Если вы занимаетесь исследованиями, статистика имеет первостепенное значение! И Python предлагает множество модулей для статистики, но тот, о котором мы поговорим сегодня, называется модулем статистики. Это простой модуль, не совсем для расширенной статистики, а для тех, кому просто нужны простые и быстрые вычисления. В этом руководстве мы рассмотрим модуль статистики в Python.

Модуль статистики

Модуль статистики предоставляет простые функции для вычисления статистики набора данных. Они утверждают, что не конкурируют с NumPy, SciPy или другим программным обеспечением, таким как SPSS, SAS и Matlab. И действительно, это очень простой модуль. Он не предоставляет параметрические или даже непараметрические тесты. Вместо этого его можно использовать для выполнения некоторых простых вычислений (хотя я думаю, что даже Excel может делать то же самое). Кроме того, они утверждают, что поддерживают целые числа, числа с плавающей запятой, десятичные числа и дроби.

Модуль статистики может измерять (1) средние значения и показатели центрального расположения, (2) показатели распространения и (3) статистику взаимосвязей между двумя входными данными.

Statistics.mean()

Модуль статистики содержит большое количество функций. Мы не будем охватывать каждый, а скорее некоторые из них. В этом случае набор данных помещается в список. Затем список передается в функцию.

Для целых чисел:

main.py

import statistics



x = [1, 2, 3, 4, 5, 6]

mean = statistics.mean(x)

print(mean)

Когда вы запускаете последний, вы получаете:

main.py

3.5

Для дробей терминология немного отличается. Вам нужно будет импортировать модуль, называемый фракциями. Также дробь нужно поместить в скобки и написать перед ней заглавную F. Таким образом, 0,5 будет равно F(1,2). Это невозможно для больших наборов данных!

main.py

import statistics



from fractions, import Fraction as F



x = [F(1,2), F(2,3), F(3,4), F(4,5), F(5,6), F(6,7)]

mean = statistics.mean(x)

print(mean)

Когда вы запускаете последний, вы получаете:

main.py

617/840

В большинстве исследовательских работ наиболее распространенным типом числа, с которым приходится сталкиваться, является десятичное значение, и это намного сложнее выполнить с помощью модуля статистики. Сначала вам нужно импортировать десятичный модуль, а затем заключать каждое десятичное значение в кавычки (что абсурдно и нецелесообразно, если у вас большие наборы данных).

main.py

import statistics



from decimal import Decimal as D



x = [D("0.5"), D("0.75"), D("1.75"), D("2.67"), D("7.77"), D("3.44")]

mean = statistics.mean(x)

print(mean)

Когда вы запускаете последний, вы получаете:

main.py

2.813333333333333333333333333

Модуль статистики также предлагает среднее значение, среднее геометрическое и среднее гармоническое. statistics.median() и statistics.mode() аналогичны statistics.mean().

Statistics.variance() и Statistics.stdev()

В исследованиях очень, очень редко размер вашей выборки настолько велик, что равен или приблизительно равен размеру совокупности. Итак, мы рассмотрим выборочную дисперсию и выборочное стандартное отклонение. Однако они также предлагают дисперсию населения и стандартное отклонение населения.

Опять же, если вы хотите использовать десятичные дроби, вам нужно импортировать модуль десятичных дробей, а если вы хотите использовать дроби, вам нужно импортировать модуль дробей. Это, с точки зрения статистического анализа, довольно абсурдно и очень непрактично.

main.py

import statistics



from decimal import Decimal as D



x = [D("0.5"), D("0.75"), D("1.75"), D("2.67"), D("7.77"), D("3.44")]

var = statistics.variance(x)

print(var)

Когда вы запускаете последний, вы получаете:

main.py

7.144266666666666666666666667

В качестве альтернативы стандартное отклонение можно вычислить, выполнив следующие действия:

main.py

import statistics



from decimal import Decimal as D



x = [D("0.5"), D("0.75"), D("1.75"), D("2.67"), D("7.77"), D("3.44")]

std = statistics.stdev(x)

print(std)

Когда вы запускаете последний, вы получаете:

main.py

2.672876103875124748889421932

Корреляции Пирсона

По какой-то причине, хотя авторы модуля статистики проигнорировали тесты ANOVA, t-тесты и т. д., они включили корреляцию и простую линейную регрессию. Имейте в виду, что корреляция Пирсона — это особый тип корреляции, используемый только в том случае, если данные в норме; таким образом, это параметрический тест. Есть еще один тест, называемый корреляцией Спирмена, который также можно использовать, если данные не являются нормальными (что, как правило, имеет место).

main.py

import statistics



x = [1.11, 2.45, 3.43, 4.56, 5.78, 6.99]

y = [1.45, 2.56, 3.78, 4.52, 5.97, 6.65]



corr = statistics.correlation(x, y)

print(corr)

Когда вы запускаете последний, вы получаете:

main.py

0.9960181677345038

Линейная регрессия

Когда выполняется простая линейная регрессия, она выбрасывает формулу:

y = slope * x + intercept

Excel тоже так делает. Но самое большее, что может сделать этот модуль, — это распечатать значение наклона и точки пересечения, из которых можно воссоздать линию. Excel и SPSS предлагают графики для уравнения, но не модуль статистики.

main.py

import statistics



x = [1.11, 2.45, 3.43, 4.56, 5.78, 6.99]

y = [1.45, 2.56, 3.78, 4.52, 5.97, 6.65]



slope, intercept = statistics.linear_regression(x, y)

print("The slope is %s" % slope)

print("The intercept is %s" % intercept)



print("%s x + %s = y" % (slope, intercept))

Когда вы запускаете последний, вы получаете:

main.py

The slope is 0.9111784209749394

The intercept is 0.46169013364824574

0.9111784209749394 x + 0.46169013364824574 = y

Ковариация

Кроме того, модуль статистики может измерять ковариацию.

main.py

import statistics



x = [1.11, 2.45, 3.43, 4.56, 5.78, 6.99]

y = [1.45, 2.56, 3.78, 4.52, 5.97, 6.65]



cov = statistics.covariance(x,y)

print(cov)

Когда вы запускаете последний, вы получаете:

main.py

4.279719999999999

Хотя Python предлагает модуль, называемый модулем статистики, он не предназначен для расширенной статистики! Имейте в виду, если вы действительно хотите проанализировать свой набор данных, используйте любой модуль, кроме модуля статистики! Он не только слишком прост, но и все функции, которые он предлагает, можно легко найти и в Excel. Кроме того, этот модуль предлагает только два теста — корреляцию Пирсона и простую линейную регрессию. Здесь нет дисперсионного анализа, t-теста, хи-квадрата и тому подобного! И более того, если вам нужно использовать десятичные числа, вам нужно вызвать десятичный модуль, что может быть неудобно для больших и очень больших наборов данных. Вы не поймаете никого, кому нужна реальная статистическая работа, выполненная с помощью этого модуля (используйте SPSS, если вам нужны дополнительные возможности), но если вы ищете простое развлечение, то этот модуль для вас.

Удачного кодирования!

Помимо простого текста, файлы изображений или документы также могут быть преобразованы в формат Base64. Затем эти объекты можно безопасно хранить в любом месте. В этой статье мы хотели бы поделиться методами преобразования файлов SVG и PDF в формат Base64 с использованием языка программирования Python в Ubuntu 20.04. Сначала мы кратко познакомим вас с этими форматами файлов, а затем рассмотрим процедуру их преобразования в Base64.

Формат .SVG

SVG означает формат масштабируемой векторной графики и используется для сохранения графических файлов. Векторные файлы сохраняются в соответствии с математической формулой, основанной на точках и линиях сетки.

Что такое PDF-файл?

PDF расшифровывается как Portable Document Format и считается одним из наиболее часто используемых форматов для создания и передачи документов из одного места в другое. Самым большим преимуществом этого формата является то, что он сохраняет исходное форматирование документа, что позволяет вам позже распечатать его без необходимости исправлять проблемы с форматированием.

Предварительное условие выполнения преобразования SVG и PDF в Base64

Поскольку мы будем выполнять преобразование SVG и PDF в Base64 с помощью языка программирования Python, в нашей системе Ubuntu 20.04 обязательно должен быть установлен Python. Для этого конкретного руководства мы использовали Python3.

Общий процесс преобразования SVG в Base64

Если говорить конкретно о языке программирования Python, то для преобразования SVG-файла в Base64 на этом языке нам сначала нужно найти и открыть SVG-файл, который необходимо преобразовать в Base64. После открытия этого файла он считывается, после чего следует процесс кодирования в Python.

Метод преобразования файла SVG в Base64 с использованием Python в Ubuntu 20.04

Для преобразования файла SVG в формат Base64 с использованием языка программирования Python в Ubuntu 20.04 вам потребуется использовать сценарий Python, показанный на следующем рисунке:

Сначала мы создали пустой файл в нашем домашнем каталоге с расширением «.py». Мы назвали этот файл «SVGtoBase64». Вы также можете использовать любое другое имя для этого файла. Затем мы открыли этот файл, чтобы написать в нем наш скрипт Python. После этого мы импортировали в наш скрипт библиотеку «base64», чтобы нам было удобно конвертировать наш файл SVG в Base64. Затем мы использовали функцию «with open» для чтения нашего файла SVG и передали имя нашего целевого файла SVG, которое было «image.svg».

Вы можете передать любой файл SVG по вашему выбору, который вы хотите преобразовать в формат Base64. Затем мы также указали режим открытия этого файла, в данном случае «rb». Режим «rb» открывает файл для чтения в бинарном формате. Кроме того, мы также указали, что нам нужно открыть этот файл как файл изображения.

Затем мы создали переменную с именем «encoded_string» для хранения нашего вывода. Мы приравняли нашу закодированную строку к функции «base64.b64encode» и передали файл изображения, который мы открыли для чтения. Наконец, чтобы показать пользователю, что преобразование файла SVG в Base64 было выполнено успешно, мы напечатали значение переменной «encoded_string» в терминале с помощью команды «print» языка программирования Python.

Теперь, чтобы выполнить фактическое преобразование файла SVG в Base64, нам нужно выполнить сценарий Python, который мы создали выше, с помощью команды, показанной ниже:

$ python3 SVGtoBase64.py

Вы можете убедиться в следующем выводе, что указанный файл SVG был успешно преобразован в Base64 с помощью языка программирования Python:

Общий процесс преобразования PDF в Base64

Что касается общего процесса преобразования PDF-файла в Base64 на языке программирования Python, нам сначала нужно открыть этот конкретный PDF-файл для чтения. После прочтения этого файла он кодируется с помощью встроенной функции кодирования Python.

Метод преобразования PDF-файла в Base64 с использованием Python в Ubuntu 20.04

Мы можем легко преобразовать PDF-файл в Base64, используя язык программирования Python в Ubuntu 20.04. Для этого мы разработали скрипт Python, показанный на изображении ниже:

Опять же, в этом скрипте Python мы импортировали библиотеку «base64», без которой было бы невозможно преобразовать PDF-файл в Base64 в Python. Затем мы открыли наш целевой PDF-файл с помощью функции «с открытием» и передали ей имя нашего PDF-файла, т. е. sample.pdf. Мы указали режим «rb», чтобы открыть этот файл для чтения в двоичном формате.

Кроме того, мы указали, что хотим открыть этот файл в формате PDF. Затем мы создали переменную с именем «encoded_string» и приравняли ее к функции «base64.b64encode». Мы передали PDF-файл, который мы открыли выше, этой функции. Наконец, мы использовали команду «print» языка программирования Python для печати закодированной строки на терминале. Увидев этот скрипт Python, вы можете понять, что рассмотренный выше скрипт очень похож на этот.

Для преобразования целевого файла PDF в Base64 с использованием языка программирования Python в Ubuntu 20.04 мы выполнили следующую команду:

$ python3 PDFtoBase64.py

Результат, показанный на изображении ниже, подтверждает, что указанный файл PDF был успешно преобразован в формат Base64.

Вывод

Эта статья была предназначена для того, чтобы объяснить вам процесс преобразования файлов SVG и PDF в формат Base64. Сначала мы кратко рассказали об этих форматах файлов, а затем о соответствующих процедурах преобразования в Base64 с использованием языка программирования Python в Ubuntu 20.04. Следуя этим сценариям, вы можете легко конвертировать любые нужные файлы SVG и PDF в Base64.

Решатель судоку в Python — это упражнение или проект начального уровня для студентов колледжей. Написание кода для решения судоку с использованием языка Python делает его проще и проще.

Судоку — это логическая игра-головоломка, в которой игроки вставляют числа от одного до девяти в сетку с девятью квадратами, разделенными на девять меньших квадратов, так что каждое число встречается один раз в горизонтальной строке, вертикальной строке и квадрате. Эта игра довольно популярна среди любителей математики. Обычно судоку печатают в ежедневных газетах, а решение публикуют на следующий день.

В этой статье рассматривается написание кода на Python для решения головоломки судоку с использованием метода рекурсии. Сначала мы займемся графическим интерфейсом, а затем приступим к решению головоломки.

Создание решателя судоку с графическим интерфейсом с использованием языка Python

Мы будем создавать решатель судоку с графическим интерфейсом, используя IDE Jetbrains Pycharm . Поскольку мы создаем впечатляющее решение для судоку с графическим интерфейсом, мы импортируем библиотеку Tkinter. Давайте начнем:

Импорт библиотеки и написание кода

Импортируйте все из Tkinter и создайте экземпляр для окна Tkinter. Установите заголовок окна как «Решатель судоку». Теперь задайте размеры окна с помощью метода Geometry. Мы принимаем размеры окон как 324×550 пикселей.

Создайте метку, которая будет указывать на использование программы. Поместите метку в 0-ю строку и первый столбец, используя метод сетки. Установленный диапазон столбца, равный 10, центрирует метку в окне.

Теперь создайте еще одну метку, которая будет использоваться, если головоломка судоку не может быть решена, и инициализируйте ее пустой строкой. Цвет переднего плана для метки ошибки в нашем случае будет красным. Используйте метод Grid, чтобы поместить метку в 15-ю строку и 1-й столбец, диапазон столбцов до 10 и отступы до 5.

Создайте метку для успеха решения судоку. Вы можете скопировать код предыдущей метки, изменить цвет переднего плана на зеленый и назвать метку решенной.

Давайте создадим пустой словарь для хранения каждой ячейки входной сетки. Определите функцию проверки для управления вводом в ячейки. В качестве аргумента принимает значение ячейки.

Блок кода:

from tkinter import *

root = Tk()

root.title("Решатель судоку")

root.geometry("324x550")



label = Label(root, text="Заполните цифры и нажмите кнопку решить").grid(row=0, column=1, columnspa=1)



errLabel = Label(root, text="", fg="red") errLabel.grid(row=15, column=1, columnspan=10, pady=5)



solvedLabel = Label(root, text="", fg="green")

solvedLabel.grid(row=15, column=1, columnspan=10, pady=5)

cells = {}

def ValidateNumber(P):

out = (P.isdigit() or P == "") and len(P) < 2

return out

reg = root.register(ValidateNumber)

defdraw3x3Grid(row, column, bgcolor):

for i in range(3):

forj in range(3):

e = Entry(root, width=5, bg=bgcolor, justify="center", validate="key", validatecommand=(reg,"%P"))



e.grid(row=row+i+1, column=column+j+1, sticky="nsew", padx=1, pady=1, ipady=5) 

cells[(row+i+1, column+j+1)] = e

def draw9x9Grid():

color = "#D0MT"

for rowNo in range(1, 10, 3):

for colNo in range(0, 9, 3):

draw3x3Grid(rowNo, colNo, color)

if color == "#Doffff":

color = "#ffffd0"

else:

color = "#Doffff"

defclearValues():

errLabel.configure(text="")

solvedLabel.configure(text="")

for row in range(2, 11):

for col in range(1, 10):

cell = cells[(row, col)]

cell.delete(0, "end")

defgetValues():

board = []

errLabel.configure(text="")

solvedLabel.configure(text="")

for row in range(2, 11):

rows = []

for col in range(1, 10):

val = cells[(row, col)].get()

if val = ""

rows. append(0)

else:

rows.append(int(val))

board.append(rows)

btn = Button(root, command=getValues, text="Solve", width=10)

btn.grid(row=20, column=1, columnspan=5, pady=20)



btn = Button(root, command=clearValues, text="Clear", width=10)

btn.grid(row=20, column=1, columnspan=5, pady=20)

draw9x9Grid()

root.mainloop()

N = 9



defisSafe(sudoku, row, col, num):

for i in range(9):

ifsudoku[row][i] - num:

return False



for i in range(9):

ifsudoku[i][col] == num:

return False



startRow = row - row % 3

startCol = col - col % 3

for i in range(3):

for j in range(3):

ifsudoku[startRow + i][startCol + j] =num:

return False

return Truc

startCol = col - col % 3 

for i in range(3):

for j in range(3):

if sudoku[startRow + i][startCol + j] == num:

return False

return True







defsolveSudoku(sudoku, row, col):

ifrow== N - 1 and col == N:

return True



ifcol == N: 

row += l 

col = 0



ifsudoku[row][col] > 0:

return solveSudoku(sudoku, row, col + 1)

for num in range(1, N + 1):

if isSafe(sudoku, row, col, num):

sudoku[row][col] = num



if solveSudoku(sudoku, row, col + 1):

return True



sudoku[row][col] = 0

return False

det solver(sudoku):

if solveSudoku(sudoku, 0, 0):

return sudoku

else:

return "no"

from tkinter import * 

from solver import solve 

root = Tk() 

root.title("Решатель судоку") 

root.geometry("324x550")

В этой статье будет рассмотрена NumPy pad(). Мы также рассмотрим его синтаксис и аргументы для лучшего понимания. Затем на нескольких примерах мы покажем, как все элементы теории применяются на практике. Но сначала давайте посмотрим на определение функции, чтобы лучше понять ее.

Определение NumPy и его синтаксис

Как мы все знаем, NumPy — это мощный математический пакет Python. Он включает в себя функцию под названием NumPy pad(), которая добавляет отступы к массивам. По мере продвижения по тексту определение, которое мы только что обсуждали, станет более ясным. Синтаксис, относящийся к этой функции, будет рассмотрен в прилагаемом разделе.

# numpy.pad(array, pad_width, mode='')

Общий синтаксис нашей функции показан выше. Существуют различные критерии, которые сопровождают это, и мы рассмотрим их сегодня. Параметр «array» указывает входной массив, к которому должно быть применено заполнение. Количество значений, добавленных к краю каждой оси, представлено аргументом «pad_width».

«mode» — это параметр. Он может представлять собой одно из приведенных ниже строковых значений или предоставленную пользователем функцию.

• constant: при использовании этой опции заполнение выполняется с постоянным значением.
• edge: в этой ситуации заполнение выполняется значением края массива.
• maximum: когда выбран этот параметр, заполнение рассчитывается путем сложения наибольшего значения всех частей вектора вдоль указанной оси.
• mean: заполнение в этой ситуации использует среднее значение всех секций вектора вдоль указанной оси.
• median: когда выбран этот параметр, заполнение использует наибольшее значение из всех частей вектора вдоль предоставленной оси.
• reflect: в этом случае вектор дополняется путем отражения его между начальным и последним значениями по каждой оси.

‘maximum,” mean,”median,’ и ‘minimum’ используют аргумент длины «stat». Статистическое значение рассчитывается с использованием количества значений на краю каждой оси.

В «constant» используется параметр «constant values». Значения используются для заполнения значений для каждой оси здесь.

Пример 1:

Мы рассмотрим, как работает этот метод и как он помогает нам достичь желаемого результата в этой части, когда мы рассмотрели всю теорию, лежащую в основе NumPy pad(). Мы начнем с простого экземпляра и перейдем к более сложным. Мы рассмотрим, как работает функция клавиатуры NumPy, в нашем первом примере.

Во-первых, мы импортировали модуль NumPy в пример программы ниже. После этого мы определили вход (обозначенный как abc), на котором должна быть выполнена операция. Затем мы использовали наш синтаксис, чтобы получить желаемый результат.

В этом примере мы выбрали «maximum» в качестве нашего режима. В результате передняя и задняя части дополняются максимум до 32 (максимальное значение). Ниже приведена реализация, как вы можете видеть.

import numpy as ppool

abc=[2,32,7,8]

print(ppool.pad(abc,(2,3),"maximum"))

Вот результат, где вы можете увидеть максимальное значение в начале и в конце массива.

[32 32 2 32 7 8 32 32 32]

Пример 2:

Давайте посмотрим на другой пример, используя другой режим. Вторая иллюстрация, похожая на первую. Однако в данном случае мы использовали другой массив. Кроме того, мы выбрали «reflect» в качестве режима наблюдения. Можно увидеть изменение выхода.

import numpy as p

abc=[12,33,22,37,60,80,2]

print(p.pad(abc,(5,1),"reflect"))

Вот результирующий экран приведенного выше кода.

[80 60 37 22 33 12 33 22 37 60 80 2 80]

Пример 3:

Первый аргумент, один (3,2) кортеж, указывает, что в этом примере три компонента добавляются перед осью, а два элемента добавляются после оси.

Опция режима определяет тип значения, которое будет использоваться для заполнения массива. Мы используем постоянные значения 1 и 5 для заполнения массива в нашем коде, но мы можем изменить этот режим на медианный, средний, пустой, перенос и т. д. Каждый режим добавляет новый элемент в массив, чтобы дополнить его.

import numpy as p

one = [2,4,6,8]

two = p.pad(one,(3, 2), mode =  'constant', constant_values = (1, 5))

print(two)

Ниже приведен экран вывода для вашей помощи.

[1 1 1 2 4 6 8 5 5]

Пример 4:

В этом случае мы импортировали NumPy с псевдонимом «pp» в приведенном выше коде. Используя вектор, ширину площадки, ось и kwargs, мы разработали метод pad. Чтобы получить значения заполнения из предоставленной функции get(), мы объявили значение переменной padding.

Значения заполнения были предоставлены части вектора.

Мы использовали функцию np.arange() для построения массива «one» и функцию reshape() для изменения его формы. Результирующее значение функции np.pad() было присвоено переменной ‘two’. Функция предоставила список «один» и параметр ширины pad. Наконец, мы попытались напечатать значение «two».

import numpy as pp

def pad_with(vector, pad width, iaxis, kwargs):

         padding_val = kwargs.get('padder', 5)

         vector[:pad_width[0]] = padding_val

         vector[-pad_width[1]:] = padding_val

one = pp. arange(6)

one = one.reshape((3, 2))

two = pp. pad(one, 2, pad_with)

print(two)

Результирующий экран показывает ndarray, дополненный определенным размером и значениями в выходных данных.

[[5 5 5 5 5 5]

 [5 5 5 5 5 5]

 [5 5 0 1 5 5]

 [5 5 2 3 5 5]

 [5 5 4 5 5 5]

 [5 5 5 5 5 5]

 [5 5 5 5 5 5]]

Заключение

Pad() — очень важная функция для специфического кодирования, она стала часто используемой функцией в Python. Функция позволяет изменять массив, чтобы ограничить количество конфликтов системы памяти. Функция numpy.pad() широко используется для полной функциональности AST. Эта функция, в частности, позволяет пользователю указать новый размер или даже позволить системе автоматически рассчитать размер для них.

В результате возможность оптимизации ресурсов памяти была настроена так, чтобы сократить время обработки системы. Этот пост был о том же, и мы обсудили функцию с несколькими примерами для вашей помощи.