Најди сличен содржај

Изворен канал @pythonotes · Post #83 · 11 мај

У строки в Python есть два очень похожих метода. На столько похожих что кажется они делают одно и тоже. Это метод isdigit() и isnumeric() Давайте посмотрим зачем нам два одинаковых метода? И так ли они одинаковы? Очевидно что isdigit() говорит нам, состоит ли строка только из чисел 0-9 >>> '12'.isdigit() True >>> '12x'.isdigit() False >>> '-12'.isdigit() False >>> '12.5'.isdigit() False Можно предположить что isnumeric() делает более глубокий анализ и распознаёт в строке float или отрицательное число. >>> '15'.isnumeric() True >>> '-15'.isnumeric() False >>> '15.2'.isnumeric() False Нет, всё так же как и с другим методом. В чем же тогда разница? Для начала посмотрим следующие примеры: >>> '5'.isdigit(), '5'.isnumeric() # Обычная цифра 5 # True, True >>> '꧕'.isdigit(), '꧕'.isnumeric() # Яванская 5 # True, True >>> '෩'.isdigit(), '෩'.isnumeric() # Синхала 3 # True, True >>> '৩'.isdigit(), '৩'.isnumeric() # Бенгальская 3 # True, True >>> '༣'.isdigit(), '༣'.isnumeric() # Тибетская 3 # True, True >>> '³'.isdigit(), '³'.isnumeric() # 3 верхний индекс (степень) # True, True >>> '𝟝'.isdigit(), '𝟝'.isnumeric() # Математическая двойная 5 # True, True >>> '๔'.isdigit(), '๔'.isnumeric() # Тайская 4 # True, True >>> '➑'.isdigit(), '➑'.isnumeric() # 8 в круге # True, True А теперь примеры в которых, по мнению Python, результаты не равны >>> '¾'.isdigit(), '¾'.isnumeric() # дробь три четверти # False, True >>> '⅕'.isdigit(), '⅕'.isnumeric() # дробь одна пятая # False, True >>> '𒐶'.isdigit(), '𒐶'.isnumeric() # клинопись 3 # False, True >>> '三'.isdigit(), '三'.isnumeric() # 3 из унифицированной идеограммы # False, True >>> '⑩'.isdigit(), '⑩'.isnumeric() # цифра 10 в круге # False, True >>> 'Ⅳ'.isdigit(), 'Ⅳ'.isnumeric() # Римская 4 # False, True >>> '𑇪'.isdigit(), '𑇪'.isnumeric() # Сенегальская архаическая 10 # False, True >>> '𐌢'.isdigit(), '𐌢'.isnumeric() # Этрусская цифра 10 # False, True >>> 'ↂ'.isdigit(), 'ↂ'.isnumeric() # Римская цифра 10000 # False, True >>> '〇'.isdigit(), '〇'.isnumeric() # Символ ККЯ ноль # False, True Получается, что isdigit() говорит нам, является ли символ десятичной цифрой или спецсимволом, имеющим цифирное значение после преобразования. В свою очередь isnumeric() включает все дополнительные символы юникода которые имеют отношения к числовым и цифровым представлениям. Ну и пара примеров в которых в обоих случаях символ не является числом, это эмодзи. >>> '🕙'.isdigit(), '🕙'.isnumeric() # эмодзи 10 часов # False, False >>> '7️⃣'.isdigit(), '7️⃣'.isnumeric() # эмодзи 7 # False, False Также есть еще один дополнительный и весьма полезный метод isdecimal(). Он нам сообщает, можно ли из указанного символа сделать простую десятичную цифру. То есть сработает ли метод int(x) >>> '෩'.isdecimal(), int('෩') # Синхала 3 # True, 3 >>> '➑'.isdecimal(), int('➑') # 8 в круге # False, ValueError Какие выводы? 🔸 При определении цифры в строке isdigit() подходит лучше чем isnumeric(), но оба не гарантируют успешную конвертацию в int 🔸 Для однозначного определения возможности преобразования строки в int лучше подходит метод isdecimal() 🔸 Для однозначного определения символов 0...9 лучше использовать regex Полный список символов юникода которые определяются как numeric #basic

Hashtags

#basic

Резултати

Пронајдени 2 слични објави

Пребарај: #scientist

当前筛选 #scientist清除筛选

Data Science Jobs

@datasciencejobs · Post #3048 · 26.11.2025 г., 16:04

Најди слично Погледај

#вакансия#data#scientist#ML#remote#удаленка Название компании: deeplay Формат работы: Удаленка Занятость: Полная Контакты: @hitommooo Мы разрабатываем роботов-аниматоров для интеллектуальных карточных игр: покер, бридж, маджонг, преферанс. Аниматоры создают активность на игровой платформе, привлекая пользователей 🎲🧩 Ищем сильного Middle Data Scientist 🎯 Что по задачам? - Разработка инструментов, автоматических отчётов и методов кластеризации данных и системы мониторинга работы ML-моделей - Контроль качества ML-моделей, обнаружение дата-дрифта и поддержание качества предсказаний на необходимом уровне - Аналитика данных, проверка гипотез, исследования данных и методов 🧑‍💻Наши ожидания - Коммерческий опыт работы в должности Data Scientist от 3х лет - Уверенное знание ML (опыт работы с полным ML-пайплайном) - Знание методов статистического анализа данных (EDA, LDA, MDS) - Знание методов кластеризации и её оценки, методов понижения размерности - Опыт программирования на Python - Знание различных видов визуализаций в python, любовь к графикам — приветствуется 🍪Мы предлагаем - Полностью удаленный формат работы - График работы с гибким началом и окончанием рабочего дня - Ежегодно проводим performance review, по итогу которых намечаем планы развития сотрудника - Частичная компенсация расходов на медицинские услуги, бассейн, массаж - Частичная компенсация расходов на спорт - Материальная помощь к важным событиям и в сложных жизненных ситуациях - Регулярные шаринги знаний, хакатоны, митапы, трансляции, турниры - Изучение английского языка для всех желающих 2 раза в неделю 📩 Контакты:@hitommooo

Hashtags

#вакансия #data #scientist #ml #remote #удаленка

Data Science Jobs

@datasciencejobs · Post #1850 · 25.12.2023 г., 09:01

Најди слично Погледај

#вакансия#vacancy#senior#lead#data#scientist ✨Senior/Lead Data Scientist Компания: WILDBERRIES ЗП: по результатам собеседования Wildberries - это 9 млн заказов и 1 млрд поисковых запросов в сутки. Мы ищем Senior/Lead Data Scientist в команду FBO Wildberries. Наша команда управляет процессом с момента планирования поставки товара на склад Wildberries до момента, когда этот товар оказывается на месте хранения и становится доступен к продаже. Ключевые требования - Знание классического ML, DL. - Знание методов оптимизации, временных рядов. - Хорошее знание алгоритмов и структур данных. - Знание и умение применять для ML стек Python (Pandas, Sklearn, Numpy, Scipy, XGBoost/LightGBM/Catboost), а также SQL. - Опыт обучения моделей, которые работают в продуктах для массовой аудитории и приносят там пользу. - Для Lead опыт управления командой DS, внедрения корпоративных моделей данных. - Опыт работы – от 3 лет. Основные задачи Предстоит заниматься рекомендациями по завозу товаров, управлением потоком товаров по складам, а именно: - Прогнозирование спроса и предложений товара у покупателей для продавцов на Wildberrries. - Оптимизация потока завоза товаров на склады. - Динамическое тарификация для продавцов на склад, где цена будет меняться в зависимости от загрузки склада, длительности хранения и так далее. - Вместе с бэкендерами строить production pipeline. Компенсация/мотивационный пакет Мы предлагаем: - Оформление по ТК, ГПХ, ИП. - Гибридный формат работы: от офиса в Москве (с бесплатными завтраками, обедами и ужинами) до удаленки из любой точки мира. - Гибкое начало рабочего дня. - Возможность увидеть однозначные результаты работы, напрямую влияющие на бизнес с триллионами GMV. - Возможность брать 3 day-off в любой день. - Необходимое мощное железо и ПО. - Ежегодная 40%-ая скидка на покупку ноутбука или мобильного телефона. - Премии и бонусы по итогам работы. - Карьерный и профессиональный рост. Откликнуться: @yana_itrec Не забудьте уточнить, что вы из @datasciencejobs

Hashtags

#вакансия #vacancy #senior #lead #data #scientist