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: #predictiveanalytics

当前筛选 #predictiveanalytics清除筛选

Data Science Jobs

@datasciencejobs · Post #1684 · 21.09.2023 г., 07:01

Најди слично Погледај

#вакансия#job#datascience#mlengineer#research#predictiveanalytics Роль: Middle ML engineer в IDecide Локация компании и заказчика: РФ Работать можно удалённо. Москва или Подмосковье - преимущество с т.з. возможности пересекаться в офисе с командой). Такое есть команда в Иваново. Доход: 200-250К net Отклики присылать: @mipt_nz Статус: есть экспериментальный код модели предсказания оттока клиентов для компании финансового сектора. Модель включает в себя предобработку данных, генерацию фичей, ML модель и rule-based часть. Задачи: Необходимо сделать рефакторинг кода для внедрения в продакшен, для этого: - разобраться в текущем коде модели (в этом помогут текущие разработчики модели); - написать тесты; - переструктурировать код в соответствии со стандартами индустрии (за образец можно взять классы scikit-learn); - сопроводить код комментариями и документацией. Требования: - знание классического ML и python; - опыт написания продакшен кода в ML; - хорошее знание ООП; - знание структуры классов scikit-learn, либо желание разобраться в ней; - базовое владение: git, командная строка linux, docker, понимание сервисной архитектуры. Интересный проект по предсказанию поведения пользователей на основе исторических данных. Присоединяйтесь, ждём Вас в команду 🤗

Hashtags

#вакансия #job #datascience #mlengineer #research #predictiveanalytics

Crypto M - Crypto News

@CryptoM · Post #64826 · 10.04.2026 г., 02:43

Најди слично Погледај

🚀 AI's Impact on Investment and Trading: Insights from Nansen CEO PANews posted on X (formerly Twitter) about a discussion with Nansen CEO Alex Svanevik on the evolving role of AI in investment and trading. Svanevik highlighted that 'smart money 2.0' is transforming into a predictive system, with agent trading expected to surpass human trading by 2028. However, he emphasized the need for users to build a 'trust ladder' before fully relying on trading agents. The conversation also covered the implementation of tools like OpenClaw in enterprise settings, where safety is prioritized over speed. Svanevik shared insights on how the Nansen team utilizes OpenClaw and how AI is reshaping team structures. He noted that 'judgment' is becoming the most scarce resource within AI-native companies. Svanevik further pointed out that low latency, overcoming AI bottlenecks, and open-source solutions will define the next generation of agent infrastructure. #AI#Investment#Trading#FinTech#MachineLearning#PredictiveAnalytics#OpenSource#EnterpriseAI#FinancialTechnology#AlgorithmicTrading

Hashtags

#ai #investment #trading #fintech #machinelearning #predictiveanalytics #opensource #enterpriseai #financialtechnology #algorithmictrading