Најди сличен содржај

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

Hashtags

#define #tricks

Резултати

Пронајдени 2 слични објави

Пребарај: #datasciense

当前筛选 #datasciense清除筛选

Data Science Jobs

@datasciencejobs · Post #2043 · 19.04.2024 г., 16:05

Најди слично Погледај

#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

Hashtags

#вакансия #vacancy #job #timeseries #datasciense #remote

Data Science Jobs

@datasciencejobs · Post #1757 · 03.11.2023 г., 06:02

Најди слично Погледај

#вакансия#senior#python#ai#ml#ии#llm#datasciense ML-разработчик / Python-разработчик с опытом внедрения ИИ (Senior) ЗП: договорная, отталкиваемся от пожеланий кандидата Формат работы: full-time, удаленно, в офисе или гибрид Контакт:@pstarasov ❤️ О компанииЛайк: Мы EdTech компания, которая обладает уникальным доменным знанием в области бизнеса. Мы запускаем проект AI практически с нуля, поэтому в нем не будет раздражающего легаси, зато будет готовая инфраструктура и десятки разработчиков, которые могут воплотить в жизнь любые нужные тебе интерфейсы. Твоя задача – помогать в создании AI архитектуры внутри бизнеса, которая изменит рынок образования 🤔 Чем предстоит заниматься: • Создание архитектуры, на основе которой компания переедет на рельсы AI • Писать код руками. Мы ищем играющего тренера, который в будущем будет добирать команду, но основы должны быть заложены самостоятельно • У нас есть несколько направлений, которые мы успешно апробировали в формате MVP: – Продукт: верификация и генерация нового контента основываясь на базе знаний – Сервис-менеджмент: Q&A – Коммерция: технотрипваеры 👨‍💻Требования: • Опыт в Data Science от 2-х лет • Опыт работы с Python от 5-ти лет • Опыт работы с LLM и фреймворками (LangChain или аналоги) • Опыт дообучения моделей • Понимание принципов ООП, паттернов проектирования • Опыт работы с SQL, REST APIs • Будет плюсом опыт работы на уровне Deep Learning 👍 Мы предлагаем: • Возможность работать над интересными и сложными задачами в области ИИ • Удаленную работу из любой страны или работу в офисе в Москва-Сити • Конкурентоспособную зарплату • Работу в компании с IT-аккредитацией • Компенсацию 50% затрат на образовательные программы для сотрудников • Отпуск 28 календарных дней

Hashtags

#вакансия #senior #python #ai #ml #ии #llm #datasciense