分析一套源代码的代码规范和风格并讨论如何改进优化代码

 1 # -*- coding: utf-8 -*-
 2 print("开始..............")
 3 
 4 import pandas as pd
 5 from sklearn.linear_model import LogisticRegression
 6 from sklearn.feature_extraction.text import CountVectorizer
 7 
 8 df_train = pd.read_csv(‘./train_set.csv‘)
 9 df_test = pd.read_csv(‘./test_set.csv‘)
10 df_train.drop(columns=[‘article‘,‘id‘],inplace=True)
11 #pandas的drop函数：删除表中的某一行或者某一列，当inplace手动设为True时（默认为false），改变原有的df中的数据，原数据直接就被替换。
12 
13 df_test.drop(columns=[‘article‘],inplace=True)
14 
15 vectorizer = CountVectorizer(ngram_range=(1,2),min_df=3,max_df=0.9,max_features=100000)
16 
17 #文本特征提取方法：CountVectorizer，它只考虑每种词汇在该训练文本中出现的频。
18 #CountVectorizer算法是将文本向量转换成稀疏表示数值向量（字符频率向量）。
19 #该数值向量可以传递给其他算法，譬如LDA 。在fitting过程中，CountVectorizer将会把频率高的单词排在前面。可选参数minDF表示文本中必须出现的次数（具体分析见另一篇博客啦~）
20 
21 vectorizer.fit(df_train[‘word_seg‘])
22 # 先拟合训练集‘word_seg‘列的数据
23 
24 x_train = vectorizer.transform(df_train[‘word_seg‘])
25 # 再标准化训练集‘word_seg‘列数据，tranform()的作用是通过找中心和缩放等实现标准化
26 
27 x_test = vectorizer.transform(df_test[‘word_seg‘])
28 # 标准化测试集‘word_seg‘列数据
29 
30 y_train = df_train[‘class‘]-1
31 #将训练集y 标签为‘class‘列的数据全部减一
32 
33 lg = LogisticRegression(C=4,dual=True)
34 # 使用LogisticRegression每次指定一个正则化系数C。
35 
36 lg.fit(x_train,y_train)
37 #Fit the model according to the given training data
38 
39 y_test = lg.predict(x_test)
40 #根据输入的测试集x输出预测的y值
41 
42 df_test[‘class‘] = y_test.tolist()
43 #将预测结果转化为list赋值给测试集中‘class‘一列 
44 
45 df_test[‘class‘] = df_test[‘class‘]+1
46 #该列每一个值加一
47 
48 df_result = df_test.loc[:,[‘id‘,‘class‘]]
49 #选取‘id‘,‘class‘两列作为结果集
50 
51 df_result.to_csv(‘./result.csv‘,index=False)
52 #保存结果
53 print("完成...............")

 1 ＠PostMapping("/delete")
 2 public Map<String, Object> delete(long id, String lang) {
 3 }
 4 // 成功返回boolean，失败返回string，大忌
 5 ＠PostMapping("/delete")
 6 public Object delete(long id, String lang) {
 7   try {
 8     boolean result = configService.delete(id, local);
 9     return result;
10   } catch (Exception e) {
11     log.error(e);
12     return e.toString();
13   }
14 }