Python flames

#pythonbrasil

No final, Niemeyer quer um Python mais "mantenível" para grandes empresas, seja estável, sustente uma plataforma (mesmo quebrada) por tempo indeterminado em favor do código do cliente, tenha controle de acesso a atributos mais rígido.... basicamente, onde a visão da linguagem tome um segundo plano em relação ao code-base existente. Então, ele realmente quer Python ou alguma outra linguagem, apenas com sintaxe Python-like?

Selfish Python

No post «O porquê do self explícito... será que agora vai?» Pedro Werneck demonstra, passo a passo, uma implementação do funcionamento das classes em Python utilizando apenas dicionários e funções.

Fica claro o modo como Python resolveu implementar o suporte à orientação à objeto, de maneira bem simples e prática, sem mágicas obscuras para tentar fornecer algum suporte sintático questionável, como seria se fosse sem explicitar o self.

Pessoalmente, já estava confortável com a utilização do self explícito (a ponto de sentir falta disso em C++ :) e esse post só veio para ajudar a entender melhor o funcionamento "por detrás dos panos", que é muito interessante.

Pontos extras por ter mostrado o funcionamento das metaclasses, e como as classes em Python não são nada especiais em termos de implementação.

Cálculo da variância em Python

Este post segue uma seqüência iniciada no blog Kodumaro, comparando a implementação de alguns cálculos de estatística usando linguagens como Lisp, C e depois seguido de Ruby no blog Programando sem cafeína, e Smalltalk.

Como estou vendo um pouco de estatística na faculdade agora, me animei para tentar uma implementação em Python também.

import math

def arithmetic_mean(dataset):
    """
    Simple arithmetic mean (average)
    
    Example:
    >>> arithmetic_mean([10,100,1000])
    370
    """
    return sum(dataset) / len(dataset)


def root_mean_square(dataset):
    """
    RMS (quadratic mean)

    Example:
    >>> root_mean_square([10,100,1000])
    580.25856305616037
    """
    return math.sqrt(sum(x**2 for x in dataset) / len(dataset))


def var_num(dataset, mean_function=arithmetic_mean):
    """
    Divisor for variance calculation
    """
    mean = mean_function(dataset)
    return sum((x - mean)**2 for x in dataset)


def populational_variance(dataset):
    """
    Population variance
    
    Example:
    >>> populational_variance([10,100,1000])
    199800
    """
    return var_num(dataset) / len(dataset)


def sample_variance(dataset):
    """
    Sample variance
    
    Example:
    >>> sample_variance([10,100,1000])
    299700
    """
    return var_num(dataset) / (len(dataset) - 1)

Preferi implementar como funções simples pois assim é fácil de aplicar sobre qualquer conjunto de dados iterável como listas, tuplas, dicionários ou sets.

Na função de numerador da variância, um dos parâmetros é a função de média que se deseja utilizar para o cálculo, com o padrão sendo a média aritmética (pois como nota o blog Kodumaro, o uso da função depende de quem pediu o cálculo ;).

Vale notar também o uso de generator expressions para os somatórios, que substituem as mais tradicionais list comprehensions nesse caso por questão de performance, principalmente para grandes conjuntos de dados.

Apliquei ainda doctests simples para validar os resultados das funções.