no secret that Python has a ton of plotting libraries—but which ones should you use? And how should you go about choosing them? Many people end up sticking with whatever library they first encountered, even if there are now much better tools for the job. Join #Anaconda Co-Founder and CTO Peter Wang and Senior Solutions Architect James Bednar for a live webinar on Wednesday, November 29, at 12pm CT, as they give you some key starting points and demonstrate how to solve a range of common problems. They’ll take a workflow-oriented approach toward exploring the large ecosystem of Python viz libraries, and show you how to: http://bit.ly/2zpATx7
@djangoproject · Post #445 · 17.09.2017 г., 01:01
https://machinelearningmastery.com/setup-python-environment-machine-learning-deep-learning-anaconda/ It can be difficult to install a #Python#machine_learning environment on some platforms. Python itself must be installed first and then there are many packages to install, and it can be confusing for beginners. In this tutorial, you will discover how to set up a Python machine learning development environment using #Anaconda.
@djangoproject · Post #465 · 16.10.2017 г., 08:17
https://goo.gl/ucbkhT #Data_Science for #Big_Data with #Anaconda Enterprise Getting Python and R’s most popular data science libraries to work on a computational cluster can be a major challenge. And in a Big Data world, surmounting this challenge is key to leveraging data science within your organization to make smart, data-driven decisions.
Hashtags
@djangoproject · Post #526 · 19.12.2017 г., 20:13
https://goo.gl/XT2vGj Anaconda Enterprise 5 new capabilities include: Integrated #data_science experience for the entire organization Collaboration and reproducibility with JupyterLab and #Anaconda Project One-click data science #deployment Scalable architecture for on-premises and cloud deployments
@djangoproject · Post #513 · 30.11.2017 г., 22:00
#AI#Artificial_Intelligence #AJAX #aiohttp #Anaconda #AngularJS #API #Atom #AWS #asyncio (#Asynchronous) #audio #automated_testing #automation #atexit #BeeWare #Big_Data #bitcoin #blockchain #Bluemix #Brython #button #Celery #client #class #classmethod #concurrency #Coroutine #cron #CSS #curl #data_analysis #data_mining #data_processing #database #Deep_Learning#deep_learning #Debian #decorator #deploy #dict #dispatch #django #django_cms #Django_REST_Framework #dropdownbox #Docker #event #Firefox #Flask #form #functions #Generator #GeoDjango #git #Google #GPU #GUI #Gym #host #HTML #httplib #learn #Image_processing #intelligence #input #Instagram #IOT #iPython #Jupyter #lambda #learn #License #Linux #lists #machine_learning #Magenta #map #Matplotlib #Metaprogramming #Micro_services #Micropython #mind #monitoring #MongoDB #modules #Mozilla #Multipart #multi_touch_apps #multiprocessing #Nodes #NoSQL #numeric_computation #numerical #NumPy #network #neural_network #OAuth #object_serialization #OCR #overloading #package #parallel #pipeline #protocols #PostGIS #pyAudioAnalysis #pycon #Pyflakes #PyInstaller #PyPI #PyQt #PySide #PyTorch #pytest #python #Pyvideo_archives #Qt #Raspberry_Pi #React #Redis #random #request #Regular_Expressions (#re) #REST #RSS #satellite #scikit_learn #SciPy #scrapy #searching #selectbox #Selenium #serialization #server #sessions #single_responsibility_principle #socket #Spark #str #submit #task #telegram #template #TensorFlow #test #text_boxes #text #tuples #unicode #Universe #Unix #unit_test #urllib #upload #uWSGI #Web #WSGI
Hashtags