Spam I

Dotazy a odpovědi
Testík
Vyjasnění a diskuse zadání úlohy Spam filter
Nastavení projektu pro Spam filter v PyCharmu
Spouštění testů v PyCharmu
Vysvětlení a demonstrace testů k úloze Spam filter
Hádanka
Příkaz yield

Dotazy a odpovědi

Kolik lidí se pokusilo implementovat funkci read_classification_from_file()? Kolik lidí si myslí, že ji i úspěšně dokončilo?
Na jaké problémy jste při práci se soubory narazili?
Připomenutí: proč je dobré používat parametr encoding ve volání open(filename, mode, encoding='utf-8')?

Hádanka

Programovací testík

Zadání na interních stránkách.

Úvod do úlohy Spam filtr

Vyjasnění diskuze o filtrování spamu z přednášky, odpovědi na otázky
Data a jejich formát
Analýza a dekompozice problému na jednotlivé funkční bloky

Založení projektu a spouštění skriptů v PyCharm

Pokud někdo stále naráží na problémy, zkuste si přečíst

Spouštění testů v PyCharm

Opět existuje několik způsobů, jak testy spustit. Vyberte si ten, který vám nejvíc vyhovuje.

Spuštění testů z jednoho modulu v Python shellu
Spustí testy v jednom modulu:
Pokud chcete modul testovat tímto způsobem, je třeba mít přímo v kódu modulu zajištěno vykonání testů, tedy např:
if __name__=="__main__":
    import doctest
    doctest.testmod()
v případě doctestů, nebo
if __name__=="__main__":
    import unittest
    unittest.main()
v případě použití modulu unittest. Postupujte jako v případě spuštění normálního skriptu, viz předchozí sekce (označte celý kód a nechte jej ohodnotit v Python konzoli).
Spuštění testů jednoho modulu v nástroji Test

Spustí testy v jednom modulu.

Otevřete modul s testy v editoru. PyCharm pravděpodobně správně odhalí, že soubor obsahuje unittesty a vytvoří výchozí konfiguraci.

Proveďte jednu z následujících akci:

Klikněte pravým tlačítkem na název souboru v okně Project. Z kontextové nabídky vyberte možnost Run 'Unittests in …'

V drop-down menu v nástrojové liště vyberte Unittests in … a klikněte na zelené tlačítko Run.

Z menu Run vyberte položku Run … a vyberte konfiguraci Unittest in …

Výsledky testů byste měli vidět v přehledné stromové struktuře v okně nástroje Run.

Pokud PyCharm z nějakého důvodu nenabízí výchozí konfiguraci Unittests in …, můžete si ji ručně nadefinovat, viz postup níže.

2017-11-30: Dnes jsme zjistili, že v učebně 307 v PyCharm Community tato možnost nefunguje správně. Pokud narážíte na podobné problémy, zkuste si běhovou konfiguraci nadefinovat ručně (viz následující popis). Stačí použít Target Python s názvem testovaného modulu, např. test_readClassificationFromFile. Možnost s Target Path občas nefunguje.

Spuštění všech testů v adresáři (projektu) najednou v nástroji Test

Spustí všechny testy.

Pro tuto možnost je nutné nadefinovat si vlastní konfiguraci pro běh a ladění.

V menu Run vyberte položku Edit Configurations ….

V otevřeném dialogovém okně Run/Debug configurations klikněte na tlačítko zelené plus.

V nabídce, která se objeví, vyberte Python tests > Unittests. Vytvoří se prázdná konfigurace, kterou je třeba vyplnit v pravé části dialogu.

Vložte jméno konfigurace do políčka Name, např. “All tests”.

Na záložce Configuration, ve skupině Unittests, vyberte pro položku Target možnost Path.

V editačním poli pod Target vložte cestu k vašim souborům s testy, tedy např. “/skola/rph/spam”.

Do pole Pattern vložte vzor pro názvy souborů, v nichž se mají hledat testy, např. “test_*.*”.

Ostatní nastavení by nemělo být třeba měnit. Po kliknutí na OK by měla být konfigurace dokončena a připravena k použití.

Spusťte konfiguraci. V okně s výsledky byste měli vidět, že se spustily testy ze všech souborů “test_*.py”.

2018/07/17 13:25

Demonstrace testů k úloze Spam filter

http://docs.python.org/py3k/library/unittest.html

Testy se snažíme psát srozumitelně, abyste jejich studiem něco získali.
Mnoho pomocných funkcí, které u testů jsou, tvoří také zajímavý studijní materiál.
Uvědomte si, že testy velmi často dělají opak toho, co má dělat váš kód: když má vaše funkce načítat data ze souboru, musí je jiná funkce v testu nejprve vytvořit. Zkuste zde hledat inspiraci k řešení vlastních problémů!

Testy ke kroku 1

Stáhněte si testy ke kroku 1 úlohy Spam filtr. Archiv rozbalte do adresáře, kde vyvíjíte spam filter.

Zkuste si zdrojový kód testů sami přečíst. Poznamenejte si nejasnosti. Diskutujte o nich se cvičícím.
Zkuste testy spustit.
Co vám říká výstup? Jaký další (co nejmenší) krok byste udělali na základě výstupu unit testu, abyste se posunuli dál?
Zkuste tento krok rovnou udělat. Jak se změnil výstup unit testu? Jak další krok byste udělali?
…

Testy ke kroku 2

Zopakujte (podle potřeby) výše uvedené i pro testy ke kroku 2.

Příkaz ''yield''

Iterable, iterator, ''yield''

Co jsou “iterables”?
- Iterable je každý objekt, jehož prvky se dají procházet cyklem for. Seznamy, n-tice, řetězce, soubory, atd.
Co je to generátor?
- Generátor je také “iterable”, ale lze ho projít jen jednou.
- Generuje jednotlivé prvky “za pochodu”, jeden po druhém. Není třeba mít všechny prvky v paměti.
Co je yield?
- Zavoláte-li funkci, která obsahuje yield, kód uvnitř funkce se nespustí! Funkce pouze vrátí generátor.
- Vrácený generátor je “iterable”; má tedy metodu __next__ (kterou volá cyklus for, aniž byste o tom věděli).
- Při prvním volání metody next se funkce spustí, dokud nenarazí na první yield. Tam se její běh přeruší (ovšem generátor si pamatuje její stav) a argument příkazu yield je vrácen volajícímu kódu.
- Při každém dalším volání metody next se funkce spustí od předchozího yield, dokud nenarazí na další yield nebo na konec funkce, kdy se vyhodí výjimka StopIteration.

Vyzkoušejte a diskutujte se studenty:

def myfunc():
  print('Before first yield.')
  yield 'First yield.'
  print('After first, before second yield.')
  yield 'Second yield.'
  print('After second yield.')

>>> gen = myfunc()
>>> next(gen)
Before first yield.
'First yield.'
>>> next(gen)
After first, before second yield.
'Second yield.'
>>> next(gen)
After second yield.
builtins.StopIteration:
>>> next(gen)
Traceback (most recent call last):
  File "<string>", line 1, in <fragment>
builtins.StopIteration:
>>>

Volání v cyklu:

for neco in myfunc():
  print('Got from the function:', neco)
  print('---')

vyprodukuje

Before first yield.
Got from the function: First yield.
---
After first, before second yield.
Got from the function: Second yield.
---
After second yield.
>>>

Výstupy z generátoru lze zamozřejmě posbírat do seznamu:

>>> gen = myfunc()
>>> gen
<generator object myfunc at 0x01081378>
>>> s = list(gen)
Before first yield.
After first, before second yield.
After second yield.
>>> s
['First yield.', 'Second yield.']
>>>

Pomocí yield lze velmi elegantně vytvořit generátor Fibonacciho řady:

def fibgen():
    a, b = 0, 1
    while 1:
        yield a
        a, b = b, a+b

2018/07/17 13:25

Programovací úlohy

Dokončete krok 1 úlohy Spam filtr, tj. funkci read_classification_from_file() tak, aby procházela unit testem.
Začněte pracovat na kroku 2 úlohy Spam filtr, tj. na třídě Corpus a její metodě emails().

Domácí úkol

Programování

Pokud se vám to nepodařilo už na cvičení, dokončete:

krok 1 úlohy Spam filtr, tj. funkci read_classification_from_file() tak, aby procházela testy.
krok 2 úlohy Spam filtr, tj. třídu Corpus a její metodu emails() tak, aby procházela testy.

Příprava

Příprava na krok 3 úlohy spam filtr:

Prostudujte si:

V článku Binary Classification najděte a pochopte význam zkratek TP, FP, TN, FN.

Na kus papíru napište:

co podle vás tyto zkratky znamenají pro problém filtrování spamu

co budeme potřebovat, abychom tyto statistiky mohli napočítat

2018/07/17 13:25

Příprava na krok 4 úlohy spam filtr:

Rozmyslete si a načrtněte na kus papíru:

Jakým způsobem se spam filtr vlastně používá?

Jaký je z hlediska implementace rozdíl mezi učicím se filtrem a filtrem, který se učit neumí?

Existuje nějaká část, kterou budou mít všechny spam filtry společnou?

Je lepší realizovat spam filtr jako funkci nebo jako objekt s vlastnostmi a metodami?

Jaké jsou minimální požadavky na tuto realizaci? Co všechno by měla umět? Jaké musí mít vstupy a co musí být jejím výstupem?

2018/07/17 13:25

Table of Contents