• 技术文章 >后端开发 >Python教程

    Python解析参数的三种方法详解

    长期闲置长期闲置2022-07-20 14:22:22转载626
    本篇文章给大家带来了关于Python的相关知识,其中主要整理了解析参数的三种方法相关问题,第一个选项是使用 argparse,它是一个流行的 Python 模块,专门用于命令行解析;另一种方法是读取 JSON 文件,我们可以在其中放置所有超参数;第三种也是鲜为人知的方法是使用 YAML 文件,下面一起来看一下,希望对大家有帮助。

    【相关推荐:Python3视频教程

    今天我们分享的主要目的就是通过在 Python 中使用命令行和配置文件来提高代码的效率

    Let’s go!

    我们以机器学习当中的调参过程来进行实践,有三种方式可供选择。第一个选项是使用 argparse,它是一个流行的 Python 模块,专门用于命令行解析;另一种方法是读取 JSON 文件,我们可以在其中放置所有超参数;第三种也是鲜为人知的方法是使用 YAML 文件!好奇吗,让我们开始吧!

    先决条件

    在下面的代码中,我将使用 Visual Studio Code,这是一个非常高效的集成 Python 开发环境。这个工具的美妙之处在于它通过安装扩展支持每种编程语言,集成终端并允许同时处理大量 Python 脚本和 Jupyter 笔记本

    数据集,使用的是 Kaggle 上的共享自行车数据集

    使用 argparse

    在这里插入图片描述
    就像上图所示,我们有一个标准的结构来组织我们的小项目:

    首先,我们可以创建一个文件 train.py,在其中我们有导入数据、在训练数据上训练模型并在测试集上对其进行评估的基本程序:

    import pandas as pd
    import numpy as np
    from sklearn.ensemble import RandomForestRegressor
    from sklearn.model_selection import train_test_split
    from sklearn.preprocessing import StandardScaler
    from sklearn.metrics import mean_squared_error, mean_absolute_error
    
    from options import train_options
    
    df = pd.read_csv('data\hour.csv')
    print(df.head())
    opt = train_options()
    
    X=df.drop(['instant','dteday','atemp','casual','registered','cnt'],axis=1).values
    y =df['cnt'].values
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
    
    if opt.normalize == True:
        scaler = StandardScaler()
        X = scaler.fit_transform(X)
        
    rf = RandomForestRegressor(n_estimators=opt.n_estimators,max_features=opt.max_features,max_depth=opt.max_depth)
    model = rf.fit(X_train,y_train)
    y_pred = model.predict(X_test)
    rmse = np.sqrt(mean_squared_error(y_pred, y_test))
    mae = mean_absolute_error(y_pred, y_test)
    print("rmse: ",rmse)
    print("mae: ",mae)

    在代码中,我们还导入了包含在 options.py 文件中的 train_options 函数。后一个文件是一个 Python 文件,我们可以从中更改 train.py 中考虑的超参数:

    import argparse
    
    def train_options():
        parser = argparse.ArgumentParser()
        parser.add_argument("--normalize", default=True, type=bool, help='maximum depth')
        parser.add_argument("--n_estimators", default=100, type=int, help='number of estimators')
        parser.add_argument("--max_features", default=6, type=int, help='maximum of features',)
        parser.add_argument("--max_depth", default=5, type=int,help='maximum depth')
        opt = parser.parse_args()
        return opt

    在这个例子中,我们使用了 argparse 库,它在解析命令行参数时非常流行。首先,我们初始化解析器,然后,我们可以添加我们想要访问的参数。

    这是运行代码的示例:

    python train.py

    在这里插入图片描述
    要更改超参数的默认值,有两种方法。第一个选项是在 options.py 文件中设置不同的默认值。另一种选择是从命令行传递超参数值:

    python train.py --n_estimators 200

    我们需要指定要更改的超参数的名称和相应的值。

    python train.py --n_estimators 200 --max_depth 7

    使用 JSON 文件

    在这里插入图片描述
    和前面一样,我们可以保持类似的文件结构。在这种情况下,我们将 options.py 文件替换为 JSON 文件。换句话说,我们想在 JSON 文件中指定超参数的值并将它们传递给 train.py 文件。与 argparse 库相比,JSON 文件可以是一种快速且直观的替代方案,它利用键值对来存储数据。下面我们创建一个 options.json 文件,其中包含我们稍后需要传递给其他代码的数据。

    {
    "normalize":true,
    "n_estimators":100,
    "max_features":6,
    "max_depth":5 
    }

    如上所见,它与 Python 字典非常相似。但是与字典不同的是,它包含文本/字符串格式的数据。此外,还有一些语法略有不同的常见数据类型。例如,布尔值是 false/true,而 Python 识别 False/True。JSON 中其他可能的值是数组,它们用方括号表示为 Python 列表。

    在 Python 中使用 JSON 数据的美妙之处在于,它可以通过 load 方法转换成 Python 字典:

    f = open("options.json", "rb")
    parameters = json.load(f)

    要访问特定项目,我们只需要在方括号内引用它的键名:

    if parameters["normalize"] == True:
        scaler = StandardScaler()
        X = scaler.fit_transform(X)
    rf=RandomForestRegressor(n_estimators=parameters["n_estimators"],max_features=parameters["max_features"],max_depth=parameters["max_depth"],random_state=42)
    model = rf.fit(X_train,y_train)
    y_pred = model.predict(X_test)

    使用 YAML 文件

    在这里插入图片描述
    最后一种选择是利用 YAML 的潜力。与 JSON 文件一样,我们将 Python 代码中的 YAML 文件作为字典读取,以访问超参数的值。YAML 是一种人类可读的数据表示语言,其中层次结构使用双空格字符表示,而不是像 JSON 文件中的括号。下面我们展示 options.yaml 文件将包含的内容:

    normalize: True 
    n_estimators: 100
    max_features: 6
    max_depth: 5

    在 train.py 中,我们打开 options.yaml 文件,该文件将始终使用 load 方法转换为 Python 字典,这一次是从 yaml 库中导入的:

    import yaml
    f = open('options.yaml','rb')
    parameters = yaml.load(f, Loader=yaml.FullLoader)

    和前面一样,我们可以使用字典所需的语法访问超参数的值。

    最后的想法

    配置文件的编译速度非常快,而 argparse 则需要为我们要添加的每个参数编写一行代码。

    所以我们应该根据自己的不同情况来选择最为合适的方式

    例如,如果我们需要为参数添加注释,JSON 是不合适的,因为它不允许注释,而 YAML 和 argparse 可能非常适合。

    【相关推荐:Python3视频教程

    以上就是Python解析参数的三种方法详解的详细内容,更多请关注php中文网其它相关文章!

    声明:本文转载于:CSDN,如有侵犯,请联系admin@php.cn删除
    专题推荐:python
    上一篇:Python数据类型简介之numpy 下一篇:完全掌握Python中的双下方法
    VIP课程(WEB全栈开发)

    相关文章推荐

    • 【活动】充值PHP中文网VIP即送云服务器• Python编码规范知识点整理• python爬虫入门实战之爬取网页图片• python网络爬虫方向的第三方库有哪些• 聊聊Python中列表和字典前加星号(**)• 一文搞懂Python爬虫解析器BeautifulSoup4
    1/1

    PHP中文网