Python设计模式 - 观察者模式
"""观察者模式：又叫发布-订阅模式。
它定义了一种一对多的依赖关系，让多个观察者对象同时鉴定某一个主题对象。这个主题对象在状态发生变化时，
会通知所有的观察者对象，使它们能够自动更新自己。
观察者模式所做的工作实际上就是解耦，根据“依赖倒转原则”，让耦合的双方都依赖于抽象，而不是依赖于具体，
从而使得各自的变化都不会影响另一边的变化。
实际场景中存在的问题：现实中实际观察者不一定有实现观察者的通知回调方法。
解决之道：
1、为其封装一个观察类出来，实现相应的接口。
2、修改通知类，让具体观察者的Notify函数直接去调用相应的接口。
"""
class Subject(object):
def __init__(self):
self._observers = []
def attach(self, observer):
if observer not in self._observers:
self._observers.append(observer)
def detach(self, observer):
try:
self._observers.remove(observer)
except :
pass
def notify(self, modifier=None):
for observer in self._observers:
if modifier != observer:
observer.update(self)
#用法示例
class Data(Subject):
def __init__(self, name=''):
Subject.__init__(self)
self.name = name
self._data = 0
@property
def data(self):
return self._data
@data.setter
def data(self, value):
self._data = value
self.notify()
class HexViewer:
def update(self, subject):
print('十六进制查看器: 主题 %s 有数据 0x%x' % (subject.name, subject.data))
class :
def update(self, subject):
print('十进制查看器: 主题 %s 有数据 %d' %
(subject.name, subject.data))
# 用法示例...
def main():
data1 = Data('Data 1')
data2 = Data('Data 2')
view1 = ()
view2 = HexViewer()
data1.attach(view1)
data1.attach(view2)
data2.attach(view2)
data2.attach(view1)
print("设置数据1变量 = 10")
data1.data = 10
print("设置数据2变量 = 15")
data2.data = 15
print("设置数据1变量 = 3")
data1.data = 3
print("设置数据2变量 = 5")
data2.data = 5
print("从data1和data2分离HexViewer。")
data1.detach(view2)
data2.detach(view2)
print("设置数据1变量 = 10")
data1.data = 10
print("设置数据2变量 = 15")
data2.data = 15
if __name__ == '__main__':
main()
Python设计模式：观察者模式
观察者设计模式是最简单的行为模式之一。在观察者设计模式中，对象（主题）维护了一个依赖（观察者）列表，以便主题可以使用观察者定义的任何方法通知所有观察者它所发生的变化。
举个生活中的小例子： 职员们趁老板不在，都在搞着自己与工作无关的事情，同时观察着前台小姐姐，前台小姐姐在老板回来的时候，发布通知让各同事回到工作状态。
python中观察者模式的作用
在现实国际中，许多方针并不是独立存在的，其间一个方针的行为产生改动可能会导致一个或许多个其他方针的行为也产生改动。
这样的例子还有许多，例如小偷与警察,猫和老鼠等
观察者形式就如一个聊天室，当你需要收到聊天室的音讯时，你就注册成为聊天室的成员，当聊天室有信息更新时，就会传到你那去。当你不需要接收聊天室的信息时，能够注销掉，退出聊天室。
2.形式的界说与特点
降低了方针与观察者之间的耦合联系，两者之间是抽象耦合联系。
方针与观察者之间建立了一套触发机制。
4.它的主要缺陷如下
经过前面的分析与应用实例可知观察者形式适合以下几种情形。
方针间存在一对多联系，一个方针的状况产生改动会影响其他方针。
当一个抽象模型有两个方面，其间一个方面依靠于另一方面时，可将这二者封装在独立的方针中以使它们能够各自独立地改动和复用。
有哪些 Python 经典书籍
《深度学习入门》（[ 日］ 斋藤康毅）电子书网盘下载免费在线阅读
资源链接：
链接: ?pwd=bhct 提取码: bhct
书名：深度学习入门
作者：[ 日］ 斋藤康毅
译者：陆宇杰
豆瓣评分：9.4
出版社：人民邮电出版社
出版年份：2021-7
页数：285
内容简介：本书是深度学习真正意义上的入门书，深入浅出地剖析了深度学习的原理和相关技术。书中使用Python3，尽量不依赖外部库或工具，从基本的数学知识出发，带领读者从零创建一个经典的深度学习网络，使读者在此过程中逐步理解深度学习。书中不仅介绍了深度学习和神经网络的概念、特征等基础知识，对误差反向传播法、卷积神经网络等也有深入讲解，此外还介绍了深度学习相关的实用技巧，自动驾驶、图像生成、强化学习等方面的应用，以及为什么加深层可以提高识别精度等“为什么”的问题。
作者简介：
斋藤康毅
东京工业*毕业，并完成东京*研究生院课程。现从事计算机视觉与机器学习相关的研究和开发工作。是 Python、Python in Practice、The Elements of Computing Systems、Building Machine Learning Systems with Python的日文版译者。
译者简介：
陆宇杰
众安科技NLP算法工程师。主要研究方向为自然语言处理及其应用，对图像识别、机器学习、深度学习等领域有密切关注。Python爱好者。
121 11 个案例掌握 Python 数据可视化--星际探索
星空是无数人梦寐以求想了解的一个领域，远古的人们通过肉眼观察星空，并制定了太阴历，指导农业发展。随着现代科技发展，有了更先进的设备进行星空的探索。本实验获取了美国*航空航天局（NASA）官网发布的地外行星数据，研究及可视化了地外行星各参数、寻找到了一颗类地行星并研究了天体参数的相关关系。
输入并执行魔法命令 % inline， 设置全局字号，去除图例边框，去除右侧和顶部坐标轴。
本数据集来自 NASA，行星发现是 NASA 的重要工作之一，本数据集搜集了 NASA 官网发布的 4296 颗行星的数据，本数据集字段包括：
导入数据并查看前 5 行。
截至 2021 年 10 月 22 日 全球共发现 4296 颗行星，按年聚合并绘制年度行星发现数，并在左上角绘制 NASA 的官方 LOGO 。
从运行结果可以看出，2005 年以前全球行星发现数是非常少的，经计算总计 173 颗，2014 和 2016 是行星发现成果最多的年份，2016 年度发现行星 1505 颗。
对不同机构/项目/计划进行聚合并降序排列，绘制发现行星数目的前 20 。
2009 年至 2013 年，开普勒太空望远镜成为有史以来最成功的系外行星发现者。在一片天空中至少找到了 1030 颗系外行星以及超过 4600 颗疑似行星。当机械故障剥夺了该探测器对于恒星的精确定位功能后，地球上的工程师们于 2014 年对其进行了彻底改造，并以 K2 计划命名，后者将在更短的时间内搜寻宇宙的另一片区域。
对发现行星的方式进行聚合并降序排列，绘制各种方法发现行星的比例，由于排名靠后的几种方式发现行星数较少，因此不显示其标签。
行星在宇宙中并不会发光，因此无法直接观察，行星发现的方式多为间接方式。从输出结果可以看出，发现行星主要有以下 3 种方式，其原理如下：
针对不同的行星质量，绘制比其质量大（或者小）的行星比例，由于行星质量量纲分布跨度较大，因此采用对数坐标。
从输出结果可以看出，在已发现的行星中，96.25% 行星的质量大于地球。（图中横坐标小于 e 的红色面积非常小）
通过 sns.distplot 接口绘制全部行星的质量分布图。
从输出结果可以看出，所有行星质量分布呈双峰分布，*个峰在 1.8 左右（此处用了对数单位，表示大约 6 个地球质量），第二个峰在 6.2 左右（大概 493 个地球质量）。
针对不同发现方式发现的行星，绘制各行星的公转周期和质量的关系。
从输出结果可以看出：径向速度（Radial Velocity）方法发现的行星在公转周期和质量上分布更宽，而凌日（Transit）似乎只能发现公转周期相对较短的行星，这是因为两种方法的原理差异造成的。对于公转周期很长的行星，其运行到恒星和观察者之间的时间也较长，因此凌日发现此类行星会相对较少。而径向速度与其说是在发现行星，不如说是在观察恒星，由于恒星自身发光，因此其观察机会更多，发现各类行星的可能性更大。
针对不同发现方式发现的行星，绘制各行星的距离和质量的关系。
从输出结果可以看出，凌日和径向速度对距离较为敏感，远距离的行星大多是通过凌日发现的，而近距离的行星大多数通过径向速度发现的。原因是：近距离的行星其引力对恒星造成的摆动更为明显，因此更容易观察；当距离较远时，引力作用变弱，摆动效应减弱，因此很难借助此方法观察到行星。同时，可以观察到当行星质量更大时，其距离分布相对较宽，这是因为虽然相对恒星的距离变长了，但是由于行星质量的增加，相对引力也同步增加，恒星摆动效应会变得明显。
将所有行星的质量和半径对数化处理，绘制其分布并拟合其分布。
由于：
因此，从原理上质量对数与半径对数应该是线性关系，且斜率为定值 3 ，截距的大小与密度相关。
从输出结果可以看出：行星质量和行星半径在对数变换下，具有较好的线性关系。输出 fix_xy 数值可知，其关系可以拟合出如下公式：
拟合出曲线对应的行星平均密度为：
同样的方式绘制恒星质量与半径的关系。
从输出结果可以看出，恒星与行星的规律不同，其质量与半径在对数下呈二次曲线关系，其关系符合以下公式：
同样的方式研究恒星表面重力加速度与半径的关系。
从输出结果可以看出，恒星表面对数重力加速度与其对数半径呈现较好的线性关系：
以上我们分别探索了各变量的分布和部分变量的相关关系，当数据较多时，可以通过 pd.plotting.scatter_matrix 接口，直接绘制各变量的分布和任意两个变量的散点图分布，对于数据的初步探索，该接口可以让我们迅速对数据全貌有较为清晰的认识。
通过行星的半径和质量，恒星的半径和质量，以及行星的公转周期等指标与地球的相似性，寻找诸多行星中最类似地球的行星。
从输出结果可以看出，在 0.6 附近的位置出现了一个*的圆圈，那就是我们找到的类地行星 Kepler - 452 b ，让我们了解一下这颗行星：
数据显示，Kepler - 452 b 行星公转周期为 384.84 天，半径为 1.63 地球半径，质量为 3.29 地球质量；它的恒星为 Kepler - 452 半径为太阳的 1.11 倍，质量为 1.04 倍，恒星方面数据与太阳相似度极高。
以下内容来自百度百科。 开普勒452b（Kepler 452b） ，是美国*航空航天局（NASA）发现的外行星， 直径是地球的 1.6 倍，地球相似指数( ESI )为 0.83，距离地球1400光年，位于为天鹅座。
2015 年 7 月 24 日 0：00，美国*航空航天局 NASA 举办媒体电话会议宣称，他们在天鹅座发现了一颗与地球相似指数达到 0.98 的类地行星开普勒 - 452 b。这个类地行星距离地球 1400 光年，绕着一颗与太阳非常相似的恒星运行。开普勒 452 b 到恒星的距离，跟地球到太阳的距离相同。NASA 称，由于缺乏关键数据，现在不能说 Kepler - 452 b 究竟是不是“另外一个地球”，只能说它是“迄今最接近另外一个地球”的系外行星。
在银河系经纬度坐标下绘制所有行星，并标记地球和 Kepler - 452 b 行星的位置。
类地行星，是人类寄希望移民的第二故乡，但即使最近的 Kepler-452 b ，也与地球相聚 1400 光年。
以下通过行星的公转周期和质量两个特征将所有行星聚为两类，即通过训练获得两个簇心。
定义函数-计算距离
聚类距离采用欧式距离：
定义函数-训练簇心
训练簇心的原理是：根据上一次的簇心计算所有点与所有簇心的距离，任一点的分类以其距离最近的簇心确定。依此原理计算出所有点的分类后，对每个分类计算新的簇心。
定义函数预测分类
根据训练得到的簇心，预测输入新的数据特征的分类。
开始训练
随机生成一个簇心，并训练 15 次。
绘制聚类结果
以*一次训练得到的簇心为基础，进行行星的分类，并以等高面的形式绘制各类的边界。
从运行结果可以看出，所有行星被分成了两类。并通过上三角和下三角标注了每个类别的簇心位置。
聚类前
以下输出了聚类前原始数据绘制的图像。