Python 用于可视化循环ETA的进度条

我的代码中有这一行

lev_similarity = -1*np.array([[distance.levenshtein(w1,w2) for w1 in words] for w2 in words])

这需要很长时间，所以我想包括一个进度条与预计到达时间，以显示我估计的处理时间

在给定此内部循环的情况下，如何包含进度条

我的做法：

npa = []
akt = 1
with progressbar.ProgressBar(max_value=len(words)) as bar:
    for w2 in words:
        bar.update(akt)
        akt = akt + 1
        for w1 in words:
            npa.append(distance.levenshtein(w1,w2))
lev_similarity = -1*np.array(npa)

TQDM库（）为python中的进度条提供了一个非常简单的接口

它会变成s.t.h.的样子：

from tqdm import tqdm

... code ...

new_arr = -1*np.array([[distance.levenshtein(w1,w2) for w1 in words] for w2 in tqdm(words)])

---

tqdm手册中有一节介绍嵌套循环。

您可以在循环中使用循环，而不是列表，并在内部或外部循环中更新进度栏。 如果仍然需要列表理解，可以定义一个函数，该函数既执行计算，又更新进度条，如下所示：

def calc(w1, w2):
    update_progress_bar()
    return distance.levenshtein(w1,w2)

然后列表将变成：

 -1*np.array([[calc(w1,w2) for w1 in words] for w2 in tqdm(words)])

---

在我看来，列表理解应该只创建值，而不会造成任何副作用，因此，尽管简短且可以说是优雅的，但我还是会采用循环中的循环。在这种情况下，软件工程更加友好。

你很接近了。您现在的实现是错误的，因为您的条长度不是

len（words）

，而是

len（words）**2

，您应该更新每个操作。此外，当需要二维阵列时，您正在尝试构建一维阵列。那么，试试这个：

npa = []
akt = 1
num_words = len(words)
with progressbar.ProgressBar(max_value = num_words ** 2) as bar:
    for w2 in words:
        for w1 in words:
            npa.append(distance.levenshtein(w1,w2))
            bar.update(akt)
            akt = akt + 1
lev_similarity = -1*np.array(npa).reshape(num_words, num_words)

---

这样，您将在每次计算距离时更新栏。

我使用自己的小函数来完成此操作。我认为这对你的情况也可能有效

def print_pbar(n,m,s='|#.|',size=30,message=''):
    '''(int,int,string,int) => None
    Print a progress bar using the simbols in 's'.
    Example:
        range_limit = 1000
        for n in range(range_limit):
            print_pbar(n+1,m=range_limit)
            time.sleep(0.1)
    '''
    #adjust to bar size
    if m != size:
        n =(n*size)/m
        m = size
    #calculate ticks
    _a = int(n)*s[1]+(int(m)-int(n))*s[2]
    _b = round(n/(int(m))*100,1)
    #adjust overflow
    if _b >= 100:
        _b = 100.0
    #to stdout    
    sys.stdout.write(f'\r{message}{s[0]}{_a}{s[3]} {_b}%     ')
    sys.stdout.flush()


npa = []
for n, w2 in enumerate(words):
    print_pbar(n+1, len(words))
    for w1 in words:
        npa.append(distance.levenshtein(w1,w2))

---

不相同：ValueError:应为2D数组，而应为1D数组：数组=[0-106….]。使用数组重塑数据。如果数据具有单个功能或数组，则重塑（-1，1）。如果数据包含单个样本，则重塑（1，-1）。@Alex抱歉，我以为您唯一的问题是进度条，而不是

值错误

。我已经更新了我的答案，以反映这些问题。现在，我得到了

AttributeError:'list'对象没有属性“重塑”

，指向

lev\u similarity=-1*np.array（npa.reformate（num\u words，num\u words））