| set_variable(self, new_value)

|

| Data descriptors defined here:

|

FUNCTIONS my_function()

Example function

DATA my_variable = 0

FILE /content/mymodule.py

mymodule.my_variable 0 mymodule.my_function() 0

my_class = mymodule.MyClass() my_class.set_variable(10) my_class.get_variable()

10

Если мы вносим изменения в код в mymodule.py, нам нужно перезагрузить его с помощью reload:

# reload(mymodule) # только в python 2

Исключения

В Python ошибки обрабатываются специальной языковой конструкцией под названием «Исключения (Exeptions)». При возникновении ошибок могут быть вызваны исключения, которые прерывают нормальный ход программы и возвращаются к другому месту в коде, где определен ближайший оператор try-except.

Чтобы сгенерировать исключение, мы можем использовать оператор raise, который принимает аргумент, который должен быть экземпляром класса BaseException или класса, производного от него.

raise Exception("description of the error")

Exception Traceback (most recent call last) <ipython-input-136-c32f93e4dfa0> in <module>

----> 1 raise Exception("description of the error")

Exception: description of the error

Типичное использование исключений — прерывание функций при возникновении некоторых условий ошибки, например:

22

def my_function(arguments):

if not verify(arguments):

raise Exception("Invalid arguments")

#остальная часть кода находится здесь Чтобы изящно перехватывать ошибки, которые генерируются функциями и методами

класса или самим интерпретатором Python, используйте операторы try и except: try:

#нормальный код выполняется сдесь except:

#код для обработки ошибок выполняется сдесь

#этот код не выполняется, если код

#блока try перехватил ошибку

На пример: try:

print("test")

# строка ниже выдает ошибку: переменная test не определена print(test)

except:

print("Поймал исключение") test

Поймал исключение Чтобы получить информацию об ошибке, мы можем получить доступ к экземпляру

класса Exception, который описывает исключение, используя, например: except Exception as e:

try: print("test")

# строка ниже выдает ошибку: переменная test не определена print(test)

except Exception as e:

print("Поймал исключение:" + str(e)) test

Поймал исключение:name 'test' is not defined

Дополнительная литература

•http://www.python.org - Официальная веб-страница языка программирования

Python.

•http://www.python.org/dev/peps/pep-0008 - Руководство по стилю для программирования на Python. Настоятельно рекомендуется.

•http://www.greenteapress.com/thinkpython/ - Бесплатная книга по программированию на Python.

•Дополнительные лекции: http://github.com/jrjohansson/scientific-python-lectures.

Часть 2. Введение в pandas Цели обучения:

•Получить представление о структурах данных DataFrame и Series библиотеки pandas.

•Доступ и управление данными в DataFrame и Series

•Импорт CSV данных в pandas DataFrame

•Переиндексировать DataFrame в перемешивать данные

pandas iпредставляет собой API анализа данных, ориентированный на таблицы. Это отличный инструмент для обработки и анализа входных данных, и многие фреймворки

23

машинного обучения поддерживают структуры данных pandas в качестве входных данных. Более полную информацию по библиотеке можно найти на сайте pandas docs содержит обширную документацию и множество руководств.

Основные понятия

Следующая строка импортирует pandas API и выводит версию API: from future import print_function

import pandas as pd pd. version {"type":"string"}

Первичные структуры данных в pandas реализованы в виде двух классов:

•DataFrame, которую вы можете представить как реляционную таблицу данных со строками и именованными столбцами.

•Series, который представляет собой один столбец. DataFrame содержит один или несколько Series и имя для каждого Series.

DataFrame является широко используемой абстракцией для манипулирования данными. Сущетсвуют различные реализации в Spark and R.

Один из способов создать Series состоит в том, чтобы построить Series объект. Напрмиер:

pd.Series(['San Francisco', 'San Jose', 'Sacramento']) 0 San Francisco

1 San Jose

2 Sacramento dtype: object

Объекты DataFrame могут быть созданы путем передачи dict, отображающего имена столбцов string в их соответствующие Series. Если Series не совпадают по длине, пропущенные значения заполняются специальными NA/NaN значениями. Пример: city_names = pd.Series(['San Francisco', 'San Jose', 'Sacramento'])

population = pd.Series([852469, 1015785, 485199])

pd.DataFrame({ 'City name': city_names, 'Population': population })

Но в большинстве случаев выполняется загрузка всего файла в DataFrame. В следующем примере загружается файл с данными о жилье в Калифорнии. Запустите следующую ячейку, чтобы загрузить данные и выполнить процедуру подсчета статистика фрейма (.describe()):

california_housing_dataframe = pd.read_csv("https://download.mlcc.google.com/mledudatasets/california_housing_train.csv", sep=",")

24

25