PascalABC.NET официальный канал
Kanalga Telegram’da o‘tish
Официальный канал языка и системы программирования PascalABC.NET
Ko'proq ko'rsatish1 864
Obunachilar
-624 soatlar
-57 kun
-2330 kun
Postlar arxiv
Новый метод последовательностей DistinctAdjacent
В стандартной библиотеке последовательностей появился новый метод: DistinctAdjacent.
Он удаляет только подряд идущие одинаковые элементы, в отличие от обычного
Distinct, который убирает все повторы.
Пример с числами
begin
Seq(1,1,2,2,2,3,1,1).DistinctAdjacent.Println
end.1 2 3 1Пример со строкой
begin
var s := 'aaabbbcca'.ToCharArray;
s.DistinctAdjacent.Println
end.a b c aПример с логами
begin
var logs := Seq('INFO','INFO','WARN','WARN','ERROR','INFO');
logs.DistinctAdjacent.Println
end.INFO WARN ERROR INFOКогда это полезно * очистка логов от повторяющихся подряд сообщений * сжатие последовательностей (run-length preprocessing) * обработка сигналов и данных с “залипанием” значений Метод работает за один проход и не требует дополнительной памяти под множество — только сравнение с предыдущим элементом. #новое
Scan в PascalABC.NET — строим путь по шагам
Одна из самых недооценённых функций в работе с последовательностями — это Scan.
Она позволяет не просто «посчитать итог», а увидеть, как меняется состояние на каждом шаге.
📌 Пример — строим путь по последовательности шагов:
begin
var steps := Seq((1,0),(0,1),(1,0),(0,-1),(0,-1),(-1,0),(0,1),(0,1));
steps.Scan((p, step) -> (p[0] + step[0], p[1] + step[1])).Print
end.
🔍 Поиск выхода из лабиринта (DFS + backtracking)
Классическая задача: есть лабиринт → нужно найти путь от старта к выходу.
Решение — через DFS с откатом (backtracking):
* идём в глубину
* помечаем посещённые вершины
* если зашли в тупик — откатываемся назад
function FindPath(graph: List<List<integer>>; visited: array of boolean;
path: List<integer>; v, finish: integer): boolean;
begin
path.Add(v);
visited[v] := True;
if v = finish then
exit(True);
foreach var toV in graph[v] do
if not visited[toV] then
if FindPath(graph, visited, path, toV, finish) then
exit(True);
path.RemoveAt(path.Count - 1);
Result := False;
end;
begin
// 3x3 лабиринт (граф)
var graph := Lst(
Lst(1,3),
Lst(0,2,4),
Lst(1,5),
Lst(0,4,6),
Lst(1,3,5),
Lst(2,4,8),
Lst(3,7),
Lst(6,8),
Lst(5,7)
);
var n := graph.Count;
var visited := n *[False];
var path := new List<integer>;
if FindPath(graph, visited, path, 0, 8) then
Println(path.JoinToString(' -> '))
else
Println('No path');
end.path.RemoveAt(...) — ключевой шаг отката
* Lst(...) удобно задаёт граф декларативно
📌 Такой код — отличный мост:
школьные задачи → графы → алгоритмы поиска → основы AI/ML
🌳 Рекурсия на примере идеально сбалансированного дерева
type
Node<T> = auto class
public
Value: T;
Left, Right: Node<T>;
end;
function RandomTree(n: integer): Node<integer>;
begin
if n = 0 then
Result := nil
else
Result := new Node<integer>(
Random(100),
RandomTree((n - 1) div 2),
RandomTree(n - 1 - (n - 1) div 2)
);
end;
procedure Infix<T>(r: Node<T>; act: Action<T>);
begin
if r = nil then exit;
Infix(r.Left, act);
act(r.Value);
Infix(r.Right, act);
end;
begin
var root := RandomTree(10);
Infix(root, x -> Print(x));
end.RandomTree(n) строит дерево из n узлов так, чтобы:
* левое поддерево получает (n - 1) div 2 узлов
* правое — остальные
Разница размеров поддеревьев не больше 1 ⇒ дерево максимально «ровное» по высоте.
2. Рекурсия
* База: n = 0 → nil
* Шаг: создаём узел и рекурсивно строим левое и правое поддеревья
То же самое в обходе:
* если узел пустой — выходим
* иначе обходим левое поддерево → текущий узел → правое
3. Инфиксный обход (LNR)
Порядок:
👉 Left → Node → Right
Это означает:
* сначала все элементы слева
* затем текущий
* затем справа
#pascalabc #рекурсия #деревья
Гистограмма распределения цен
uses MLABC, PlotML;
begin
var ds := Datasets.MoscowHousing;
var df := ds.Data;
var price := df.ToVector(ds.Target);
Plot.Hist(price, bins := 40);
Plot.Title := 'Распределение цен на квартиры в Москве';
Plot.XLabel('Цена (руб)');
Plot.YLabel('Количество');
end.
Машинное обучение в PascalABC.NET: логистическая регрессия
Продолжаем серию практических постов по ML-библиотеке в PascalABC.NET.
В этом посте — первый полный пример: обучение и применение модели.
Разберём пример на классическом датасете Iris 🌸
uses MLABC;
begin
var ds := Datasets.Iris;
var df := ds.Data;
var X := df.ToMatrix(ds.Features);
var y := df.EncodeLabels(ds.Target);
var (Xtrain, Xtest, ytrain, ytest) :=
Validation.TrainTestSplit(X, y, 0.2, 1);
var model := new LogisticRegression;
model.Fit(Xtrain, ytrain);
var pred := model.Predict(Xtest);
Println('Accuracy:', Metrics.Accuracy(ytest, pred):0:3);
end.Repost from PascalABC.NET официальный канал
📊 Синтетические датасеты в PascalABC.NET: MakeBlobs
Иногда для демонстрации алгоритмов или отладки ML-моделей нужны простые и наглядные данные. Вместо поиска реальных датасетов удобно генерировать их самостоятельно.
В модуле MLABC есть классический генератор — MakeBlobs.
Он создаёт точки, сгруппированные в кластеры (как в задачах кластеризации и классификации).
🔹 Что делает MakeBlobs:
* генерирует заданное число точек
* разбивает их на кластеры
* добавляет контролируемый шум
* возвращает:
*
X — координаты точек
* y — метки кластеров
🔹 Пример + визуализация через PlotML:
uses MLABC, PlotML;
begin
var centers := 3;
var (X,y) := Datasets.MakeBlobs(
n := 600,
centers := centers,
clusterStd := 0.8,
seed := 1
);
Plot.Title := 'MakeBlobs синтетический датасет';
var xs := X.Col(0);
var ys := X.Col(1);
Plot.Points(xs, ys, LabelsToInts(y), size := 4);
end.n — число точек
* centers — число кластеров
* clusterStd — разброс внутри кластера
* seed — фиксирует генерацию (важно для воспроизводимости)
💡 Где это полезно:
* объяснение кластеризации (k-means, DBSCAN)
* тестирование моделей классификации
* демонстрации на лекциях
* отладка пайплайнов📊 Синтетические датасеты в PascalABC.NET: MakeBlobs
Иногда для демонстрации алгоритмов или отладки ML-моделей нужны простые и наглядные данные. Вместо поиска реальных датасетов удобно генерировать их самостоятельно.
В модуле MLABC есть классический генератор — MakeBlobs.
Он создаёт точки, сгруппированные в кластеры (как в задачах кластеризации и классификации).
🔹 Что делает MakeBlobs:
* генерирует заданное число точек
* разбивает их на кластеры
* добавляет контролируемый шум
* возвращает:
*
X — координаты точек
* y — метки кластеров
🔹 Пример + визуализация через PlotML:
uses MLABC, PlotML;
begin
var centers := 3;
var (X,y) := Datasets.MakeBlobs(
n := 600,
centers := centers,
clusterStd := 0.8,
seed := 1
);
Plot.Title := 'MakeBlobs синтетический датасет';
var xs := X.Col(0);
var ys := X.Col(1);
Plot.Points(xs, ys, LabelsToInts(y), size := 4);
end.n — число точек
* centers — число кластеров
* clusterStd — разброс внутри кластера
* seed — фиксирует генерацию (важно для воспроизводимости)
💡 Где это полезно:
* объяснение кластеризации (k-means, DBSCAN)
* тестирование моделей классификации
* демонстрации на лекциях
* отладка пайплайнов
ML в PascalABC.NET — старт
В PascalABC.NET появилась новая библиотека машинного обучения — ML PascalABC.NET.
Она спроектирована как полноценный промышленный стек: с чёткой архитектурой, типобезопасностью и без внешних зависимостей.
Начинаем с базовых примеров.
📊 Стандартный датасет Iris + PairPlot визуализация
uses MLABC, PlotML;
begin
var ds := Datasets.Iris;
var df := ds.Data;
var X := df.ToMatrix(ds.Features);
var labels := df.EncodeLabels(ds.Target);
Plot.PairPlot(X, labels, ds.Features);
Plot.Title := 'Iris: пары признаков';
end.
PrintPreview для DataFrame
Обратите внимание, как выводит данные PrintPreview: выводится 3 строки - примерно половина из начала датасета и оставшаяся часть - из конца.
uses DataFrameABC;
begin
var df := DataFrame.FromCsvText('''
name,age,score
Alice,20,85
Bob,22,90
Charlie,21,78
Bob,22,90
Clara,,78
Kat,21,NA
''');
df.PrintPreview(3);
end.
Left Join в DataFrameABC
Ранее мы показывали Inner Join — он оставляет только те строки, для которых ключи есть в обеих таблицах.
Теперь посмотрим на Left Join, который ведёт себя иначе.
Left Join сохраняет все строки из левой таблицы, даже если для них нет совпадения в правой.
// Left Join
uses DataFrameABC;
begin
var students := DataFrame.FromCsvText('''
id,name
1,Alice
2,Bob
3,Charlie
''');
var scores := DataFrame.FromCsvText('''
id,score
1,85
2,90
4,70
''');
students.Join(scores, 'id', jkLeft).Print;
end.id name score 1 Alice 85 2 Bob 90 3 Charlie NAЗдесь: *
Alice и Bob получили свои score
* Charlie сохранился, но значение score — NA
* строка id = 4 из таблицы scores не попала в результат
Это главное отличие от Inner Join, где строка Charlie исчезла бы из результата.
Inner Join в DataFrameABC
Иногда данные находятся в разных таблицах, и их нужно объединить по общему ключу. Для этого используется Inner Join — соединение, которое оставляет только те строки, где ключ присутствует в обеих таблицах.
// Inner Join
uses DataFrameABC;
begin
var students := DataFrame.FromCsvText('''
id,name
1,Alice
2,Bob
3,Charlie
''');
var scores := DataFrame.FromCsvText('''
id,score
1,85
2,90
4,70
''');
students.Join(scores, 'id').Print;
end.id name score 1 Alice 85 2 Bob 90Что произошло: * соединение выполняется по столбцу id * строка
id = 3 отсутствует в таблице scores, поэтому она исключается
* строка id = 4 отсутствует в таблице students, поэтому она тоже исключается
Таким образом, Inner Join оставляет только пересечение ключей.
Такой тип соединения — один из самых используемых в анализе данных:
объединение пользователей и заказов, студентов и оценок, товаров и продаж и т.д.
#MachineLearning
DataFrameABC - группировка с последующим вычислением групповой операции
В DataFrame можно сгруппировать данные по какому то столбцу, после чего вычислить какую-нибудь групповую характеристику для элементов группы.
На скрине - вычисление среднего score в каждой группе людей с одним возрастом.
DataFrameABC - Describe по столбцу
В DataFrame все числовые статистики по столбцу можно вычислить с помощью метода Describe. Возвращается запись, содержащая поля Count, Min, Max, Mean, Std
DataFrameABC - простые статистики по столбцу
В DataFrame можно просто вычислить простейшие статистики по числовым столбцам - в стиле pandas
Фрактальная L-кривая Sierpinski Arrowhead
Отвлечемся от ML - и посмотрим на красоту фрактальных кривых.
Перед нами - Sierpinski Arrowhead
Модуль Turtle позволяет масштабировать мышью изображение.
uses Turtle,GraphWPF;
var
Atom,FStr,XStr,YStr: string;
angle,len,x0,y0: real;
n: integer;
procedure Init5; // Sierpinski Arrowhead
begin
(Atom,FStr,XStr,YStr) := ('X', 'F', 'YF+XF+Y', 'XF-YF-X');
(angle,len,n,x0,y0) := (60,0.1,9,1,1);
end;
procedure RunStr(s: string; n: integer);
begin
foreach var c in s do
case c of
'+': Turn(angle);
'-': Turn(-angle);
'f','F': if n>0 then RunStr(FStr,n-1) else Forw(len);
'x','X': if n>0 then RunStr(XStr,n-1);
'y','Y': if n>0 then RunStr(YStr,n-1);
else Print('error')
end;
end;
begin
Init5;
x0 := -10;
y0 := -10;
ToPoint(x0,y0);
SetWidth(0.5);
Down;
RunStr(Atom,n);
Up;
end.
Модуль DataFrameABC - добавление нового вычисляемого столбца
Можно добавлять новые вычисляемые столбцы с помощью WithColumn...
В примере показано, как добавить вычисляемый столбец passed, который принимает значение True для тех, у кого score >= 80.
Создается новый датафрейм, но данные создаются только для нового столбца.
#DataFrameABC
Модуль DataFrameABC - фильтрация с пропущенными данными
Пропущенные данные в SCV-файле обозначаются как NA либо просто пустым элементом.
У курсора row есть метод, позволяющий проверять, пропущены ли данные в этом столбце.
В примере - фильтрация по строкам, в которых не пропущены данные в столбце score
#DataFrameABC
Модуль DataFrameABC - фильтрация
Для фильтрации строк используется метод Filter.
Возвращается новый датафрейм.
Вызов - в стиле LINQ, однако row здесь имеет тип DataFrameCursor - курсор, перемещающийся по данным.
#DataFrameABC
Модуль DataFrame - скорость считывания данных из CSV
Считывание данных из CSV оптимизировано. В примере - файл с 1 миллионом строк и 20 столбцами разных типов считывается за 1.2 секунды. Этот же файл в pandas считывается за 0.65 сек - здесь код написан на C++, поэтому быстрее, но не намного.
В примере вы также видите другие параметры Load - разделители между данными, режим наличия заголовка и режим строгой проверки на ошибки
#DataFrameABC
