Переписать код c Python

Aleator · Регистрация: 04.05.2011

Студворк — интернет-сервис помощи студентам

Уважаемые программисты Python. Мне требуется переписать код программы с python на другой язык программирования. С этим языком (Python) я никогда не сталкивался.
У меня к Вам несколько вопросов и одна просьба:

1. Загрузил с официального сайта IDLE. Теперь нужно модули подгружать...
Pyton 3 это или нет?
2. Я смогу увидеть результат, приостановить работу в IDLE? Или требуется другая среда?
3. Этот код рабочий или нет?
4. Не могли бы Вы создать для меня exe-шник (возможно терминология не та...)
Код:

Python
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
import numpy as np
import math
import matplotlib.pyplot as plt
import pdb
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt
import time
from scipy.stats import multivariate_normal, gaussian_kde
 
R = 20
bin_range = 4.
lag = 1
N = 1000000
 
## prepare test data
if True:
 
    q= 0.3
    r= 0.2
 
    w = np.random.normal(0.0, np.sqrt(q), N + lag) 
    v = np.random.normal(0.0, np.sqrt(r), N + lag) 
    h_c = 0.7
    alpha = 0.2
 
    xs = np.zeros(N + lag).reshape((-1,1))
    ys = np.zeros(N + lag).reshape((-1,1)) 
 
    for i in range(1,len(ys)):
        ys[i]=alpha * ys[i-1] + w[i]    
 
    for i in range(1,len(xs)):
        xs[i]=h_c * ys[i-1] + v[i]
 
    var_y = q / (1.0-(alpha*alpha))
    var_x = (h_c * h_c) * var_y + r
 
    C = [[var_y, h_c*var_y],
         [h_c * var_y, var_x]]
 
    C2 = [[ var_x, h_c * h_c *alpha * var_y],
         [h_c * h_c *alpha* var_y, var_x]]
     
    covXXY = np.array([[var_y,                     h_c * var_y,    h_c * alpha * var_y     ],
                   [  h_c * var_y,                var_x,            h_c * var_y  ],
                   [  h_c * alpha * var_y,     h_c * var_y,          var_x  ]])
 
    expected_te = 0.5 * np.log2((np.linalg.det(C) * np.linalg.det(C2) ) / (np.linalg.det(covXXY) * var_x))
    print expected_te
 
 
    X=xs[lag:]
    Y=ys[lag:]
 
    covv2 = np.cov(np.vstack((Y.reshape((-1,))[:100000], X.reshape((-1,))[:100000])))
 
 
if False:
 
    C = [[0.9, 0.7], [0.7, 0.9]]
 
    mean = [1.5, -1.2]
 
    #rv1 = multivariate_normal(meanii, pii)
    #x = yrv1.rvs(N)
 
    rv2 = multivariate_normal(mean=mean,cov=C)
    correlated = rv2.rvs(N+lag)
    XX = correlated[lag:,0].reshape((-1,1))
    X=correlated[:-lag,0].reshape((-1,1))
    Y=correlated[lag:,1].reshape((-1,1))
 
 
    covv  = np.cov( np.vstack( (XX.reshape((-1,))[:100000], Y.reshape((-1,))[:100000], X.reshape((-1,))[:100000]) ) )
    covv2 = np.cov( np.vstack( (X.reshape((-1,))[:100000], XX.reshape((-1,))[:100000]) ) )
 
    covXXY = np.array([[C[1][1],     C[0][1],     0.0     ],
                   [C[1][0],     C[0][0],     0.0     ],
                   [  0.0,         0.0,      C[0][0]  ]])
 
    print "analytical covXXY" 
    print covv
    print ""
    print ""
    print "real covXXY" 
    print covXXY
    print ""
    print ""
 
    expected_te = 0.5 * np.log2((np.linalg.det(C) * np.linalg.det([[ C[0][0],0.0],[0.0, C[0][0]]]) ) / (np.linalg.det(covXXY) * C[0][0]))
    pdb.set_trace()
    print "expected te: " + str(expected_te)
 
 
'''
s_x = np.random.normal(10.0, 1.0, N + lag) 
s_y = (s_x[lag:] * 1.1) * (s_x[lag:] * 1.1) 
s_x = s_x[:-lag]
v_x = np.random.laplace(0.0, .5, N) 
v_y = np.random.laplace(0.0, 1., N) 
 
X = (s_x + v_x).reshape((-1,1))
Y = (s_y + v_y).reshape((-1,1))
'''
'''
Y = np.zeros(N + lag).reshape((-1,1))
X = np.arange(N + lag)
X[0:N/2] = X[0:N/2] + X[0:N/2]
X = X.reshape((-1,1))
'''
 
 
if False: ## plot time series
    plt.subplot(2, 1, 1)
    plt.plot(X)
    plt.subplot(2, 1, 2)
    plt.plot(Y)
    plt.show()
 
## calculate transfer entropy for the specified timelags
print "maximum entropy expected for timelag: " + str(lag)
print "time_lag \t binning time \t\t computation time \t entropy"
time_lags = [1,2,3,4,10]
for time_lag in time_lags:
    t0 = time.time()
    if False: ## BINNING 
        ## prepare binning
        std_dv = np.std(X)
        mean = np.mean(X)
        x_max_val = mean + bin_range * std_dv
        x_min_val = mean - bin_range * std_dv
 
        std_dv = np.std(Y)
        mean = np.mean(Y)
        y_max_val = mean + bin_range * std_dv
        y_min_val = mean - bin_range * std_dv
 
        xp1_and_x = np.concatenate((X[time_lag:], X[:-time_lag]), axis=1)
        xp1_and_x_and_y = np.concatenate((xp1_and_x, Y[:-time_lag]), axis=1) 
        x_and_y = np.concatenate(( X[:-time_lag], Y[:-time_lag]), axis=1) 
 
        prob_x = np.histogramdd(X[:-time_lag], bins=(R), range=[(x_min_val, x_max_val)])[0]/(N-time_lag)
        prob_x_and_y   = np.histogramdd(x_and_y,    bins=(R, R), range=[(x_min_val, x_max_val), (y_min_val, y_max_val)])[0] / (N-time_lag)
        prob_xp1_and_x = np.histogramdd(xp1_and_x,  bins=(R, R), range=[(x_min_val, x_max_val), (x_min_val, x_max_val)])[0] / (N-time_lag)
        prob_xp1_and_x_and_y = np.histogramdd(xp1_and_x_and_y, bins=(R, R, R), range=[(x_min_val, x_max_val), (x_min_val, x_max_val), (y_min_val, y_max_val)])[0] / (N-time_lag)
    else: ## KDE 
        def filterr(input_array):
            return input_array#np.where(input_array< 1.0e-15, 0.0, input_array)
        Xm1 = X[:-time_lag]
        Xm0 = X[time_lag:]
        Ym1 = Y[:-time_lag]
 
        ## prepare binning
        xmax = X.max()
        xmin = X.min()
 
        ymax = Y.max()
        ymin = Y.min()
 
        ## prob_x
        XX = np.mgrid[xmin:xmax:R*1j]
        positions = np.vstack([XX.ravel()])
        values = np.hstack([Xm0])
        kernel = gaussian_kde(values.T)
        #pdb.set_trace()
        prob_x = kernel(positions).T
        prob_x = filterr(prob_x)
 
        ## prob_x_and_y
        XX, YY = np.mgrid[xmin:xmax:R*1j, ymin:ymax:R*1j]
        positions = np.vstack([XX.ravel(), YY.ravel()])
        values = np.hstack([Xm1, Ym1])
        kernel = gaussian_kde(values.T)
 
        prob_x_and_y = np.reshape(kernel(positions).T, XX.shape)    
        prob_x_and_y = filterr(prob_x_and_y)
 
        ## prob_xp1_and_x
        XX, YY = np.mgrid[xmin:xmax:R*1j, xmin:xmax:R*1j]
        positions = np.vstack([XX.ravel(), YY.ravel()])
 
        values = np.hstack([Xm0, Xm1])
        kernel = gaussian_kde(values.T)
        prob_xp1_and_x = np.reshape(kernel(positions).T, XX.shape)  
        prob_xp1_and_x = filterr(prob_xp1_and_x)
 
        ## prob_xp1_and_x_and_y
        XX, XXm1, YY = np.mgrid[xmin:xmax:R*1j, xmin:xmax:R*1j, ymin:ymax:R*1j]
        positions = np.vstack([XX.ravel(), XXm1.ravel(), YY.ravel()])
        values = np.hstack([Xm0, Xm1, Ym1])
        kernel = gaussian_kde(values.T,bw_method="silverman")
        prob_xp1_and_x_and_y = np.reshape(kernel(positions).T, XX.shape)    
        prob_xp1_and_x_and_y = filterr(prob_xp1_and_x_and_y)
 
    t1 = time.time()
    t_entropy = 0.0
    for i in range(R):
        for j in range(R):
            for k in range(R):
                logs = (np.log2(prob_xp1_and_x_and_y[i][j][k] * prob_x[j]) - np.log2(prob_x_and_y[j][k] * prob_xp1_and_x[i][j]))
                if np.isfinite(logs): ## if propabilites are zero
                    t_entropy = t_entropy + prob_xp1_and_x_and_y[i][j][k] * logs
    t2 = time.time()
    print str(time_lag) + "\t\t" + str(t1 - t0) + "\t\t" + str(t2 - t1) + "\t\t" + str(t_entropy)

@alex925 · 09.09.2016, 19:30

Aleator, это python 2, idle тебе не нужна, это кака.
Из доп библиотек тебе надо ставить numpy, scipy, matplotlib, pdb

@Garry Galler · 09.09.2016, 19:34

Это python 2 (хотя, если принты подправить может в 3-ем заведется). В Anaconda 2 (браузерный notebook с кучей предустановленных пакетов для python) код запустился. Но какой график в итоге должно получится - это вам в раздел научных вычислений на python - у меня скрипт свои вычисления пока не закончил.:-)
Что касается трансляции на другой ЯП - гадать не буду, но явно это не просто - так numpy и mathplotlib. И скрипт не 10 строк.
Насчет exe-шника непонятно - упаковать это скрипт в exe? Для этого есть py2exe, cx_Freeze, nuitka, Pyinstaller (у меня пока только с последним получилось подружиться).
PS: Более развернутый вам ответ стоит подождать от знатоков python.

Новые блоги и статьи Все статьи Все блоги /
Отправка уведомления на почту при изменении наименования справочника Maks 24.03.2026 Программная отправка письма электронной почты на примере изменения наименования типового справочника "Склады" в конфигурации БП3. Перед реализацией необходимо выполнить настройку системной учетной. . .	модель ЗдравоСохранения 5. Меньше увольнений- больше дохода! anaschu 24.03.2026 Теперь система здравосохранения уменьшает количество увольнений. 9TO2GP2bpX4 a42b81fb172ffc12ca589c7898261ccb/ https:/ / rutube. ru/ video/ a42b81fb172ffc12ca589c7898261ccb/ Слева синяя линия -. . .	Midnight Chicago Blues kumehtar 24.03.2026 Такой Midnight Chicago Blues, знаешь?. . Когда вечерние улицы становятся ночными, а ты не можешь уснуть. Ты идёшь в любимый старый бар, и бармен наливает тебе виски. Ты смотришь на пролетающие. . .	SDL3 для Desktop (MinGW): Вывод текста со шрифтом TTF с помощью библиотеки SDL3_ttf на Си и C++ 8Observer8 24.03.2026 Содержание блога Финальные проекты на Си и на C++: finish-text-sdl3-c. zip finish-text-sdl3-cpp. zip
Жизнь в неопределённости kumehtar 23.03.2026 Жизнь — это постоянное существование в неопределённости. Например, даже если у тебя есть список дел, невозможно дойти до точки, где всё окончательно завершено и больше ничего не осталось. В принципе,. . .	Модель здравоСохранения: работники работают быстрее после её введения. anaschu 23.03.2026 geJalZw1fLo Корпорация до введения программа здравоохранения имела много невыполненных работниками заданий, после введения программы количество заданий выросло. Но на выплатах по больничным это. . .	Контроль уникальности заводского номера Maks 23.03.2026 Алгоритм контроля уникальности заводского (или серийного) номера на примере нетипового документа выдачи шин для спецтехники с табличной частью, разработанного в конфигурации КА2. Данные берутся из. . .	Хочу заставить корпорации вкладываться в здоровье сотрудников: делаю мат модель здравосохранения anaschu 22.03.2026 e7EYtONaj8Y Z4Tv2zpXVVo https:/ / github. com/ shumilovas/ med2. git

@alex925 2742 / 2341 / 620 Регистрация: 19.03.2012 Сообщений: 8,830
	09.09.2016, 19:30
	Aleator, это python 2, idle тебе не нужна, это кака. Из доп библиотек тебе надо ставить numpy, scipy, matplotlib, pdb 1

@Garry Galler 5438 / 3859 / 1215 Регистрация: 28.10.2013 Сообщений: 9,552 Записей в блоге: 1
	09.09.2016, 19:34
	Это python 2 (хотя, если принты подправить может в 3-ем заведется). В Anaconda 2 (браузерный notebook с кучей предустановленных пакетов для python) код запустился. Но какой график в итоге должно получится - это вам в раздел научных вычислений на python - у меня скрипт свои вычисления пока не закончил.:-) Что касается трансляции на другой ЯП - гадать не буду, но явно это не просто - так numpy и mathplotlib. И скрипт не 10 строк. Насчет exe-шника непонятно - упаковать это скрипт в exe? Для этого есть py2exe, cx_Freeze, nuitka, Pyinstaller (у меня пока только с последним получилось подружиться). PS: Более развернутый вам ответ стоит подождать от знатоков python. 1