1.【Python数据分析系列】多个dataframe写入同一个excel文件（案例源码）
2.带你一步步调试CPython源码（二、源码词法分析）
3.Python数据分析系列将循环生成的分析DataFrame写入同一个Excel文件不同工作表（案例+源码）
4.PyTorch 源码分析(一）：torch.nn.Module
5.Python modbus_tk 库源码分析
6.Python数据分析系列读取Excel文件中的多个sheet表（案例+源码）

【Python数据分析系列】多个dataframe写入同一个excel文件（案例源码）

       本文演示如何使用Python的pandas库将多个DataFrame写入同一个Excel文件中，每个DataFrame作为独立的源码sheet。通过以下步骤实现：

       首先，分析创建两个DataFrame df1 和 df2。源码然后指定Excel文件路径为"dataframes.xlsx"。分析java缓存源码使用pd.ExcelWriter()创建ExcelWriter对象，源码通过to_excel()方法将df1和df2写入Excel文件的分析不同sheet中，分别命名为Sheet1和Sheet2。源码最后，分析运行代码后，源码会在指定路径下生成包含两个sheet的分析"dataframes.xlsx"文件。

       运行示例代码，源码你将看到在指定路径下生成的分析"dataframes.xlsx"文件，该文件包含df1和df2的源码数据。

       本文由一位在读研期间发表6篇SCI数据算法相关论文的作者撰写，目前在某研究院从事数据算法研究工作。作者致力于只做原创，以简单易懂的方式分享Python、数据分析、特征工程、机器学习、深度学习和人工智能等基础知识与案例。关注公众号"数据杂坛"，获取更多内容。

       原文链接：Python数据分析系列多个dataframe写入同一个excel文件（案例源码）

带你一步步调试CPython源码（二、词法分析）

       本文是《深入理解CPython源码调试：词法分析篇》系列的第二部分，阐述CPython解释器如何进行Python代码的词法解析。首先，srt源码解读让我们回顾编译原理的基本步骤，编译过程包括词法分析、语法分析、中间代码生成和优化，以及最终代码执行。在CPython中，词法分析是第一步，它会逐字符读取源码并将其转换为内部字节流，便于后续处理。

       CPython的词法分析和语法分析并非截然分开，许多词法分析逻辑在语法分析器中合并执行，这使得parser函数中可能包含词法处理的部分。尽管本文示例基于Python3.a2，但tokenizer的更新频繁，与文章内容可能存在差异。

       词法分析的核心任务是将用户输入的字符转换为token，如数字、符号等，以简化语法分析的复杂性。CPython中的词法分析逻辑存储在Grammar/Tokens文件中，其中列出了各种token及其对应的符号。这个文件虽不直接参与编译，但用于生成词法分析器，如在项目中添加相关代码并执行build.bat命令来更新。

       在Python/pythonrun.c中，我们会在行设置断点，跟踪CPython调用_PyParser_ASTFromFile将字符串转换为抽象语法树的过程。接着，源码汇编程程序会进入_PyPegen_run_parser_from_file_pointer，进行词法和语法分析。这个阶段从_PyTokenizer_FromFile开始，创建tok_state，初始化语法分析器，然后调用_PyPegen_run_parser执行核心逻辑。

       在Parser/tokenizer.c的行，程序通过tok_nextc函数逐字符读取用户输入，直到遇到换行等终止符号，期间还会调用tok_backup以处理多字符符号。随后，程序会根据Grammar/Token文件判断字符类别并生成相应的token，存储在tok_state中供语法分析使用。

       最后，CPython从键盘获取用户输入是通过PyOS_Readline系统调用实现的。词法分析器的生成逻辑则依赖于Grammar/Tokens文件，通过Tools/build/generate_token.py脚本解析并生成Parser/token.c中的相关代码。

       词法分析部分的解析至此完成，下篇文章将转向语法分析，探讨Pegen在其中的作用。

Python数据分析系列将循环生成的DataFrame写入同一个Excel文件不同工作表（案例+源码）

       本文将探讨如何在Python数据分析中，通过循环生成DataFrame，并将其存储在同一个Excel文件的不同工作表中。以下是具体实现的步骤和一个实例。

       案例与代码实现

       首先，假设你有一个数据处理循环，每次循环都会生成一个新的DataFrame。要将这些DataFrame写入名为"output.xlsx"的iphone核心源码Excel文件的不同工作表，可以按照以下代码进行操作:

       python

       import pandas as pd

       # 假设你的DataFrame生成函数是generate_df

       for i in range(1, 6): # 假设你有5次循环

        df = generate_df(i) # 每次生成一个新DF

        df.to_excel('output.xlsx', sheet_name=f'Sheet{ i}', index=False) # 将DF写入指定工作表

       这段代码会将每次生成的DataFrame分别写入output.xlsx的Sheet1到Sheet5工作表中。

       作者简介

       作为一名数据算法研究者，我曾在读研期间发表过6篇SCI论文，目前致力于数据分析相关工作。我分享的内容以简单易懂的方式涵盖了Python、数据分析、机器学习等领域的基础知识和案例。如果你需要数据和源码，欢迎关注并与我联系，获取更多实用教程和分享。

PyTorch 源码分析(一）：torch.nn.Module

       nn.Module是PyTorch中最核心和基础的结构，它是操作符/损失函数的基类，同时也是组成各种网络结构的基类（实际上是由多个module组合而成的一个module）。

       在Python侧，2.1回调函数注册，2.2 module类定义中，有以下几个重点函数：

       重点函数一：将模型的参数移动到CUDA上，内部会遍历其子module。

       重点函数二：将模型的参数移动到CPU上，内部会遍历其子module。

       重点函数三：将模型的参数转化为fp或者fp等，内部会遍历其子module。

       重点函数四：forward函数调用。

       重点函数五：返回该net的所有layer。

       在类图中，PyTorch的算子都是module的子类，包括自定义算子和整网定义。

       在C++侧，砍线程源码3.1 module.to("cuda")详细分析中，本质是将module的parameter&buffer等tensor移动到CUDA上，最终调用的是tensor.to(cuda)。

       3.2 module.load/save逻辑中，PyTorch模型保存分为两种，一种是纯参数，一种是带模型结构（PyTorch中的模型结构，本质上是由module、sub-module构造的一个计算图）。

       parameter、buffer是通过key-value的形式来存储和检索的，key为module的.name，value为存储具体数据的tensor。

       InputArchive/OutputArchive的write和read逻辑。

       通过Module，PyTorch将op/loss/opt等串联起来，类似于一个计算图。基于PyTorch构建的ResNet等模型，是逐个算子进行计算的，tensor在CPU和GPU之间来回流动，而不是整个计算都在GPU上完成（即中间计算结果不出GPU）。实际上，在进行推理时，可以构建一个计算图，让整个计算图的计算都在GPU上完成，不知道是否可行（如果GPU上有一个CPU就可以完成这个操作，不知道tensorrt是否是这样的操作）。

Python modbus_tk 库源码分析

       modbus_tcp 协议是工业项目中常用的设备数据交互协议，基于 TCP/IP 协议。协议涉及两个角色：client 和 server，或更准确地称为 master 和 slave。modbus_tk 库作为 Python 中著名且强大的 modbus 协议封装模块，其源码值得深入分析，尤其是在关注并发量等方面的需求时。深入研究 modbus_tk 库的源代码和实现逻辑，对在库的基础上进行更进一步的开发尤其重要。因此，本文旨在提供对 modbus_tk 库源码的深入解析，以供参考。

       实例化 TcpMaster 对象时，首先导入 TcpMaster 类，该类继承自 Master，但在实例化时并未执行任何操作。Master 的 `__init__()` 方法同样没有执行任何具体任务，这使得 TCP 链接在创建 TcpMaster 实例时并未立即建立。TCP 链接的建立在 `open()` 方法中实现，该方法由 TcpMaster 类执行。在 `open()` 方法中，自定义了超时时间，进一步保证了 TCP 连接的建立。

       在 TcpMaster 类的 `execute()` 方法中，核心逻辑在于建立 TCP 协议的解包和组包。在读写线圈或寄存器等操作时，都会调用 `execute()` 方法。详细分析了 `execute()` 方法的具体实现，包括通过注释掉的组包等过程代码，以及 `TcpMaster._make_query()` 方法的实现。`_make_query()` 方法封装了请求构建过程，包括生成事务号、构建请求包和发送请求。

       在请求构建完成后，`_send()` 方法负责通过 `select` 模块进行连接状态检测，确保发送数据前连接无异常。通过分析 `execute()` 方法的后续逻辑，我们能够看到一个完整的组包、发送数据及响应解析的源码流程。响应解析涉及 `TcpMaster.execute()` 方法中对 MBAP 和 PDU 的分离、解包及数据校验。

       在解析响应信息时，`TcpQuery().parse_response()` 方法解包并验证 MBAP 和 PDU，确保数据一致性。通过此过程，获取了整个数据体，完成了响应信息的解析。在 `execute()` 方法的后续部分，没有执行新的 I/O 操作，进一步简化了流程。

       为了保障线程安全，`threadsafe` 装饰器被添加在 `Master.execute()` 方法及 `TcpQuery._get_transaction_id()` 方法上。这一装饰器确保了跨线程间的同步，但可能引起资源竞争问题。在实际应用中，为了避免同一设备不能同时读写的情况，可以显式传递 `threadsafe=False` 关键字参数，并实现自定义锁机制。

       modbus_tk 模块提供了丰富的钩子函数，如 `call_hooks`，在数据传递生命周期中自动运行，实现特定功能的扩展。常见的钩子函数包括初始化、结束、请求处理等，这些功能的实现可以根据具体需求进行定制化。

Python数据分析系列读取Excel文件中的多个sheet表（案例+源码）

       在Python中使用pandas库，读取Excel文件中的多个sheet表变得极其便捷。假设有一个名为“光谱响应函数.xlsx”的Excel文件，其中包含多个sheet表。

       Excel文件，如同数据库，存储着一张或多张数据表。本文将展示如何依次读取Excel文件中的每一个sheet表。

       首先，定义excel文件路径，通过pd.ExcelFile()创建一个Excel文件对象xls。利用该对象的sheet_names方法获取所有sheet表名称。然后，借助pd.read_excel函数，逐一读取每一个sheet表，并进行后续的统一处理。

       以sheet_name为“ch”的读取结果为例，展示读取后的数据内容。

       作者拥有丰富的科研经历，期间在学术期刊发表六篇SCI论文，专注于数据算法研究。目前在某研究院从事数据算法相关工作，致力于分享Python、数据分析、特征工程、机器学习、深度学习、人工智能等基础知识与实际案例。撰写内容时坚持原创，以简洁的方式解释复杂概念，欢迎关注公众号“数据杂坛”，获取更多数据和源码学习资源。

       欲了解更多详情，请参考原文链接。

Python特征工程系列基于相关性分析的特征重要性分析（案例+源码）

       本文探讨基于相关性分析的特征重要性评估方法，通过计算特征与目标变量之间的相关系数，初步筛选特征。常用的相关系数包括皮尔逊相关系数和斯皮尔曼等级相关系数。

       皮尔逊相关系数衡量连续变量间的线性关系强度，斯皮尔曼相关系数适用于评估变量间的等级单调关系，尤其非线性数据。在统计学中，这为快速评估特征重要性提供了有效手段。

       实现过程中，首先准备数据，明确目标变量和特征变量。接着，通过划分训练集与测试集，对训练集进行数据重构。热力图通过可视化展示特征间相关系数，直观显示特征与标签间关系。

       通过代码实现相关性分析，计算属性间相关系数，并生成热力图结果。此方法能帮助快速识别与目标变量关联度高的特征，为后续模型构建奠定基础。

       作者为读研期间发表6篇SCI数据算法论文的研究人员，现专注于数据算法研究工作。致力于分享Python、数据分析、特征工程等基础知识与案例，关注原创内容，以简便方式讲解复杂概念，促进共同学习与成长。