KaneAI - World’s First E2E Software Testing Agent.Book a Demo Join TestMu Conference

How to use le_strategy method in pandera

Best Python code snippet using pandera_python

test_strategies.py

Source:test_strategies.py

...118    assert (119        data.draw(strategies.lt_strategy(data_type, max_value=value)) < value120    )121    assert (122        data.draw(strategies.le_strategy(data_type, max_value=value)) <= value123    )124def value_ranges(data_type: pa.DataType):125    """Strategy to generate value range based on PandasDtype"""126    kwargs = dict(127        allow_nan=False,128        allow_infinity=False,129        exclude_min=False,130        exclude_max=False,131    )132    return (133        st.tuples(134            strategies.pandas_dtype_strategy(135                data_type, strategy=None, **kwargs136            ),...

train.py

Source:train.py

1import pandas as pd 2from sklearn_pandas import DataFrameMapper3import sys4class Train:5    def __init__(self, aCSVTrain, aCSVTest, aCSVResult):6        self.arqCSVTrain = aCSVTrain        7        self.arqCSVTest = aCSVTest8        self.arqCSVResult = aCSVResult9        self.df = pd.read_csv(aCSVTrain)10        self.df_final = pd.read_csv(aCSVTrain)11    def getDeckComplete(self):12        return self.df_final.to_json(orient='records')13    def arqResultExiste(self):14        try: 15            os.path.isfile(self.arqCSVResult)16            self.df_final = pd.read_csv(self.arqCSVResult)17            return True18        except:19            return False20    def findCardById(self, id):        21        return self.df_final[self.df_final.id==id].to_json(orient='records')22    def fit(self):23        #criando uma variavel auxiliar pra manipular o Dataframe Original (challenge_train)24        inputs = self.df25        # importando a biblioteca LabelEncoder, para transformar labels em nÃºmeros inteiros. 26        from sklearn.preprocessing import LabelEncoder27        #Criando as variaveis de manipulaÃ§Ã£o dos labels28        le_type = LabelEncoder()29        le_god = LabelEncoder()30        le_strategy = LabelEncoder()31        inputs['type_n'] = le_type.fit_transform(inputs['type'])32        inputs['god_n'] = le_god.fit_transform(inputs['god'])33        inputs['strategy_n'] = le_strategy.fit_transform(inputs['strategy'])34        #Retirando a coluna alvo35        inputs = self.df.drop('strategy', axis = 'columns')36        #Criando um novo Dataframe somente com a coluna alvo, a que queremos "aprender"37        target = self.df['strategy_n']38        #Retirando do Dataframe de entradas a coluna alvo39        inputs = inputs.drop('strategy_n', axis = 'columns')40        #Retirando do Dataframe as colunas que sÃ£o do tipo labels e que nÃ£o agregam na Ã¡rvore de decisÃ£o que usaremos a seguir41        inputs_n = inputs.drop(['id','name','type','god'], axis='columns')42        #importando a biblioteca de Ã¡rvore43        from sklearn import tree44        #Criando uma variÃ¡vel modelo de Ã¡rvore de decisÃ£o45        model = tree.DecisionTreeClassifier()46        #Ensinando o modelo a partir dos resultados47        model.fit(inputs_n.values, target)48        #model.score(inputs_n,target) # como os dados de entrada sÃ£o os mesmos do de validaÃ§Ã£o, o score Ã© 149        #Cria um DF com os dados de test50        df_test = pd.read_csv(self.arqCSVTest)51        52        #Cria colunas inteiras a partir das colunas labels53        df_test['type_n'] = le_type.fit_transform(df_test['type'])54        df_test['god_n'] = le_god.fit_transform(df_test['god'])55        #Cria o DF result com a coluna strategy preenchida a partir dos dados aprendidos no modelo56        df_result = df_test57        df_result['strategy'] = df_test['name']58        alist = []59        for indice, linha in df_result.iterrows():    60            card = [linha.mana, linha.attack, linha.health, le_type.transform([linha.type])[0], le_god.transform([linha.god])[0]]61            prev = le_strategy.inverse_transform(model.predict([card]))[0]62            alist.append(prev)63        df_result['strategy'] = alist64        #Cria um novo DF result sem as colunas auxiliares criadas dos labels type e god65        df_result_f = df_result.drop(['type_n','god_n'], axis = 'columns')66        #Cria um novo DF dos dados de train sem as colunas auxiliares criadas dos labels type e god67        df_f = self.df.drop(['type_n','god_n', 'strategy_n'], axis = 'columns')68        #Cria um novo DF com os dados dos dois DF, os dos dados de train e dos dados de test69        self.df_final = pd.concat([df_f, df_result_f])70        #Exporta o DF criado para um arquivo CSV        71        self.df_final.to_csv(self.arqCSVResult, encoding = 'utf-8', index=False)72    73def main(args):74    train = Train(args[1], args[2], args[3])75    76    train.fit()77    return 078if __name__ == '__main__':...

Automation Testing Tutorials

Learn to execute automation testing from scratch with LambdaTest Learning Hub. Right from setting up the prerequisites to run your first automation test, to following best practices and diving deeper into advanced test scenarios. LambdaTest Learning Hubs compile a list of step-by-step guides to help you be proficient with different test automation frameworks i.e. Selenium, Cypress, TestNG etc.