Python関連のことを調べてみた2021年11月15日

PythonでTeams電話の操作を自動化してみる

# やりたいこと
やりたいことはシンプルです。
Teams通話の**転送先**を、出勤時に「**通話グループまたは代理人**」に設定し、退勤時は「**ボイスメール**」に戻す、というもの。
実際にはアカウント毎に各チーム分、この操作が必要になるため、それが毎日となると負担も大きいわけです。
要は留守電の設定なので、下の動画でも実現できそうですが、マイクロソフトのパートナー会社に聞くこともできず、よく分かりません。

Teamsの設定をコマンドで行うなら、PowerShellから [Connect-MicrosoftTeams](https://docs.microsoft.com/en-us/powershell/module/teams/connect-microsoftt

flask_httpauthのDigest認証がうまくいかない

#WebAPIのテストサーバとしてFlaskをたてた
たてた。
ついでにDigest認証の機能も付けてみた

#うまくいかない
作られているハッシュ値はあっているはずなのに401で返ってくる

#クライアント側で接続を切る実装になっていた
通常（？）は

1. 初回の問い合わせ
1. 401で返ってくるのでその応答を使ってハッシュ値を作る
1. 再問合せ

だが、初回の問い合わせと再問合せの間に接続がきられていた。

flask_httpauthはnonceとopaque値をセッション基準で保存していて
再問合せがあった場合に、初回問い合わせと一致しているかどうか
確認しているようだ。

一方で、この確認そのものや、nonce、opawue値の生成は外部からコントロールできる。

#追加コード

下記コードを追加した。
この例ではnonce値は固定の値を返すようにした。
nonceとopaqueの比較は常にOKが返るようにしている。
ハッシュ値の計算と比較は通常通り実行されるので、一応これでも問題ない。とおもう

“` python

tmp_nonce = “”
@auth.gen

Semantic Segmentationの実装

#目次
・学習済みモデルの取得
・学習済みモデルによる推論

##学習済みモデルの取得
PyTorchで実装の学習済みモデルの取得する手段として、
・torchvision.models
・PyTorch Hub
・GitHub
がありますが、PyTorchHubで試してみます。
PyTorch Hub は研究の再現性を容易にするために設計された、事前学習モデルを公開するモデルレポジトリです。

こちらでは下記のモデルが利用可能です。
#####・U-Net for BRAIN MRI
#####・DeeplabV3 ResNet101
#####・FCN ResNet101
U-Net は Brain MRI segmentation dataset での学習済みモデルであり、DeeplabV3 と FCN に関しては、torchvision と同様です。

こちらでは、生成モデルや、自然言語モデル等、torchvision よりも幅広い領域の学習済みモデルを探すことができます。

また、PyTorch Hub の各モデルのページでは、モデルの読み込み方や、どのような入力データが必要

”エコ”にダッシュボードをつくろう　～Panelライブラリの紹介～

今回は**Jupyter上に簡単にダッシュボードのようなアプリを作成できる**Panelというライブラリを布教（紹介）します。

# こんなのつくってみます
以下のようなアプリの作成過程をチュートリアルっぽく紹介出来たら、と思います。

ファイルを読み込むとデータとカラム名が取得されて、軸の項目として選択できるようになり

ボタンを押すと選択した軸に沿ってグラフが描画される、というシンプルなアプリです。


ちなみに過去にはこんなのもつくっています
　⇒　[国会議事録を可視化するツール

今までの振返り +α（算術計算，変数，リスト辞書 等）

# 今回の授業資料

# 本日の内容
### 新しいpython3

二つのcsvファイルをcolumnsのheaderをキーにして、横に結合する。

# 環境
macOS mojave
visual studio code
python3.9.7
pandas1.3.4

# 本記事の内容
####下のような二つのcsvファイルを、、、、
#####kion.csv

#####kaze.csv

###下のように結合したい。(“年月日”をkeyにして結合したい。)
#####all.csv
![スクリーンショット 2021-11-12 1.38.46.png

1次元のデータをカーネル密度推定(KDE)でクラスタリングする

次のような1次元のデータをクラスタリングしたくなることがあるかもしれません。

“`python
data=[3016,1556,348,1185,341,1189,342,425,343,419,349,1190,340,424,345,422,347,
423,344,1187,343,1189,354,1166,350,423,345,1188,345,425,342,425,342,424,
345,421,347,1184,346,1187,347,419,345,425,344,421,346,422,346,424,345,
8269,3014,1561,344,1183,345,1188,343,432,335,428,344,1185,343,421,346,
425,342,427,342,1187,343,1185,345,1187,342,424,344,1188,343,419,349,424,
344,424,346,424,343,1188,343,1189,340,422,346,422,34

2021セリーグ優勝争いを比較してみた

#本記事に関して
自身の練習用のページになります！
アドバイスがありましたら、よろしくお願いいたします！

# はじめに
今回は、SQLとGoogl BigQueryの練習をかねて、
大混戦だったセリーグの優勝争いの勝敗を比較してみました！

始めてGoogl BigQueryを扱ってみました。
個人的ルールとして6時間という時間制限を設けてみました。

##簡単なあらすじ
1.Pythonにて試合結果をスクレイピング
2.Googl BigQueryにてデータを抽出・加工
3.データポータルにて可視化

# 1.Pythonにて試合結果をスクレイピング
データ収集のために、試合結果の一覧サイトから以下のデータを取得！
中止試合などデータの加工もできましたが、最低限に抑えSQLで実行しております。
セリーグ6チーム対象
[取得元のサイトはこちら！](https://baseball-freak.com/game/carp.html)

__コードはこちら__

“`py

pythonにdlibをインストールしようとしてエラーが出た時の対処法(Windows)

pythonでdlibを使用するためにインストールしようとして、
色々つまづいたので対処法を残す。
スクショなど取り忘れたので画像一切なしです。すいません。
そのうち画像も用意します。

もしかすると不要な工程もあるかもしれないですがあしからず。

# 1. 環境
環境は以下の通り
・Windows 10 Home 64bit
・Anaconda 4.10.3
・python 3.8.8

# 2. CMakeのインストール
`pip install cmake`でインストールできる(らしい)。

自分はCMakeのサイトからインストーラーをダウンロードしてインストールした。
・[CMakeのダウンロードリンク](https://cmake.org/download/)

インストールするときに”Add CMake to the system PATH for all users”にチェックを入れる。

コマンドプロンプトかPowerShellで
`cmake –version`
を入力してバージョンが表示されたら正常にインストールできてる。
表示されなかったら、CMake/bin

【AtCoder解説】PythonでABC227のA,B,C問題を制する！

**ABC227**の**A,B,C問題**を、**Python3**でなるべく丁寧に解説していきます。

ただ解けるだけの方法ではなく、次の3つのポイントを満たす解法を解説することを目指しています。

– シンプル：余計なことを考えずに済む
– 実装が楽：ミスやバグが減ってうれしい
– 時間がかからない：パフォが上がって、後の問題に残せる時間が増える

ご質問・ご指摘は**コメント**か**ツイッター**、**マシュマロ**、Discordサーバーまでお気軽にどうぞ！

**Twitter: [u2dayo](https://twitter.com/u2dayo)**
**マシュマロ： https://marshmallow-qa.com/u2dayo**
**ほしいものリスト: https://www.amazon.jp/hz/wishlist/ls/2T9IQ8IK9ID19?ref_=wl_share**
**Discordサーバー（質問や記事の感想・リクエストなどどうぞ！） : https://discord.gg/jZ8pkPRRMT**
よかったら**LGTM**や**拡

世界一難しいナンプレを1秒で解く方法

#はじめに
いきなりですが、下の数独解けますか?

↑フィンランドの数学者Alto Inkala氏が作成した世界一難しいと言われる数独です。
これをpythonの力を借りてプログラミングで解いてみようという記事です。

#そもそも数独って?
・空欄のマスに1~9の数字を入れて埋めます。
・ただしそのマスが属する列、行、ブロックに重複した数字が入ってはいけません。
・ブロックとは太線に囲まれた3×3の正方形のことです。
・全て埋められたら無事終わりです。

#アルゴリズム
今回は深さ優先探索によるバックトラック法で解いてみます。
ざっくり挙動を説明すると、

1. 空欄を順に見ていき数字

【Python】乱数を使ってみる。

#はじめに
今回はPythonで乱数(ランダムな数)を使ってみたので、使い方などを紹介していきます。

#環境
Mac OS Monterey
Python 3,10,0
VS Code

#書き方
まずは必要なモジュールのインポートから。

“`python
import random
“`

でオッケーです。

##変数に乱数を入れる方法
実際にやっていきます。基本的にrandomは乱数を生成して、それを変数に入れるという処理をしてくれます。

###0.0以上1.0未満の浮動小数点数
インポートに加えてこのように付け足します。

“`python
random_a = random.random() #（0.0以上1.0未満の浮動小数点数）
print(random_a)
“`

実行結果として、

例）
__0.11289872207668838__

などの小数がターミナルに表示されます。

###任意の範囲の浮動小数点数
random.uniformでは乱数を生成する範囲を指定することができま

“`python
random_a = random.unifor

【備忘録】Suumo賃貸物件の情報をスクレイピングしてみた。

はじめに

この記事では機械学習の際にSuumoが掲載している情報を用いてスクレイピング(BeautifulSoup)
してみた時の沼ってしまった点や知識をまとめる備忘録として書いております。
初投稿なのでわかりにくい解説等があるかもですが温かい目で見てやってください。。。

※スクレイピングには著作権侵害等の恐れがある為、規約などを確認して
使用するようにしましょう。

環境

• macOS
• Python 3.7.12
• GoogleColaboratoryPro

学習内容

• 検索条件を絞ってデータ取得
• 詳細ページのURLを取得して各ページからデータ取得
• スクレイピングを行う際に沼った点

１.検索条件を絞ってデータ取得

それでは早速本題に入っていこうと思います。
まずはSuumoの検索ページで条件を指定して必要な情報を確認、、、
![suumo.png](https://qi

Pythonで文京区の不動産価格を分析してみる

# まずはお約束（ディスクレーマー）
私は不動産屋でも土建屋でもなく、ただのゆるふわデータサイエンティストです。
ここに書いてあることは「ふーんそんな考え方もあるのかな」くらいの気持ちでお饅頭でも食べながら読んでください。
本記事は何らかの行動を促すものでは全くありません。
あくまでも、数理モデルとPythonプログラミングに関する資料の一環としてご覧ください。

# モチベーション

## 中古マンション買ったんで。。笑
以前から不動産市場の分析はしてみたいと思ってました。
金融モデルと相性がよいだろうし、何より自分が不動産を買ったり売ったりするときに役に立つんじゃないかと。
でも、網羅的に不動産の取引データをとる手段がわからなくて、今までなんとなく敬遠してました。
で、よくわからないまま、先日江東区のマンションを買ってしまったと。。

## データは国土交通省にあった
ということで、マンション買った話を友人としている中で、適当にぐぐってたら、なんと国土交通省がデータをきれいにまとめてダウンロードできるようにしてくれていることが判明しました。
https://www.land.mli

メールのエンコード/デコード方式

### はじめに

先日メールファイルの読み込みと処理を行うプログラムのソースコードを読む機会がありました。
その際、メールのエンコード方式について学ぶ必要があったので、今回まとめてみました。

### 8bitから7bitへ
人間にとって読み取り可能なテキストを通信機器でやりとりできるようにするためには、データ形式の変換を行う必要があります。

エンコードといえば、文字化けの対処法としてエンコード方式や文字コードを変更する、というのは一般的に馴染みがあると思います。

代表的な文字コードであるutf-8やISO-2022-JPは、それぞれ膨大な文字集合に含まれるコードポイントという番号を使って特定の文字を暗号化し、コンピューターでの処理を可能にするための変換方式です。

それとは別に、メールにはメール特有のエンコードが行われています。

メールはSMTPという専用のプロトコルでやりとりされていますが、
デフォルトでサポートされているのは7bitで表現できるASCII文字（半角ローマ字や数字等）のみとなっています。
電子メールは当初、主に英語で書かれたテキストのやりとりを想定していたか

Python を使って、指定したファイルを選択した状態でエクスプローラを起動する

概要
—-

Visual Studio Code の「エクスプローラーで表示する (Reveal in Explorer)」のように、
特定のファイルを選択した状態でエクスプローラを起動する方法を紹介します。
検証に使用した環境は、Windows10 + Python 3.8.3 です。

不充分な方法
————

特定のフォルダを開いた状態でエクスプローラを起動するだけであれば、
以下のようなシンプルなコードで実現できます。

“`py
import os

path = ‘C:\\Users\\hoge\\Documents\\新しいフォルダー’
os.startfile(path)
“`

しかし、この方法ではフォルダ内のファイルを選択しておくことはできません。

explorer.exe の /select オプションを使って

“`py
import subprocess

file_path = ‘C:\\Users\\hoge\\Documents\\新しいフォルダー\\test01.txt’
subprocess.run(‘explorer

Tensorflow チュートリアルのStyle Transferを読み解く

#1. はじめに

Style Transfer(スタイルトランスファー)の例を見て、自分でも試してみたいと思い、
TensorFlowのチュートリアルにあるコードを実行してみました。

初学者の私には色々と調べなければわからない部分もあり、
備忘録としてまとめさせていただきます。

https://www.tensorflow.org/tutorials/generative/style_transfer

#2. Style Tranferとは

Style Transferとは、ある画像に対して、他の画像の特徴(絵で言えば”作風”)を反映し、
もとの画像からスタイルを変更させることです。

チュートリアルでは犬の画像に対して、ワシリー・カンディンスキーの絵の特徴を取り入れることで、
“もしその画像をワシリー・カンディンスキーが描いたら？”を想像させるような、
画像の生成を行っています。

![image.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/2048607/29ad8ddd-7c52-71

【PySimpleGUI】PythonでオリジナルGUIアプリを作成

#0. はじめに

前回に引き続き連載ネタ第2弾です。
今回は前回の成果物を使ってPythonでGUIアプリを作成してみようと思います。
TkinterというPythonの標準GUIライブラリでもいいのですが、はっきり言ってPySimpleGUIの方がいいと感じたので、今回はPySimpleGUIを使用したGUI作成をやっていきます。

[【第1回】Pythonで簡単に日本語OCR](https://qiita.com/ku_a_i/items/93fdbd75edacb34ec610) 　※前回記事
**【第2回】PythonでオリジナルGUIアプリを作成**　**←今回はこの記事**
【第3回】(仮題)exe化を実施し、アプリをユーザーへ配布する

* 動作環境
* OS : Windows10 pro
* Python : 3.8.3
* PySimpleGUI ：4.55.1
* Tesseract : 5.0.0　(OCR部分)
* pyocr : 0.8　(OCR部分)
* jupyter notebook

#1. どんなアプリを作る？
前回日本語OCRの記

工具を分類するアプリを作成

# はじめに
#### アプリ作成のきっかけ
– 建設系社内SEをする傍ら、現場作業の負担軽減に役立つアプリ開発をしてみたかった

#### やりたかったこと
– 現場業務終了後、工具を現場に置き忘れる問題への対策に画像認識を生かした
忘れ物チェックツールを作りたい

#### 制限
– 受講期間内に物体認識を習得することが困難であったため、画像に移っている工具を分類するところまで開発する

# 技術解説
#### 開発環境
– google colaboratory
– python 3.8.12

#### 画像収集
– icrawlerを用いて画像を収集した

google colaboratory上で以下を実行

“`python
pip install icrawler #作業開始時に一度だけ実行する
“`

“`python
from icrawler.builtin import BingImageCrawler

# Bing用クローラーの生成
bing_crawler = BingImageCrawler(
downloader_threads=1

wordcloud（ワードクラウド）でSaucy Dogを可視化してみた！

みなさんこんにちは。
Saucy Dogにどハマり中の学生エンジニアです。

内定者インターンでwordcloud（ワードクラウド）を使って実装を行なったので、そのアウトプットとして記述していきたいと思います！

#準備

今回は、GoogleColabを使ってwordcloudの実装を行なっていきます。
（GoogleColabは環境構築が不要で、ブラウザ上でPythonを実行できます。）

##①ドライブをマウントする

まず、下記のコードを実行してマイドライブに保存されているファイルを参照できるようにします。

“`
from google.colab import drive
drive.mount(‘/content/drive’)
“`

下記の画面が出てくるので、URLにアクセスしてください。
そうすると、貼り付けコードが出てくるので、コピーをして貼り付けます。

##②日本語フォントを読み込む

GoogleColabには、デフォルトで日本語対応のフォントがインストールされていません。
wordcloudで日本語を取り扱うときは、日本語フォントの指定が必須なので、