用于可视化循环 ETA 的进度条

Question

我的代码中有这一行

lev_similarity = -1*np.array([[distance.levenshtein(w1,w2) for w1 in words] for w2 in words])

这需要很长时间，所以我想包含一个带有 ETA 的进度条，以显示预计的处理时间。

如何在给定这个内部循环的情况下包含进度条？

我的做法：

npa = []
akt = 1
with progressbar.ProgressBar(max_value=len(words)) as bar:
    for w2 in words:
        bar.update(akt)
        akt = akt + 1
        for w1 in words:
            npa.append(distance.levenshtein(w1,w2))
lev_similarity = -1*np.array(npa)

Answer 1

TQDM 库 (https://pypi.org/project/tqdm/) 为 python 中的进度条提供了一个非常简单的界面。

它会变成 s.t.h.喜欢：

from tqdm import tqdm

... code ...

new_arr = -1*np.array([[distance.levenshtein(w1,w2) for w1 in words] for w2 in tqdm(words)])

tqdm 手册中有一个关于嵌套循环的部分。

Answer 2

您可以在循环内部使用循环而不是列表推导，并在内部或外部循环中更新进度条。 如果您仍然想要列表推导，您可以定义一个既执行计算又更新进度条的函数，如下所示：

def calc(w1, w2):
    update_progress_bar()
    return distance.levenshtein(w1,w2)

然后列表推导将变为：

 -1*np.array([[calc(w1,w2) for w1 in words] for w2 in tqdm(words)])

IMO 列表推导应该只创建值而不产生任何副作用，因此虽然简短且可以说是优雅的，但我会在循环中使用循环。在这种情况下，它对软件工程更友好。

Answer 3

我使用自己的小功能来做到这一点。我认为它也可能适用于您的情况。

def print_pbar(n,m,s='|#.|',size=30,message=''):
    '''(int,int,string,int) => None
    Print a progress bar using the simbols in 's'.
    Example:
        range_limit = 1000
        for n in range(range_limit):
            print_pbar(n+1,m=range_limit)
            time.sleep(0.1)
    '''
    #adjust to bar size
    if m != size:
        n =(n*size)/m
        m = size
    #calculate ticks
    _a = int(n)*s[1]+(int(m)-int(n))*s[2]
    _b = round(n/(int(m))*100,1)
    #adjust overflow
    if _b >= 100:
        _b = 100.0
    #to stdout    
    sys.stdout.write(f'\r{message}{s[0]}{_a}{s[3]} {_b}%     ')
    sys.stdout.flush()


npa = []
for n, w2 in enumerate(words):
    print_pbar(n+1, len(words))
    for w1 in words:
        npa.append(distance.levenshtein(w1,w2))

Answer 4

你已经接近了。您现在的实现是错误的，因为您的条形长度不是len(words) 而是len(words) ** 2，您应该更新每个操作。此外，当需要二维数组时，您正在尝试构建一维数组。所以，试试这个：

npa = []
akt = 1
num_words = len(words)
with progressbar.ProgressBar(max_value = num_words ** 2) as bar:
    for w2 in words:
        for w1 in words:
            npa.append(distance.levenshtein(w1,w2))
            bar.update(akt)
            akt = akt + 1
lev_similarity = -1*np.array(npa).reshape(num_words, num_words)

这样您每次计算距离时都会更新条形图。