ಅದ್ಭುತ, ಆದರೆ ಕಡಿಮೆ-ಪರಿಚಿತ ಪೈಥಾನ್ ಗ್ರಂಥಾಲಯಗಳು

ಪೈಥಾನ್ ಪ್ರೋಗ್ರಾಮರ್ ಯಾವಾಗಲೂ ಹೊಸ ಲೈಬ್ರರಿಗಳನ್ನು ಹುಡುಕುತ್ತಿರುತ್ತದೆ, ಇದು ಡೇಟಾ ಇಂಜಿನಿಯರಿಂಗ್ ಮತ್ತು ವ್ಯವಹಾರ ಗುಪ್ತಚರ ಯೋಜನೆಗಳಲ್ಲಿ ಕೆಲಸವನ್ನು ಸುಧಾರಿಸುತ್ತದೆ.

ಈ ಲೇಖನದಲ್ಲಿ ನಾವು ಕೆಲವು ಕಡಿಮೆ ತಿಳಿದಿರುವ, ಆದರೆ ಬಹಳ ಉಪಯುಕ್ತವಾದ ಪೈಥಾನ್ ಗ್ರಂಥಾಲಯಗಳನ್ನು ನೋಡುತ್ತೇವೆ:

1. ಲೋಲಕ

ಅನೇಕ ಗ್ರಂಥಾಲಯಗಳು ಲಭ್ಯವಿದ್ದರೂ ಪೈಥಾನ್ DateTime ಗಾಗಿ, ಯಾವುದೇ ದಿನಾಂಕದ ಕಾರ್ಯಾಚರಣೆಯಲ್ಲಿ ಲೋಲಕವನ್ನು ಬಳಸಲು ಸುಲಭವಾಗಿದೆ ಎಂದು ನಾನು ಕಂಡುಕೊಂಡಿದ್ದೇನೆ. ಕೆಲಸದಲ್ಲಿ ನನ್ನ ದೈನಂದಿನ ಬಳಕೆಗಾಗಿ ಲೋಲಕವು ನನ್ನ ನೆಚ್ಚಿನ ಪುಸ್ತಕದ ಕಪಾಟಾಗಿದೆ. ಅಂತರ್ನಿರ್ಮಿತ ಪೈಥಾನ್ ಡೇಟ್‌ಟೈಮ್ ಮಾಡ್ಯೂಲ್ ಅನ್ನು ವಿಸ್ತರಿಸುತ್ತದೆ, ಸಮಯ ವಲಯಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಹೆಚ್ಚು ಅರ್ಥಗರ್ಭಿತ API ಅನ್ನು ಸೇರಿಸುತ್ತದೆ ಮತ್ತು ಸಮಯ ಮಧ್ಯಂತರಗಳನ್ನು ಸೇರಿಸುವುದು, ದಿನಾಂಕಗಳನ್ನು ಕಳೆಯುವುದು ಮತ್ತು ಸಮಯ ವಲಯಗಳ ನಡುವೆ ಪರಿವರ್ತಿಸುವಂತಹ ದಿನಾಂಕ ಮತ್ತು ಸಮಯದ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ. ದಿನಾಂಕಗಳು ಮತ್ತು ಸಮಯಗಳನ್ನು ಫಾರ್ಮ್ಯಾಟ್ ಮಾಡಲು ಸರಳ ಮತ್ತು ಅರ್ಥಗರ್ಭಿತ API ಅನ್ನು ಒದಗಿಸುತ್ತದೆ.

ಸ್ಥಾಪನೆ

!pip install pendulum

ಉದಾಹರಣೆಗೆ

# import library

import pendulum
dt = pendulum.datetime(2023, 1, 31)
print(dt)
 
#local() creates datetime instance with local timezone

local = pendulum.local(2023, 1, 31)
print("Local Time:", local)
print("Local Time Zone:", local.timezone.name)

# Printing UTC time

utc = pendulum.now('UTC')
print("Current UTC time:", utc)
 
# Converting UTC timezone into Europe/Paris time

europe = utc.in_timezone('Europe/Paris')
print("Current time in Paris:", europe)

ಔಟ್ಪುಟ್

2. ftfy

ಡೇಟಾದಲ್ಲಿ ವಿದೇಶಿ ಭಾಷೆ ಸರಿಯಾಗಿ ಕಾಣಿಸದಿದ್ದಾಗ ನೀವು ಎದುರಿಸಿದ್ದೀರಾ? ಇದನ್ನು ಮೋಜಿಬಾಕೆ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಮೋಜಿಬೇಕ್ ಎನ್ನುವುದು ಎನ್ಕೋಡಿಂಗ್ ಅಥವಾ ಡಿಕೋಡಿಂಗ್ ಸಮಸ್ಯೆಗಳ ಪರಿಣಾಮವಾಗಿ ಸಂಭವಿಸುವ ಗಾರ್ಬಲ್ಡ್ ಅಥವಾ ಸ್ಕ್ರ್ಯಾಂಬಲ್ಡ್ ಪಠ್ಯವನ್ನು ವಿವರಿಸಲು ಬಳಸಲಾಗುವ ಪದವಾಗಿದೆ. ಒಂದು ಅಕ್ಷರದ ಎನ್‌ಕೋಡಿಂಗ್‌ನೊಂದಿಗೆ ಬರೆದ ಪಠ್ಯವನ್ನು ಬೇರೆ ಎನ್‌ಕೋಡಿಂಗ್ ಬಳಸಿ ತಪ್ಪಾಗಿ ಡಿಕೋಡ್ ಮಾಡಿದಾಗ ಇದು ಸಾಮಾನ್ಯವಾಗಿ ಸಂಭವಿಸುತ್ತದೆ. ftfy ಪೈಥಾನ್ ಲೈಬ್ರರಿಯು Mojibake ಅನ್ನು ಸರಿಪಡಿಸಲು ನಿಮಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಇದು NLP ಬಳಕೆಯ ಸಂದರ್ಭಗಳಲ್ಲಿ ತುಂಬಾ ಉಪಯುಕ್ತವಾಗಿದೆ.

ಸ್ಥಾಪನೆ

!ಪಿಪ್ ಇನ್ಸ್ಟಾಲ್ ftfy

ಉದಾಹರಣೆಗೆ

print(ftfy.fix_text('“ftfyâ€\x9d.' ಬಳಸಿಕೊಂಡು ವಾಕ್ಯವನ್ನು ಸರಿಪಡಿಸಿ.')) ಪ್ರಿಂಟ್(ftfy.fix_text('âœ" ಪಠ್ಯದೊಂದಿಗೆ ಯಾವುದೇ ಸಮಸ್ಯೆಗಳಿಲ್ಲ')) ಮುದ್ರಣ(ftfy.fix_text('à perturber la ré flexion '))

ಔಟ್ಪುಟ್

Mojibake ಜೊತೆಗೆ, ftfy ಕೆಟ್ಟ ಎನ್‌ಕೋಡಿಂಗ್‌ಗಳು, ಕೆಟ್ಟ ಸಾಲಿನ ಅಂತ್ಯಗಳು ಮತ್ತು ಕೆಟ್ಟ ಉಲ್ಲೇಖಗಳನ್ನು ಸರಿಪಡಿಸುತ್ತದೆ. ಕೆಳಗಿನ ಎನ್‌ಕೋಡಿಂಗ್‌ಗಳಲ್ಲಿ ಒಂದಾಗಿ ಡಿಕೋಡ್ ಮಾಡಲಾದ ಪಠ್ಯವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದು:

• ಲ್ಯಾಟಿನ್-1 (ISO-8859–1)
• Windows-1252 (cp1252 — ಮೈಕ್ರೋಸಾಫ್ಟ್ ಉತ್ಪನ್ನಗಳಲ್ಲಿ ಬಳಸಲಾಗಿದೆ)
• Windows-1251 (cp1251 — cp1252 ರ ರಷ್ಯನ್ ಆವೃತ್ತಿ)
• Windows-1250 (cp1250 — cp1252 ರ ಪೂರ್ವ ಯುರೋಪಿಯನ್ ಆವೃತ್ತಿ)
• ISO-8859–2 (ಇದು ನಿಖರವಾಗಿ ವಿಂಡೋಸ್-1250 ಯಂತೆಯೇ ಅಲ್ಲ)
• MacRoman (Mac OS 9 ಮತ್ತು ಹಿಂದಿನದರಲ್ಲಿ ಬಳಸಲಾಗಿದೆ)
• cp437 (MS-DOS ಮತ್ತು ವಿಂಡೋಸ್ ಕಮಾಂಡ್ ಪ್ರಾಂಪ್ಟ್‌ನ ಕೆಲವು ಆವೃತ್ತಿಗಳಲ್ಲಿ ಬಳಸಲಾಗಿದೆ)

3 ಸ್ಕೆಚ್

ಸ್ಕೆಚ್ ಎಂಬುದು ಪೈಥಾನ್‌ನಲ್ಲಿ ಪಾಂಡಾಸ್ ಲೈಬ್ರರಿಯೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವ ಬಳಕೆದಾರರಿಗಾಗಿ ವಿಶೇಷವಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಅನನ್ಯ AI ಕೋಡಿಂಗ್ ಸಹಾಯಕವಾಗಿದೆ. ಇದು ಬಳಕೆದಾರರ ಡೇಟಾದ ಸಂದರ್ಭವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಯಂತ್ರ ಕಲಿಕೆ ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಬಳಸುತ್ತದೆ ಮತ್ತು ಡೇಟಾ ಕುಶಲತೆ ಮತ್ತು ವಿಶ್ಲೇಷಣೆ ಕಾರ್ಯಗಳನ್ನು ಸುಲಭ ಮತ್ತು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಮಾಡಲು ಸಂಬಂಧಿತ ಕೋಡ್ ಸಲಹೆಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. ಬಳಕೆದಾರರು ತಮ್ಮ IDE ಯಲ್ಲಿ ಯಾವುದೇ ಹೆಚ್ಚುವರಿ ಪ್ಲಗ್-ಇನ್‌ಗಳನ್ನು ಸ್ಥಾಪಿಸಲು ಸ್ಕೆಚ್‌ಗೆ ಅಗತ್ಯವಿಲ್ಲ, ಇದು ತ್ವರಿತವಾಗಿ ಮತ್ತು ಬಳಸಲು ಸುಲಭವಾಗಿದೆ. ಇದು ಡೇಟಾ-ಸಂಬಂಧಿತ ಕಾರ್ಯಗಳಿಗೆ ಅಗತ್ಯವಿರುವ ಸಮಯ ಮತ್ತು ಶ್ರಮವನ್ನು ಗಣನೀಯವಾಗಿ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಬಳಕೆದಾರರಿಗೆ ಉತ್ತಮ, ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿ ಕೋಡ್ ಅನ್ನು ಬರೆಯಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ಸ್ಥಾಪನೆ

!ಪಿಪ್ ಇನ್‌ಸ್ಟಾಲ್ ಸ್ಕೆಚ್

ಉದಾಹರಣೆಗೆ

ಈ ಲೈಬ್ರರಿಯನ್ನು ಬಳಸಲು ನಾವು ಪಾಂಡಾಸ್ ಡೇಟಾಫ್ರೇಮ್‌ಗೆ .ಸ್ಕೆಚ್ ವಿಸ್ತರಣೆಯನ್ನು ಸೇರಿಸಬೇಕಾಗಿದೆ.

.ಸ್ಕೆಚ್.ಕೇಳು

ಕೇಳಿ ಸ್ಕೆಚ್‌ನ ವೈಶಿಷ್ಟ್ಯವಾಗಿದ್ದು, ಬಳಕೆದಾರರು ತಮ್ಮ ಡೇಟಾದ ಬಗ್ಗೆ ನೈಸರ್ಗಿಕ ಭಾಷೆಯ ಸ್ವರೂಪದಲ್ಲಿ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಲು ಅನುಮತಿಸುತ್ತದೆ. ಬಳಕೆದಾರರ ಪ್ರಶ್ನೆಗೆ ಪಠ್ಯ ಆಧಾರಿತ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ.

# ಲೈಬ್ರರಿಗಳನ್ನು ಆಮದು ಮಾಡಿಕೊಳ್ಳುವುದು ಸ್ಕೆಚ್ ಆಮದು ಪಾಂಡಾಗಳನ್ನು pd ಆಗಿ ಆಮದು ಮಾಡಿಕೊಳ್ಳುವುದು # ಡೇಟಾವನ್ನು ಓದುವುದು (ಟ್ವಿಟರ್ ಡೇಟಾವನ್ನು ಉದಾಹರಣೆಯಾಗಿ ಬಳಸುವುದು) df = pd.read_csv("tweets.csv") print(df)

# ಯಾವ ಕಾಲಮ್‌ಗಳು ವರ್ಗದ ಪ್ರಕಾರ ಎಂದು ಕೇಳಲಾಗುತ್ತಿದೆ df.sketch.ask("ಯಾವ ಕಾಲಮ್‌ಗಳು ವರ್ಗದ ಪ್ರಕಾರ?")

ಔಟ್ಪುಟ್

# ಡೇಟಾಫ್ರೇಮ್‌ನ ಆಕಾರವನ್ನು ಕಂಡುಹಿಡಿಯಲು df.sketch.ask("ಡೇಟಾಫ್ರೇಮ್‌ನ ಆಕಾರ ಏನು")

.ಸ್ಕೆಚ್.ಹೇಗೆ

ಹೇಗೆ ವಿವಿಧ ಡೇಟಾ-ಸಂಬಂಧಿತ ಕಾರ್ಯಗಳಿಗಾಗಿ ಪ್ರಾರಂಭ ಅಥವಾ ಅಂತ್ಯದ ಬಿಂದುವಾಗಿ ಬಳಸಬಹುದಾದ ಕೋಡ್‌ನ ಬ್ಲಾಕ್ ಅನ್ನು ಒದಗಿಸುವ ವೈಶಿಷ್ಟ್ಯವಾಗಿದೆ. ಅವರ ಡೇಟಾವನ್ನು ಸಾಮಾನ್ಯಗೊಳಿಸಲು, ಹೊಸ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ರಚಿಸಲು, ಡೇಟಾವನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡಲು ಮತ್ತು ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲು ನಾವು ಕೋಡ್‌ನ ತುಣುಕುಗಳನ್ನು ಕೇಳಬಹುದು. ಇದು ಸಮಯವನ್ನು ಉಳಿಸುತ್ತದೆ ಮತ್ತು ಕೋಡ್ ಅನ್ನು ನಕಲಿಸಲು ಮತ್ತು ಅಂಟಿಸಲು ಸುಲಭವಾಗುತ್ತದೆ; ನೀವು ಮೊದಲಿನಿಂದ ಕೋಡ್ ಅನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಬರೆಯಬೇಕಾಗಿಲ್ಲ.

# ಭಾವನೆಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸಲು ಸ್ನಿಪ್ ಮಾಡಿದ ಕೋಡ್ ಅನ್ನು ಒದಗಿಸಲು ಕೇಳಲಾಗುತ್ತಿದೆ df.sketch.howto("ಭಾವನೆಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸು")

ಔಟ್ಪುಟ್

.ಸ್ಕೆಚ್.ಅನ್ವಯಿಸಿ

.ಅನ್ವಯ ಕಾರ್ಯ ಇದು ಹೊಸ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ರಚಿಸಲು, ಕ್ಷೇತ್ರಗಳನ್ನು ಪಾರ್ಸ್ ಮಾಡಲು ಮತ್ತು ಇತರ ಡೇಟಾ ಮ್ಯಾನಿಪ್ಯುಲೇಷನ್‌ಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಈ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಬಳಸಲು, ನಾವು OpenAI ಖಾತೆಯನ್ನು ಹೊಂದಿರಬೇಕು ಮತ್ತು ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಲು API ಕೀಲಿಯನ್ನು ಬಳಸಬೇಕು. ನಾನು ಈ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಪ್ರಯತ್ನಿಸಿಲ್ಲ.

ನಾನು ವಿಶೇಷವಾಗಿ ಈ ಗ್ರಂಥಾಲಯವನ್ನು ಬಳಸುವುದನ್ನು ಆನಂದಿಸಿದೆ ಬಂದು ಇದು ಕೆಲಸ ಮಾಡುತ್ತದೆ ಮತ್ತು ನಾನು ಅದನ್ನು ಉಪಯುಕ್ತವೆಂದು ಭಾವಿಸುತ್ತೇನೆ.

4. pgecode

"pgeocode" ನನ್ನ ಪ್ರಾದೇಶಿಕ ವಿಶ್ಲೇಷಣಾ ಯೋಜನೆಗಳಿಗೆ ನಂಬಲಾಗದಷ್ಟು ಉಪಯುಕ್ತವಾಗಿದೆ ಎಂದು ನಾನು ಇತ್ತೀಚೆಗೆ ಎಡವಿ ಕಂಡ ಅತ್ಯುತ್ತಮ ಗ್ರಂಥಾಲಯವಾಗಿದೆ. ಉದಾಹರಣೆಗೆ, ಇದು ಎರಡು ಪೋಸ್ಟಲ್ ಕೋಡ್‌ಗಳ ನಡುವಿನ ಅಂತರವನ್ನು ಕಂಡುಹಿಡಿಯಲು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ ಮತ್ತು ದೇಶ ಮತ್ತು ಪೋಸ್ಟಲ್ ಕೋಡ್ ಅನ್ನು ಇನ್‌ಪುಟ್ ಆಗಿ ತೆಗೆದುಕೊಳ್ಳುವ ಮೂಲಕ ಭೌಗೋಳಿಕ ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸುತ್ತದೆ.

ಸ್ಥಾಪನೆ

!ಪಿಪ್ ಇನ್ಸ್ಟಾಲ್ pgecode

ಉದಾಹರಣೆಗೆ

ನಿರ್ದಿಷ್ಟ ಪೋಸ್ಟ್‌ಕೋಡ್‌ಗಳಿಗಾಗಿ ಭೌಗೋಳಿಕ ಮಾಹಿತಿಯನ್ನು ಪಡೆಯಿರಿ

# "ಇಂಡಿಯಾ" ನಾಮಿ = pgeocode.Nominatim('In') # ದೇಶಕ್ಕಾಗಿ ಪರಿಶೀಲಿಸಲಾಗುತ್ತಿದೆ nomi.query_postal_code(["620018", "620017", "620012"]) ಪೋಸ್ಟ್‌ಕೋಡ್‌ಗಳನ್ನು ರವಾನಿಸುವ ಮೂಲಕ ಜಿಯೋ ಮಾಹಿತಿಯನ್ನು ಪಡೆಯುವುದು

ಔಟ್ಪುಟ್

"pgecode" ದೇಶ ಮತ್ತು ಪೋಸ್ಟ್‌ಕೋಡ್‌ಗಳನ್ನು ಇನ್‌ಪುಟ್ ಆಗಿ ತೆಗೆದುಕೊಳ್ಳುವ ಮೂಲಕ ಎರಡು ಪೋಸ್ಟ್‌ಕೋಡ್‌ಗಳ ನಡುವಿನ ಅಂತರವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ. ಫಲಿತಾಂಶವನ್ನು ಕಿಲೋಮೀಟರ್‌ಗಳಲ್ಲಿ ವ್ಯಕ್ತಪಡಿಸಲಾಗುತ್ತದೆ.

# ಎರಡು ಪೋಸ್ಟ್‌ಕೋಡ್‌ಗಳ ನಡುವಿನ ಅಂತರವನ್ನು ಕಂಡುಹಿಡಿಯುವುದು ದೂರ = pgeocode.GeoDistance('In') distance.query_postal_code("620018", "620012")

ಔಟ್ಪುಟ್

5. rembg

rembg ಮತ್ತೊಂದು ಉಪಯುಕ್ತ ಗ್ರಂಥಾಲಯವಾಗಿದ್ದು ಅದು ಚಿತ್ರಗಳಿಂದ ಹಿನ್ನೆಲೆಯನ್ನು ಸುಲಭವಾಗಿ ತೆಗೆದುಹಾಕುತ್ತದೆ.

ಸ್ಥಾಪನೆ

!ಪಿಪ್ ಇನ್ಸ್ಟಾಲ್ rembg

ಉದಾಹರಣೆಗೆ

# ಗ್ರಂಥಾಲಯಗಳನ್ನು ಆಮದು ಮಾಡಿಕೊಳ್ಳುವುದು

rembg ಆಮದು ನಿಂದ ಆಮದು cv2 ಅನ್ನು ತೆಗೆದುಹಾಕಿ # ಇನ್‌ಪುಟ್ ಇಮೇಜ್‌ನ ಮಾರ್ಗ (ನನ್ನ ಫೈಲ್: image.jpeg) input_path = 'image.jpeg' # ಔಟ್‌ಪುಟ್ ಇಮೇಜ್ ಅನ್ನು ಉಳಿಸಲು ಮತ್ತು output.jpeg output_path = 'output.jpeg' # ಇನ್‌ಪುಟ್ ಓದುವಿಕೆ ಇಮೇಜ್ ಇನ್‌ಪುಟ್ = cv2.imread(input_path) # ಹಿನ್ನೆಲೆ ಔಟ್‌ಪುಟ್ ಅನ್ನು ತೆಗೆದುಹಾಕುವುದು = ತೆಗೆದುಹಾಕುವುದು (ಇನ್‌ಪುಟ್) # ಫೈಲ್ ಅನ್ನು ಉಳಿಸಲಾಗುತ್ತಿದೆ cv2.imwrite(output_path, output)

ಔಟ್ಪುಟ್

ಈ ಲೈಬ್ರರಿಗಳಲ್ಲಿ ಕೆಲವು ನಿಮಗೆ ಈಗಾಗಲೇ ಪರಿಚಯವಿರಬಹುದು, ಆದರೆ ನನಗೆ, ಸ್ಕೆಚ್, ಪೆಂಡುಲಮ್, ಪಿಜಿಯೋಕೋಡ್ ಮತ್ತು ftfy ನನ್ನ ಡೇಟಾ ಎಂಜಿನಿಯರಿಂಗ್ ಕೆಲಸಕ್ಕೆ ಅನಿವಾರ್ಯವಾಗಿದೆ. ನನ್ನ ಪ್ರಾಜೆಕ್ಟ್‌ಗಳಿಗಾಗಿ ನಾನು ಅವರನ್ನು ಹೆಚ್ಚು ಅವಲಂಬಿಸಿದ್ದೇನೆ.

6. ಮಾನವೀಯಗೊಳಿಸು

ಮಾನವೀಕರಿಸು” ಸಂಖ್ಯೆಗಳು, ದಿನಾಂಕಗಳು ಮತ್ತು ಸಮಯಗಳಿಗಾಗಿ ಸರಳವಾದ, ಸುಲಭವಾಗಿ ಓದಲು ಸ್ಟ್ರಿಂಗ್ ಫಾರ್ಮ್ಯಾಟಿಂಗ್ ಅನ್ನು ಒದಗಿಸುತ್ತದೆ. ಲೈಬ್ರರಿಯ ಗುರಿಯು ಡೇಟಾವನ್ನು ತೆಗೆದುಕೊಂಡು ಅದನ್ನು ಹೆಚ್ಚು ಬಳಕೆದಾರ ಸ್ನೇಹಿಯಾಗಿಸುವುದು, ಉದಾಹರಣೆಗೆ "2 ನಿಮಿಷಗಳ ಹಿಂದೆ" ನಂತಹ ಹೆಚ್ಚು ಓದಬಹುದಾದ ಸ್ಟ್ರಿಂಗ್‌ಗೆ ಹಲವಾರು ಸೆಕೆಂಡುಗಳನ್ನು ಪರಿವರ್ತಿಸುವ ಮೂಲಕ. ಲೈಬ್ರರಿಯು ವಿವಿಧ ರೀತಿಯಲ್ಲಿ ಡೇಟಾವನ್ನು ಫಾರ್ಮ್ಯಾಟ್ ಮಾಡಬಹುದು, ಅಲ್ಪವಿರಾಮಗಳೊಂದಿಗೆ ಸಂಖ್ಯೆಗಳನ್ನು ಫಾರ್ಮ್ಯಾಟ್ ಮಾಡುವುದು, ಟೈಮ್‌ಸ್ಟ್ಯಾಂಪ್‌ಗಳನ್ನು ಸಾಪೇಕ್ಷ ಸಮಯಗಳಿಗೆ ಪರಿವರ್ತಿಸುವುದು ಮತ್ತು ಹೆಚ್ಚಿನವುಗಳು.

ನನ್ನ ಡೇಟಾ ಇಂಜಿನಿಯರಿಂಗ್ ಪ್ರಾಜೆಕ್ಟ್‌ಗಳಿಗಾಗಿ ನಾನು ಸಾಮಾನ್ಯವಾಗಿ ಪೂರ್ಣಾಂಕಗಳು ಮತ್ತು ಟೈಮ್‌ಸ್ಟ್ಯಾಂಪ್‌ಗಳನ್ನು ಬಳಸುತ್ತೇನೆ.

ಸ್ಥಾಪನೆ

!ಪಿಪ್ ಇನ್‌ಸ್ಟಾಲ್ ಹ್ಯೂಮನೈಸ್

ಉದಾಹರಣೆ (ಪೂರ್ಣಾಂಕಗಳು)

# ಲೈಬ್ರರಿ ಆಮದು ಮಾನವೀಕರಣ ಆಮದು ದಿನಾಂಕ ಸಮಯವನ್ನು dt ನಂತೆ ಆಮದು ಮಾಡಿಕೊಳ್ಳುವುದು # ಅಲ್ಪವಿರಾಮದೊಂದಿಗೆ ಸಂಖ್ಯೆಗಳನ್ನು ಫಾರ್ಮ್ಯಾಟ್ ಮಾಡುವುದು a = humanize.intcomma(951009) # ಸಂಖ್ಯೆಗಳನ್ನು ಪದಗಳಾಗಿ ಪರಿವರ್ತಿಸುವುದು b = humanize.intword(10046328394) #ಪ್ರಿಂಟಿಂಗ್ ಪ್ರಿಂಟ್(ಎ) ಪ್ರಿಂಟ್(ಬಿ)

ಔಟ್ಪುಟ್

ಉದಾಹರಣೆ (ದಿನಾಂಕ ಮತ್ತು ಸಮಯ)

dt a = humanize.naturaldate(dt.date(2012, 6, 5)) b = humanize.naturalday(dt.date(2012, 6, 5)) ಪ್ರಿಂಟ್(a) print(b)

Ercole Palmeri