ИН @ai_in_progress
Showing posts older than #165 · Back to latest
from fastapi import FastAPI
app = FastAPI()
@app.get("/")
def read_root():
return {"Hello": "Мир"}
@app.get("/items/{item_id}")
def read_item(item_id: int, query_param: str = None):
return {"item_id": item_id, "query_param": query_param}
def clean_year_dynamic(df, columns, factor=1.5):
q25 = df[columns].quantile(0.25)
q75 = df[columns].quantile(0.75)
iqr = q75 - q25
low = q25 - factor * iqr
high = q75 + factor * iqr
df[columns] = df[columns].clip(lower=low, upper=high)
return df
q25 = df[columns].quantile(0.25)
q75 = df[columns].quantile(0.75)
iqr = q75 - q25
low = q25 - 1.5 * iqr
high = q75 + 1.5 * iqr
df[columns] = df[columns].clip(lower=low, upper=high)
return df
class TextEditor:
def __init__(self):
self.text = ""
self.history = [] # стек для отмены
def write(self, char):
self.history.append(self.text) # сохраняем состояние
self.text += char
def undo(self):
if self.history:
self.text = self.history.pop() # восстанавливаем последнее состояние
editor = TextEditor()
editor.write("A") # текст: "A"
editor.write("B") # текст: "AB"
editor.undo() # текст: "A" (вернулись к предыдущему состоянию)
def is_balanced(s):
stack = []
brackets = {")": "(", "}": "{", "]": "["}
for char in s:
if char in "({[":
stack.append(char)
elif char in ")}]":
if not stack or stack.pop() != brackets[char]:
return False
return not stack
print(is_balanced("({[]})")) # True
print(is_balanced("({[}])")) # False
def factorial(n):
if n == 0:
return 1
return n * factorial(n-1) # каждый вызов добавляется в стек
print(factorial(5)) # 120
from collections import deque
task_queue = deque()
# Добавляем задачи в очередь
task_queue.append("send_email")
task_queue.append("generate_report")
task_queue.append("backup_database")
# Обрабатываем по порядку
while task_queue:
current_task = task_queue.popleft()
print(f"Выполняем: {current_task}")
# Вывод:
# Выполняем: send_email
# Выполняем: generate_report
# Выполняем: backup_database
def bfs(graph, start):
visited = set()
queue = deque([start])
while queue:
node = queue.popleft()
if node not in visited:
print(node)
visited.add(node)
queue.extend(graph[node]) # добавляем соседей
graph = {
"A": ["B", "C"],
"B": ["D"],
"C": ["E"],
"D": [],
"E": []
}
bfs(graph, "A") # A → B → C → D → E
buffer = deque(maxlen=3) # ограничиваем размер буфера
# Добавляем данные
buffer.append("пакет1")
buffer.append("пакет2")
buffer.append("пакет3")
buffer.append("пакет4") # "пакет1" автоматически удаляется
print(list(buffer)) # ['пакет2', 'пакет3', 'пакет4']
from collections import deque
tasks = deque()
# Обычные задачи идут в конец, срочные — в начало
tasks.append("task1")
tasks.append("task2")
tasks.appendleft("urgent_task")
print(tasks) # deque(['urgent_task', 'task1', 'task2'])
def max_sliding_window(nums, k):
dq = deque()
result = []
for i, num in enumerate(nums):
while dq and nums[dq[-1]] <= num:
dq.pop()
dq.append(i)
if dq[0] == i - k: # удаляем элементы вне окна
dq.popleft()
if i >= k - 1:
result.append(nums[dq[0]])
return result
print(max_sliding_window([1,3,-1,-3,5,3,6], 3)) # [3, 3, 5, 5, 6]
def linear_search(arr, target):
for i in range(len(arr)):
if arr[i] == target:
return i
return -1
def bubble_sort(arr):
for i in range(len(arr)):
for j in range(0, len(arr)-i-1):
if arr[j] > arr[j+1]:
arr[j], arr[j+1] = arr[j+1], arr[j]
return arr
from sklearn.model_selection import train_test_split
# Сначала разделим на train и temp (оставим 20% для валидации и теста)
X_train, X_temp, y_train, y_temp = train_test_split(X, y, test_size=0.2, random_state=42)
# Потом делим temp пополам на val и test
X_val, X_test, y_val, y_test = train_test_split(X_temp, y_temp, test_size=0.5, random_state=42)
from sklearn.model_selection import cross_validate, cross_val_score
from sklearn.linear_model import LogisticRegression
# Загрузка данных
x = ... # Фичи
y = ... # Целевая переменная
# Создаем модель
model = LogisticRegression(random_state=42)
# Оценка с кросс-валидацией (5 фолдов)
results = cross_validate(model, x, y, cv=5, scoring='precision')
# Вывод метрик на каждом фолде
print("Precision на каждом фолде:", results['test_score'])
# Краткая версия (только метрики)
scores = cross_val_score(model, x, y, cv=5, scoring='accuracy')
print("Средняя accuracy:", scores.mean())
