Would you like a quick, distraction-free way to solve your math problems the way scientists and engineers do? Many tools let you do math right in the Linux terminal. You can tackle easy problems and make hard ones possible with these programs.
You might think that Linux scripting might only be for wizards. It can save you a lot of time, even if you don't consider yourself a programmer. Taking a little time to learn some basic scripting could save you lots of it in the long run by automating boring repetitive tasks.
Recently, I wanted to find out how phone and tablet screen time was affecting battery drain. You might not think to go to Python for that, but its basic statistics tools can actually provide the answer.
statistics.mode() 函数是 Python 中 statistics 模块的一部分，它返回数据集中出现次数最多的单个值（众数）。与 multimode() 不同，mode() 如果数据集包含多个众数（即多模态数据）或数据为空，则会引发错误。
以下是一些示例来说明 mode() 的行为：
statistics.mode(data)
data: 一个序列（例如 list、tuple），其中的元素是可散列的，用于确定众数。
from statistics import mode data = [1, 2, 2, 3, 4] result = mode(data) print(result) # 输出: 2
from statistics import mode data = ["apple", "banana", "apple", "cherry"] result = mode(data) print(result) # 输出: "apple"
如果有多个众数，mode() 会引发 StatisticsError。
登录
from statistics import mode
data = [1, 1, 2, 2, 3]
try:
result = mode(data)
except StatisticsError as e:
print(e) # 输出: "no unique mode; found 2 equally common values"
如果数据集中没有值重复，mode() 会引发 StatisticsError。
from statistics import mode
data = [1, 2, 3, 4, 5]
try:
result = mode(data)
except StatisticsError as e:
print(e) # 输出: "no unique mode; found 5 equally common values"
如果数据集为空，mode() 会引发 StatisticsError。
from statistics import mode
data = []
try:
result = mode(data)
except StatisticsError as e:
print(e) # 输出: "no mode for empty data"
在 Python 中，术语 multimode 通常指 statistics.multimode() 函数，这是 Python 3.8 中 statistics 模块的一部分。此函数用于找到数据集中出现次数最多的值（众数）。与 statistics.mode() 不同，后者仅返回单个众数（如果数据集是多模态的会引发错误），而 multimode() 可以处理包含多个众数的多模态数据集。
statistics.multimode(data)
data: 一个序列（例如 list、tuple），其中的元素是可散列的，用于查找众数。
返回输入数据中所有众数的列表。如果没有元素重复，则返回所有唯一值的列表，因为在这种情况下每个值都是众数。
from statistics import multimode data = [1, 2, 2, 3, 4] result = multimode(data) print(result) # 输出: [2]
from statistics import multimode data = [1, 1, 2, 2, 3] result = multimode(data) print(result) # 输出: [1, 2]
from statistics import multimode data = [1, 2, 3, 4, 5] result = multimode(data) print(result) # 输出: [1, 2, 3, 4, 5]
多模态支持：可以处理包含多个同频值的数据集。
优雅地处理唯一数据：如果没有重复值，则返回所有唯一值。
灵活的输入类型：适用于任何可散列对象的序列，包括字符串和元组。
data = ["apple", "banana", "apple", "cherry", "banana", "banana"] result = multimode(data) print(result) # 输出: ['banana']
如果数据集很大，计算众数可能会消耗大量计算资源，因为它需要统计所有元素的出现次数。
| 特性 | mode() | multimode() |
|---|---|---|
| 返回值 | 单个最频繁的值 | 所有最频繁值的列表 |
| 多模态数据行为 | 引发 StatisticsError |
返回所有众数 |
| 空数据集行为 | 引发 StatisticsError |
返回空列表 |
| 最佳用途 | 适用于期望唯一众数的单模态数据 | 适用于包含多个众数的多模态数据或任意数据 |
如果不确定数据是否包含多个众数或无重复值，multimode() 是更安全的选择。
英文：The mode vs multimode in Python
本文一共 702 个汉字, 你数一下对不对.
我一直是自己租用VPS服务器，然后搭建各种服务，比如博客就是Apache2+MySQL数据库。一般来说就是默认参数，没有去管，不过最近发现MySQL的性能参数都很保守，不能发挥整个服务器的性能。
然后我就网上搜索了一下，根据参数配置建议，用ChatGPT写了以下Python和BASH脚本。只需要在需要优化的服务器上，跑一下该脚本，然后就会显示参数配置，然后直接把参数添加到MySQL数据库配置参数文件上： /etc/mysql/mysql.conf.d/mysqld.cnf
然后运行: service mysql restart 重启MySQL服务器。
运行了几周，发现效果很好，博客反应速度也快了很多，这很大原因是根据了内存增加了MySQL缓存大小。
把下面的Python脚本存成 mysql_config.py 然后运行 python3 mysql_config.py
def get_total_ram():
with open('/proc/meminfo', 'r') as f:
for line in f:
if line.startswith("MemTotal:"):
total_ram_kb = int(line.split()[1])
return total_ram_kb * 1024 # 转换为字节（bytes）
return 0 # 如果未找到 MemTotal，则返回 0
def calculate_mysql_settings():
# 获取总内存（以字节为单位）
total_ram = get_total_ram()
# 根据总内存（以字节为单位）计算 MySQL 配置
innodb_buffer_pool_size = int(total_ram * 0.3) # 使用内存的 30%
key_buffer_size = min(total_ram * 20 // 100, 512 * 1024 * 1024) # 使用内存的 20%，最大限制为 512MB
sort_buffer_size = min(total_ram * 25 // 1000, 4 * 1024 * 1024) # 使用内存的 0.25%，最大限制为 4MB
read_rnd_buffer_size = min(total_ram * 625 // 100000, 512 * 1024) # 使用内存的 0.0625%，最大限制为 512KB
tmp_table_size = max_heap_table_size = min(total_ram * 5 // 100, 64 * 1024 * 1024) # 使用内存的 5%，最大限制为 64MB
join_buffer_size = min(total_ram * 2 // 1000, 4 * 1024 * 1024) # 使用内存的 0.2%，最大限制为 4MB
table_open_cache = min(400 + (total_ram // 64), 2000) # 根据内存动态计算，最大限制为 2000
thread_cache_size = min(total_ram * 15 // 1000, 100) # 使用内存的 1.5%，最大限制为 100
innodb_log_buffer_size = min(total_ram * 5 // 100, 16 * 1024 * 1024) # 使用内存的 5%，最大限制为 16MB
# 以字节为单位打印配置
print(f"MySQL 配置（基于总内存 {total_ram / (1024 * 1024):.2f} MB）:")
print("将以下内容添加到 /etc/mysql/mysql.conf.d/mysqld.cnf 的末尾\n")
print(f"innodb_buffer_pool_size = {innodb_buffer_pool_size}")
print(f"key_buffer_size = {key_buffer_size}")
print(f"sort_buffer_size = {sort_buffer_size}")
print(f"read_rnd_buffer_size = {read_rnd_buffer_size}")
print(f"tmp_table_size = {tmp_table_size}")
print(f"max_heap_table_size = {max_heap_table_size}")
print(f"join_buffer_size = {join_buffer_size}")
print(f"table_open_cache = {table_open_cache}")
print(f"thread_cache_size = {thread_cache_size}")
print(f"innodb_log_buffer_size = {innodb_log_buffer_size}")
# 打印自定义设置
print("expire_logs_days = 3")
print("max_binlog_size = 100M")
if __name__ == "__main__":
calculate_mysql_settings()
会打印出类似以下的配置：
innodb_buffer_pool_size = 626468044 key_buffer_size = 417645363 sort_buffer_size = 4194304 read_rnd_buffer_size = 524288 tmp_table_size = 67108864 max_heap_table_size = 67108864 join_buffer_size = 4176453 table_open_cache = 2000 thread_cache_size = 100 innodb_log_buffer_size = 16777216 expire_logs_days = 3 max_binlog_size = 100M
添加到MySQL的配置文件：/etc/mysql/mysql.conf.d/mysqld.cnf 然后重启数据库即可：service mysql restart
以下是完成同样功能的BASH脚本。
#!/bin/bash
# 获取总内存大小（以字节为单位）
get_total_ram() {
# 从 /proc/meminfo 中提取总内存（以 kB 为单位）
total_ram_kb=$(awk '/^MemTotal:/ {print $2}' /proc/meminfo)
if [[ -z "$total_ram_kb" ]]; then
echo 0 # 如果未找到 MemTotal，则返回 0
else
echo $((total_ram_kb * 1024)) # 将 kB 转换为字节
fi
}
# 根据总内存大小计算 MySQL 配置
calculate_mysql_settings() {
# 获取总内存（以字节为单位）
total_ram=$(get_total_ram)
# 计算 MySQL 配置参数
innodb_buffer_pool_size=$((total_ram * 30 / 100)) # 使用内存的 30%
key_buffer_size=$(($((total_ram * 20 / 100)) < $((512 * 1024 * 1024)) ? $((total_ram * 20 / 100)) : $((512 * 1024 * 1024)))) # 使用内存的 20%，最大限制为 512MB
sort_buffer_size=$(($((total_ram * 25 / 1000)) < $((4 * 1024 * 1024)) ? $((total_ram * 25 / 1000)) : $((4 * 1024 * 1024)))) # 使用内存的 0.25%，最大限制为 4MB
read_rnd_buffer_size=$(($((total_ram * 625 / 100000)) < $((512 * 1024)) ? $((total_ram * 625 / 100000)) : $((512 * 1024)))) # 使用内存的 0.0625%，最大限制为 512KB
tmp_table_size=$((total_ram * 5 / 100 < 64 * 1024 * 1024 ? total_ram * 5 / 100 : 64 * 1024 * 1024)) # 使用内存的 5%，最大限制为 64MB
max_heap_table_size=$tmp_table_size # 临时表大小等于最大堆表大小
join_buffer_size=$(($((total_ram * 2 / 1000)) < $((4 * 1024 * 1024)) ? $((total_ram * 2 / 1000)) : $((4 * 1024 * 1024)))) # 使用内存的 0.2%，最大限制为 4MB
table_open_cache=$(($((400 + total_ram / 64)) < 2000 ? $((400 + total_ram / 64)) : 2000)) # 根据内存动态计算，最大限制为 2000
thread_cache_size=$(($((total_ram * 15 / 1000)) < 100 ? $((total_ram * 15 / 1000)) : 100)) # 使用内存的 1.5%，最大限制为 100
innodb_log_buffer_size=$(($((total_ram * 5 / 100)) < $((16 * 1024 * 1024)) ? $((total_ram * 5 / 100)) : $((16 * 1024 * 1024)))) # 使用内存的 5%，最大限制为 16MB
# 打印配置（以字节为单位）
echo "MySQL 配置（基于总内存 $((total_ram / (1024 * 1024))) MB）:"
echo "将以下内容添加到 /etc/mysql/mysql.conf.d/mysqld.cnf 的末尾"
echo
echo "innodb_buffer_pool_size = $innodb_buffer_pool_size"
echo "key_buffer_size = $key_buffer_size"
echo "sort_buffer_size = $sort_buffer_size"
echo "read_rnd_buffer_size = $read_rnd_buffer_size"
echo "tmp_table_size = $tmp_table_size"
echo "max_heap_table_size = $max_heap_table_size"
echo "join_buffer_size = $join_buffer_size"
echo "table_open_cache = $table_open_cache"
echo "thread_cache_size = $thread_cache_size"
echo "innodb_log_buffer_size = $innodb_log_buffer_size"
echo
echo "expire_logs_days = 3" # 日志过期天数设置为 3 天
echo "max_binlog_size = 100M" # 最大二进制日志大小设置为 100M
}
# 主函数调用
calculate_mysql_settings
需要注意的是，我在脚本后面加入了一些我自定义的配置，根据需求自行修改即可。在配置文件里，后面定义的会覆盖前面的，这就是为什么要添加到文件尾的原因。
其中最关键的配置 innodb_buffer_pool_size 我设置为使用当前内存的30%，如果服务器只有数据库/博客这个功能，可以适当的提高比例，比如60%-80%。
英文：Python/Bash Script to Print the Optimized Parameters for MySQL Servers
视频：油管/Youtube | B站/小破站 | 微博视频 | 西瓜视频 | 微信视频号 | X/推特 | 小红书
前不久（今年初），伊隆·马斯克/Elon Musk的X公司开源了Grok大语言模型，并且给免费提供了25美元的credit可以调用。可以在其官网x.ai注册一个帐号，申请API KEY即可，官网还贴心的的给出了调用的例子。
curl https://api.x.ai/v1/chat/completions -H "Content-Type: application/json" -H "Authorization: Bearer xai-......" -d '{
"messages": [
{
"role": "system",
"content": "You are a test assistant."
},
{
"role": "user",
"content": "Testing. Just say hi and hello world and nothing else."
}
],
"model": "grok-beta",
"stream": false,
"temperature": 0
}'
孩子们由于未成年，所以无法申请ChatGPT、X AI等大语言模式的帐号，平时他们只能在免费的微软冰/BING搜索引擎上使用集成的免费Copilot。不过今天听弟弟说，ChatGPT现在已经不需要登陆就可以使用，不过他说这个版本有点受限制。
平均长度来算的话，一句话的Prompt大概是0.0012美元。当然越长的句子花费越贵，毕竟价格是按Token来算的。可以粗略的估计一个单词是一个Token。
目测每条Prompt的费用是0.0012美元，25美元可以使用大概2万次
每个帐号有免费的25美元API费用
X.AI 的API网站界面
API 的 X AI 模型：grok-beta 和 grok-vision-beta
由 X AI 为 Grok LLM 创建 API 密钥。 Create API Keys for Grok LLM by X AI.
反正是免费的25美元，于是想着给娃做一个简单的PYTHON程序，然后人机交互，每次调用x.ai的Grok大语言模式，也正好让娃学一学实际的编程应用。于是让ChatGPT写了个程序，这种简单的程序ChatGPT基本上是Bug Free，生成的代码拿来就能用。
import requests
import json
api_key = "x_ai ..."
# Define the API endpoint and headers
url = "https://api.x.ai/v1/chat/completions"
headers = {
"Content-Type": "application/json",
f"Authorization": "Bearer {api_key}",
}
# Define a system message for context
system_message = {"role": "system", "content": "You are a test assistant."}
print("Welcome to the Grok, an AI chatbot. Type 'bye' to exit.\n")
while True:
# Prompt the user for input
user_input = input("You: ").strip()
# Check if the user wants to exit
if user_input.lower() == "bye":
print("Goodbye!")
break
if user_input == "":
continue
# Define the payload
payload = {
"messages": [
system_message,
{"role": "user", "content": user_input}
],
"model": "grok-beta",
"stream": False,
"temperature": 0
}
try:
# Make the request
response = requests.post(url, headers=headers, json=payload)
# Check the response status
if response.status_code == 200:
data = response.json()
assistant_response = data["choices"][0]["message"]["content"]
print(f"Grok: {assistant_response}\n")
else:
print(f"Error: {response.status_code} - {response.text}")
except Exception as e:
print(f"An error occurred: {e}")
之后 简单做了些修改，比如避免空的Prompt，并且用strip函数去除句首和句尾的空格。娃使用的是Mac苹果电脑，还得在Terminal装个Homebrew，然后安装Python，并且用 pip3 install requests 安装上请求包，就可以使用了。
虽然界面有点素，也就是个简单的终端，但是对于孩子来说已经是个很强大的软件了。
弟弟在苹果电脑上成功跑起了x.ai的大语言模式 Grok
英文：ChatGPT writes a Python Script to Interact with Grok LLM from x.ai (Free $25 Credit)
本文一共 743 个汉字, 你数一下对不对.
最近不是在折腾LLM嘛，于是就试了两条路子：用openai的api，以及直接在openai的界面里面创建GPT。
前者没啥特别的，chatgpt的api做的很成熟了，from openai import OpenAI 之后直接在python里面调用几个现成的函数就好了。可选的参数其实也不多，主要就是prompt写的好一点就行。我的要求也不高，试了试基本满足。此外我还用到了微软 azure api，也很方便，两者一结合基本一个app就搓出来了，只是暂时还只能在命令行运行，没写前端ui罢了。
后者就麻烦了。我想着自己写前端ui还挺麻烦的，就想偷个懒直接在GPT里面弄弄看看行不。结果呢，现在这个版本实在是太挫了，只支持最最基本的action，虽然可以调用其他api，但还没研究出来怎么实现用户上传的文件扔到action api call里面。搜了搜他们的论坛也没啥结果，然后心累就到此为止了。
最后贴一下如何在openai 的GPT里面调用azure api。主要是api key那里实在是反用户直觉，我找了好久……一定要选 custom 然后把自定义的名字设为 Ocp-Apim-Subscription-Key 才可以。贴个图。
当然azure api的文档做的也很差就是了，经常搜出来的是过时的文档，试一试都是404错误。哎，时间都花在这些琐碎的调试bug上了。
最后的结论是，在现在这个阶段，openai GPT的多模态做的还是太封闭，只适用于比较基础的交互需求，得等到后面允许自定义编程更丰富一些才可以。想做的稍稍复杂一点，写ui是逃不掉的了。web版还可以写个python+js凑和一下（flask这么轻量级的web开发框架真的是效率提升利器），app版xcode看了半天发现也是一等一的复杂……说好的ai改变程序开发呢？叹口气……
