2016年6月6日 星期一

[pycon]pycon 2016 day 3 小整理 from 共筆

關於Django & Twisted

  • Scaling Django Application

    Django server only response one request a time
    concurrent request = thread x pools
    Higher scale means higher complexity
    有沒有更好的方法去容納更多的 request ?
    CPU-bound: 數學運算、資料運算等
    IO-bound: Database requests, web requests, other network IO
    ex. 跟資料庫溝通獲取某些資訊

    Asynchronous IO Programming

    所有的事件都是從 IO 來的，我們就等他來就好啦 ~

  • Twist

    selector function

    有一個 list 有一堆 file descriptor（socket, …）
    selector loop 可以處理上千個 file descriptor (?)
    nothing locks, it give control to the next event
    no blocking means no threads
    event driven 的最佳case是I/O bound的程式，低CPU使用率
    若程式是CPU bound，則搭配task queue
    Putting task on the queue and removing them is cheap
    所以 task queue 要擴張比較容易
    想要做更多工作的話，就增加更多的 worker 吧

  • Django channel

    Project for Asynchronous django
    interface server > channel queue > many of workers
    interface server: 就只是接收 requests
    workers: 拿走 queue 裡面的 request 然後處理他們，處理完後在放回 channel
    當 requests 被 worker 處理好的時候
    interface server 會把 response 撿走
    拿去回應到對的 requests
    daphne: Daphne is a HTTP, HTTP2 and WebSocket protocol server for ASGI, and developed to power Django Channels.
    Daphne is written in Twisted.
    The channel layer can be shard ( ?
    可以有很多個 channel queue 一起處理這些 request
    worker 也不一定要被放在 web server 裡面
    如果規模不大的話，也可以把 channel queue 放在 shared memory 裡面

  • how channels work

    request
    incoming HTTP request
    workers listen on these channel name（如果有工作就送給 worker）
    http.response!c134x7y
有這個 code 就能把他指回去對的地方
    worker 自己預設不會使用非同步 IO，你不會有 blocked worker 這種東西

  • group

    worker can listening on specific channel, they don’t need to listen all of them
    fan-out message

  • QA Time

  • Q: Why JSON not BSON…?
  • A: 在一般狀況下 JSON 足以，但在需要的情況下， 可以自訂需要的 serialization(非官方)
  • Q: queue 是 FIFO，可以自訂嗎？
  • A: 在 Channel 這層只能 FIFO, 如果需要針對不同的 task 有不同的處理優先權, 可以把不同種類的 tasks 放到不同的 channel 上, 就能用個別的 worker 去處理
  • Q: in-memory queue?
  • A: 需要 IPC，很多 machine 的情況下沒辦法 (?)

關於python的特性介紹

  • 容易碰到但不容易第一時間弄懂的問題：

    縮排
    參數傳遞
    closure
    Global Variable
    Dead or Alive
    Interface
    List Related
    Package
    Quality
    Inheritance

  • 縮排

    • Tab 和空白視為不同的字元
    • 直譯器會用一個 stack 紀錄現在的縮排多少空格, 若是縮排減少, 會把 stack pop, 一直到縮排跟 stack 頂端一致
    • 在看到 def 的時候會計算 arguments 的預設值
    • 但只有第一次會計算，之後都不會

  • Closure

    • 把函數先存到list，再一個一個印出來 -> 結果會不正確
    • 產生closure時，python只會記住內部變數的名字，不會執行涵數內的程式(只是個symbol table的名字)
    • 被 closure 記住的變數不會立刻被 GC
    • 解法：
      1. 被closure的函數中加parameter=參數
      2. 改用 class，並使用 __call__
      3. 用 functools.partial
    • Pyhton 在執行函數的第一步, 會先確定語法正確性, 才開始執行程式內容
      若global var和local var同名，python會錯亂，會把兩個都當成local
      解法：記得用 global

  • Dead or Alive

    • circular reference 的多個 objects 他們的 __del__ 不會被執行, 因為他們的 reference count 都大於 0
    • 如果兩個物件都有實作自己的__del__，Python會不敢動作
    • 解法
      1. 若一定要用circular reference，使用weak reference

  • Package

    • 用virtualenv隔離套件
    • pip freeze > requirements.txt
    • 如果不熟悉 compile 流程或有用科學計算建議使用 conda
    • 建議 requirements.txt 用手動修改, 否則若有用一些嘗試性質的套件會被 pip freeze 匯出, 可能會弄髒其他共同開發的同事的環境
  • flake8 可以檢查code符合PEP

關於中文歌詞分析

  •  slide: https://speakerdeck.com/daikeren/analyzing-chinese-lyrics-with-python

  • 取得中文歌詞

    抓歌詞
    Tools: Scrapy, MongoDB

  • 清理歌詞

    有重複歌曲、奇怪字元等
    抓出需要的資料(EX.作曲人、作詞人)

  • 開始分析

    使用pandas+pymongo
    可以把pandas想成程式版的excel。excel能做的事pandas幾乎都做得到
    matplotlib:將資料畫成圖表的工具。
    資料量不大的話可以直接整個資料庫丟進pandas
    df[df.lyricist=='林夕']　就可以直接找出所有林夕的歌

  • 斷詞

    使用jieba
    •     支援繁體、自訂字典…

  • 計算詞頻

    使用 counter 計算（counter.most_common)

  • 視覺化(文字雲)

    使用wordcloud套件作文字雲
    -pip install wordcloud
    •     需要自己給他中文字型檔

  • 其他來不及說的東西

    jupyter
    elasticsearch。配合ElasticSearchDSL會更好
   

關於Time series in python 

What is Time series data?

  • ARIMA: linear part (big picture)

  • SVR: residual (details?)

  • ACF/PACF

  • AIC/BIC choose best model

  • package rpy2

    automatically to decide the parameters
    • import pandas2ri, imporrtr

  • use sklearn, SVR

  • use grid_search to tune the parameters

    problem
    • pattern modeling (normal part)
    • exception modeling (abnormal part)
    • cross validation: beware of the order, because it’s important for time series

      第二部分

  • 預測人會不會待在辦公室 (例如跟氣溫的相關性)

  • Advantages of SdA

    non-linear

  • Packages used

    Keras - deep learning
    TensorFlow - backend of Keras
    iypthon - visualization

  • pretraining: autoencoders

    Steps:
    • add noise
    • autoencode
    • train
    • stack encoders

  • supervised learning

    Dataset: UCI SML2010
    Target: indoor temperature

關於如何打造關鍵字精靈

  • What is keyword

     是一個有指標或是有識別性的字詞，且他也包含著一些特定的意義

  • Why we need ?

    Advertisement (廣告)
    TAG (標籤)
    Relation (關聯性)
    Article Summary (文章的總結)

  • Word Relation Model

    關聯性搜尋
    • Model 1（關聯詞)
      沖繩 -> 飯店、自由行、推薦
    • Model 2（同義詞）
      沖繩 -> 琉球、壺屋通、…
    把文字、文章 Mapping 到多維向量空間
    可以看出那些文章，或是哪些詞是有關係的

  • One Hot v.s Continue Value

    如果是維度十分高的話（多維空間），是很難辨識出哪些詞是相似的

  • Word Representation -One Hot Representation

    最簡單的方法 - One Hot Representation
    先把每一個詞建出一個 One Hot Index
    但是這種編碼模式會找不到詞與詞之間的相關性，找關係會很難找
     

  • Word Representation - Context Vector

    在範例中，以詞作為 X Y 軸來產生一個表格，
    把兩個詞之間同時出現的機率來辨識出兩個詞之間的相關性
    Ex. 沖繩 vs. 浮淺 = 0.7, 沖繩 vs. 餐廳 = 0.1

  • Word Context Vector 

    講到拉麵 -> 美味しい
    講到一蘭 -> 喔依西捏
    就可以把兩個詞關聯起來

  • Co-occurrence Matrix 

    如果很大的話 n ~= 500k
    那 space = n & n，time = n *n

  • Word2Vec

    word2vec = 兩層式的類神經網路
    「我想要去沖繩 … 潛水」必須再看到前面的字就要能預測出會說 潛水，
    可能的詞有：打球、潛水、睡覺、…、洗臉（可能有好多個 Label），
    可以用類神經網路來逼近出這個 Model，
    Reference

  • Major Process Flow

    1. Article Selection
    2. Content Extraction
    3. Word Cutting

  • Article Raw Data Preparation

    文章都是一行，要幫文章做斷詞，把文章中的詞以空格隔開。

  • Term Database

    • 收集詞庫
    • Search Log
    • http://baseterm.com/
    • 輸入法詞庫
      • 詞庫 破解
    • 各大電商網站(e.q 阿里巴巴)

  • Term Database - Sarch Log 

    google search sole → search histroy →Filter & Counting →Term Collection

  • Search Log

    從 search log 產生詞庫，可以直接用 count 來做，
    累積到一定的數量，就可以知道 太陽的後裔 是一個新詞
    但是可能會有奇怪的詞混進來，所以要限制長度

  • Term Database - Word Cutting

    • Word Cut Tool
      • Jieba
    • Get Bot Token

 關於First try for CAS, SymPy with codegen

關於python處理geo資料做法

  • what drives me

    Visualizations
    UX
    Engineering 希望把所有東西做的簡單，好看

  • Geo Data Format

    shapefiles (GIS 格式)

    • dfb: shapes
    • prj: coordinate
    • shp: main entrypoint
    • shx: index file(?)

  • simple approach

    1. shapefiles and api
    2. data processor
    3. geojson / json
    4. webapp

  • Frontend

    • load data
    • basemap
    • stylethe features
    • create the ranges

  • Common pitfalls

    • Data encoding
    • Coordinate systems
    • Check the mappings

  • Optimizing for web

    • file size is critical
    • use topojson to save space
    • simplify the features with mapshaper

  • Optimizing choropleth

    • play with border styling
    • make it interactive
    • try differenet color schemes

  • Resources

    • Formats: Shapefiles, Geojson, Topjson
    • Python packages: pyshp, geojson, topojson
    • Sites: 前面介紹的那幾個
    • Tools: QGIS
    • Wiredcraft blog

  • Content on UX

    • interactivity
    • colors + styling
    • usability with mobile devices
    • talk to ther users

  • example

    • 接續上面的 simple approach
    • 修改自 mapbox tutorial (?)
    • mapbox 讀 python 生出來的 geojson
    • getColor 用分數決定顏色

     

 

 

By 於
標籤：

沒有留言:

張貼留言

訂閱： 張貼留言 (Atom)

Google Analytics初學者入門簡介

  • WinRAR相關註解參數說明
    WinRAR 可以在註解加入 icon 建立參數來製作簡易的安裝程式 Delete 解壓縮前先刪除檔案 License 顯示程式的使用授權協定 Overwrite 選擇檔案的覆寫模式 Path 設定預設目標路徑
  • [c/c++] strcat,strcmp,strcpy
    strcat char * strcat ( char * destination, const char * source ); 輸入兩個字串，將第二個字串連接在第一個字串之後，輸出第一個字串。
  • 網路芳鄰分享資料夾重複登入問題
    在使用網路芳鄰時，要連線有設定帳密的資料夾情況下， 在連線網際網路中出現下列問題 「指定的網路資料夾目前使用其他用使者名稱和密碼連線。要使用其它使用者名稱和密碼連線，請先中斷任何到這個網路共用的連線。」