tanay组python实验室代码使用的公共实用程序。
tgutils的Python项目详细描述
幻像类型
vanilla np.ndarray ， pd.series 和 pd.dataframe 类型非常通用。它们是 无论使用的元素数据类型是什么，都是相同的，并且在 np.ndarray 的情况下， 维度（数组与矩阵）。
为了理解代码，跟踪更详细的数据类型是很有帮助的—是否 变量是数组或矩阵，元素数据类型是什么。为了方便起见， t实用程序 提供所谓的"幻影类型"。这些类型可以在类型声明中使用， 即使变量的实际数据类型仍然是vanilla numpy/pandas数据类型。
有关提供的幻象类型的列表，请参见 tgutils.numpy 和 tgutils.pandas 。到 用它们代替香草：
importnumpyasnpimportpandasaspd
编写修改的：
importtgutils.numpyasnpimporttgutils.pandasaspd
这将提供对使用 np. 和/或 pd. 前缀的香草符号的访问，以及 还将提供对下面描述的增强功能的访问。
例如，不要写：
defcompute_some_integers()->np.ndarray:...defcompute_some_floats()->np.ndarray:...defcompute_stuff(foo:np.ndarray,bar:np.ndarray)->...:...defworkflow()->...:foo=compute_some_integers()bar=compute_some_floats()compute_stuff(foo,bar)
你应该写：
defcompute_some_integers()->np.ArrayInt32:...defcompute_some_floats()->np.MatrixFloat64:...defcompute_stuff(foo:np.ArrayInt32,bar:np.MatrixFloat64)->...:...defworkflow()->...:foo=compute_some_integers()bar=compute_some_floats()compute_stuff(foo,bar)
这将允许读者了解所涉及的确切数据类型。更好的是，它将允许 mypy 来验证是否实际将正确的数据类型传递给每个函数调用。 例如，如果您错误地编写计算内容（bar，foo），那么 mypy 会抱怨 数据类型不匹配-即使在封面下， foo 和 bar 都有 运行时的相同数据类型： np.ndarray
为了进一步帮助进行 mypy 类型检查， tgutils 包包含一个 stubs 目录 包含非常部分的快速和脏类型的存根，用于 numpy 和 pandas （理想情况下，一些勇敢的 soul（s）将解决为这些库提供适当存根的非常困难的问题， 允许删除 t实用程序 存根）。导入tgutils.setup\mypy模块 将 mypypath 设置为此stubs目录，这也是一种黑客攻击（参见 在 setup.py 文件中使用此选项的示例。
类型操作
在执行计算时，对数据类型的控制也很重要。它影响性能， 内存消耗甚至一些操作的语义。例如，整数元素可以 永远不要 nan 而浮点元素可以，布尔元素有自己的逻辑，并且 字符串元素不同于数字元素。
为此， tgutils 提供两个函数， am 和 be 。这两个功能 返回请求的数据类型，但 am 只是断言，而 be 是转换操作。 也就是说，写入 arrayint32.am（foo） 将返回 foo 作为 arrayint32 ，或者将引发 如果 foo 不是 int32 的数组，则出错；在写入 arrayint32时，be（foo） 将始终 返回 array int32 ，如果它是 int32 的数组，则返回 foo ，或者返回 foo 的元素是 foo 元素到 int32 元素的转换
取消/序列化
幻像类型还提供读写操作，以便有效地将数据存储在磁盘上。 也就是说，写入 array int32.read（path） 将从 指定的路径和 array int32.write（foo，path） 将写入 int32 元素的数组 进入指定路径。
欢迎加入QQ群-->： 979659372
