皮皮网

1.ONNX一本通：综述&使用&源码分析（持续更新）
2.PyTorch 源码分析(一）：torch.nn.Module
3.Python数据分析系列多个dataframe写入同一个excel文件（案例源码）
4.Python modbus_tk 库源码分析
5.Python特征工程系列基于相关性分析的源码特征重要性分析（案例+源码）
6.Python数据分析系列读取Excel文件中的多个sheet表（案例+源码）

ONNX一本通：综述&使用&源码分析（持续更新）

       ONNX详解：功能概述、Python API应用与源码解析

       ONNX的分析核心功能集中在模型定义、算子操作、源码序列化与反序列化，分析以及模型验证上。源码它主要通过onnx-runtime实现运行时支持，分析医院移动护理管理系统源码包括图优化和平台特定的源码算子库。模型转换工具如tf、分析pytorch和mindspore的源码FMK工具包负责各自框架模型至ONNX的转换。

       ONNX Python API实战

       场景一：构建线性回归模型，分析基础操作演示了API的源码使用。

       场景二至四：包括为op添加常量参数、分析属性以及控制流（尽管控制流在正式模型中应尽量避免）。源码

       场景五和后续：涉及for循环和自定义算子的分析添加，如Cos算子，源码涉及算子定义、添加到算子集、Python实现等步骤。

       源码分析

       onnx.checker：负责模型和元素的检查，cpp代码中实现具体检查逻辑。

       onnx.compose、onnx.defs、onnx.helper等：提供模型构建、算子定义和辅助函数。

       onnx.numpy_helper：处理numpy数组与onnx tensor的转换。

       onnx.reference：提供Python实现的op推理功能。

       onnx.shape_inference：进行模型的形状推断。

       onnx.version_converter：处理不同op_set_version的转换。

       转换实践

       ONNX支持将tf、pytorch和mindspore的模型转换为ONNX格式，同时也有ONNX到TensorRT、MNN和MS-Lite等其他格式的转换选项。

       总结

       ONNX提供了一个统一的符咒源码IR（中间表示）框架，通过Python API构建模型，支持算子定义的检查和模型的序列化。同时，它利用numpy实现基础算子，便于模型的正确性验证，并支持不同框架模型之间的转换。

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，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rowbounds源码由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sheet。通过以下步骤实现：

       首先，创建两个DataFrame df1 和 df2。然后指定Excel文件路径为"dataframes.xlsx"。使用pd.ExcelWriter()创建ExcelWriter对象，通过to_excel()方法将df1和df2写入Excel文件的不同sheet中，分别命名为Sheet1和Sheet2。最后，运行代码后，会在指定路径下生成包含两个sheet的"dataframes.xlsx"文件。

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

       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）

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，arc 源码自定义了超时时间，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。

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数据分析实战-实现T检验（附源码和实现效果）

       T检验是一种用于比较两个样本均值是否存在显著差异的统计方法。广泛应用于各种场景，例如判断两组数据是否具有显著差异。使用T检验前，需确保数据符合正态分布，并且样本方差具有相似性。T检验有多种变体，包括独立样本T检验、配对样本T检验和单样本T检验，针对不同实验设计和数据类型选择适当方法至关重要。

       实现T检验的Python代码如下：

       python

       import numpy as np

       import scipy.stats as stats

       # 示例数据

       data1 = np.array([1, 2, 3, 4, 5])

       data2 = np.array([2, 3, 4, 5, 6])

       # 独立样本T检验

       t_statistic, p_value = stats.ttest_ind(data1, data2)

       print(f"T统计量：{ t_statistic}")

       print(f"显著性水平：{ p_value}")

       # 根据p值判断差异显著性

       if p_value < 0.:

        print("两个样本的均值存在显著差异")

       else:

        print("两个样本的均值无显著差异")

       运行上述代码，将输出T统计量和显著性水平。根据p值判断，若p值小于0.，则可认为两个样本的均值存在显著差异；否则，认为两者均值无显著差异。

       实现效果

       根据上述代码，执行T检验后，得到的输出信息如下：

       python

       T统计量：-0.

       显著性水平：0.

       根据输出结果，T统计量为-0.，显著性水平为0.。由于p值大于0.，我们无法得出两个样本均值存在显著差异的结论。因此，可以判断在置信水平为0.时，两个样本的均值无显著差异。

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，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，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。