f@ctor

Python関連のことを調べてみた2022年11月30日

Python関連のことを調べてみた2022年11月30日
目次

旧車レストア　（ジェットボートの車検）

今まさにプログラミングを学んでいる人全てをエンジニアとして扱っていこうと思っています。

趣味で旧車のレストアもしていますので、趣味を紹介する傍らで、
本来の目的pythonも勉強中ですので、なにこれ。　ぐらいで留めていただければ。

旧車が好きで、歴代の車を売却せずに長く残しています。

購入順に並べると、
– ビート（HONDA）H4年製
– ジムニー（JA11）H7年製
– ジムニー（JA11）H5年製
– RX-7（FC3S）H2年製
– MR2（SW-20）H7年製
– レオーネSVX（SVX）
– レガシーB4（B4）
– インプレッサ（GC8）

どれもこれもいわゆるバブル期に作られた車で、20～30年超えてます。
車としては、どいつもこいつも地球環境には悪いですが、車は趣味と割り切っています。

さて、これだけの数の車を維持しようとすると、とんでもないお金がかかります。
古ければ古いほど、ディーラーにお願いするとトンでもない金額を請求されます。

よってエンジニアだったら、自分で車検を通すのです。（Qiitaとして定義したエンジニアの意味が違うけど）

自前でガレー

元記事を表示

teradatamlデータフレームからデータを抽出する

[Teradata® Package for Python Function Reference](https://docs.teradata.com/r/Teradata-Package-for-Python-Function-Reference/April-2022) [リリース番号：17.10　リリース日付：2022/4]の翻訳です。

# はじめに
Pythonでteradatamlデータフレームからデータの抽出方法について説明します。
ライブラリとして[teradataml](https://pypi.org/project/teradataml/)を利用します。

:::note info
**teradataml**はTeradata Vantage用のPythonライブラリです。
:::

# 基本操作
## Vantageに接続する
“`python:python code
# 接続用ライブラリの宣言
import teradataml as tdml
# データベース接続
tdml.create_context(host = “IPアドレス”,username=’

元記事を表示

Python Language – format() built-in Floating Point Rounding（浮動小数点数の端数処理 – 丸め）

Python では、他の多くの言語と同様に浮動小数点数における端数の丸めが行われます。

__15. Floating Point Arithmetic: Issues and Limitations__
https://docs.python.org/3.9/tutorial/floatingpoint.html

__The Perils of Floating Point__
https://www.lahey.com/float.htm

Python では IEEE 754 の `Round to nearest, ties to even（最近接丸め（偶数）= 偶数丸め（= 銀行家の丸め =Bankers’ Rounding ））` を採用しています。
__IEEE 754__
https://en.wikipedia.org/wiki/IEEE_754#Rounding_rules

※ decimal 等で丸めの方法を変更することも可能です。
__Rounding modes__
https://docs.python.org/3/library/decimal.htm

元記事を表示

時系列データを３分割(訓練、検証、テスト)する方法

# 読み込み
train = pd.read_csv(os.path.join(Input, “train.csv”))
test = pd.read_csv(os.path.join(Input, “test.csv”))

df_data= pd.concat([train.assign(ind=”train”),test.assign(ind=”test”)], sort=False)
df_data.date_time = pd.to_datetime(df_data.date_time)
df_data=df_data.set_index(‘date_time’)

test, train = df_data[df_data[“ind”].eq(“test”)], df_data[df_data[“ind”].eq(“train”)]
test.drop([‘ind’],axis = 1,inplace = True)
train.drop([‘ind’],axis = 1,inplace = True)
df_data.reset_index()

CO_features

元記事を表示

z-score normalization (python での実装コードあり)

# z-score normalization とは

下記の式で表現され

$$
\tilde{x} = \dfrac{x-\bar {x}}{\sigma}
$$

$\bar{x}$は平均、$\sigma$は標準偏差を表す。
この標準化方法はそれぞれの値が平均からどれだけ離れているかをばらつき（標準偏差）で補正してあげることで、**単位が異なる数値同士を比較できる**ようになる。

例えば…
体重(kg)と身長(cm)を比較したい時などに **z-score normalization** を使うことで比較が容易になる。

||身長|Z-score(身長)|体重|Z-score(体重)|
|—-|—-|—-|—-|—-|
|A|170|0|70|-1.225|
|B|160|-1.225|90|1.225|
|C|180|1.225|80|0|

z-score はデータを平均 : 0, 標準偏差 : 1 にスケールするので、そこからわかることは
– A の人は身長が平均ちょうどで、体重が比較的軽い
– B の人は身長が比較的低く、体重が比較的重い
– C

元記事を表示

GPT3を使ってみた

# はじめに
文章生成というものに興味がありまして、今回GPT３を使ってみました。
APIの取得方法から簡単な文章生成までをサラッと紹介します。

# 実装
## アカウント登録とAPIkeyの発行
まずはじめに、[OpenAIのアカウント登録](https://openai.com/api/)を行ってください！
登録がおわた後、右上の「Personal」から「View API keys」をクリックします。
![image.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/2230776/44255531-01ac-2424-1168-7b0df6206e94.png)

右側のAPI Keysから新しくAPIキーを発行してください。
発行したキーはどこかにメモしておきましょう！
![image.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/2230776/70dd2916-7232-3336-770c-6f7c8764b7

元記事を表示

AmazonAlexaスキルの仮想開発環境を構築してみた

# 目的
アレクサで作ってみたいアプリがあるのですが、私自身全く未知な領域ですので、勉強がてら少し触ってみました。
今回はその過程を開発環境の構築から細かく記録しておこうと思います。
ところどころそこまで細かく説明する？ってくらい書いてますが初心者の方でも伝わるように書きました。(伝わるといいな～)
実際の開発はまた後日、記事にしたいと思います。
## AmazonDeveloperアカウントの作成
**まずは開発環境を用意します。**
[AmazonDeveloper](https://developer.amazon.com/ja)
に飛んでログイン及び必須項目の入力を行います。
その後、コンソールの開始をクリックし、amazondeveloperのホーム画面に行きます。
ホーム画面に下記のアレクサの項目があるので、こちらをクリック
![image1.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/2919558/a7256025-8068-92c6-1bad-54577e9c1d07.png)
左上

元記事を表示

現場のスクレイピング

みなさん、スクレイピングしてますか？
この記事では現場でよく使う実践向けの内容をまとめました
– **idやclass属性が無くても抽出する方法**
– **ログインが必要なサイトの攻略法**
– **無限スクロールがあるサイトの攻略法**
– **“`