NaN izvades problēmu novēršana Python: kļūdu labošana failos balstītos aprēķinos

Atsevišķu pozitīvo un negatīvo skaitļu vidējo vērtību aprēķināšana no faila

Python aizmugursistēmas skripts, lai lasītu faila datus, aprēķinātu vidējos rādītājus un efektīvi apstrādātu trūkstošās vērtības.

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')

Dažādu datu formātu apstrāde ar modulāru un atkārtoti lietojamu kodu

Python aizmugursistēmas skripts ar uzlabotu modulāro struktūru un kļūdu apstrādi dažādiem datu formātiem.

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')

Vienību pārbaude failiem balstītai vidējā aprēķināšanas programmai

Python vienību testi, lai nodrošinātu pareizu vidējo aprēķinu dažādiem ievades scenārijiem.

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()

Bieži uzdotie jautājumi par Python NaN un kļūdu apstrādi

1. Ko dara float('NaN') darīt Python?
2. Šī komanda izveido īpašu peldošo vērtību, kas tiek atpazīta kā “NaN” (nav skaitlis). Tas ir noderīgi, lai apstrādātu gadījumus, kad aprēķins nav definēts vai kad programmā ir jāatzīmē trūkstošie dati.
3. Kā es varu nodrošināt, ka mana izvade atbilst noteiktām formatēšanas prasībām?
4. Izmantojot tādas metodes kā replace() ļauj kontrolēt, kā jūsu izvade parādās. Piemēram, replace('nan', 'NaN') var nodrošināt, ka jūsu “NaN” vērtības tiek parādītas pareizajā reģistrā, kā noteikts noteiktās testēšanas sistēmās.
5. Kāpēc ir try...except svarīgi uz failiem balstītās programmās?
6. The try...except bloks ir ļoti svarīgs kļūdu apstrādei gadījumos, kad rindās var būt nederīgi dati. Tas neļauj programmai avarēt, ja līniju nevar pārveidot par pludiņu, padarot kodu uzticamāku.
7. Kas ir iekļauts nosacījums un kāpēc to izmantot?
8. Iekļauts nosacījums patīk sum(numbers) / len(numbers) if numbers else float('NaN') ļauj veikt darbību tikai tad, ja ir izpildīti noteikti nosacījumi, piemēram, ja sarakstā ir vērtības. Tas ir ideāli piemērots, lai izvairītos no kļūdām, piemēram, dalīšanas ar nulli.
9. Kā darbojas with open(file_name, 'r') komanddarbs?
10. Šī komanda atver failu lasīšanas režīmā un pēc tam to automātiski aizver. Izmantojot “ar”, fails tiek pareizi aizvērts, kas palīdz resursu pārvaldībā un novērš kļūdas, nejauši atstājot failus atvērtus.
11. Vai varu pārbaudīt, vai Python vērtība ir “NaN”?
12. Jā, jūs varat izmantot math.isnan() lai pārbaudītu, vai vērtība ir “NaN”. Tas ir īpaši noderīgi, ja vēlaties formatēt vai izslēgt “NaN” vērtības aprēķinos vai izvadē.
13. Kāpēc automatizētajā vērtēšanā ir svarīga formatējuma konsekvence?
14. Automatizētās sistēmas balstās uz precīzu formatējumu, tāpēc nelielas atšķirības (piemēram, “nan”, nevis “NaN”) var izraisīt kļūdas. Izmantojot konsekventas metodes, piemēram replace() formatēšanai, novērš šīs problēmas.
15. Kā sarakstu izmantošana vienkāršo datu klasificēšanu kategorijās Python?
16. Saraksti ļauj iedalīt datus kategorijās, piemēram, pozitīvajos un negatīvajos, kas ļauj vienkārši aprēķināt atsevišķu statistiku katrai kategorijai. Vērtību pievienošana sarakstiem, pamatojoties uz nosacījumiem, ir efektīva, un kods tiek sakārtots.
17. Kas ir iekļautie nosacījumi, un kad tie ir jāizmanto?
18. Iekļautie nosacījumi pieļauj īsus vienas rindas paziņojumus, kas izpilda kodu tikai tad, ja ir izpildīts kāds nosacījums. Piemēram, vidējās vērtības aprēķināšana tikai tad, ja vērtības pastāv sarakstā, novēršot kļūdas.
19. Kā es varu novirzīt drukas izvadi testēšanai?
20. Izmantojot StringIO un sys.stdout novirzīšanu, varat iegūt izvadi testos, lai pārbaudītu, vai tā atbilst gaidītajiem rezultātiem. Tā ir izplatīta prakse vienību testēšanā, kur vēlaties apstiprināt programmas izvadi.
21. Kāds ir mērķis tearDown vienību testos?
22. In unittest rāmji, tearDown() tiek izmantota tīrīšanai pēc pārbaudēm, piemēram, pagaidu failu noņemšanai. Tas nodrošina, ka katrs tests sākas ar jaunu vidi, novēršot datu traucējumus starp testiem.

Risinājuma iesaiņošana

Šis uzdevums parāda, cik svarīgi ir apstrādāt īpašus gadījumus, piemēram, trūkstošo pozitīvo vai negatīvo vērtību, aprēķinot vidējos Python. Izmantojot nosacījumu priekšrakstus un formatējuma korekcijas, jūs nodrošināsiet, ka nepieciešamības gadījumā tiek atgriezts “NaN”, novēršot kļūdas no tukšiem datu sarakstiem.

Python rīki, piemēram pamēģini... izņemot un peldēt ('NaN') nodrošina elastīgu kļūdu pārvaldību, atvieglojot neparedzētu datu apstrādi. Šāda prakse ir nenovērtējama programmētājiem, kas risina uzdevumus, automatizētus testus un jebkuru situāciju, kurā nepieciešams precīzs izvades formatējums. 🚀