VM
Говорят, там нет циклов
Size: a a a
2021 November 14
I
Верно, там их нет) Ни переменных, ни циклов)
VM
И пугает и интригует одновременно))
AG
Для ссылочной прозрачности, а вместо циклов там рекурсия и хвостовая рекурсия) лучше скалу, там не так радикально все
I
Меня Clojure/Haskell заинтересовал))) Ну и плюс матчасть всего этого)
AG
Да, языки интересные, но реально надо много время посвятить этому)
I
Понимаю)
v
Мап и фильтр не нужны не потому что заменяются циклами, а потому что заменяются компрехеншенами.
Особенно если их надо потом обворачивать списки, чтобы ленивые вычисления совершились.
Особенно если их надо потом обворачивать списки, чтобы ленивые вычисления совершились.
[x**2 for x in vals if x != 0]
list(map(lambda x: x**2, filter(lambda x: x != 0, vals)
v
Вот к reduce так и не привык, за исключением простейших случав (сумма, произведение) цикл читаемей выходит.
IS
Только вот эти компрехеншены работают на несколько порядков дольше всяких датафреймов. Достаю простой пример с полки
Берём примерчик из популярных книжек:
Берём примерчик из популярных книжек:
timeit.timeit("[{'a': i, 'b': 2 * i} for i in range(10000)]", number = 1000)
4.28375910000068s
Аналог на base R дает на порядок меньшеbench::mark(
m = lapply(1:1000, function(x){1:10000 %>% data.frame(a = ., b = 2 * .); NULL}),
iterations = 1
)
# A tibble: 1 x 13
expression min median itr/sec mem_alloc
<bch:expr> <bch:tm> <bch:tm> <dbl> <bch:byt>
1 m 407ms 407ms 2.46 115MB
А это мы ещё даже data.table не расчехлилиI
К чему это ты?)
I
Никто же не говорит что нужно переносить работу с данными на стандартные средства)
AG
Да, у нас тут стандартный холивар был питоновский про мап) понятно, что есть более оптимизированные как и структуры так и языки
IS
Не стоит ими чрезмерно увлекаться не понимая накладных расходов. Иногда циклы быстрее и понятнее оказываются. И векторизация под капотом.
Видел, как необоснованное увлечение ФП приводило на ФП рефакторинге к бессмысленному уничтожению понятного и быстрого кода.
Все, больше никаких задних мыслей нет.
Видел, как необоснованное увлечение ФП приводило на ФП рефакторинге к бессмысленному уничтожению понятного и быстрого кода.
Все, больше никаких задних мыслей нет.
AK
📌 Dense Unsupervised Learning for Video Segmentation
Github: https://github.com/visinf/dense-ulearn-vos
Paper: https://openreview.net/pdf?id=i8kfkuiCJCI
Video: https://www.youtube.com/watch?v=BqVtZJSLOzg&ab_channel=VisualInference
Dataset: https://paperswithcode.com/dataset/davis-2017
@ai_machinelearning_big_data
Github: https://github.com/visinf/dense-ulearn-vos
Paper: https://openreview.net/pdf?id=i8kfkuiCJCI
Video: https://www.youtube.com/watch?v=BqVtZJSLOzg&ab_channel=VisualInference
Dataset: https://paperswithcode.com/dataset/davis-2017
@ai_machinelearning_big_data
IS
Но по факту почти все так делают. Увы. В холивары я дальше не иду, не переживайте.
D
для аналитики мне очень понравился этот курс, в нем практики много
https://www.edx.org/course/using-python-for-research
По теории, для начала я бесплатно послушала https://www.edx.org/course/programming-for-everybody-getting-started-with-pyt , дальше, например, можно взять такой - https://www.edx.org/course/cs50s-introduction-to-programming-with-python
Лайфхак: edx спонсирует до 5 курсов на 1 человека в год, в размере до 90% стоимости.
https://www.edx.org/course/using-python-for-research
По теории, для начала я бесплатно послушала https://www.edx.org/course/programming-for-everybody-getting-started-with-pyt , дальше, например, можно взять такой - https://www.edx.org/course/cs50s-introduction-to-programming-with-python
Лайфхак: edx спонсирует до 5 курсов на 1 человека в год, в размере до 90% стоимости.
v
Я чисто про ванильный питон сейчас. Если ванильный мап засунуть, то тоже медленно очень будет.
T
На R полагаю все работает несколько не так как в питоне. Но вот если сравнить листкомпы и датафремы в питоне, я ещё десять раз подумаю что быстрее. По моим ощущениям, пандас - это медленно
v
Пандас - это нампи с оверхедом