TGTGInsighttelegram intelligenceLIVE / telegram public index
← Python Заметки

TGINSIGHT SIMILAR POSTS

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

Резултати

Пронајдени 1 слични објави

Пребарај: #personalizedmedicine

当前筛选 #personalizedmedicine清除筛选
Cerdas Gunakan Obat

@cerdasgunakanobat · Post #2714 · 26.10.2018 г., 16:35

"PERSONALIZED MEDICINES: One Dose Does Not Fit All" • https://www.instagram.com/p/BpZy_-Ignyk/?utm_source=ig_share_sheet&igshid=113nv1o8rslyd • Salah satu tantangan dalam pengobatan saat ini adalah bervariasinya respon terapi antar pasien dengan penyakit dan obat yang sama. Beberapa pasien bisa sembuh tanpa efek samping obat (ESO), beberapa bisa sembuh tapi mengalami ESO, tetapi ada juga yang tidak sembuh dan mengalami ESO. • Tidak mudah memprediksi respon terapi seseorang. Banyak faktor klinis dan nonklinis yang harus dipertimbangkan. Akibatnya, dokter harus mencoba beberapa jenis obat lebih dulu (tunggal/kombinasi) atau beberapa variasi dosis obat hingga menemukan dosis optimal obat. • Sejak 2013, perkembangan ilmu farmakogenetik/farmakogenomik sangat pesat. Biaya pengujian genetik juga semakin terjangkau. Hal ini berimplikasi pada disrupsi model terapi di bidang farmasi dan kedokteran, yang saat ini menuntut diagnosis dan pengobatan penyakit yang lebih presisi dengan mempertimbangkan profil genetik dari pasien. Metode pengobatan yang ikut mempertimbangkan variasi genetik dari pasien ini disebut ‘personalized medicine’. • Apa peran Apoteker dalam pengobatan berbasis genetik? Apa itu ‘genomic medicine’? Kompetensi apa yang harus dimiliki apoteker di bidang ‘personalized medicine’? Bagaimana perubahan kode genetik mempengaruhi respon tubuh seseorang terhadap obat? Sejauh mana aplikasi ‘personalized medicine’ di bidang pengobatan? • Mari simak dan ikuti diskusi di Grup Telegram "DISGRAM Apoteker Indonesia": "Personalized Medicines: One Dose Does Not Fit All" Sabtu, 27 Oktober 2018 Pukul 19:00 - 22.00 WIB Narasumber: Muh. Akbar Bahar, Apt, M.Pharm, Sc @kbarbahar (Dosen Fak. Farmasi Univ. Hasanuddin, Makassar) Moderator: Hamdayani Damanik, Apt @hamdadaM Manager: Budiyanto, Apt @budz99 • Tempat: Grup Telegram "DISGRAM Apoteker Indonesia" Untuk bergabung silakan kontak Manager atau klik link sbb: bit.ly/daftartelegramAPIN2 • Diskusi ini diselenggarakan dalam rangka GeMa CerMat (Gerakan Masyarakat Cerdas Menggunakan Obat), Kemenkes RI Fanpage FB: Cerdas Gunakan Obat Twitter & IG: @gemacermat Telegram: @cerdasgunakanobat, @diskusiobat #disgram#apotekerindonesia #gemacermat#cerdasgunakanobat#personalizedmedicine#farmakogenomik