問題タブ [precompute]

私のPythonクラスには、最初に呼び出されたときに計算するための作業を必要とするいくつかの変数があります。後続の呼び出しは、事前に計算された値を返すだけです。

ユーザーが実際に必要としない限り、この作業に時間を無駄にしたくありません。では、このユースケースを実装するためのクリーンなPythonの方法はありますか？

私の最初の考えは、property（）を使用して関数を最初に呼び出してから、変数をオーバーライドすることでした。

ありがとう

多くの場合、構成要素または子メンバーから派生した属性を持つ集約エンティティまたは親エンティティを扱います。例えば：

• オブジェクトのbyte_countandpacket_countは、TcpConnectionその2つの構成オブジェクトの同じ属性から計算され、2つの構成TcpStreamオブジェクトはそれらの構成TcpPacketオブジェクトから計算されます。

• Invoicesオブジェクトtotalには、基本的にその構成要素InvoiceLineItemsの価格のSUM（）であり、わずかな運賃、割引、および税金のロジックがスローされている場合があります。

数百万のパケットまたは数百万の請求済み広告申込情報を処理する場合（私が望む！）、これらの派生属性のオンデマンド計算は、VIEWで、またはより一般的にはレポートやWebインターフェイスなどのプレゼンテーションロジックで、許容できないほど遅いことがよくあります。

パフォーマンスの懸念があなたの手を強制する前に、事前に計算されたフィールドに派生属性を「プロモート」するかどうかをどのように決定しますか？

特定の文字列と比較したい文字列の大きなリスト（200,000以上）があります。指定された文字列はユーザ​​ーによって挿入されたため、少し間違っている可能性があります。

私が望んでいたのは、リストに追加するときに、各文字列にある種の事前計算されたハッシュを作成することでした。このハッシュには、文字列の長さ、すべての文字の追加などの情報が含まれます。

私の質問は、このようなものはすでに存在するのでしょうか？確かに、リスト内のすべての文字列でレーベンシュタイン距離を実行しないようにする何かがありますか？

それとも、私がまだ考えていない3番目のオプションがありますか？

私はこのトリガーを機能させようとしています：

tbl_art.eが変更された場合にのみ、tbl_art.fの値を計算するという考え方です。
NEW.fはNEW.e*[クエリから返される値]である必要があります

何か助けてください？

次のようなプログラムがあるとしましょう:

これをコンパイルして、実行可能ファイルが 50000005000000 を出力するだけで、それほど時間と労力をかけないようにしたいと考えています。

基本的に、確実に計算される式 (ここでは厳密性分析が役立つかもしれません) は、コンパイル時に事前に計算できます(つまり、参照透過性を使用して、値を計算するときに実際には問題にならないことを示します)。

要するに：「計算する必要があります」+参照透過性=事前に計算できます

これは、入力に依存する何かに到達するまでプログラムを実行するようなものです (つまり、すべての入力に共通するプログラムのコアは事前に計算されます)。

現在これを達成するための既存のメカニズムはありますか (Haskell または他の言語で)? [そもそも参照透過性がないため、C++ のテンプレートのようなものを指さないでください。]

そうでない場合、この問題はどれほど難しいですか? [付随する技術的 (および理論的) 問題は何ですか?]

行ごとにユーザー定義関数を事前計算しようとしています。アイデアは、フィールドの1つにJSONオブジェクトをテキストオブジェクトとして持っていて、そこから他の「フィールド」を解析したいということです。これは、他の真のフィールドと同じようにクエリで返すことができます。ただし、JSON の解析のオーバーヘッドは重要です。クエリを高速化する方法でこの解析関数を事前計算する方法はありますか?

そもそもデータベースにテキストとして JSON があってはならないという主張は控えてください。私は長所と短所を知っています。

私は、事前計算されたメトリックを使用して、Scikit-Learn の最近傍/半径分類を使用しています。つまり、ペアごとの距離の n_samples_train x n_samples_train 行列を分類器の適合メソッドに渡します。

なぜこれをしなければならないのか、今思うと。knn を使用した学習は単に「サンプルを保存する」ことを意味するはずですが、距離の計算は後で一般化中にのみ行う必要があります (もちろん、そのステップでは、トレーニング サンプルとテスト サンプルの間の距離行列を計算するので、サイズ n_samples_train x n_samples_test の行列)。

たとえば、SVM の場合、事前に計算された行列 (グラミアン、類似度行列) を smv.SVC オブジェクトの fit メソッドに渡します。次に、最適化が行われ、サポート ベクターが検出されます。そこでは、トレーニング中にそのマトリックスが絶対に必要です。

しかし、近隣/半径分類に適合する事前計算された行列が必要な理由はわかりません。

誰かが私に関連するヒントを教えてもらえますか?

scikit Learn を使用して knn のトレーニング マトリックスの計算を省略したいと思います。

最高の挨拶とありがとう。:-)