Вопрос был:
Как вернуть ответ от асинхронного вызова?
blockquote>, который может быть интерпретирован как:
Как сделать синхронный асинхронный код синхронным?
blockquote>Решение будет состоять в том, чтобы избежать обратных вызовов и использовать комбинацию Promises и async / await.
Я хотел бы привести пример для запроса Ajax.
(Хотя он может быть записан в Javascript, я предпочитаю писать его на Python и компилировать его в Javascript, используя Transcrypt . Это будет достаточно ясно.)
Позволяет сначала включить использование JQuery, чтобы
$
был доступен какS
:__pragma__ ('alias', 'S', '$')
Определить функцию, которая возвращает Promise, в этом случае вызов Ajax:
def read(url: str): deferred = S.Deferred() S.ajax({'type': "POST", 'url': url, 'data': { }, 'success': lambda d: deferred.resolve(d), 'error': lambda e: deferred.reject(e) }) return deferred.promise()
Использовать асинхронный код, как если бы он был синхронным:
async def readALot(): try: result1 = await read("url_1") result2 = await read("url_2") except Exception: console.warn("Reading a lot failed")
Для инвертирования логической серии используйте ~s
:
In [7]: s = pd.Series([True, True, False, True])
In [8]: ~s
Out[8]:
0 False
1 False
2 True
3 False
dtype: bool
Использование Python2.7, NumPy 1.8.0, Pandas 0.13.1:
In [119]: s = pd.Series([True, True, False, True]*10000)
In [10]: %timeit np.invert(s)
10000 loops, best of 3: 91.8 µs per loop
In [11]: %timeit ~s
10000 loops, best of 3: 73.5 µs per loop
In [12]: %timeit (-s)
10000 loops, best of 3: 73.5 µs per loop
Начиная с Pandas 0.13.0, Series больше не являются подклассами numpy.ndarray
; теперь они являются подклассами pd.NDFrame
. Это может иметь какое-то отношение к тому, почему np.invert(s)
работает не так быстро, как ~s
или -s
.
Предостережение: timeit
результаты могут различаться в зависимости от многих факторов, включая аппаратное обеспечение, компилятор, ОС , Python, NumPy и Pandas.
Я просто даю ему выстрел:
In [9]: s = Series([True, True, True, False])
In [10]: s
Out[10]:
0 True
1 True
2 True
3 False
In [11]: -s
Out[11]:
0 False
1 False
2 False
3 True
Ответ @ unutbu находится на месте, просто хотел добавить предупреждение о том, что вашей маске должно быть dtype bool, а не «object». Т.е. у вашей маски не было бы когда-либо был любой нан. См. здесь - даже если ваша маска теперь ненанна, она останется типом объекта.
Обратный к серии «объект» не будет вызывать ошибку, вместо этого вы получите мусорную маску ints, которая не будет работать так, как вы ожидаете.
In[1]: df = pd.DataFrame({'A':[True, False, np.nan], 'B':[True, False, True]})
In[2]: df.dropna(inplace=True)
In[3]: df['A']
Out[3]:
0 True
1 False
Name: A, dtype object
In[4]: ~df['A']
Out[4]:
0 -2
0 -1
Name: A, dtype object
После разговора с коллегами об этом мне есть объяснение: похоже, панды возвращаются к поразному оператор:
In [1]: ~True
Out[1]: -2
Вы также можете использовать numpy.invert
:
In [1]: import numpy as np
In [2]: import pandas as pd
In [3]: s = pd.Series([True, True, False, True])
In [4]: np.invert(s)
Out[4]:
0 False
1 False
2 True
3 False
EDIT: разница в производительности появляется на Ubuntu 12.04, Python 2.7, NumPy 1.7.0 - не похоже, существуют с использованием NumPy 1.6.2:
In [5]: %timeit (-s)
10000 loops, best of 3: 26.8 us per loop
In [6]: %timeit np.invert(s)
100000 loops, best of 3: 7.85 us per loop
In [7]: %timeit ~s
10000 loops, best of 3: 27.3 us per loop