développement back-end
Tutoriel Python
more_itertools ne peut pas importer cached_property depuis functools dans Python 3.6
more_itertools ne peut pas importer cached_property depuis functools dans Python 3.6
J'ai essayé d'exécuter grade_analysis.py à partir du terminal dans le code Visual Studio à l'aide de la commande suivante :
~/documents/school/ml4t_2023fall/assess_portfolio$ pythonpath=../:. python grade_analysis.py
Selon les consignes de mise en classe
Cependant, lorsque j'exécute la commande, grade_analysis.py ne semble pas pouvoir passer au niveau supérieur et obtenir les informations du fichier grading.grading.py.
Est-ce que j'utilise mal cette commande ou est-ce que j'ai raté quelque chose ?
Voici l'erreur que je reçois :
2023fall/assess_portfolio$ pythonpath=../:. python grade_analysis.py
traceback (most recent call last):
file "grade_analysis.py", line 20, in <module>
import pytest
file "/home/clopez/miniconda3/envs/ml4t/lib/python3.6/site-packages/pytest.py", line 34, in <module>
from _pytest.python_api import approx
file "/home/clopez/miniconda3/envs/ml4t/lib/python3.6/site-packages/_pytest/python_api.py", line 13, in <module>
from more_itertools.more import always_iterable
file "/home/clopez/miniconda3/envs/ml4t/lib/python3.6/site-packages/more_itertools/__init__.py", line 3, in <module>
from .more import * # noqa
file "/home/clopez/miniconda3/envs/ml4t/lib/python3.6/site-packages/more_itertools/more.py", line 5, in <module>
from functools import cached_property, partial, reduce, wraps
importerror: cannot import name 'cached_property'
Instructions de configuration de l'environnement
environnement conda yml
name: ml4t channels: - conda-forge - defaults dependencies: - python=3.6 - cycler=0.10.0 - kiwisolver=1.1.0 - matplotlib=3.0.3 - numpy=1.16.3 - pandas=0.24.2 - pyparsing=2.4.0 - python-dateutil=2.8.0 - pytz=2019.1 - scipy=1.2.1 - seaborn=0.9.0 - six=1.12.0 - joblib=0.13.2 - pytest=5.0 - pytest-json=0.4.0 - future=0.17.1 - pprofile=2.0.2 - pip - pip: - jsons==0.8.8 - gradescope-utils - subprocess32
Analyse de note.py
"""MC1-P1: Analyze a portfolio - grading script.
Usage:
- Switch to a student feedback directory first (will write "points.txt" and "comments.txt" in pwd).
- Run this script with both ml4t/ and student solution in PYTHONPATH, e.g.:
PYTHONPATH=ml4t:MC1-P1/jdoe7 python ml4t/mc1_p1_grading/grade_analysis.py
Copyright 2017, Georgia Tech Research Corporation
Atlanta, Georgia 30332-0415
All Rights Reserved
"""
import datetime
import os
import sys
import traceback as tb
from collections import OrderedDict, namedtuple
import pandas as pd
import pytest
from grading.grading import (
GradeResult,
IncorrectOutput,
grader,
run_with_timeout,
)
from util import get_data
# Student code
# Spring '16 renamed package to just "analysis" (BPH)
main_code = "analysis" # module name to import
# Test cases
# Spring '16 test cases only check sharp ratio, avg daily ret, and cum_ret (BPH)
PortfolioTestCase = namedtuple(
"PortfolioTestCase", ["inputs", "outputs", "description"]
)
portfolio_test_cases = [
PortfolioTestCase(
inputs=dict(
start_date="2010-01-01",
end_date="2010-12-31",
symbol_allocs=OrderedDict(
[("GOOG", 0.2), ("AAPL", 0.3), ("GLD", 0.4), ("XOM", 0.1)]
),
start_val=1000000,
),
outputs=dict(
cum_ret=0.255646784534,
avg_daily_ret=0.000957366234238,
sharpe_ratio=1.51819243641,
),
description="Wiki example 1",
),
PortfolioTestCase(
inputs=dict(
start_date="2010-01-01",
end_date="2010-12-31",
symbol_allocs=OrderedDict(
[("AXP", 0.0), ("HPQ", 0.0), ("IBM", 0.0), ("HNZ", 1.0)]
),
start_val=1000000,
),
outputs=dict(
cum_ret=0.198105963655,
avg_daily_ret=0.000763106152672,
sharpe_ratio=1.30798398744,
),
description="Wiki example 2",
),
PortfolioTestCase(
inputs=dict(
start_date="2010-06-01",
end_date="2010-12-31",
symbol_allocs=OrderedDict(
[("GOOG", 0.2), ("AAPL", 0.3), ("GLD", 0.4), ("XOM", 0.1)]
),
start_val=1000000,
),
outputs=dict(
cum_ret=0.205113938792,
avg_daily_ret=0.00129586924366,
sharpe_ratio=2.21259766672,
),
description="Wiki example 3: Six month range",
),
PortfolioTestCase(
inputs=dict(
start_date="2010-01-01",
end_date="2013-05-31",
symbol_allocs=OrderedDict(
[("AXP", 0.3), ("HPQ", 0.5), ("IBM", 0.1), ("GOOG", 0.1)]
),
start_val=1000000,
),
outputs=dict(
cum_ret=-0.110888530433,
avg_daily_ret=-6.50814806831e-05,
sharpe_ratio=-0.0704694718385,
),
description="Normalization check",
),
PortfolioTestCase(
inputs=dict(
start_date="2010-01-01",
end_date="2010-01-31",
symbol_allocs=OrderedDict(
[("AXP", 0.9), ("HPQ", 0.0), ("IBM", 0.1), ("GOOG", 0.0)]
),
start_val=1000000,
),
outputs=dict(
cum_ret=-0.0758725033871,
avg_daily_ret=-0.00411578300489,
sharpe_ratio=-2.84503813366,
),
description="One month range",
),
PortfolioTestCase(
inputs=dict(
start_date="2011-01-01",
end_date="2011-12-31",
symbol_allocs=OrderedDict(
[("WFR", 0.25), ("ANR", 0.25), ("MWW", 0.25), ("FSLR", 0.25)]
),
start_val=1000000,
),
outputs=dict(
cum_ret=-0.686004563165,
avg_daily_ret=-0.00405018240566,
sharpe_ratio=-1.93664660013,
),
description="Low Sharpe ratio",
),
PortfolioTestCase(
inputs=dict(
start_date="2010-01-01",
end_date="2010-12-31",
symbol_allocs=OrderedDict(
[("AXP", 0.0), ("HPQ", 1.0), ("IBM", 0.0), ("HNZ", 0.0)]
),
start_val=1000000,
),
outputs=dict(
cum_ret=-0.191620333598,
avg_daily_ret=-0.000718040989619,
sharpe_ratio=-0.71237182415,
),
description="All your eggs in one basket",
),
PortfolioTestCase(
inputs=dict(
start_date="2006-01-03",
end_date="2008-01-02",
symbol_allocs=OrderedDict(
[("MMM", 0.0), ("MO", 0.9), ("MSFT", 0.1), ("INTC", 0.0)]
),
start_val=1000000,
),
outputs=dict(
cum_ret=0.43732715979,
avg_daily_ret=0.00076948918955,
sharpe_ratio=1.26449481371,
),
description="Two year range",
),
]
abs_margins = dict(
cum_ret=0.001, avg_daily_ret=0.00001, sharpe_ratio=0.001
) # absolute margin of error for each output
points_per_output = dict(
cum_ret=2.5, avg_daily_ret=2.5, sharpe_ratio=5.0
) # points for each output, for partial credit
points_per_test_case = sum(points_per_output.values())
max_seconds_per_call = 5
# Grading parameters (picked up by module-level grading fixtures)
max_points = float(len(portfolio_test_cases) * points_per_test_case)
html_pre_block = (
True # surround comments with HTML <pre class="brush:php;toolbar:false"> tag (for T-Square comments field)
)
# Test functon(s)
@pytest.mark.parametrize("inputs,outputs,description", portfolio_test_cases)
def test_analysis(inputs, outputs, description, grader):
"""Test get_portfolio_value() and get_portfolio_stats() return correct values.
Requires test inputs, expected outputs, description, and a grader fixture.
"""
points_earned = 0.0 # initialize points for this test case
try:
# Try to import student code (only once)
if not main_code in globals():
import importlib
# * Import module
mod = importlib.import_module(main_code)
globals()[main_code] = mod
# Unpack test case
start_date_str = inputs["start_date"].split("-")
start_date = datetime.datetime(
int(start_date_str[0]),
int(start_date_str[1]),
int(start_date_str[2]),
)
end_date_str = inputs["end_date"].split("-")
end_date = datetime.datetime(
int(end_date_str[0]), int(end_date_str[1]), int(end_date_str[2])
)
symbols = list(
inputs["symbol_allocs"].keys()
) # e.g.: ['GOOG', 'AAPL', 'GLD', 'XOM']
allocs = list(
inputs["symbol_allocs"].values()
) # e.g.: [0.2, 0.3, 0.4, 0.1]
start_val = inputs["start_val"]
risk_free_rate = inputs.get("risk_free_rate", 0.0)
# the wonky unpacking here is so that we only pull out the values we say we'll test.
def timeoutwrapper_analysis():
student_rv = analysis.assess_portfolio(
sd=start_date,
ed=end_date,
syms=symbols,
allocs=allocs,
sv=start_val,
rfr=risk_free_rate,
sf=252.0,
gen_plot=False,
)
return student_rv
result = run_with_timeout(
timeoutwrapper_analysis, max_seconds_per_call, (), {}
)
student_cr = result[0]
student_adr = result[1]
student_sr = result[3]
port_stats = OrderedDict(
[
("cum_ret", student_cr),
("avg_daily_ret", student_adr),
("sharpe_ratio", student_sr),
]
)
# Verify against expected outputs and assign points
incorrect = False
msgs = []
for key, value in port_stats.items():
if abs(value - outputs[key]) > abs_margins[key]:
incorrect = True
msgs.append(
" {}: {} (expected: {})".format(
key, value, outputs[key]
)
)
else:
points_earned += points_per_output[key] # partial credit
if incorrect:
inputs_str = (
" start_date: {}\n"
" end_date: {}\n"
" symbols: {}\n"
" allocs: {}\n"
" start_val: {}".format(
start_date, end_date, symbols, allocs, start_val
)
)
raise IncorrectOutput(
"One or more stats were incorrect.\n Inputs:\n{}\n Wrong"
" values:\n{}".format(inputs_str, "\n".join(msgs))
)
except Exception as e:
# Test result: failed
msg = "Test case description: {}\n".format(description)
# Generate a filtered stacktrace, only showing erroneous lines in student file(s)
tb_list = tb.extract_tb(sys.exc_info()[2])
for i in range(len(tb_list)):
row = tb_list[i]
tb_list[i] = (
os.path.basename(row[0]),
row[1],
row[2],
row[3],
) # show only filename instead of long absolute path
tb_list = [row for row in tb_list if row[0] == "analysis.py"]
if tb_list:
msg += "Traceback:\n"
msg += "".join(tb.format_list(tb_list)) # contains newlines
msg += "{}: {}".format(e.__class__.__name__, str(e))
# Report failure result to grader, with stacktrace
grader.add_result(
GradeResult(outcome="failed", points=points_earned, msg=msg)
)
raise
else:
# Test result: passed (no exceptions)
grader.add_result(
GradeResult(outcome="passed", points=points_earned, msg=None)
)
if __name__ == "__main__":
pytest.main(["-s", __file__])J'ai activé l'environnement conda et configuré les fichiers pour qu'il puisse accéder au fichier util.py et au fichier grading.py.
J'espère qu'après avoir exécuté la commande, le fichier Analysis.py sera noté à l'aide de grade_analysis.py.
Bonne réponse
C'est pourquoi il est préférable d'utiliser conda-lock pour verrouiller des fichiers (ou conteneuriser) pour une reproductibilité à long terme que d'utiliser yaml. Dépendances supplémentaires (telles que le contenu de more-itertools）在 yaml 中不受限制，并且其他包的依赖项可能没有适当的上限。在这种情况下，op 最终得到了 more_itertools 模块的一个版本，该模块引用了后来才添加到 functools.
La bissection est représentée à partir de more_itertools v10 开始的有问题的引用（对 cached_property), donc définir une limite supérieure devrait faire l'affaire :
name: ml4t
channels:
- conda-forge
- defaults
dependencies:
- python=3.6
- cycler=0.10.0
- kiwisolver=1.1.0
- matplotlib=3.0.3
- more-itertools<10 # <- prevent v10+
- numpy=1.16.3
- pandas=0.24.2
- pyparsing=2.4.0
- python-dateutil=2.8.0
- pytz=2019.1
- scipy=1.2.1
- seaborn=0.9.0
- six=1.12.0
- joblib=0.13.2
- pytest=5.0
- pytest-json=0.4.0
- future=0.17.1
- pprofile=2.0.2
- pip
- pip:
- jsons==0.8.8
- gradescope-utils
- subprocess32
Utilisez ce yaml et testez que l'importation à l'origine de l'erreur fonctionne désormais :
$ python -c "from more_itertools.more import always_iterable" $ echo $? 0
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Outils d'IA chauds
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Undress AI Tool
Images de déshabillage gratuites
Clothoff.io
Dissolvant de vêtements AI
AI Hentai Generator
Générez AI Hentai gratuitement.
Article chaud
Outils chauds
Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
Sujets chauds
Comment utiliser la belle soupe pour analyser HTML?
Mar 10, 2025 pm 06:54 PM
Cet article explique comment utiliser la belle soupe, une bibliothèque Python, pour analyser HTML. Il détaille des méthodes courantes comme find (), find_all (), select () et get_text () pour l'extraction des données, la gestion de diverses structures et erreurs HTML et alternatives (Sel
Modules mathématiques en python: statistiques
Mar 09, 2025 am 11:40 AM
Le module statistique de Python fournit de puissantes capacités d'analyse statistique de données pour nous aider à comprendre rapidement les caractéristiques globales des données, telles que la biostatistique et l'analyse commerciale. Au lieu de regarder les points de données un par un, regardez simplement des statistiques telles que la moyenne ou la variance pour découvrir les tendances et les fonctionnalités des données d'origine qui peuvent être ignorées et comparer les grands ensembles de données plus facilement et efficacement. Ce tutoriel expliquera comment calculer la moyenne et mesurer le degré de dispersion de l'ensemble de données. Sauf indication contraire, toutes les fonctions de ce module prennent en charge le calcul de la fonction moyenne () au lieu de simplement additionner la moyenne. Les nombres de points flottants peuvent également être utilisés. Importer au hasard Statistiques d'importation de fracTI
Sérialisation et désérialisation des objets Python: partie 1
Mar 08, 2025 am 09:39 AM
La sérialisation et la désérialisation des objets Python sont des aspects clés de tout programme non trivial. Si vous enregistrez quelque chose dans un fichier Python, vous effectuez une sérialisation d'objets et une désérialisation si vous lisez le fichier de configuration, ou si vous répondez à une demande HTTP. Dans un sens, la sérialisation et la désérialisation sont les choses les plus ennuyeuses du monde. Qui se soucie de tous ces formats et protocoles? Vous voulez persister ou diffuser des objets Python et les récupérer dans son intégralité plus tard. C'est un excellent moyen de voir le monde à un niveau conceptuel. Cependant, à un niveau pratique, le schéma de sérialisation, le format ou le protocole que vous choisissez peut déterminer la vitesse, la sécurité, le statut de liberté de maintenance et d'autres aspects du programme
Comment effectuer l'apprentissage en profondeur avec TensorFlow ou Pytorch?
Mar 10, 2025 pm 06:52 PM
Cet article compare TensorFlow et Pytorch pour l'apprentissage en profondeur. Il détaille les étapes impliquées: préparation des données, construction de modèles, formation, évaluation et déploiement. Différences clés entre les cadres, en particulier en ce qui concerne le raisin informatique
Comment résoudre le problème des autorisations rencontré lors de la visualisation de la version Python dans le terminal Linux?
Apr 01, 2025 pm 05:09 PM
Solution aux problèmes d'autorisation Lors de la visualisation de la version Python dans Linux Terminal Lorsque vous essayez d'afficher la version Python dans Linux Terminal, entrez Python ...
Quelles sont les bibliothèques Python populaires et leurs utilisations?
Mar 21, 2025 pm 06:46 PM
L'article traite des bibliothèques Python populaires comme Numpy, Pandas, Matplotlib, Scikit-Learn, Tensorflow, Django, Flask et Demandes, détaillant leurs utilisations dans le calcul scientifique, l'analyse des données, la visualisation, l'apprentissage automatique, le développement Web et H et H
Stracage des pages Web en Python avec une belle soupe: recherche et modification DOM
Mar 08, 2025 am 10:36 AM
Ce tutoriel s'appuie sur l'introduction précédente à la belle soupe, en se concentrant sur la manipulation de Dom au-delà de la simple navigation sur les arbres. Nous explorerons des méthodes et techniques de recherche efficaces pour modifier la structure HTML. Une méthode de recherche DOM commune est ex
Comment créer des interfaces de ligne de commande (CLI) avec Python?
Mar 10, 2025 pm 06:48 PM
Cet article guide les développeurs Python sur la construction d'interfaces de ligne de commande (CLI). Il détaille à l'aide de bibliothèques comme Typer, Click et Argparse, mettant l'accent sur la gestion des entrées / sorties et promouvant des modèles de conception conviviaux pour une meilleure convivialité par la CLI.
