- 1. python cursor move
- 2. 【AWS】GuardDutyイベント通知の構成をCDKで実装する
- 3. Bitbank から ohlcv を取得しよう!
- 4. foliumを使ってヒートマップを作ってみる
- 5. PythonZen & PEP 8 検定試験を受験した所感と活用法について
- 6. foliumでコロプレス図を描いてみるPart3
- 7. foliumでコロプレス図を描いてみるPart1
- 8. foliumでコロプレス図を描いてみるPart2
- 9. 「卓球競技団体戦における”ダブルスの勝敗”が”団体戦の勝敗”に与える因果効果を定量化したい」ステップ②回帰モデルとバックドア基準を用いて因果効果を評価
- 10. Pythonの野球シミュレーションでみるバント有効性 #2 シミュレーション作成編ⅱ
- 11. 触れ合っている対象物を個々に認識して、AIにより判別して仕分ける
- 12. [Python]Playwrightを利用したWebページのPDF保存方法 メモ
- 13. Markdownでカーソル位置の見出し名を表示するSublime Textプラグイン
- 14. 触れ合っている対象物を個々に認識して、ロボットアームで移動させる
- 15. Slackのチャットからスレッドのメッセージを取得し話題を抽出する
- 16. [Alembic]add_columnでbeforeとかafterしたいとき
- 17. Windows環境のPythonで形態素解析器 — ChaSen — を使う方法
- 18. ros python 時間差取得
- 19. xlwingsでExcelのセルの書式設定の表示形式の分類を文字列に変更したい
- 20. python 時間差取得
python cursor move
“`
import pyautogui
from time import sleep, strftime
import mathdef move_mouse_gohey():
r = 60
(mx, my) = pyautogui.size()
pyautogui.moveTo(round(mx/2), round(my/2 -r-r))
rad2deg = 360 / math.pi
move_num = 40
for t in range (move_num):
round_t = 3
step = 1/(move_num/round_t)
x = r*math.cos(step*t*2*math.pi)
y = r*math.sin(step*t*2*math.pi)
pyautogui.move(x,y)
pyautogui.press(‘shift’)def initialize():
val = 0
【AWS】GuardDutyイベント通知の構成をCDKで実装する
# はじめに
こんにちは。
AWSアカウントでGuardDutyを有効化した際、イベント発生時にメールなどで通知させる構成を構築することが最近多かったのですが、設定する内容はそれぞれのAWSアカウントで変わるものでもないので、CDKでコード化してしまえたら今後楽になるのではないかな？と思いました。ということで今回はAWSアカウント上でGuardDutyを有効にし、GuardDutyで発生したイベントをEventBridge経由でSNSにメッセージを送り、Eメール通知させる構成をCDKで実装していこうと思います。
## GuardDutyとは
以下公式ドキュメントから引用します。https://docs.aws.amazon.com/ja_jp/guardduty/latest/ug/what-is-guardduty.html
> Amazon GuardDuty は継続的なセキュリティモニタリングサービスで、以下を分析して処理します。データソース: VPC フローログ、AWS CloudTrail管理イベントログ、CloudTrail S3 データイベントログ、DNS ロ
Bitbank から ohlcv を取得しよう!
## この記事のメリット
:::note info
取引開始時まで遡って収集することができる。
::::::note info
Bitbank は金融庁により暗号資産交換業者として登録されているためホワイトな取引を行うことが可能。
:::
##### 暗号資産交換業者登録一覧
https://www.fsa.go.jp/menkyo/menkyoj/kasoutuka.pdf## 注意点
:::note alert
この記事は投資・投機を推奨するものではありません。
ご自身でリスク等をしっかりと確認しご自身の判断で実行するようにお願いいたします。
:::# ライブラリインポート
~~~ruby:Python3
import time
import json
import requests
import numpy as np
import pandas as pd
from datetime import datetime, date, timedelta
~~~# 通貨ペアと期間指定
~~~ruby:Python3
headers = {‘Content-Type’
foliumを使ってヒートマップを作ってみる
**folium**というというPythonライブラリを使い、新型コロナウイルスのデータを**ビジュアライゼーション**します。
:::note info
folium は JavaScript の leaflet.js という地図ライブラリを Pythonライブラリにしたもので、データを地図上に可視化することができます。
:::# 前提環境
– Windows10
– Jupyter Notebook
– Python3### folium導入
~~~ruby:Python3
pip install folium
~~~~~~ruby:Anaconda Prompt
conda install -c conda-forge folium
# Anacondaを利用したインストール方法
~~~## ライブラリインポート
一括でインポートさせていただきます。~~~ruby:Python3
from datetime import datetime, timedelta
import pandas as pd
import numpy as np
import
PythonZen & PEP 8 検定試験を受験した所感と活用法について
# 概要
3月より公開されたPythonZen & PEP 8 検定試験を受験したので、それについて所感をまとめます。
# PythonZen & PEP 8 検定試験とは
おおまかには、無料で受験することができるPythonの記法に関する試験。
[Link: Pythonのお作法ともいえるPython ZenとPEP8の理解度を無料で測定できるPythonZen & PEP 8 検定試験を公開しました。](https://www.pythonic-exam.com/archives/news/python-zen)
試験設立の経緯は以下の通り。
>Pythonは人工知能、機械学習、ビッグデータ、ネットワークインフラ（自動運用等）で中心的に使用されています。各分野の成長が著しく、Pythonの求人数は年間1.5倍前後で増えています。Python需要の増加に伴い、Pythonの関連書籍やプログラミングスクールが増える一方、Pythonを知らない人が書いている書籍やPythonZenやPEP 8を知らない講師が、不適切なPython文法を教えてしまうケースが散見されています。
foliumでコロプレス図を描いてみるPart3
**この記事では [Part1](https://qiita.com/Mira_332/items/92d4d2dc1a2fbfbfa6d7) と [Part2](https://qiita.com/Mira_332/items/aa8e2a052d3832f3dfc0) で作成した地図を一枚にまとめたものを作成します。**
**folium**というというPythonライブラリを使い、新型コロナウイルスのデータを**ビジュアライゼーション**します。
:::note info
folium は JavaScript の leaflet.js という地図ライブラリを Pythonライブラリにしたもので、データ
foliumでコロプレス図を描いてみるPart1
**folium**というというPythonライブラリを使い、新型コロナウイルスのデータを**ビジュアライゼーション**します。
:::note info
folium は JavaScript の leaflet.js という地図ライブラリを Pythonライブラリにしたもので、データを地図上に可視化することができます。
:::# 前提環境
– Ubuntu
– Jupyter Notebook
– Python3### folium導入
~~~ruby:Python3
pip install folium
~~~~~~ruby:Anaconda Prompt
conda install -c cond
foliumでコロプレス図を描いてみるPart2
**folium**というというPythonライブラリを使い、新型コロナウイルスのデータを**ビジュアライゼーション**します。
:::note info
folium は JavaScript の leaflet.js という地図ライブラリを Pythonライブラリにしたもので、データを地図上に可視化することができます。
:::# 前提環境
– Ubuntu
– Jupyter Notebook
– Python3### folium導入
~~~ruby:Python3
pip install folium
~~~~~~ruby:Anaconda Prompt
conda install -c con
「卓球競技団体戦における”ダブルスの勝敗”が”団体戦の勝敗”に与える因果効果を定量化したい」ステップ②回帰モデルとバックドア基準を用いて因果効果を評価
# 始めに
卓球競技の団体戦において、「ダブルスが重要である」「ダブルスが団体戦の鍵をにぎる」と経験知としてよく言われます。
学生時代等に卓球に打ち込んだ方々は、顧問の先生やクラブチームのコーチから言われたことがある人も少なくないのではないでしょうか。
かくいう私も学生時代に卓球に夢中になった者の一人ですが、色んな方々から言われた覚えがあるので、卓球界においてある種の暗黙知として存在するような気がします。そこで、統計的因果推論を用いて「卓球団体戦におけるダブルスの勝敗」と「団体戦の勝敗」の因果関係の定量分析を試みます。
もう少し統計的因果推論の用語を用いると、本記事の目的は、「卓球団体戦におけるダブルスの勝敗(=原因変数)」が「団体戦の勝敗(=結果変数)」に与える因果効果(介入効果)の定量化、になります。以前Twitterで、高校時代の先輩が「『卓球の団体戦はダブルスを取った方が有利』って説、誰か定量的に分析してくれないかなー」みたいな事を言っていたような気もするので、ま
Pythonの野球シミュレーションでみるバント有効性 #2 シミュレーション作成編ⅱ
# 前回の記事
[Pythonの野球シミュレーションでみるバント有効性 #1 シミュレーション作成編ⅰ](https://qiita.com/con_2199/items/4bcf8ccb52363743bcc2)
本記事はこちらの続きとなります。
# 目標について(改めて)
前回の記事でも述べたように、私はセイバーメトリクスのバントに対する主張に疑問がある。一応言っておくと、研究している方々の努力を否定するものではない。直感的に、経験的に私が理解を拒んでいるといった程度のものである(私だけではないはず)。そこで、シミュレーションを用いてバントの有効性を再確認してみようというのが目標である。# 今回のモデル作成にあたって
まずどの年代のチームをモデル化するかといったことだが、2019年度の読売ジャイアンツの打線を用いる。理由は、私が巨人ファンであり、ここ数年のシーズンで最も好きなシーズンだからである。なぜ好きなのかというと、、、長くなってしまいそうなので今回は割愛させていただく。
チームと年度が決まったので、ではモデルを作成しよう！と言いたいところだが、前回述べたように、
触れ合っている対象物を個々に認識して、AIにより判別して仕分ける
# やりたいこと
以下のテキストでは、AIを用いた画像認識により対象物を分類し、ロボットアームにより仕分けを行っています。
・[DOBOT Magician AIｘ画像認識ｘロボットアーム制御](https://afrel.co.jp/dobot/education-product/)[前回の記事](https://qiita.com/shimamotosan/items/3a3ddddeb3ff3f6c7fe3)で触れ合っている対象物を分離した状態で認識し、仕分けるようにしました。
対象物が1種類だけの場合は、これだけでも問題ありませんが、今回は複数種類を判別して、仕分けるようにしたいと思います。# できたもの