pd.lib.heapsort

Модуль является простой надстройкой над heapq, позволяющей "ленивую сортировку": т.е. элементы сортируются только по мере получения, что сильно экономит вычислительный ресурс.

Модуль предоставляет два класса:

HeapSort

При инициализации получает массив и функцию сравнения.

HeapSortByIndex

При инициализации получает массив и индекс, элементы которого соответстуют элементам массива и будут использованы для сравнения. В этом случае используется также третий параметр - revert, может быть True или False. Если параметр равен True, то сортировка производится в обратном порядке.

HeapSortByIndexSafe

Аналогичен предыдущему классу, но действует с индексом "безопасным" способом: при отсутствии элемента в индексе размещает его в конце списка.

Каждый класс предоставляет методы:

chunk(n)

Вернуть первые n элементов начала отсортированного списка.

pd.lib.utility

Модуль содержит разные полезные функции, в том числе:

name2klass

Вернуть класс по имени (возможен импорт)

klass2name

Вернуть имя по классу.

pd.lib.topsort

Модуль содержит классы реализующие разные варианты топологической сортировки. Все классы используются так:

TopSort([<Параметры>])(<Элементы>), где :

Параметры

Параметры выполнения сортировки;

Элементы

Каждый элемент - это пара, состоящая из ссылки на объект и списка ссылок, от которых он зависит;

Модуль предоставляет следующие классы:

TopSort

Топологическая сортировка (на вход должны подаватся объекты, которые могут быть ключами словаря);

TopSortIndex

Топологиеская сортировка (на вход могут подаватся любые объекты);

TopSortFuzzy

Нечеткая топологическая сортировка (на вход должны подаватся объекты, которые могут быть ключами словаря);

TopSortFuzzyIndex

Нечеткая топологическая сортировка (на вход могут подаватся любые объекты);

Нечеткая топологическая сортировка способна привести к линейному упорядочиванию даже граф с цикломатическим числом больше 0. Конечно, адекватные результаты получаются при небольших цикломатических числах, иными словами - это топологическая сортировка для слегка нарушенного циклами дерева.

pd.lib.lazy

Модуль предоставляет @Lazy декоратор, который может использоваться на методах с аргументами. Будьте внимательны, метод должен принимать хешируемую строку аргументов.

Пример использовния:

>>> from pd.lib.lazy import Lazy
>>>
>>> class A(object) :
...     @Lazy
...     def mul(self,a,b) :
...         print a,b,"compute"
...         return a*b
...
>>> a=A()
>>> a.mul(1,2)
1 2 compute
2
>>> a.mul(2,3)
2 3 compute
6
>>> a.mul(1,2)
2
>>> a.mul(2,3)
6
>>>

Использование такой версии lazy сильно ускоряет процесс работы, но за счет роста памяти, естественно.

pd.lib.fuzzyobject

Модуль предоставляет FuzzyObject класс, наследование от которого позволяет забыть об ошибках в написании имен переменных класса:

>>> from pd.lib.fuzzyobject import FuzzyObject
>>> class A(FuzzyObject) :
...     def commmon_function(self) :
...         print 'common'
...     def other_method(self) :
...         print 'method'
...
>>> A().coon_functi()
common
>>> A().oth_m()
method
>>

Вообще-то это игрушка более, чем настоящее решение, но оно работает. Более длинный пример приведен в pd/lib/fuzzyobject/fuzzyobject_sample.py, он тоже работает и по нему видны плюсы и минусы такого программирования.

pd.lib.gcd

Модуль предоставляет функцию для вычисления наибольшего общего делителя:

>>> from pd.lib.gcd import gcd
>>> gcd(10,15)
5

pd.lib.linear_quantizator

Модуль предоставляет функции для выполнения линейной квантизации. Поддерживается квантизация методом K-средних и эвристическим отображением.

quantizator(quants,n)

Квантизация методом K-средних, quants - список скалярных отсчетов, n - желаемое количество квантов в возвращаемом результате. Функция возвращает список квантов, для каждого из которых указано значение квантизации.

round(quants, num)

Квантизация методом округления.

elastic(quants, num)

Квантизация на основе порядка следования.