pylons建站日记3_优雅的建表

本文介绍了一种简化对象关系映射(ORM)的方法,通过自定义Table类实现类与数据库表的一体化定义,减少手动映射的工作量,并提供了一个具体的例子说明如何使用这种方法创建数据库表。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

昨天写按照教程写了一下数据库

感觉不是很优雅

1.表名和类的名字需要分别写,不符合一处定义的原则
2.要手工把类和table进行orm.mapper,比较麻烦
于是重新写了一个table类来负责对一个类建表,可以统一的在init用Table.do_mapper(orm)来初始化,不需要手工去一个一个的mapper

from sqlalchemy import orm
from sqlalchemy import types

def init_model(bind):
"""Call me at the beginning of the application.
'bind' is a SQLAlchemy engine or connection, as returned by
sa.create_engine, sa.engine_from_config, or engine.connect().
"""
global engine, Session
engine = bind
Session = orm.scoped_session(orm.sessionmaker(
transactional=True, autoflush=True, bind=bind)
)
Table.do_mapper(orm)


import sqlalchemy as sa
from datetime import datetime

class Table(object):
wait_mapper={}
meta = sa.MetaData()

def __init__(self,cls,*args,**keys):
cls.table=sa.Table(
cls.__name__,self.meta,
*args,**keys
)
self.wait_mapper[cls]={}
self.cls=cls

def mapper(self,**keys):
self.wait_mapper[self.cls]=keys

@classmethod
def do_mapper(cls,orm):
wait_mapper=cls.wait_mapper
for i,keys in wait_mapper.iteritems():
orm.mapper(i,i.table,**keys)
wait_mapper={}

class IdTable(Table):
def __init__(self,cls,*args,**keys):
super(self.__class__,self).__init__(cls,
sa.Column("id",types.Integer, primary_key=True,autoincrement=True),
*args,**keys
)

def ForeignKey(cls,*args,**keys):
table_name=cls.table.name
return sa.Column(
'%s_id'%table_name,
types.Integer,
sa.ForeignKey('%s.id'%table_name),
*args,
**keys
)

class ResourceSite(object):
def __str(self):
return self.title

IdTable(
ResourceSite,
sa.Column("href", types.String()),
sa.Column("title", types.String(255)),
sa.Column("brief", types.String()),
sa.Column("update_time", types.DateTime()),
)

class Subject(object):
def __str(self):
return self.title

IdTable(
Subject,
ForeignKey(ResourceSite),
sa.Column("href", types.String()),
sa.Column("title", types.String(255)),
sa.Column("update_time", types.DateTime()),
)

class Plunder(object):
def __str(self):
return self.title

IdTable(
Plunder,
ForeignKey(Subject),
sa.Column("href", types.String()),
sa.Column("title", types.String(255)),
sa.Column("brief", types.String()),
sa.Column("update_time", types.DateTime(),default=lambda:datetime.now()),
sa.Column("tag", types.String(255)),
sa.Column("author", types.String(255)),
sa.Column("content", types.String()),
).mapper(order_by=[Plunder.table.c.update_time.desc()])
内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值