Odstraňování problémů s výstupem NaN v Pythonu: Oprava chyb ve výpočtech založených na souborech

Výpočet samostatných průměrů kladných a záporných čísel ze souboru

Backendový skript Pythonu pro čtení dat souboru, výpočet průměrů a robustní zpracování chybějících hodnot.

def calculate_averages(file_name):
    """Calculate and print average of negative and positive numbers from a file.
    Args:
        file_name (str): Name of the file containing numbers, one per line.
    Returns:
        None (prints averages directly).
    """
    negatives = []
    positives = []
    # Read the file and categorize numbers
    with open(file_name, 'r') as file:
        for line in file:
            try:
                num = float(line.strip())
                if num < 0:
                    negatives.append(num)
                elif num > 0:
                    positives.append(num)
            except ValueError:
                # Ignore lines that aren't valid numbers
                continue
    # Calculate averages with NaN fallback
    neg_avg = sum(negatives) / len(negatives) if negatives else float('NaN')
    pos_avg = sum(positives) / len(positives) if positives else float('NaN')
    # Print averages to match Pearson's expected format
    print(f"{neg_avg:.1f}".replace('nan', 'NaN'))
    print(f"{pos_avg:.1f}".replace('nan', 'NaN'))

# Call the function with test file
calculate_averages('numbers.txt')

Manipulace s různými datovými formáty pomocí modulárního a opakovaně použitelného kódu

Backendový skript Pythonu s vylepšenou modulární strukturou a zpracováním chyb pro různé formáty dat.

import math
def calculate_average(numbers):
    """Helper function to calculate average, returning NaN if list is empty."""
    return sum(numbers) / len(numbers) if numbers else float('NaN')

def parse_numbers(file_name):
    """Parse numbers from file, categorize them into positives and negatives."""
    negatives, positives = [], []
    with open(file_name, 'r') as file:
        for line in file:
            try:
                num = float(line.strip())
                if num < 0:
                    negatives.append(num)
                elif num > 0:
                    positives.append(num)
            except ValueError:
                continue
    return negatives, positives

def display_averages(neg_avg, pos_avg):
    """Prints averages in a specific format."""
    neg_output = str(neg_avg) if not math.isnan(neg_avg) else "NaN"
    pos_output = str(pos_avg) if not math.isnan(pos_avg) else "NaN"
    print(neg_output)
    print(pos_output)

# Main function to tie all parts together
def main(file_name):
    negatives, positives = parse_numbers(file_name)
    neg_avg = calculate_average(negatives)
    pos_avg = calculate_average(positives)
    display_averages(neg_avg, pos_avg)

# Execute main function with file input
main('numbers.txt')

Testování jednotek pro program pro výpočet průměru na základě souboru

Testy jednotek Python pro zajištění správného výpočtu průměru pro různé vstupní scénáře.

import unittest
from io import StringIO
import sys

class TestCalculateAverages(unittest.TestCase):
    def setUp(self):
        self.file_name = 'test_numbers.txt'

    def test_both_positives_and_negatives(self):
        with open(self.file_name, 'w') as f:
            f.write("-5\n-10\n15\n20\n")
        output = StringIO()
        sys.stdout = output
        main(self.file_name)
        sys.stdout = sys.__stdout__
        self.assertEqual(output.getvalue().strip(), "-7.5\n17.5")

    def test_no_negatives(self):
        with open(self.file_name, 'w') as f:
            f.write("10\n20\n30\n")
        output = StringIO()
        sys.stdout = output
        main(self.file_name)
        sys.stdout = sys.__stdout__
        self.assertEqual(output.getvalue().strip(), "NaN\n20.0")

    def test_no_positives(self):
        with open(self.file_name, 'w') as f:
            f.write("-10\n-20\n-30\n")
        output = StringIO()
        sys.stdout = output
        main(self.file_name)
        sys.stdout = sys.__stdout__
        self.assertEqual(output.getvalue().strip(), "-20.0\nNaN")

    def tearDown(self):
        import os
        os.remove(self.file_name)

# Run the tests
unittest.main()

Běžné otázky týkající se Python NaN a zpracování chyb

1. Co dělá float('NaN') dělat v Pythonu?
2. Tento příkaz vytvoří speciální plovoucí hodnotu rozpoznanou jako „NaN“ (není číslo). Je to užitečné pro řešení případů, kdy výpočet není definován nebo když potřebujete označit chybějící data v programu.
3. Jak mohu zajistit, aby můj výstup odpovídal konkrétním požadavkům na formátování?
4. Pomocí metod jako replace() umožňuje řídit, jak bude váš výstup vypadat. Například, replace('nan', 'NaN') může zajistit, aby se vaše hodnoty „NaN“ zobrazily ve správných případech, jak to vyžadují některé testovací systémy.
5. Proč je try...except důležité v souborových programech?
6. The try...except blok je zásadní pro řešení chyb v případech, kdy řádky mohou obsahovat neplatná data. Zabraňuje zhroucení programu, pokud řádek nelze převést na float, čímž je kód spolehlivější.
7. Co je to vložená podmínka a proč ji používat?
8. Inline podmíněný like sum(numbers) / len(numbers) if numbers else float('NaN') umožňuje provést operaci pouze při splnění určitých podmínek, například když seznam obsahuje hodnoty. To je ideální pro zamezení chybám, jako je dělení nulou.
9. Jak se with open(file_name, 'r') příkazová práce?
10. Tento příkaz otevře soubor v režimu čtení a poté jej automaticky zavře. Použití „s“ zajišťuje správné uzavření souboru, což pomáhá při správě zdrojů a zabraňuje chybám v náhodném ponechání otevřených souborů.
11. Mohu otestovat, zda je hodnota „NaN“ v Pythonu?
12. Ano, můžete použít math.isnan() zkontrolovat, zda je hodnota „NaN“. To je zvláště užitečné, když chcete formátovat nebo vyloučit hodnoty „NaN“ ve výpočtech nebo výstupu.
13. Proč je při automatickém hodnocení důležitá konzistence formátování?
14. Automatizované systémy spoléhají na přesné formátování, takže drobné rozdíly (jako „nan“ místo „NaN“) mohou způsobit chyby. Použití konzistentních metod, jako je replace() formátování těmto problémům předchází.
15. Jak používání seznamů zjednodušuje kategorizaci dat v Pythonu?
16. Seznamy umožňují rozdělit data do kategorií, jako jsou pozitivní a negativní, což usnadňuje výpočet samostatných statistik pro každou kategorii. Připojování hodnot k seznamům na základě podmínek je efektivní a udržuje kód organizovaný.
17. Co jsou vložené podmínky a kdy by se měly používat?
18. Vložené podmínky umožňují stručné jednořádkové příkazy, které spouštějí kód pouze v případě, že je splněna podmínka. Například výpočet průměru pouze v případě, že v seznamu existují hodnoty, čímž se zabrání chybám.
19. Jak mohu přesměrovat tiskový výstup pro testování?
20. Použitím StringIO a sys.stdout přesměrování, můžete zachytit výstup v testech a ověřit, že odpovídá očekávaným výsledkům. Toto je běžná praxe při testování jednotek, kde chcete ověřit výstup programu.
21. Jaký je účel tearDown v jednotkových testech?
22. V unittest rámce, tearDown() se používá k vyčištění po testech, jako je odstranění dočasných souborů. To zajišťuje, že každý test začíná v novém prostředí, čímž se zabrání interferenci dat mezi testy.

Zabalit řešení

Toto zadání demonstruje důležitost zpracování speciálních případů, jako jsou chybějící kladné nebo záporné hodnoty, při výpočtu průměrů v Pythonu. Pomocí podmíněných příkazů a úprav formátování zajistíte, že se v případě potřeby vrátí „NaN“, čímž se zabrání chybám z prázdných seznamů dat.

Nástroje Pythonu jako zkuste...kromě a float('NaN') umožňují flexibilní správu chyb, což usnadňuje zpracování neočekávaných dat. Takové postupy jsou neocenitelné pro programátory, kteří řeší úkoly, automatizované testy a jakékoli situace vyžadující přesné formátování výstupu. 🚀