Python関連のことを調べてみた2022年02月12日

Python 文字列の中に変数値を入れる

### 文字列の中に変数値を入れる

フォルダやファイル作成時に今日の日付を入れたり時にformatを使い実施

“`python
import datetime as dt
import os

today = dt.date.today().strftime(‘%Y%M%d’)
today
“`

‘20220012’

これでフォルダ名などの文字列に追加したい日付文字列が作成できたので、フォーマットを使って文字列と結合します。
コーテーションの前に`f`をつけて作成します。(Python3.6以降)
もちろん`+`で結合することも可能ですが、フォーマットを使ったほうがコードが見やすいと思います。

“`python
print(f’newfolder_{today}make’)
print(‘newfolder_’ + today + ‘make’)
“`

newfolder_20220012make
newfolder_20220012make

これを使えばフォルダ名に作成日を追加することが可能

“`python
os.m

python:gpt-3を使ってAIを感じてみる。

#背景
・仕事で疲れた状態などストレスが溜まっているときは「酒！やけ食い！」してしまう。
・夕食の内容はAIに決めてもらう自分ルールを作って、少しでも健康的な身体になりたいなと。
#内容
①gpt-3とは
②活用例
③実際に使ってみて
###①gtp-3とは
・OpenAIの最新の深層学習モデルにアクセスすることができるクラウドサービス
・触ったばかりで詳細は理解してませんが、「色んな文章作成サービス」と捉えています。
・OpenAIのURL
https://beta.openai.com/overview
###②活用例
・チャットボット、英訳、プログラミングコード作成、文章を要約、レシピ作成など。
・OpenAIのホームページに他に例がたくさんあり。
・海外の掲示板の質問の返答にも使われていた！？らしいです。
###③実際に使ってみて
・コードは下記記事を参照。
https://qiita.com/nyax/items/553bf5610c2d2202de22

“`python:code
import openai

openai.api_key = “取得したAPIキー”
p

PythonでFXチャートを表示してみる API編

PythonでFXチャートを表示するのをGoogle Colabでやってみます。
https://colab.research.google.com

【相場分析】移動平均線の傾きをPythonで算出する
https://qiita.com/kazama1209/items/5b558b599923283df9fa

Twelve Data 株、為替、仮想通貨といった金融商品の情報を取得できるサービス。
https://twelvedata.com

“`
!pip install twelvedata websocket mplfinance
“`

“`
import datetime
import pandas as pd
import mplfinance as mpf
from twelvedata import TDClient

TWELVE_DATA_API_KEY = ‘****************************’ # Twelve Data のAPIキー

# ヒストリカルデータを取得
def get_historical_data(symbol

Python:NFC

#1.準備
##1-1.ライブラリのインストール
“`py
pip install nfcpy
“`

##1-2.NFCリーダー
NFCリーダーはsonyの[RC-S380/S](https://www.amazon.co.jp/%E3%82%BD%E3%83%8B%E3%83%BC-NFC%E9%80%9A%E4%BF%A1%E3%83%AA%E3%83%BC%E3%83%80%E3%83%BC-PaSoRi-RC-S380-S/dp/B00VR1WARC)でうまくいきました。
RC-S300だとうまくいかなかった。（原因はちゃんとしらべていない）

##1-3.接続
NFCリーダーをパソコンに接続しましょう。

#2.プログラム

下記のプログラムをコピペして実行してみてください。
NFCタグや学生証などをカードリーダーにかざすと
【 Touched 】
離すと
【 Released 】
と表示されればOK!

“`py
import nfc

class CardReader(object):
def on_connect(self, tag):

iPhoneでPython + OpenCVを試してみる

#はじめに
iPhoneでPython + OpenCVができるというのを読んで、やってみることにしました。環境構築は@yamamido0268さんの記事

https://qiita.com/yamamido0268/items/e1172d25072da1687c49

を参考にしました。

使用するのは手持ちのiPhone SE2です。2つの高性能CPUコアと4つの高効率CPUコア、GPUは4コア、Neural Engineは8コアを備えた、立派なコンピュータです。(Appleの公式情報ではありません。Appleはこういう情報を公にするのが嫌いなようです)。OSは由緒正しいバークレーUNIXの末裔です。

#準備
PytoをApp Storeからダウンロードします。これを書いている時点(2022/2/12)では¥1200でした。

起動して新しいディレクトリを作り、そこを作業ディレクトリとします。
CreateメニューからBlankで空のファイルを作り、前回の記事でMacで使ったコードをメモ帳経由でコピペします。

前回の記事

https://qiita.com/tnar-f/

【PythonでExcel操作】すべてのExcelファイル・シートに対して処理を実行

今まで手作業で編集していたエクセルファイルを自動で読み書きできると、いろいろな業務効率化が期待できると思います。ここでは以下のを紹介します。

– フォルダ内のすべてのExcelファイルに対して処理を実行したい場合
– ExcelファイルBook内のすべてのシートに対して処理を実行したい場合

# フォルダ内のすべてのExcelファイルに対して処理を実行

os.walkでフォルダ内を検索し拡張子.xls* が含まれるか確認

“`python
import os
for root, dirs, files in os.walk(“./”):
for file in files:
ext = os.path.splitext(file)[1]
ext = ext.lower()
if “.xls” in ext:
print(file)
“`

# ExcelファイルBook内のすべてのシートに対して処理を実行
wb.sheetnamesでシート名リストが取得できます。

“`python
im

【Python】python social auth – pipeline の各メソッドの内容を整理した【未完成】

Django REST × React で Google ログインボタンを作成する際、
python social auth の各メソッドに関してしっかり理解する必要があったためまとめてみました

ggってもほとんど情報が出てこなかったので、たぶん使ってる人ほとんどいないっぽいですので、
誰の役にも立たなさそうですが、、、

# 各メソッドの詳細

## create_user

“`py
def create_user(strategy, details, backend, user=None, *args, **kwargs):
if user:
return {‘is_new’: False}

fields = {name: kwargs.get(name, details.get(name))
for name in backend.setting(‘USER_FIELDS’, USER_FIELDS)}
if not fields:
return

return {

python social auth – pipeline のデフォルト機能まとめ

# python social auth の Pipeline のデフォルト機能のまとめ

[Python Social Auth – Pipline](https://python-social-auth.readthedocs.io/en/latest/pipeline.html)
を日本語訳しただけ

途中で力尽きたのでそこまで

## 概要

python social auth は `Pipeline` という 拡張可能なメカニズムを用いており、
ユーザは認証や関連付け、切断周りの自作関数をpipelineに自由に組み込むことができる

関数は処理に必要な値や、strategyに必要な値などの引数、あるいはuserオブジェクトや、requestを引数にとることになる
エラー回避のために、引数には**kwargsを入れておくことが推奨されている

Pipelineの各関数は`dict型`もしくは`None`を返すことができ、
その他の返り値はインスタンスレスポンスとして扱われ、クライアントに直接返される

dictが返された場合、値はkwargsとして次のPipelineの引数

【Python Social Auth】PythonSocialAuth – Pipelineの使い方がいまいちわからなかったので真剣にソース確認してみた【Django】

# Social Core の user.py, social_auth.py の仕様について考察

django REST framework × React で、Pyhton Social Authを用いてSocial Login機能を作成したが、
ログイン機能と新規登録機能を分けるためには
デフォルトで有効になっている`social_core.pipeline.user.create_user`を無効化しなければらならい
(※有効のままだと、ログインボタンでも新規登録できてしまう)

ただし、無効化すると認証が行えなくなり、
convert-token 実行できない

なので、user.py, social_auth.py の仕様を理解して、
カスタムユーザでも利用できるようにしたい

## pipelineの確認

まず、pipelineの仕様について

↓はDjangoのsettings.pyに追記することでオーバーライドできるpipelineのデフォルトのリスト

“`py
SOCIAL_AUTH_PIPELINE = (
‘social_core.pipelin

なろう小説APIを試しに使ってみた

## 1.はじめに

Pythonを初めて使うに当たって基本的なライブラリを試した時のメモになります。
目的として「作品内の会話率」と「人気度」の関係について調べてみるという体で進めていこうと思います。

※個人的になろう小説の作品を最後まで完走しているのは流し読みできるぐらい読みやすいものを選んでいる傾向があり、会話がある程度多いほうが読みすいかなという個人の問題で気になったので勉強がてらやってみようと思いました。(初学者なのでソースコードの不備はご了承ください。)

* 試したこと
* 「なろう小説API」を叩いてデータを取得
* 取得データを整形
* 取得データをグラフに図示
* 開発環境
* Windows10 Home
* Python 3.9.1
* Visual Studio Code

***

## 2.「なろう小説API」を叩いて情報を取得

* 目標
* 「作品名」「初投稿日」「ジャンル」「総合評価ポイント」「会話率」を取得

“`python

mayaの環境を構築していく　4日目

さて　pythonでツールを作っていきます。
リグを組むために。

骨打ち用ツール
–

欲しい機能としては

– setJointOrient
– createNode
– mirrorJoints
– mirrorOrients
– mirrorPositios

くらいかしら。
もしかしたらmayaの標準機能で既にあるのかもしれませんが、まぁ作ろう。

setJointOrient
–
maya標準だと　OrientJointですね。

追加で欲しい機能としては、

– primary Axis にも　+/-欲しい
– secondary Axis にも　+/- 欲しい
– secondary Axis World Orientation については、aimConstraintの様に　object/ parent が欲しい

処理の大雑把

pythonで外れ値を可視化して除外する

# 1 概要
pythonで外れ値を見つけて除外する
# 2 環境
Google Colaboratory
# 3 モジュールのインポート
“`
import warnings
warnings.simplefilter(‘ignore’)
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
sns.set(style=”whitegrid”, palette=”muted”, color_codes=True)
“`
# 4 データ準備
ここでは、snsのデータセット「load_boston」を利用

“`
from sklearn.datasets import l

VSCodeにFlaskを導入する方法ー補足ー

以前の記事 [VSCodeにFlaskを導入](https://qiita.com/Euphysics/items/db0d17dbd5416c480456) では、
>
+ 手順３
hogehoge.py ファイルを作り保存する。
>
ここでは以下のモノを試した。
>
“`python:hogehoge.py
from flask import Flask
app = Flask(__name__)
>
@app.route(“/”) #当然ここでの app は2行目の app を受けて。2行目が hoge = Flask… であれば @hoge.route(…) とする。
def hello_world():
return”

Hello, World!

”
“`

と minimal な構成を行っていた。
以下では、@app.route(“/”) 以降について補足しておく。
以前の hogehoge.py に代わり、次のモノを用意する。

“`python:hogehoge2.py
from flask import Flask,render_tem

Flask-loginでタイムアウト設定(記録)

FlaskにてFlask-loginを使用してsessionのタイムアウト設定を行いました。
パスワードのハッシュ化、セッションのタイムアウト後にログイン画面に推移します。

###app.py
“`python
#import
from flask import Flask, session, app
from flask import render_template, request, redirect, url_for
from flask_sqlalchemy import SQLAlchemy
from flask_login import UserMixin, LoginManager, login_user, logout_user, login_required, current_user
from werkzeug.security import generate_password_hash, check_password_hash

#app
app = Flask(__name__)
app.config[‘SQLALCHEMY_DATABASE_URI’] =

【備忘録】画像処理 #2 RGB、ヒストグラム

# この備忘録について
最近会社でディープラーニングや動画像処理に触れる機会があったのだが、パラメータの触り方やデータ増幅について分からないことが多かったため動画像処理を１から勉強していくことにした。

# カラー画像とグレースケール画像
– グレースケール画像：画素値が明るさを表す
– RGBカラー画像：画素値がRGBそれぞれの明るさを表す（わかりやすくすると__下図のイメージ__）
– 1画素：8bit×3=24bit(3Byte)

ただし、実際にはRGBのグレースケール画像3枚から構成されるのが__正しい理解__である。
もともと赤い車なので、左側のRチャンネルでは画素値が255に近く、グレースケール画像では白色に見える。一方で、Gチャンネル、Bチャンネルでは画素値が小さく黒色に見える。
![image.png](https:/

分類モデル比較（データ可視化→学習→予測結果可視化→評価関数の比較）※testver

# 0. はじめに

分類モデルの構築、評価について、
理論・実装を合わせて整理するために投稿いたしました。

学習モデル・評価関数等一部を更新する等で、ご利用いただければ幸いです。

# 1. データセットの可視化

– 学習データ
– x:説明変数 $[(x_{11},x_{12},…x_{1M}),…(x_{N1}…x_{NM}) ]$
– y:目的変数 $y_1, y_2, …y_N$

– N:サンプル
– M:説明変数の数

“`math
\begin{pmatrix}
x_{11} &x_{12} & … &x_{1M} \\
x_{21} &x_{22} & … &x_{2M} \\
： & & & \\
x_{N1} &x_{N2} & … &x_{NM}
\end{pmatrix}
“`

“`python

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as

「新・明解Pythonで学ぶアルゴリズムとデータ構造」で勉強日記#5

# 第二章データ構造と配列
いよいよプログラミングっぽいところであり、？が浮かびがちな章に入ります。
【出典】[「新・明解Pythonで学ぶアルゴリズムとデータ構造」](https://www.amazon.co.jp/%E6%96%B0%E3%83%BB%E6%98%8E%E8%A7%A3Python%E3%81%A7%E5%AD%A6%E3%81%B6%E3%82%A2%E3%83%AB%E3%82%B4%E3%83%AA%E3%82%BA%E3%83%A0%E3%81%A8%E3%83%87%E3%83%BC%E3%82%BF%E6%A7%8B%E9%80%A0-%E6%96%B0%E3%83%BB%E6%98%8E%E8%A7%A3%E3%82%B7%E3%83%AA%E3%83%BC%E3%82%BA-%E6%9F%B4%E7%94%B0%E6%9C%9B%E6%B4%8B/dp/4815603197/ref=sr_1_2?__mk_ja_JP=%E3%82%AB%E3%82%BF%E3%82%AB%E3%83%8A&crid=1BG3JS7CKMZA0&keywords=P

VSCodeでのFlaskアプリのデバッグ～忘備録～

前回の [Flask 導入](https://qiita.com/Euphysics/items/db0d17dbd5416c480456) の続き。
VSCode での Flask アプリのデバッグを行う。

+ 手順１
実行とデバッグをクリックして、launch.json ファイルを作成。

このとき、Debug Configuration として Flask を選択。
そして、application へのパスを入力（ここでは前回のファイルを踏襲し hogehoge.py）.

+ 手順２
すると次のようにlaunch.json ファイルが作られる。

“`json:launch.json
{
// 省略
“version”: “0.2.0”,
“configurations”: [
{
“name”: “Python: Flask”,
“type”: “python”,
“request”: “launch”,
“module”: “flask

Kaggleのhouse pricesをlightGBMで解く

さて、[前回の記事](https://qiita.com/tatessy/items/75020b60633a11a6fd29)で、house pricesの課題について結果を出すところまではできました。
今回は、性能を上げるために前回とは異なる機械学習モデルのlightGBMで実装してみたいと思います。

### lightGBMとは
lightGBMとは、[公式ドキュメント](https://lightgbm.readthedocs.io/en/latest/)にもあるように、

:::note info
ツリーベースの学習アルゴリズムを用いた勾配ブースティングのフレームワーク
:::
のことです。

ちょっと何言っているかわからないのですが、
https://qiita.com/kuroitu/items/57425380546f7b9ed91c
こちらの記事の方が非常によくまとめてくださっていますので、引用しておきます。

### 実装
https://colab.research.google.com/drive/1nbjf8ZBfRkxWyMyHLYucq8ULB3-x8

私の記事まとめ

## Deep Learning系

https://qiita.com/seiji1997/items/5899a8cb92e5f02b556a

## 備忘録系

https://qiita.com/seiji1997/items/2ede161d0191093a4717

## データ分析系

https://qiita.com/seiji1997/items/62a33f51c5d677fb586e