对于那些正在阅读这篇文章并在过去关注过我的文章的人来说，你可能会说我是一个伪君子。但是，如果你不知道我在说什么，那么你可以看看我的算法从零开始系列中的任何一篇文章:
towardsdatascience.com](https://towardsdatascience.com/tagged/algorithms-from-scratch)
我正在阅读一篇文章，这篇文章使用了 Medium 的代码单元的编码示例。我很沮丧！我最终将代码复制并粘贴到我的 visual studio 环境中，即使这样也不足以保存代码——没有缩进，所以我基本上必须自己清理代码。
如果我不急着理解这个话题，我可能会关掉那篇文章，去找一篇新的。至少可以说，这是一次可怕的经历。
**def** plot_svm():
*# https://scikit-learn.org/stable/auto_examples/svm/plot_separating_hyperplane.html*
*# getting the decision function*
plt.figure(figsize=(10, 5))
decision_function = svc.decision_function(X)
support_vector_indices = np.where((2 * y - 1) * decision_function <= 1)[0]
support_vectors = X.iloc[support_vector_indices]
*# plot observations*
plt.scatter(X.iloc[:, 0], X.iloc[:, 1], c=y, cmap=plt.cm.Paired)
*# plot the decision function*
ax = plt.gca()
xlim = ax.get_xlim()
ylim = ax.get_ylim()
*# creating the grid to evaluate the model*
xx, yy = np.meshgrid(np.linspace(xlim[0], xlim[1], 50),
np.linspace(ylim[0], ylim[1], 50))
Z = svc.decision_function(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
*# plot decision boundaries and margins*
plt.contour(xx, yy, Z, colors='k', levels=[-1, 0, 1], alpha=0.5,
linestyles=['--', '-', '--'])
*# plot support vectors*
plt.scatter(support_vectors.iloc[:, 0], support_vectors.iloc[:, 1], s=100,
linewidth=1, facecolors='none', edgecolors='k')
plt.title("Linear SVM (Hard Margin Classification)")
plt.tight_layout()
plt.show()
我不知道是不是只有我，但我觉得这非常难读。有一种方法可以格式化 Medium 的代码单元格中的代码，使它看起来更易读，就像我下面做的那样…
**def** gradient_descent(X, y, params, alpha, n_iter):
*"""*
*Gradient descent to minimize cost function*
*__________________*
*Input(s)*
*X: Training data*
*y: Labels*
*params: Dictionary contatining random coefficients*
*alpha: Model learning rate*
*__________________*
*Output(s)*
*params: Dictionary containing optimized coefficients*
*"""*
W = params["W"]
b = params["b"]
m = X.shape[0] *# number of training instances*
**for** _ **in** range(n_iter):
*# prediction with random weights*
y_pred = np.dot(X, W) + b
*# taking the partial derivative of coefficients*
dW = (2/m) * np.dot(X.T, (y_pred - y))
db = (2/m) * np.sum(y_pred - y)
*# updates to coefficients*
W -= alpha * dW
b -= alpha * db
params["W"] = W
params["b"] = b
**return** params
如果你注意到了，我已经手动用粗体突出显示了 Python 内置，并且我缩进了所有内容，以便非常易读——我那天一定有时间，因为如果你正在写一个完整的技术博客，就像我为这个博客所做的那样，对你写的每一段代码都这样做是非常、非常、非常长的。
更好的策略是使用 Github Gist——对于这里的老手来说，你会知道这远不是什么革命性的发现。我将使用第一个代码单元(带有难以阅读的代码)并创建一个 Github Gist。
我不是数学天才，但我相信我们都同意，这比我们之前看到的中间代码单元要清晰 3000 倍。而且说实话，很有道理，为什么…
Medium 不是为写代码优化的，是为写手优化的！
如何创建要点并在媒体上分享
注意:你需要一个 Github 账号！
步骤 1 :点击屏幕右上角附近的加号，向下滚动至新要点。
图 1:在屏幕右上角显示下拉列表。
第二步:给你的文件起个名字，从你的 IDE(或者你使用的任何东西)中复制并粘贴你的代码——你也可以添加一个文件，但是我从来没有这样做过(没有特别的原因)。然后选择你希望你的要点是秘密的还是公开的，当你决定后，就创建要点。
第三步:现在你的要点已经形成了。要在 Medium 中获取，只需将要点的 URL 复制并粘贴到 Medium 中。
那都是乡亲们！
- 中等代码单元使你的代码难以阅读
- 如果你真的想使用中等代码单元，花时间让你的代码看起来整洁
- Github Gist 是一个更容易、更快捷的选择。
让我们保持联系…