Αντιμετώπιση προβλημάτων εξόδου NaN στην Python: Διόρθωση σφαλμάτων σε υπολογισμούς βάσει αρχείων

Υπολογισμός χωριστών μέσων τιμών θετικών και αρνητικών αριθμών από ένα αρχείο

Σενάριο υποστήριξης Python για την ανάγνωση δεδομένων αρχείων, τον υπολογισμό των μέσων όρων και τον αποτελεσματικό χειρισμό των τιμών που λείπουν.

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')

Χειρισμός διαφορετικών μορφών δεδομένων με αρθρωτό και επαναχρησιμοποιήσιμο κώδικα

Σενάριο υποστήριξης Python με βελτιωμένη αρθρωτή δομή και χειρισμό σφαλμάτων για διάφορες μορφές δεδομένων.

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')

Δοκιμή μονάδας για πρόγραμμα υπολογισμού μέσου όρου βάσει αρχείων

Δοκιμές μονάδας Python για τη διασφάλιση του σωστού μέσου υπολογισμού για διαφορετικά σενάρια εισόδου.

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()

Συνήθεις ερωτήσεις σχετικά με το Python NaN και τον χειρισμό σφαλμάτων

1. Τι κάνει float('NaN') κάνω στην Python;
2. Αυτή η εντολή δημιουργεί μια ειδική τιμή float που αναγνωρίζεται ως "NaN" (Όχι αριθμός). Είναι χρήσιμο για τον χειρισμό περιπτώσεων όπου ένας υπολογισμός είναι απροσδιόριστος ή όταν πρέπει να επισημάνετε δεδομένα που λείπουν στο πρόγραμμά σας.
3. Πώς μπορώ να διασφαλίσω ότι η έξοδος μου αντιστοιχεί σε συγκεκριμένες απαιτήσεις μορφοποίησης;
4. Χρησιμοποιώντας μεθόδους όπως replace() σας επιτρέπει να ελέγχετε πώς εμφανίζεται η έξοδος σας. Για παράδειγμα, replace('nan', 'NaN') μπορεί να διασφαλίσει ότι οι τιμές "NaN" σας εμφανίζονται στη σωστή περίπτωση, όπως απαιτείται σε ορισμένα συστήματα δοκιμών.
5. Γιατί είναι try...except σημαντικό σε προγράμματα που βασίζονται σε αρχεία;
6. Ο try...except Το μπλοκ είναι ζωτικής σημασίας για τον χειρισμό σφαλμάτων σε περιπτώσεις όπου οι γραμμές ενδέχεται να περιέχουν μη έγκυρα δεδομένα. Αποτρέπει τη συντριβή του προγράμματος εάν μια γραμμή δεν μπορεί να μετατραπεί σε float, καθιστώντας τον κώδικα πιο αξιόπιστο.
7. Τι είναι μια ενσωματωμένη υπό όρους και γιατί να τη χρησιμοποιήσω;
8. Ένα ενσωματωμένο υπό όρους like sum(numbers) / len(numbers) if numbers else float('NaN') σας επιτρέπει να εκτελέσετε μια λειτουργία μόνο όταν πληρούνται ορισμένες προϋποθέσεις, όπως όταν μια λίστα έχει τιμές. Αυτό είναι ιδανικό για την αποφυγή σφαλμάτων όπως η διαίρεση με το μηδέν.
9. Πώς το with open(file_name, 'r') εργασία εντολής;
10. Αυτή η εντολή ανοίγει ένα αρχείο σε λειτουργία ανάγνωσης και το κλείνει αυτόματα στη συνέχεια. Η χρήση του "με" διασφαλίζει ότι το αρχείο κλείνει σωστά, κάτι που βοηθά στη διαχείριση των πόρων και αποφεύγει σφάλματα από τυχαία παραμονή των αρχείων ανοιχτά.
11. Μπορώ να ελέγξω εάν μια τιμή είναι "NaN" στην Python;
12. Ναι, μπορείτε να χρησιμοποιήσετε math.isnan() για να ελέγξετε αν μια τιμή είναι "NaN". Αυτό είναι ιδιαίτερα χρήσιμο όταν θέλετε να μορφοποιήσετε ή να εξαιρέσετε τιμές "NaN" στους υπολογισμούς ή στην έξοδο.
13. Γιατί είναι σημαντική η συνέπεια μορφοποίησης στην αυτοματοποιημένη βαθμολόγηση;
14. Τα αυτοματοποιημένα συστήματα βασίζονται στην ακριβή μορφοποίηση, επομένως μικρές διαφορές (όπως «nan» αντί για «NaN») μπορεί να προκαλέσουν σφάλματα. Χρησιμοποιώντας συνεπείς μεθόδους όπως replace() για τη μορφοποίηση αποτρέπει αυτά τα ζητήματα.
15. Πώς η χρήση λιστών απλοποιεί την κατηγοριοποίηση δεδομένων στην Python;
16. Οι λίστες σάς επιτρέπουν να διαχωρίζετε δεδομένα σε κατηγορίες όπως θετικά και αρνητικά, γεγονός που καθιστά εύκολο τον υπολογισμό ξεχωριστών στατιστικών για κάθε κατηγορία. Η προσθήκη τιμών σε λίστες με βάση τις συνθήκες είναι αποτελεσματική και διατηρεί τον κώδικα οργανωμένο.
17. Τι είναι οι ενσωματωμένες προϋποθέσεις και πότε πρέπει να χρησιμοποιούνται;
18. Οι ενσωματωμένες προϋποθέσεις επιτρέπουν συνοπτικές δηλώσεις μίας γραμμής που εκτελούν κώδικα μόνο εάν πληρούται μια συνθήκη. Για παράδειγμα, ο υπολογισμός ενός μέσου όρου μόνο εάν υπάρχουν τιμές σε μια λίστα, αποτρέποντας σφάλματα.
19. Πώς μπορώ να ανακατευθύνω την έξοδο εκτύπωσης για δοκιμή;
20. Με τη χρήση StringIO και sys.stdout ανακατεύθυνση, μπορείτε να καταγράψετε την έξοδο σε δοκιμές για να επαληθεύσετε ότι ταιριάζει με τα αναμενόμενα αποτελέσματα. Αυτή είναι μια κοινή πρακτική στη δοκιμή μονάδων όπου θέλετε να επικυρώσετε την έξοδο του προγράμματος.
21. Ποιος είναι ο σκοπός του tearDown σε δοκιμές μονάδας;
22. Σε unittest πλαίσια, tearDown() χρησιμοποιείται για τον καθαρισμό μετά από δοκιμές, όπως η κατάργηση προσωρινών αρχείων. Αυτό διασφαλίζει ότι κάθε δοκιμή ξεκινά με ένα νέο περιβάλλον, αποτρέποντας την παρεμβολή δεδομένων μεταξύ των δοκιμών.

Τελειώνοντας τη Λύση

Αυτή η ανάθεση καταδεικνύει τη σημασία του χειρισμού ειδικών περιπτώσεων, όπως η έλλειψη θετικών ή αρνητικών τιμών, κατά τον υπολογισμό των μέσων όρων στην Python. Χρησιμοποιώντας δηλώσεις υπό όρους και προσαρμογές μορφοποίησης, διασφαλίζετε ότι το "NaN" επιστρέφεται όταν χρειάζεται, αποτρέποντας τυχόν σφάλματα από κενές λίστες δεδομένων.

Τα εργαλεία της Python όπως προσπάθησε...εκτός και float ('NaN') επιτρέπουν την ευέλικτη διαχείριση σφαλμάτων, διευκολύνοντας τον χειρισμό μη αναμενόμενων δεδομένων. Τέτοιες πρακτικές είναι ανεκτίμητες για τους προγραμματιστές που αντιμετωπίζουν εργασίες, αυτοματοποιημένες δοκιμές και κάθε κατάσταση που απαιτεί ακριβή μορφοποίηση εξόδου. 🚀