પાયથોનમાં NaN આઉટપુટનું મુશ્કેલીનિવારણ: ફાઇલ-આધારિત ગણતરીઓમાં ભૂલો સુધારવી

ફાઇલમાંથી હકારાત્મક અને નકારાત્મક સંખ્યાઓની અલગ-અલગ સરેરાશની ગણતરી કરવી

ફાઇલ ડેટા વાંચવા, સરેરાશની ગણતરી કરવા અને ગુમ થયેલ મૂલ્યોને મજબૂત રીતે હેન્ડલ કરવા માટે પાયથોન બેકએન્ડ સ્ક્રિપ્ટ.

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')

મોડ્યુલર અને ફરીથી વાપરી શકાય તેવા કોડ સાથે વિવિધ ડેટા ફોર્મેટને હેન્ડલ કરવું

પાયથોન બેકએન્ડ સ્ક્રિપ્ટ સુધારેલ મોડ્યુલર માળખું અને વિવિધ ડેટા ફોર્મેટ માટે એરર હેન્ડલિંગ સાથે.

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')

ફાઇલ-આધારિત સરેરાશ ગણતરી કાર્યક્રમ માટે એકમ પરીક્ષણ

વિવિધ ઇનપુટ દૃશ્યો માટે યોગ્ય સરેરાશ ગણતરી સુનિશ્ચિત કરવા માટે પાયથોન એકમ પરીક્ષણો.

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()

Python NaN અને એરર હેન્ડલિંગ વિશે સામાન્ય પ્રશ્નો

1. શું કરે છે float('NaN') પાયથોનમાં કરવું?
2. આ આદેશ "NaN" (નંબર નથી) તરીકે ઓળખાતી વિશિષ્ટ ફ્લોટ કિંમત બનાવે છે. તે એવા કિસ્સાઓને હેન્ડલ કરવા માટે ઉપયોગી છે કે જ્યાં ગણતરી અવ્યાખ્યાયિત હોય અથવા જ્યારે તમારે તમારા પ્રોગ્રામમાં ગુમ થયેલ ડેટાને ફ્લેગ કરવાની જરૂર હોય.
3. હું કેવી રીતે ખાતરી કરી શકું કે મારું આઉટપુટ ચોક્કસ ફોર્મેટિંગ આવશ્યકતાઓ સાથે મેળ ખાય છે?
4. જેવી પદ્ધતિઓનો ઉપયોગ કરવો replace() તમને તમારું આઉટપુટ કેવી રીતે દેખાય છે તે નિયંત્રિત કરવાની મંજૂરી આપે છે. ઉદાહરણ તરીકે, replace('nan', 'NaN') ચોક્કસ પરીક્ષણ પ્રણાલીઓમાં આવશ્યકતા મુજબ, તમારા "NaN" મૂલ્યો સાચા કિસ્સામાં દેખાય છે તેની ખાતરી કરી શકે છે.
5. શા માટે છે try...except ફાઇલ-આધારિત પ્રોગ્રામ્સમાં મહત્વપૂર્ણ છે?
6. આ try...except લાઇનમાં અમાન્ય ડેટા હોઈ શકે તેવા કિસ્સામાં ભૂલને નિયંત્રિત કરવા માટે બ્લોક નિર્ણાયક છે. જો લાઇનને ફ્લોટમાં રૂપાંતરિત કરી શકાતી નથી, તો તે પ્રોગ્રામને ક્રેશ થવાથી અટકાવે છે, કોડને વધુ વિશ્વસનીય બનાવે છે.
7. ઇનલાઇન શરતી શું છે અને શા માટે તેનો ઉપયોગ કરો?
8. એક ઇનલાઇન શરતી જેવી sum(numbers) / len(numbers) if numbers else float('NaN') તમને અમુક શરતો પૂરી થાય ત્યારે જ ઓપરેશન કરવાની પરવાનગી આપે છે, જેમ કે જ્યારે યાદીમાં મૂલ્યો હોય. શૂન્ય દ્વારા વિભાજન જેવી ભૂલોને ટાળવા માટે આ આદર્શ છે.
9. કેવી રીતે કરે છે with open(file_name, 'r') આદેશ કામ?
10. આ આદેશ રીડ મોડમાં ફાઇલ ખોલે છે અને પછીથી તેને આપમેળે બંધ કરે છે. "સાથે" નો ઉપયોગ કરવાથી ખાતરી થાય છે કે ફાઇલ યોગ્ય રીતે બંધ થાય છે, જે સંસાધન સંચાલનમાં મદદ કરે છે અને ફાઇલોને આકસ્મિક રીતે ખુલ્લી રાખવાથી ભૂલોને ટાળે છે.
11. પાયથોનમાં મૂલ્ય “NaN” છે કે કેમ તે હું ચકાસી શકું?
12. હા, તમે ઉપયોગ કરી શકો છો math.isnan() મૂલ્ય "NaN" છે કે કેમ તે તપાસવા માટે. જ્યારે તમે ગણતરીઓ અથવા આઉટપુટમાં "NaN" મૂલ્યોને ફોર્મેટ અથવા બાકાત કરવા માંગતા હો ત્યારે આ ખાસ કરીને મદદરૂપ થાય છે.
13. સ્વચાલિત ગ્રેડિંગમાં ફોર્મેટિંગ સુસંગતતા શા માટે મહત્વપૂર્ણ છે?
14. સ્વયંસંચાલિત સિસ્ટમો ચોક્કસ ફોર્મેટિંગ પર આધાર રાખે છે, તેથી નાના તફાવતો (જેમ કે “NaN” ને બદલે “nan”) ભૂલોનું કારણ બની શકે છે. જેવી સુસંગત પદ્ધતિઓનો ઉપયોગ કરવો replace() ફોર્મેટિંગ માટે આ સમસ્યાઓ અટકાવે છે.
15. લિસ્ટનો ઉપયોગ પાયથોનમાં ડેટાનું વર્ગીકરણ કેવી રીતે સરળ બનાવે છે?
16. સૂચિઓ તમને સકારાત્મક અને નકારાત્મક જેવી કેટેગરીમાં ડેટાને અલગ કરવાની મંજૂરી આપે છે, જે દરેક શ્રેણી માટે અલગ આંકડાઓની ગણતરીને સરળ બનાવે છે. શરતોના આધારે સૂચિમાં મૂલ્યો ઉમેરવા કાર્યક્ષમ છે અને કોડને વ્યવસ્થિત રાખે છે.
17. ઇનલાઇન શરત શું છે અને તેનો ઉપયોગ ક્યારે કરવો જોઈએ?
18. ઇનલાઇન શરત સંક્ષિપ્ત એક-લાઇન નિવેદનો માટે પરવાનગી આપે છે જે કોડને માત્ર ત્યારે જ અમલમાં મૂકે છે જો કોઈ શરત પૂરી થાય. ઉદાહરણ તરીકે, ભૂલોને અટકાવીને, સૂચિમાં મૂલ્યો અસ્તિત્વમાં હોય તો જ સરેરાશની ગણતરી કરવી.
19. હું પરીક્ષણ માટે પ્રિન્ટ આઉટપુટને કેવી રીતે રીડાયરેક્ટ કરી શકું?
20. ઉપયોગ કરીને StringIO અને sys.stdout રીડાયરેક્શન, તમે ચકાસવા માટે પરીક્ષણોમાં આઉટપુટ કેપ્ચર કરી શકો છો કે તે અપેક્ષિત પરિણામો સાથે મેળ ખાય છે. એકમ પરીક્ષણમાં આ એક સામાન્ય પ્રથા છે જ્યાં તમે પ્રોગ્રામ આઉટપુટને માન્ય કરવા માંગો છો.
21. નો હેતુ શું છે tearDown એકમ પરીક્ષણોમાં?
22. માં unittest ફ્રેમવર્ક tearDown() પરીક્ષણો પછી સાફ કરવા માટે વપરાય છે, જેમ કે અસ્થાયી ફાઈલો દૂર કરવા. આ સુનિશ્ચિત કરે છે કે દરેક પરીક્ષણ નવા વાતાવરણ સાથે શરૂ થાય છે, જે પરીક્ષણો વચ્ચે ડેટાની દખલ અટકાવે છે.

ઉકેલ લપેટી

આ અસાઇનમેન્ટ પાયથોનમાં સરેરાશની ગણતરી કરતી વખતે, સકારાત્મક અથવા નકારાત્મક મૂલ્યો ગુમ થવા જેવા વિશિષ્ટ કેસોને હેન્ડલ કરવાનું મહત્વ દર્શાવે છે. શરતી નિવેદનો અને ફોર્મેટિંગ ગોઠવણોનો ઉપયોગ કરીને, તમે ખાતરી કરો છો કે જ્યારે જરૂર પડે ત્યારે "NaN" પરત કરવામાં આવે છે, ખાલી ડેટા સૂચિમાંથી કોઈપણ ભૂલોને અટકાવે છે.

પાયથોનના સાધનો જેવા પ્રયાસ કરો...સિવાય અને ફ્લોટ ('NaN') લવચીક ભૂલ વ્યવસ્થાપન માટે પરવાનગી આપે છે, અનપેક્ષિત ડેટાને હેન્ડલ કરવાનું સરળ બનાવે છે. અસાઇનમેન્ટ, સ્વયંસંચાલિત પરીક્ષણો અને ચોક્કસ આઉટપુટ ફોર્મેટિંગની જરૂર હોય તેવી કોઈપણ પરિસ્થિતિનો સામનો કરતા પ્રોગ્રામરો માટે આવી પદ્ધતિઓ અમૂલ્ય છે. 🚀