@cryptoprofitcoach · Post #8473 · 18.11.2022 г., 08:57
#AERGO👈 https://www.binance.com/en/trade/AERGO_BTC Buying Zone 600-620 👆 Sell 🤑 650-680 🤑 680-740 🤑 740-800 🚀 800-860 & above Bullish above - 560
Hashtags
TGINSIGHT SIMILAR POSTS
Изворен канал @pythonotes · Post #32 · 7 фев.
Скорее всего уже слышали, что складывать строки через + это плохая практика. Падение производительности, и всё такое. Без лишних слов, давайте измерять: from timeit import timeit def t1(): # складываем 10 строк через + из переменной t = 'text' for _ in range(1000): s = t + t + t + t + t + t + t + t + t def t2(): # склеиваем список строк через метод join arr = ['text'] * 10 for _ in range(1000): s = ''.join(arr) def t3(): # складываем через + но не из переменной а непосредственно инлайн объекты for _ in range(1000): s = 'text' + 'text' + 'text' + ... # всего 10 раз Теперь каждую строку склейки запустим по 10М раз >>> timeit(t1, number=10000) 0.21951690399964718 >>> timeit(t2, number=10000) 1.4978306379998685 >>> timeit(t3, number=10000) 0.2213820789993406 Хм, а нам говорили что через "+" это плохо и медленно ))) 😁 Тут стоит учитывать, что речь идёт о склейке множества длинных строк. Давайте изменим условия: def t4(): t = 'text'*100 for _ in range(1000): s = t + t + t + t + t + t + t + t + t def t5(): arr = ['text'*100] * 10 for _ in range(1000): s = ''.join(arr) def t6(): for _ in range(1000): s = 'text'*100 + 'text'*100 + ... # всего 10 раз >>> timeit(t4, number=10000) 12.795130728000004 >>> timeit(t5, number=10000) 2.642637542999182 >>> timeit(t6, number=10000) 0.2184546610005782 Вот, уже другой разговор, сразу видна разница, в среднем в 6 раз. Но погодите, почему последний тест t6() по скорости такой же как и t3()? Ведь строки теперь в 100 раз длиннее! Это вопросы оптимизации кода, какие простые изменения ускоряют или замедляют выполнение программы. Мы столкнулись с примером обхода обращения к переменной. Например, именно так работает директива #define в С++, во время компиляции подставляя значение переменной вместо ссылки на неё. В Python это тоже работает, но часто ли вы сможете встретить такой способ работы со строками? К сожалению, способ почти только теоретический. В целом, тесты показали то, что мы хотели. Делаем выводы самостоятельно. Полный листинг 🌍 #tricks
Пребарај: #aergo
@cryptoprofitcoach · Post #8473 · 18.11.2022 г., 08:57
#AERGO👈 https://www.binance.com/en/trade/AERGO_BTC Buying Zone 600-620 👆 Sell 🤑 650-680 🤑 680-740 🤑 740-800 🚀 800-860 & above Bullish above - 560
Hashtags
@cryptoprofitcoach · Post #8334 · 13.10.2022 г., 13:48
#AERGO👈 https://www.binance.com/en/trade/AERGO_BTC Buying Zone 670-700 👆 Sell 🤑 735-770 🤑 770-830 🤑 830-900 🚀 900-970 & above SL - 650
Hashtags
@coinlegs · Post #9754 · 19.01.2024 г., 09:15
🐬DOLPHIN | AI PREDICTIONS 19.01.2024 08:00 GMT Expected 5% Profit/Loss in 24 Hours #ACH | 0.01828 | PP: 100% | LP: 0% #AAVE | 96.41 | PP: 100% | LP: 1% #1INCH | 0.4222 | PP: 100% | LP: 2% #ACA | 0.0935 | PP: 100% | LP: 5% #AGLD | 1.214 | PP: 100% | LP: 5% #ACM | 1.976 | PP: 100% | LP: 7% #ARPA | 0.06401 | PP: 100% | LP: 13% #ARB | 1.8643 | PP: 100% | LP: 28% #ANT | 6.273 | PP: 100% | LP: 47% #ADX | 0.1724 | PP: 99% | LP: 0% #ALGO | 0.1771 | PP: 99% | LP: 0% #ADA | 0.4996 | PP: 99% | LP: 1% #ALCX | 24.04 | PP: 99% | LP: 3% #ALICE | 1.123 | PP: 98% | LP: 0% #ALPACA | 0.1847 | PP: 97% | LP: 4% #AGIX | 0.27023 | PP: 96% | LP: 1% #APT | 8.614 | PP: 96% | LP: 1% #ASTR | 0.1717 | PP: 96% | LP: 52% #AMP | 0.003154 | PP: 95% | LP: 0% #AERGO | 0.1329 | PP: 92% | LP: 1% #API3 | 1.577 | PP: 92% | LP: 1% ——————————————————————— Total Predictions: 367 PP > 50%: 38 LP > 50%: 11 PP > 60%: 30 LP > 60%: 0 PP > 70%: 27 LP > 70%: 0 PP > 80%: 25 LP > 80%: 0 PP > 90%: 21 LP > 90%: 0 ——————————————————————— PP: Profit Probability | LP: Loss Probability