小编abu*_*kaj的帖子

我需要提取matplotlib.lines.Line2D对象的样式信息以在matplotlib.pyplot.plot()调用中使用它。并且（如果可能的话）我想以一种比从Line2D.properties()输出中过滤与样式相关的属性更优雅的方式来实现。

代码可能像这样：

import matplotlib.pyplot as plt

def someFunction(a, b, c, d, **kwargs):
    line = plt.plot(a, b, marker='x', **kwargs)[0]
    plt.plot(c, d, marker='o', **kwargs) # the line I need to change

在这种情况下，我想用相同的样式（包括颜色）绘制两条线，但使用不同的标记。另外，plot()除非颜色已明确指定为关键字参数，否则我希望能够使用该功能的“自动着色”功能。

规范方法(使用np.vectorize())在空数组的情况下不起作用 - 它以以下结尾IndexError: index 0 is out of bounds for axis 0 with size 0:

>>> def f(x):
...     return x + 1
...
>>> F = np.vectorize(f)
>>> F(np.array([]))
[Traceback removed]
IndexError: index 0 is out of bounds for axis 0 with size 0

目前我使用

>>> np.array([f(x) for x in X])

但我正在寻找更优雅的解决方案(和高效).在Python 2中,我可以选择

>>> np.array(map(f, X))

但它在Python 3中失败了.

[编辑]

问题在NumPy阵列的每个单元的函数的有效评估中没有答案,因为:

• vectorise 失败,
• OP要求的解决方案正常运作:A(i, j) := f(A(i, j)).

我需要将大量 (1 440 000 000) 行附加到pandas.DataFrame.

我预先知道行数，因此我可以预先分配它，然后以类似于 C 的方式填充数据。

到目前为止，我最好的想法是相当丑陋的：

>>> N = 1000000
>>> sham = [-1] * (N * len(THRESHOLDS) * len(OBJECTS)) # 1440000000
>>> DATA = pd.DataFrame({'threshold': pd.Categorical(sham, categories=THRESHOLDS, ordered=True),
...                      'expected': pd.Series(sham, dtype=np.float16),
...                      'iteration': pd.Series(sham, dtype=np.int32),
...                      'analyser': pd.Categorical(sham, categories=ANALYSERS),
...                      'object': pd.Categorical(sham, categories=OBJECTS),
...                     },
...                     columns=['threshold', 'expected', 'iteration', 'analyser', 'object'])
>>> ptr = 0
>>> for t in THRESHOLDS:
...     for o in OBJECTS:
...         for a in ANALYSERS:
...             for …

我正在开发一个包含Cython扩展的软件包。

根据https://github.com/pypa/pip/issues/1958，我将使用setup_requires并推迟的导入Cython。我想出的最好的解决方案是致电setup()两次setup.py：

... # initial imports
setup(setup_requires=['cython'])
from Cython.Build import cythonize
bar = Extension('foo.bar', sources = ['bar.pyx'])
setup(name = 'foo',
      ... # parameters
      ext_modules = cythonize([bar]),
      ... # more parameters
      )

但是我有一种感觉，setup()建议的名称只能被调用一次。像我一样多次叫它安全吗？

我不能只分发轮子，因为该软件包也将对Linux用户可用。

[编辑]

我也认为这个问题比处理编译器依赖性更为笼统。可能需要导入一些软件包（例如sphinx或pweave）来预处理一个软件包的描述。

我有一个大DataFrame对象（1,440,000,000 行）。我在内存（包括交换）限制下运行。

我需要提取具有特定字段值的行的子集。但是，如果我这样做：

>>> SUBSET = DATA[DATA.field == value]

我以MemoryError异常或崩溃结束。有什么方法可以显式过滤行 - 无需计算中间掩码（DATA.field == value）？

我找到了DataFrame.filter()和DataFrame.select()方法，但它们对列标签/行索引而不是行数据进行操作。

当我尝试在Jupyter Notebook中调试我的代码时,%debug我点击了"最旧的帧".

> $HOME/anaconda3/envs/py36/lib/python3.6/site-packages/matplotlib/axes/_base.py(244)_xy_from_xy()
    242         if x.shape[0] != y.shape[0]:
    243             raise ValueError("x and y must have same first dimension, but "
--> 244                              "have shapes {} and {}".format(x.shape, y.shape))
    245         if x.ndim > 2 or y.ndim > 2:
    246             raise ValueError("x and y can be no greater than 2-D, but have "

ipdb> up
> $HOME/anaconda3/envs/py36/lib/python3.6/site-packages/matplotlib/axes/_base.py(385)_plot_args()
    383             x, y = index_of(tup[-1])
    384 
--> 385         x, y = self._xy_from_xy(x, y)
    386 
    387         if self.command == 'plot':

ipdb> up
> …

在我的直方图中,我需要像这样注释X轴:

"0"标签跨越两个刻度之间,因为在直方图中仅有0的单独bin,而轴的其余部分是线性的以指示其他bin的边界.underbrace并不重要,但是应该有一些指示器"0"跨越整个bin.

到目前为止我找到的最接近的解决方案是"自己绘制"(如何在matplotlib中为条形图添加组标签？).我正在寻找.axvspan()相当于轴(.axvline()对于刻度线),就像用于标记的东西一样.axvspan().

运行我的 jupyter 笔记本时，ipython 内核（Python 3.8、Anaconda）不断死机并重新启动。

我想找出是什么原因导致它行为不当。遗憾的是，除了内核已死并重新启动之外，我找不到任何调试信息。

如何找到可能有助于事后分析的更详细信息？有没有错误日志之类的？

我知道我可以用方法length参数设置刻度的长度AxesSubplot.tick_params()。

如何确定某个轴的主要刻度的实际长度？

请假设长度可能会改变。

我定义了两个函数作为最小的工作示例。

In [2]: A = np.random.random(10_000_000)\n\nIn [3]: def f():\n   ...:     return A.copy() * np.pi\n   ...: \n\nIn [4]: def g():\n   ...:     B = A.copy()\n   ...:     B *= np.pi\n   ...:     return B\n

它们都返回相同的结果：

In [5]: assert all(f() == g())\n

但我希望g()更快，因为增强赋值 (for A) 比乘法快 4 倍多：

In [7]: %timeit B = A.copy(); B * np.pi\n82.2 ms \xc2\xb1 301 \xc2\xb5s per loop (mean \xc2\xb1 std. dev. of 7 runs, 10 loops each)\n\nIn [8]: %timeit B = …

以下代码适用于 Python 2.7：

>>> class Derived(int):
...     def __eq__(self, other):
...         return int.__eq__(other)
...
>>> Derived(12) == 12.0
True
>>> Derived(12) == 13
False

我不明白为什么它会起作用，因为该self属性没有显式地提供给int.__eq__()方法调用。

[编辑]

到目前为止的答案表明，这是关于返回NotImplemented并self.__eq__(other)因此调用other.__eq__(self)。然后Derived(12) == Derived(12)我期望是一个不定式递归，但事实并非如此：

>>> Derived(12) == Derived(12)
True

目前，我尝试使用 memory_profiler 模块来获取使用的内存，如下面的代码：

from memory_profiler import memory_usage
memories=[]
def get_memory(mem,ended):
  if ended:
    highest_mem=max(mem)
    print highest_mem
  else:
  memories.append(mem)

def f1():
  #do something
  ended=False
  get_memory(memory_usage(),ended)
  return #something
def f2():
  #do something
  ended=False
  get_memory(memory_usage(),ended)
  return #something

#main
f1()
f2()
ended=True
get_memory(memory_usage(),ended) #code end

>>>#output
# output 
# highest memory 

但是，它没有成功执行。当end=True 时卡住，发送memory_usage() 的值，结束get_memory 函数。它也没有显示任何错误。，只是等待了很长时间，然后我强制停止执行。任何人都知道更好的方法或解决方案？