почему возникает такая ошибка?…
- User
почему возникает такая ошибка? --------------------------------------------------------------------------- TypingError Traceback (most recent call last) Cell In[424], line 3 1 target_arr = rd[target] 2 base_score = rd['final_score_new'] ----> 3 fast_numba_auc(target_arr, rd[scores_list[0]])
Cell In[421], line 15, in fast_numba_auc(y_true, y_score) 13 y_score = y_score[desc_score_indices] 14 y_true = y_true[desc_score_indices] ---> 15 return fast_numba_auc_nonw(y_true=y_true, y_score=y_score)
File c:\Work\Anaconda3\envs\py_modeler\lib\site-packages\numba\core\dispatcher.py:468, in _DispatcherBase._compile_for_args(self, *args, **kws) 464 msg = (f"{str(e).rstrip()} \n\nThis error may have been caused " 465 f"by the following argument(s):\n{args_str}\n") 466 e.patch_message(msg) --> 468 error_rewrite(e, 'typing') 469 except errors.UnsupportedError as e: 470 # Something unsupported is present in the user code, add help info 471 error_rewrite(e, 'unsupported_error')
File c:\Work\Anaconda3\envs\py_modeler\lib\site-packages\numba\core\dispatcher.py:409, in _DispatcherBase._compile_for_args..error_rewrite(e, issue_type) 407 raise e 408 else: --> 409 raise e.with_traceback(None) ...
This error may have been caused by the following argument(s):
- argument 0: Cannot determine Numba type of
- argument 1: Cannot determine Numba type of
- Assistant
Ваша ошибка указывает на проблему, связанную с типами данных, которые используются в функции, оптимизированной с помощью Numba. В сообщении об ошибке
TypingErrorуказано, что Numba не может определить типы некоторых аргументов. Это может происходить по разным причинам:-
Типы данных, не поддерживаемые Numba: Проверьте, передаёте ли вы в функцию объекты, типы которых не поддерживаются Numba. Numba предназначена для работы с данными типа NumPy или скалярами Python, так что если вы передаёте что-то иное (например, встроенные типы данных Python подобно спискам или словарям, или объекты pandas DataFrame/Series), это может вызвать подобную ошибку.
-
Предположение о типах данных: Numba иногда не может автоматически определить правильный тип данных, особенно в сложных операциях или когда данные имеют смешанный тип. В таких случаях, явное указание типов данных при помощи декораторов может помочь. Например, использование
@njit(f8(f8[:], f8[:])), гдеf8обозначает 64-битное число с плавающей точкой, аf8[:]– одномерный массив таких чисел. -
Проблемы с вводом: Убедитесь, что аргументы функции действительно представляют собой массивы NumPy. Если вы работаете с пандас DataFrame или Series, преобразуйте их в массивы NumPy перед передачей в функцию, например, используя метод
.valuesили функциюto_numpy().
Чтобы решить вашу проблему, рассмотрите следующие шаги:
- Убедитесь, что все входные данные функции являются массивами NumPy. Если вы передаёте данные из pandas DataFrame или Series, конвертируйте их в массивы NumPy.
- Если ошибка остаётся, проверьте, не связана ли она с передачей сложных или неожиданных структур данных, которые Numba не может автоматически обработать.
- При необходимости, явно укажите типы данных в декораторе функции, если это возможно в контексте вашей задачи.
Пример преобразования pandas Series или DataFrame в массив NumPy:
import pandas as pd import numpy as np from numba import njit @njit def your_numba_function(arg1, arg2): # Ваш код pass # Если rd является pandas DataFrame и scores_list[0] является его столбцом arg1 = rd[target].to_numpy() arg2 = rd[scores_list[0]].to_numpy() result = your_numba_function(arg1, arg2)Убедитесь, что ваши входные данные подходят под ограничения Numba и что функция ожидает именно данные типы, которые вы ей передаёте.
-
- User
Почему возникла эта ошибка? --------------------------------------------------------------------------- TypingError Traceback (most recent call last) Cell In[456], line 3 1 all_gini_preds = dict() 2 for i in range(len(scores_list)): ----> 3 all_gini_preds[scores_list[i]] = np.round( (fast_numba_auc(target_arr.values, rd[scores_list[i]].values) * 2 - 1)*100, 1)
Cell In[455], line 15, in fast_numba_auc(y_true, y_score) 13 y_score = y_score[desc_score_indices] 14 y_true = y_true[desc_score_indices] ---> 15 return fast_numba_auc_nonw(y_true=y_true, y_score=y_score)
File c:\Work\Anaconda3\envs\py_modeler\lib\site-packages\numba\core\dispatcher.py:468, in _DispatcherBase._compile_for_args(self, *args, **kws) 464 msg = (f"{str(e).rstrip()} \n\nThis error may have been caused " 465 f"by the following argument(s):\n{args_str}\n") 466 e.patch_message(msg) --> 468 error_rewrite(e, 'typing') 469 except errors.UnsupportedError as e: 470 # Something unsupported is present in the user code, add help info 471 error_rewrite(e, 'unsupported_error')
File c:\Work\Anaconda3\envs\py_modeler\lib\site-packages\numba\core\dispatcher.py:409, in _DispatcherBase._compile_for_args..error_rewrite(e, issue_type) 407 raise e 408 else: --> 409 raise e.with_traceback(None) ...
@numba.njit(nopython=True) ^
- Assistant
Основываясь на предоставленной вами информации,
TypingError, возникший в вашем коде, указывает на то, что Numba столкнулась с трудностями при определении типов данных аргументов функцииfast_numba_auc. Пример кода, который вы предоставили, включает использование.valuesпри передаче данных из pandas DataFrame в функцию, оптимизированную Numba. Хотя это обычно является правильным способом преобразования столбец DataFrame в массивы NumPy, проблема может быть связана с конкретными данными или с тем, как функция определена или используется.Чтобы точно определить источник ошибки и предложить соответствующее решение, необходимо учитывать несколько факторов:
-
Проверка типов данных: Убедитесь, что
target_arr.valuesиrd[scores_list[i]].valuesдействительно получаются в виде одномерных массивов NumPy вещественного (float) или целочисленного (int) типа, которые поддерживаются@numba.njit. -
Корректность определения функции: Посмотрите на определение
fast_numba_aucиfast_numba_auc_nonw. Убедитесь, что эти функции корректно обрабатывают полученные массивы NumPy и что все операции в этих функциях совместимы с режимомnopythonNumba. -
Использование поддерживаемых операций: В режиме
nopythonNumba требует, чтобы все операции были выполнимы без возвращения в интерпретатор Python. Проверьте, не используются ли в вашей функции операции, которые неподдерживаемы в данном режиме. -
Преобразование типов данных, если необходимо: Если ваша функция требует определённых типов данных (например, float64), убедитесь, что данные передаются в соответствующем формате, при необходимости используйте приведение типов, например,
array.astype(np.float64).
Конкретные шаги для устранения ошибки могут включать в себя:
- Проверку этих условий и корректировку входных данных или кода функции
fast_numba_aucв соответствии с ними. - Добавление явного указания типов данных в декоратор функции с помощью параметра
signatureилиtypesдля дополнительного контроля над тем, какие типы данных ожидает Numba.
В заключение, часто для успешного использования Numba требуется углубиться в детали реализации функции и данных, с которыми она работает. Если предложенные подходы не помогут, рассмотрите возможность предоставления подробностей реализации функций
fast_numba_aucиfast_numba_auc_nonwдля более конкретного анализа и предложений. -
- User
как умножить каждую колонку в таблице pandas на одну колонку?
- Assistant
Для умножения каждой колонки в таблице pandas DataFrame на одну отдельную колонку, вы можете воспользоваться методом
.mul()DataFrame, передав в него Series, представляющий колонку, на которую вы хотите умножить оставшиеся колонки. Важно помнить, что операция будет выполнена поэлементно, то есть каждый элемент в столбце будет умножен на соответствующий элемент в указанном столбце.Представьте, что у вас есть следующий DataFrame:
import pandas as pd import numpy as np # Создание примера DataFrame data = { 'A': [1, 2, 3, 4], 'B': [5, 6, 7, 8], 'C': [9, 10, 11, 12] } df = pd.DataFrame(data)Этот DataFrame выглядит так:
A B C 0 1 5 9 1 2 6 10 2 3 7 11 3 4 8 12Предположим, вы хотите умножить каждый столбец на значения столбца
A. Вот как это можно сделать:# Умножение каждой колонки на столбец 'A' df_multiplied = df.mul(df['A'], axis=0)Теперь
df_multipliedбудет содержать результат умножения каждого столбца наA:A B C 0 1 5 9 1 4 12 20 2 9 21 33 3 16 32 48Обратите внимание, что параметр
axis=0указывает на то, что умножение должно происходить по строкам (для каждого элемента столбца).Если же вам нужно исключить столбец
Aиз результата и оставить его без изменений, можно сделать следующее:# Копирование столбца 'A' column_a = df['A'].copy() # Умножение всех остальных столбцов на 'A' df_multiplied = df.drop(columns='A').mul(df['A'], axis=0) # Возвращаем столбец 'A' на его место, если это необходимо df_multiplied['A'] = column_a # Переупорядочивание столбцов для исходного порядка, если это важно df_multiplied = df_multiplied[['A', 'B', 'C']]Теперь
df_multipliedбудет содержать умноженные значения по столбцамBиC, но столбецAостанется без изменений. - User
а если я хочу сделать тоже самое, но при этом не умножать, а делить?
- Assistant
Если вам нужно разделить каждую колонку в таблице pandas DataFrame на одну отдельную колонку, вы можете использовать аналогичный подход с использованием метода
.div(), который обеспечивает поэлементное деление в pandas. В следующем примере я покажу, как разделить каждый столбец на значения из столбцаA.Возьмём для примера тот же DataFrame:
import pandas as pd import numpy as np # Создание примера DataFrame data = { 'A': [1, 2, 3, 4], 'B': [5, 6, 7, 8], 'C': [9, 10, 11, 12] } df = pd.DataFrame(data)DataFrame выглядит так:
A B C 0 1 5 9 1 2 6 10 2 3 7 11 3 4 8 12Чтобы разделить каждый столбец на столбец
A, используйте метод.div(), передавая столбецAкак аргумент и указываяaxis=0, чтобы операция происходила по строкам:# Деление каждой колонки на столбец 'A' df_divided = df.div(df['A'], axis=0)Теперь
df_dividedбудет содержать результат деления каждого столбца наA:A B C 0 1.0 5.0 9.000000 1 1.0 3.0 5.000000 2 1.0 2.333333 3.666667 3 1.0 2.0 3.000000Если вам нужно исключить столбец
Aиз результата и оставить его без изменений, можно сделать следующее:# Копирование столбца 'A' column_a = df['A'].copy() # Деление всех остальных столбцов на 'A' df_divided = df.drop(columns='A').div(df['A'], axis=0) # Возвращаем столбец 'A' на его место, если это необходимо df_divided['A'] = column_a # Переупорядочивание столбцов для исходного порядка, если это важно df_divided = df_divided[['A', 'B', 'C']]В этом случае
df_dividedбудет содержать результаты деления для столбцовBиC, в то время как столбецAостанется неизменным.Обратите внимание, что все операции деления проделываются с обеспечением соответствия размеров между делителем и делимым, и что деление на ноль может привести к получению бесконечных значений (
inf) или неопределённых значений (NaN), в зависимости от конкретных данных в вашем DataFrame. - User
У меня есть pandas таблица с 2 колонками, первая - delta gini со целыми значениями, а вторая - IR (уровень одобрения). Как построить график, который будет отражать распределение уровня одобрения в зависимости от изменения gini в виде boxplots на одном графике?
- Assistant
Для построения графика, который отображает распределение уровня одобрения (IR) в зависимости от изменения показателя Gini (delta gini) с использованием boxplots, можно воспользоваться библиотекой Seaborn или Matplotlib. Ниже приведен пример с использованием Seaborn, так как эта библиотека предоставляет более простой и удобный способ создания boxplot'ов.
Вначале необходимо установить библиотеки, если они еще не установлены:
pip install pandas seaborn matplotlibТеперь, предположим, у вас есть DataFrame
dfсо следующими данными для примера:import pandas as pd import seaborn as sns import matplotlib.pyplot as plt # Создание данных для примера data = { 'delta_gini': [1, 2, 3, 1, 2, 3, 1, 2, 3], # Пример изменения gini 'IR': [70, 65, 80, 75, 68, 85, 70, 66, 82] # Пример уровня одобрения } df = pd.DataFrame(data) # Создание boxplot с Seaborn plt.figure(figsize=(10, 6)) sns.boxplot(x='delta_gini', y='IR', data=df) plt.title('Распределение уровня одобрения (IR) в зависимости от изменения Gini') plt.xlabel('Изменение Gini') plt.ylabel('Уровень одобрения (IR)') plt.show()В этом примере:
plt.figure(figsize=(10, 6))задает размер области графика.sns.boxplot(x='delta_gini', y='IR', data=df)строит boxplot, где по оси x отложено изменение Gini (delta_gini), а по оси y — уровень одобрения (IR).plt.title(),plt.xlabel()иplt.ylabel()добавляют заголовок графика и метки для осей.
Этот код сгенерирует boxplot, который наглядно покажет, как распределяется уровень одобрения при различных изменениях Gini. Вы увидите медиану, межквартильный размах (IQR), усы (которые могут показывать вариабельность за пределами верхнего и нижнего квартилей) и выбросы, если они есть. Это даст вам представление о распределении уровней одобрения относительно различных значений изменения Gini.
- User
а как на этот график добавить линию с целевым уровнем одобрения (конкретным значением), и чтобы это выглядело красиво?
- Assistant
Для добавления целевой линии уровня одобрения на график boxplot в Seaborn, вы можете использовать функцию
plt.axhline(), которая добавит горизонтальную линию на графике. Вы можете настроить стиль линии, её цвет и толщину, чтобы линия выделялась и гармонично дополняла визуализацию.Возьмем пример из предыдущего ответа и добавим целевой уровень одобрения 75:
import pandas as pd import seaborn as sns import matplotlib.pyplot as plt # Создание данных для примера data = { 'delta_gini': [1, 2, 3, 1, 2, 3, 1, 2, 3], # Пример изменения gini 'IR': [70, 65, 80, 75, 68, 85, 70, 66, 82] # Пример уровня одобрения } df = pd.DataFrame(data) # Целевой уровень одобрения target_IR = 75 # Создание boxplot с Seaborn plt.figure(figsize=(10, 6)) sns.boxplot(x='delta_gini', y='IR', data=df) # Добавление горизонтальной линии для целевого уровня одобрения plt.axhline(target_IR, color='r', linestyle='--', linewidth=2, label=f'Целевой уровень одобрения = {target_IR}') # Сделаем график более красивым и информативным plt.title('Распределение уровня одобрения (IR) в зависимости от изменения Gini') plt.xlabel('Изменение Gini') plt.ylabel('Уровень одобрения (IR)') # Добавление легенды plt.legend() plt.show()Этот код создаст boxplot, аналогично предыдущему примеру, и добавит на него красную пунктирную линию (
--), обозначающую целевой уровень одобрения (target_IR), с толщиной линии 2. Цвет линии задан красным ('r'), что делает её заметной на графике. В легенде будет отображено название линии, которое вы задали в аргументеlabelфункцииplt.axhline().Добавление легенды с помощью
plt.legend()делает график не только красивее, но и информативнее, так как теперь на нем ясно обозначено значение целевого уровня одобрения. - User
В результате построения графика, у меня появилось одно деление со значение -0.0 и отсутствующим boxplot, остальные построились. Как удалить это деление?
- Assistant
Если в результате построения графика boxplot с использованием Seaborn или Matplotlib у вас появилось деление (категория или группа) со значением
-0.0, у которого нет соответствующего boxplot (вероятно, из-за отсутствия данных для этой категории), и вы хотите удалить это деление, вы можете предварительно отфильтровать ваш DataFrame, чтобы исключить строки, соответствующие нежелательному условию.Допустим, у вас есть DataFrame
df, и вы хотите удалить все строки, где столбецdelta_giniимеет значение-0.0перед построением графика. Вот как это можно сделать:import pandas as pd import seaborn as sns import matplotlib.pyplot as plt # Предположим, это ваш исходный DataFrame data = { 'delta_gini': [-0.0, 1, 2, 3, -0.0, 1, 2, 3], # Пример изменения gini, включая значения -0.0 'IR': [75, 70, 65, 80, 74, 75, 68, 85] # Пример уровня одобрения } df = pd.DataFrame(data) # Фильтрация DataFrame для удаления строк, где delta_gini равно -0.0 df_filtered = df[df['delta_gini'] != -0.0] # Теперь используем отфильтрованный DataFrame для построения boxplot plt.figure(figsize=(10, 6)) sns.boxplot(x='delta_gini', y='IR', data=df_filtered) plt.title('Распределение уровня одобрения (IR) в зависимости от изменения Gini') plt.xlabel('Изменение Gini') plt.ylabel('Уровень одобрения (IR)') plt.show()В данном примере
df[df['delta_gini'] != -0.0]создает новый DataFramedf_filtered, который содержит только те строки, в которых значение в столбцеdelta_giniне равно-0.0. Затем этот отфильтрованный DataFrame используется для построения boxplot. Таким образом, категория со значением-0.0будет исключена из визуализации.Такой подход позволит вам избежать появления нежелательных делений на графике и сделать визуализацию более чистой и понятной.
- User
Где находится keyboard shortcuts json file vs code? This suggestion from https://github.com/microsoft/vscode-jupyter/issues/13263 solved it ror me, just add the following to the keyboard shortcuts json:
- Assistant
Для того чтобы найти и изменить файл настроек шорткатов (быстрых клавиш) в Visual Studio Code (VS Code), вам нужно выполнить следующие шаги. Обратите внимание, что инструкции могут немного отличаться в зависимости от версии VS Code и используемой операционной системы.
Шаг 1: Открыть настройки клавиш
- Запустите Visual Studio Code.
- Откройте Палитру Команд используя сочетание клавиш:
- Windows/Linux:
Ctrl+Shift+P - Mac:
Cmd+Shift+P
- Windows/Linux:
- Введите в поиске
Open Keyboard Shortcuts (JSON)и выберите этот пункт. Это действие откроет файлkeybindings.json, который содержит ваши персонализированные настройки клавиш.
Шаг 2: Изменение файла keybindings.json
После открытия файла
keybindings.json, вы можете добавить, удалить или изменить любые настройки быстрых клавиш. Например, если вы хотите добавить специфическую настройку, упомянутую в github issue, скопируйте и вставьте предлагаемые строки в ваш файлkeybindings.json.Формат конфигурации обычно выглядит примерно так:
[ { "key": "your_shortcut_here", "command": "your_command_here", "when": "your_condition_here" } ]Убедитесь, что ваша добавляемая конфигурация размещается правильно внутри квадратных скобок и соблюдает синтаксис JSON.
Шаг 3: Сохранение и проверка изменений
После внесения изменений в файл
keybindings.json, сохраните файл (Ctrl+Sна Windows/Linux илиCmd+Sна Mac) и закройте вкладку. Изменения должны примениться немедленно.Если вы столкнулись с ошибками в файле
keybindings.jsonпосле вставки своей конфигурации, проверьте, нет ли синтаксических ошибок, таких как пропущенные запятые или лишние кавычки.Это основные шаги для настройки и изменения файла быстрых клавиш в Visual Studio Code через JSON файл. Если конкретные изменения, которые вы пытаетесь внести, вызывают у вас вопросы или проблемы, проверьте документацию VS Code или укажите здесь более детальную информацию для более конкретных советов.
- User
AttributeError Traceback (most recent call last) Cell In[59], line 1 ----> 1 woe_binning_data.remove('WOE_VAL_ki_n_hist_bad_own')
AttributeError: 'dict' object has no attribute 'remove'
- Assistant
Ошибка
AttributeError: 'dict' object has no attribute 'remove'указывает на то, что вы пытаетесь использовать методremove, который не существует для объекта типаdict(словарь) в Python. Методremoveиспользуется для удаления элементов из списка (list), а не из словаря.Чтобы удалить ключ (и соответствующее ему значение) из словаря, вы должны использовать оператор
delили методpop.Использование
del:delудаляет ключ и его значение из словаря. Если ключ не найден, будет возбуждено исключениеKeyError.woe_binning_data = { 'WOE_VAL_ki_n_hist_bad_own': 0.5, 'another_key': 1.0 } # Удаление ключа из словаря del woe_binning_data['WOE_VAL_ki_n_hist_bad_own'] # Проверка результата print(woe_binning_data) # Выведет: {'another_key': 1.0}Использование
pop:Метод
popтакже удаляет ключ и возвращает его значение. Если ключ не найден, будет возвращено значение, указанное во втором необязательном аргументе или возбуждено исключениеKeyError, если второй аргумент не предоставлен.woe_binning_data = { 'WOE_VAL_ki_n_hist_bad_own': 0.5, 'another_key': 1.0 } # Удаление ключа из словаря и получение его значения removed_value = woe_binning_data.pop('WOE_VAL_ki_n_hist_bad_own', None) # Проверка результата print(woe_binning_data) # Выведет: {'another_key': 1.0} print(removed_value) # Выведет: 0.5 (значение удаленного ключа)Используйте
del, если вам просто нужно удалить элемент из словаря и вы уверены, что ключ существует. Если вы не уверены в наличии ключа или хотите избежать возможного исключенияKeyError, используйтеpopс указанием значения по умолчанию. - User
как создать копию списка в pyhon?
- Assistant
В Python существует несколько способов создать копию списка. Выбор конкретного метода зависит от того, нужна ли вам поверхностная (shallow) или глубокая (deep) копия списка. Поверхностная копия создает новый список, но не создает копии вложенных объектов, в то время как глубокая копия создает новый список и рекурсивно копирует все вложенные объекты. Вот несколько распространенных методов:
Поверхностное копирование
Использование метода
copy()original_list = [1, 2, 3, 4] copied_list = original_list.copy()Использование срезов
original_list = [1, 2, 3, 4] copied_list = original_list[:]Использование функции
list()original_list = [1, 2, 3, 4] copied_list = list(original_list)Глубокое копирование
Для глубокого копирования вы можете воспользоваться модулем
copyи его функциейdeepcopy():import copy original_list = [[1, 2, 3], [4, 5, 6]] deep_copied_list = copy.deepcopy(original_list)Глубокая копия необходима, когда в списке есть вложенные объекты (например, другие списки), и вы хотите, чтобы изменения в копии не отражались на оригинале и наоборот.
Различия поверхностной и глубокой копии
# Поверхностная копия original_list = [[1, 2, 3], [4, 5, 6]] shallow_copied_list = original_list[:] shallow_copied_list[0][0] = 'x' print(original_list) # Выведет: [['x', 2, 3], [4, 5, 6]] # Глубокая копия original_list = [[1, 2, 3], [4, 5, 6]] deep_copied_list = copy.deepcopy(original_list) deep_copied_list[0][0] = 'y' print(original_list) # Выведет: [['1', 2, 3], [4, 5, 6]]В примере с поверхностной копией изменение одного из вложенных списков в копии отражается также на оригинальном списке, поскольку вложенные списки остаются теми же объектами. В примере с глубоким копированием изменение в копии не влияет на оригинал, так как создаются полные копии всех вложенных объектов.
- User
как написать текст зачеркнутый в outlook?
- Assistant
Чтобы написать зачеркнутый текст в Microsoft Outlook, вы можете использовать следующие способы в зависимости от того, какую версию Outlook вы используете (настольная программа, веб-версия и т.д.). Важно отметить, что интерфейс и доступные функции могут немного отличаться в зависимости от версии.
Настольная версия Outlook:
-
Использование панели инструментов форматирования:
- Выделите текст, который хотите зачеркнуть.
- Найдите на панели инструментов кнопку с зачеркнутым "S" (или аналогичный символ зачеркивания), которая обозначает зачеркнутое форматирование.
- Кликните по этой кнопке, и выделенный текст станет зачеркнутым.
-
Использование сочетаний клавиш:
- Выделите текст, который хотите зачеркнуть.
- Нажмите сочетание клавиш
Ctrl+Shift+Fдля Windows илиCommand+Shift+Fдля macOS, чтобы вызвать диалоговое окно шрифтов. - В этом окне найдите и активируйте опцию "Зачеркнутый" и подтвердите изменения.
Веб-версия Outlook (Outlook.com или Office 365):
- Использование панели инструментов:
- Выделите текст, который хотите зачеркнуть внутри нового сообщения.
- Поищите в панели форматирования текста иконку зачеркивания (обычно представлена в виде кнопки с зачеркнутым "S" или аналогичным символом).
- Кликните по этой кнопке. Текст, который вы выделили, должен стать зачеркнутым.
Если вы не находите кнопку зачеркивания на панели инструментов форматирования, убедитесь, что вы используете полный редактор сообщений. В некоторых версиях Outlook может быть нужно нажать на кнопку расширенных опций форматирования (обычно отображается в виде стрелки вниз или трех точек), чтобы увидеть все доступные опции форматирования текста.
Обратите внимание, что доступные функции и интерфейс могут изменяться с обновлениями программного обеспечения, поэтому если вы не находите нужный вариант зачеркивания, рекомендуется проверить справку Outlook или обновить версию вашего приложения/веб-клиента.
-