Explora las capacidades mejoradas de validación de datos de Pydantic V2
Explora las mejoras en la validación de datos con Pydantic V2
Aprende las nuevas características y sintaxis de Pydantic V2
![Imagen de jackmac34 en Pixabay](https://ai.miximages.com/miro.medium.com/v2/resize:fit:640/format:webp/0*Qjzkj2OyTZH5vIZ8.jpg)
La validación de datos es fundamental para aplicaciones sólidas en el campo en constante evolución de la ingeniería de datos y el desarrollo de software. Garantizar la limpieza y precisión de los datos es esencial no solo para la confiabilidad de la aplicación, sino también para la experiencia del usuario.
Pydantic es la biblioteca de validación de datos más utilizada para Python. El núcleo de la versión más nueva (V2) de Pydantic se ha reescrito en Rust y tiene un rendimiento mucho mejor que la versión anterior. Además, hay algunas mejoras importantes en las funcionalidades como el soporte para el modo estricto, validación sin un modelo, limpieza del espacio de nombres del modelo, etc.
En esta publicación, profundizaremos en las últimas características y el rendimiento mejorado de las potentes capacidades de validación de datos de Pydantic, ofreciendo a los desarrolladores un conjunto completo de herramientas para todo tipo de tareas de manejo de datos.
Preparación
Para seguir los ejemplos de esta publicación, debes instalar una versión moderna de Python (≥3.10) y la última versión de Pydantic V2. Se recomienda administrar las diferentes versiones de Python y las bibliotecas con un entorno virtual conda:
- Una guía universal para la ingeniería rápida el Marco de Andamios Contextuales (CSF)
- Las fronteras éticas de la IA generativa Introducción e importancia
- Revolucionando el ajuste fino del modelo de lenguaje logrando ganancias sin precedentes con las incrustaciones ruidosas de NEFTune
conda create -n pydantic2 python=3.11conda activate pydantic2pip install -U pydantic
Uso básico
Normalmente, con Pydantic, debemos definir el esquema de nuestros datos utilizando modelos primero, que son simplemente clases que heredan de BaseModel
. En estos modelos, los tipos de datos de cada campo se definen mediante sugerencias de tipo.
from pydantic import BaseModelclass ComputerModel(BaseModel): brand: str cpu: str storage: int ssd: bool = True
Para usar este modelo para validación, podemos crear una instancia pasando los valores para cada campo:
input_dict = {"brand": "HP", "cpu": "Intel i7 1265U", "storage": "256"}computer = ComputerModel(**input_dict)print(computer)# brand='HP' cpu='Intel i7 1265U' storage=256 ssd=True
El dato de tipo cadena para storage
se convierte a un entero que está definido en el modelo.
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- ¿Cómo pueden las representaciones visuales pre-entrenadas ayudar a resolver la manipulación a largo plazo? Conoce Universal Visual Decomposer (UVD) Un método listo para usar para identificar submetas a partir de videos.
- Esta investigación de IA presenta ‘RAFA’ un marco de inteligencia artificial basado en principios para agentes LLM autónomos con eficiencia de muestra demostrable.
- Revolucionando el análisis de documentos conozca DSG, el primer sistema entrenable de principio a fin para la extracción de estructuras jerárquicas
- Despliega modelos de incrustación con los puntos finales de inferencia de Hugging Face
- Explora de forma interactiva tu conjunto de datos de Huggingface con una línea de código
- Un ‘mapa’ más preciso de las luces que ves cuando cierras los ojos puede mejorar los resultados de los ‘ojos biónicos’.
- El mercado negro de GitHub que ayuda a los programadores a hacer trampa en el concurso de popularidad