പൈത്തണിലെ NaN ഔട്ട്പുട്ട് ട്രബിൾഷൂട്ടിംഗ്: ഫയൽ അടിസ്ഥാനമാക്കിയുള്ള കണക്കുകൂട്ടലുകളിലെ പിശകുകൾ പരിഹരിക്കുന്നു

ഒരു ഫയലിൽ നിന്ന് പോസിറ്റീവ്, നെഗറ്റീവ് സംഖ്യകളുടെ പ്രത്യേക ശരാശരി കണക്കാക്കുന്നു

ഫയൽ ഡാറ്റ വായിക്കാനും ശരാശരി കണക്കാക്കാനും നഷ്‌ടമായ മൂല്യങ്ങൾ ശക്തമായി കൈകാര്യം ചെയ്യാനും പൈത്തൺ ബാക്കെൻഡ് സ്‌ക്രിപ്റ്റ്.

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')

മോഡുലാർ, വീണ്ടും ഉപയോഗിക്കാവുന്ന കോഡ് ഉപയോഗിച്ച് വ്യത്യസ്ത ഡാറ്റ ഫോർമാറ്റുകൾ കൈകാര്യം ചെയ്യുന്നു

മെച്ചപ്പെടുത്തിയ മോഡുലാർ ഘടനയും വിവിധ ഡാറ്റ ഫോർമാറ്റുകൾക്കുള്ള പിശക് കൈകാര്യം ചെയ്യുന്ന പൈത്തൺ ബാക്കെൻഡ് സ്ക്രിപ്റ്റ്.

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')

ഫയൽ അടിസ്ഥാനമാക്കിയുള്ള ശരാശരി കണക്കുകൂട്ടൽ പ്രോഗ്രാമിനായുള്ള യൂണിറ്റ് പരിശോധന

വ്യത്യസ്‌ത ഇൻപുട്ട് സാഹചര്യങ്ങൾക്കായുള്ള ശരിയായ ശരാശരി കണക്കുകൂട്ടൽ ഉറപ്പാക്കുന്നതിനുള്ള പൈത്തൺ യൂണിറ്റ് പരിശോധനകൾ.

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, പിശക് കൈകാര്യം ചെയ്യൽ എന്നിവയെക്കുറിച്ചുള്ള പൊതുവായ ചോദ്യങ്ങൾ

1. എന്താണ് ചെയ്യുന്നത് float('NaN') പൈത്തണിൽ ചെയ്യണോ?
2. ഈ കമാൻഡ് "NaN" (ഒരു സംഖ്യയല്ല) ആയി അംഗീകരിക്കപ്പെട്ട ഒരു പ്രത്യേക ഫ്ലോട്ട് മൂല്യം സൃഷ്ടിക്കുന്നു. ഒരു കണക്കുകൂട്ടൽ നിർവചിക്കാത്തതോ നിങ്ങളുടെ പ്രോഗ്രാമിൽ നഷ്‌ടമായ ഡാറ്റ ഫ്ലാഗ് ചെയ്യേണ്ടതോ ആയ സന്ദർഭങ്ങൾ കൈകാര്യം ചെയ്യുന്നതിന് ഇത് ഉപയോഗപ്രദമാണ്.
3. എൻ്റെ ഔട്ട്‌പുട്ട് നിർദ്ദിഷ്ട ഫോർമാറ്റിംഗ് ആവശ്യകതകളുമായി പൊരുത്തപ്പെടുന്നുണ്ടെന്ന് എനിക്ക് എങ്ങനെ ഉറപ്പാക്കാനാകും?
4. പോലുള്ള രീതികൾ ഉപയോഗിക്കുന്നു replace() നിങ്ങളുടെ ഔട്ട്പുട്ട് എങ്ങനെ ദൃശ്യമാകുമെന്ന് നിയന്ത്രിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്നു. ഉദാഹരണത്തിന്, replace('nan', 'NaN') ചില ടെസ്റ്റിംഗ് സിസ്റ്റങ്ങളിൽ ആവശ്യാനുസരണം നിങ്ങളുടെ "NaN" മൂല്യങ്ങൾ ശരിയായ സാഹചര്യത്തിൽ ദൃശ്യമാകുമെന്ന് ഉറപ്പാക്കാൻ കഴിയും.
5. എന്തിനാണ് try...except ഫയൽ അടിസ്ഥാനമാക്കിയുള്ള പ്രോഗ്രാമുകളിൽ പ്രധാനമാണോ?
6. ദി try...except വരികളിൽ അസാധുവായ ഡാറ്റ അടങ്ങിയിരിക്കുന്ന സന്ദർഭങ്ങളിൽ പിശക് കൈകാര്യം ചെയ്യുന്നതിന് ബ്ലോക്ക് നിർണായകമാണ്. ഒരു ലൈൻ ഒരു ഫ്ലോട്ടിലേക്ക് പരിവർത്തനം ചെയ്യാൻ കഴിയുന്നില്ലെങ്കിൽ ഇത് പ്രോഗ്രാമിനെ ക്രാഷുചെയ്യുന്നത് തടയുന്നു, ഇത് കോഡ് കൂടുതൽ വിശ്വസനീയമാക്കുന്നു.
7. എന്താണ് ഇൻലൈൻ സോപാധികം, എന്തിനാണ് അത് ഉപയോഗിക്കുന്നത്?
8. ഒരു ഇൻലൈൻ സോപാധിക ലൈക്ക് sum(numbers) / len(numbers) if numbers else float('NaN') ഒരു ലിസ്റ്റിന് മൂല്യങ്ങൾ ഉള്ളത് പോലെയുള്ള ചില നിബന്ധനകൾ പാലിക്കുമ്പോൾ മാത്രം ഒരു പ്രവർത്തനം നടത്താൻ നിങ്ങളെ അനുവദിക്കുന്നു. പൂജ്യം കൊണ്ട് ഹരിക്കൽ പോലുള്ള പിശകുകൾ ഒഴിവാക്കാൻ ഇത് അനുയോജ്യമാണ്.
9. എങ്ങനെ ചെയ്യുന്നു with open(file_name, 'r') കമാൻഡ് വർക്ക്?
10. ഈ കമാൻഡ് ഒരു ഫയൽ റീഡ് മോഡിൽ തുറക്കുകയും പിന്നീട് അത് യാന്ത്രികമായി അടയ്ക്കുകയും ചെയ്യുന്നു. "കൂടെ" ഉപയോഗിക്കുന്നത് ഫയൽ ശരിയായി ക്ലോസ് ചെയ്യുന്നുവെന്ന് ഉറപ്പാക്കുന്നു, ഇത് റിസോഴ്സ് മാനേജ്മെൻ്റിനെ സഹായിക്കുകയും ഫയലുകൾ അബദ്ധത്തിൽ തുറന്നിടുന്നതിൽ നിന്ന് പിശകുകൾ ഒഴിവാക്കുകയും ചെയ്യുന്നു.
11. പൈത്തണിൽ ഒരു മൂല്യം "NaN" ആണോ എന്ന് എനിക്ക് പരിശോധിക്കാനാകുമോ?
12. അതെ, നിങ്ങൾക്ക് ഉപയോഗിക്കാം math.isnan() ഒരു മൂല്യം "NaN" ആണോ എന്ന് പരിശോധിക്കാൻ. കണക്കുകൂട്ടലുകളിലോ ഔട്ട്‌പുട്ടിലോ "NaN" മൂല്യങ്ങൾ ഫോർമാറ്റ് ചെയ്യാനോ ഒഴിവാക്കാനോ നിങ്ങൾ താൽപ്പര്യപ്പെടുമ്പോൾ ഇത് പ്രത്യേകിച്ചും സഹായകരമാണ്.
13. ഓട്ടോമേറ്റഡ് ഗ്രേഡിംഗിൽ ഫോർമാറ്റിംഗ് സ്ഥിരത പ്രധാനമായിരിക്കുന്നത് എന്തുകൊണ്ട്?
14. ഓട്ടോമേറ്റഡ് സിസ്റ്റങ്ങൾ കൃത്യമായ ഫോർമാറ്റിംഗിനെ ആശ്രയിക്കുന്നു, അതിനാൽ ചെറിയ വ്യത്യാസങ്ങൾ ("NaN" എന്നതിന് പകരം "nan" പോലെയുള്ളവ) പിശകുകൾക്ക് കാരണമാകാം. പോലുള്ള സ്ഥിരമായ രീതികൾ ഉപയോഗിക്കുന്നു replace() ഫോർമാറ്റിംഗ് ഈ പ്രശ്നങ്ങൾ തടയുന്നു.
15. ലിസ്റ്റുകൾ ഉപയോഗിക്കുന്നത് എങ്ങനെയാണ് പൈത്തണിലെ ഡാറ്റ വർഗ്ഗീകരിക്കുന്നത് ലളിതമാക്കുന്നത്?
16. ഡാറ്റയെ പോസിറ്റീവുകളും നെഗറ്റീവുകളും പോലുള്ള വിഭാഗങ്ങളായി വേർതിരിക്കാൻ ലിസ്റ്റുകൾ നിങ്ങളെ അനുവദിക്കുന്നു, ഇത് ഓരോ വിഭാഗത്തിനും വെവ്വേറെ സ്ഥിതിവിവരക്കണക്കുകൾ കണക്കുകൂട്ടുന്നത് ലളിതമാക്കുന്നു. വ്യവസ്ഥകളെ അടിസ്ഥാനമാക്കി ലിസ്റ്റുകളിലേക്ക് മൂല്യങ്ങൾ ചേർക്കുന്നത് കാര്യക്ഷമവും കോഡ് ഓർഗനൈസുചെയ്യുന്നതുമാണ്.
17. ഇൻലൈൻ വ്യവസ്ഥകൾ എന്തൊക്കെയാണ്, അവ എപ്പോഴാണ് ഉപയോഗിക്കേണ്ടത്?
18. ഒരു നിബന്ധന പാലിക്കുകയാണെങ്കിൽ മാത്രം കോഡ് എക്സിക്യൂട്ട് ചെയ്യുന്ന സംക്ഷിപ്ത വൺ-ലൈൻ പ്രസ്താവനകൾ ഇൻലൈൻ കണ്ടീഷണലുകൾ അനുവദിക്കുന്നു. ഉദാഹരണത്തിന്, ഒരു ലിസ്റ്റിൽ മൂല്യങ്ങൾ നിലവിലുണ്ടെങ്കിൽ മാത്രം ശരാശരി കണക്കാക്കുന്നത് പിശകുകൾ തടയുന്നു.
19. പരിശോധനയ്ക്കായി പ്രിൻ്റ് ഔട്ട്‌പുട്ട് എങ്ങനെ റീഡയറക്‌ട് ചെയ്യാം?
20. ഉപയോഗിച്ച് StringIO ഒപ്പം sys.stdout റീഡയറക്ഷൻ, പ്രതീക്ഷിച്ച ഫലങ്ങളുമായി പൊരുത്തപ്പെടുന്നുണ്ടോയെന്ന് പരിശോധിക്കാൻ നിങ്ങൾക്ക് ടെസ്റ്റുകളിൽ ഔട്ട്‌പുട്ട് ക്യാപ്‌ചർ ചെയ്യാം. നിങ്ങൾ പ്രോഗ്രാം ഔട്ട്പുട്ട് സാധൂകരിക്കാൻ ആഗ്രഹിക്കുന്ന യൂണിറ്റ് ടെസ്റ്റിംഗിലെ ഒരു സാധാരണ സമ്പ്രദായമാണിത്.
21. എന്താണ് ഉദ്ദേശം tearDown യൂണിറ്റ് ടെസ്റ്റുകളിൽ?
22. ഇൻ unittest ചട്ടക്കൂടുകൾ, tearDown() താൽക്കാലിക ഫയലുകൾ നീക്കം ചെയ്യുന്നതുപോലുള്ള പരിശോധനകൾക്ക് ശേഷം വൃത്തിയാക്കാൻ ഉപയോഗിക്കുന്നു. ഓരോ ടെസ്റ്റും ഒരു പുതിയ പരിതസ്ഥിതിയിൽ ആരംഭിക്കുന്നുവെന്ന് ഇത് ഉറപ്പാക്കുന്നു, ടെസ്റ്റുകൾക്കിടയിൽ ഡാറ്റ ഇടപെടൽ തടയുന്നു.

പരിഹാരം പൊതിയുന്നു

പൈത്തണിൽ ശരാശരി കണക്കാക്കുമ്പോൾ പോസിറ്റീവ് അല്ലെങ്കിൽ നെഗറ്റീവ് മൂല്യങ്ങൾ നഷ്‌ടപ്പെടുന്നത് പോലെയുള്ള പ്രത്യേക കേസുകൾ കൈകാര്യം ചെയ്യേണ്ടതിൻ്റെ പ്രാധാന്യം ഈ അസൈൻമെൻ്റ് കാണിക്കുന്നു. സോപാധികമായ പ്രസ്താവനകളും ഫോർമാറ്റിംഗ് ക്രമീകരണങ്ങളും ഉപയോഗിക്കുന്നതിലൂടെ, ആവശ്യമുള്ളപ്പോൾ "NaN" തിരികെ ലഭിക്കുമെന്ന് നിങ്ങൾ ഉറപ്പാക്കുന്നു, ശൂന്യമായ ഡാറ്റ ലിസ്റ്റുകളിൽ നിന്ന് എന്തെങ്കിലും പിശകുകൾ ഉണ്ടാകുന്നത് തടയുന്നു.

പൈത്തണിൻ്റെ ഉപകരണങ്ങൾ പോലുള്ളവ ശ്രമിക്കുക...ഒഴികെ ഒപ്പം ഫ്ലോട്ട് ('NaN') ഫ്ലെക്സിബിൾ പിശക് മാനേജ്മെൻ്റിന് അനുവദിക്കുക, ഇത് അപ്രതീക്ഷിത ഡാറ്റ കൈകാര്യം ചെയ്യുന്നത് എളുപ്പമാക്കുന്നു. അസൈൻമെൻ്റുകൾ, ഓട്ടോമേറ്റഡ് ടെസ്റ്റുകൾ, കൃത്യമായ ഔട്ട്പുട്ട് ഫോർമാറ്റിംഗ് ആവശ്യമായ ഏത് സാഹചര്യവും കൈകാര്യം ചെയ്യുന്ന പ്രോഗ്രാമർമാർക്ക് ഇത്തരം സമ്പ്രദായങ്ങൾ വിലമതിക്കാനാവാത്തതാണ്. 🚀