Framework argparse — проверьте, установлен ли флаг

Я хочу использовать свой скрипт следующим образом: python script.py -x теперь я запускаю его с помощью этой команды python script.py -x y

Мой код:

parser = ArgumentParser()
parser.add_argument('-x', '--x', dest="x", default="n")
options = parser.parse_args()
if option.x == 'y':
    f()

Можно так написать

python script.py -x

parser = ArgumentParser()
parser.add_argument('-x', '--x', dest="x")
options = parser.parse_args()
if isset(option.x):
    f()

python python-2.7 argparse

01.10.2015

Ответы:

Просто используйте действие 'store_true':

import argparse

parser = argparse.ArgumentParser()
parser.add_argument('-x', action='store_true')

тогда вы можете просто проверить правдивость этого аргумента:

options = parser.parse_args()
if options.x:
    f()

При использовании просто печатает, является ли этот аргумент истинным:

C:\Python27>python so.py
x is not set

C:\Python27>python so.py -x
x is set

01.10.2015

Это опечатка? options = parser.parse_args(), но вы проверяете option.x... 23.04.2018

@GabrielPellegrino, что заставляет вас думать, что это опечатка; чего бы вы ожидали? Это не сработало для вас? 23.04.2018

в option.x месте не должно быть options.x, потому что вы сказали это в предыдущей строке? options = parser.parse_args() 23.04.2018

@GabrielPellegrino а, понятно; да, это опечатка, спасибо! 23.04.2018

Новые материалы

Как проанализировать работу вашего классификатора?

Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..

Работа с цепями Маркова, часть 4 (Машинное обучение)

Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..

Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]

Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..

Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter

Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..

Учебные заметки: создание моего первого пакета Node.js

Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm. Оглавление Глоссарий I. Новый пакет 1.1 советы по инициализации..

Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!

Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных. Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..

ИИ в аэрокосмической отрасли

Каждый полет – это шаг вперед к великой мечте. Чтобы это происходило в их собственном темпе, необходима команда астронавтов для погони за космосом и команда технического обслуживания..

Метки

Machine Learning JavaScript Data Science Artificial Intelligence Software Development Python Web Development Coding Deep Learning AI React Software Engineering Nodejs Java Front End Development Typescript Computer Science Data Algorithms Development NLP Tech Programming Languages CSS ChatGPT HTML Python Programming Javascript Tips Angular Computer Vision Data Visualization Neural Networks Startup Tutorial Statistics Productivity Reactjs Learning