python 命令行参数解析,python函数的5种参数详解

　　本文为您带来了一些关于Python的知识，包括解析参数的三种方法。第一种选择是使用argparse，这是一个流行的Python模块，专门用于命令行解析。另一种方法是读取JSON文件，我们可以把所有的超级参数放在那里；第三种也是鲜为人知的方法是使用YAML文件。下面就来看看吧，希望对你有帮助。

　　【相关推荐：Python3视频教程】

　　我们今天分享的主要目的是通过使用Python中的命令行和配置文件来提高代码的效率。

　　我们走吧！

　　我们在练习机器学习中参数调整的过程时，有三种方式可以选择。第一种选择是使用argparse，这是一个流行的Python模块，专门用于命令行解析；另一种方法是读取JSON文件，我们可以把所有的超级参数放在那里；第三种也是鲜为人知的方法是使用YAML文件！好奇？我们开始吧！

　　00-1010在下面的代码中，我会使用Visual Studio代码，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，它通过安装扩展来支持每一种编程语言，集成了终端并允许同时处理大量的Python脚本和Jupyter笔记本。

　　数据集，使用Kaggle上的共享单车数据集

先决条件

　　如上图所示，我们有一个标准的结构来组织我们的小项目：

　　包含我们的数据集的名为train.py文件的文件夹用于指定具有超级参数的options.py文件。首先，我们可以创建一个文件train.py，在这个文件中，我们有一个导入数据的基本程序，在训练数据上训练模型，并在测试集上评估它们：

　　进口熊猫作为pd

　　将numpy作为np导入

　　从sklearn.ensemble导入RandomForestRegressor

　　从sklearn.model_selection导入训练_测试_拆分

　　来自sklearn .预处理导入标准缩放器

　　从sklearn.metrics导入均方误差，平均绝对误差

　　从选项导入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)。价值观念

　　y=df[cnt]。价值观念

　　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=模型.预测(X _测试)

　　rmse=np.sqrt(均方误差(y预测，y测试))

　　mae=均值_绝对_误差(y _预测，y _测试)

　　打印( rmse: ，rmse)

　　Print(mae: ，mae)在代码中，我们还导入了options.py文件中包含的train_options函数。后一个文件是一个Python文件，从中我们可以更改train.py中考虑的超参数：

　　导入argparse

　　定义列车选项():

　　parser=argparse。ArgumentParser()

　　parser . add _ argument(-normalize ，default=True，type=bool，help=最大深度)

　　parser . add _ argument(-n _ estimates ，默认值=100，type=int，help=估计数

　　tors')

　　 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

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

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

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，更多请关注盛行IT软件开发工作室其它相关文章！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。

先决条件

使用 JSON 文件

使用 YAML 文件

最后的想法

相关文章阅读