Python関連のことを調べてみた2023年10月12日

python-flaskとdart-flutterのandroidえみゅでのWebsocket通信で躓いた話

## はじめに
こないだの大阪技育2023のときにタイトル通りに躓いてた。
大阪技育ではてくてくてっくという二人チームで、タスクメイドというリーダーとメンバーでメイドを板挟みにしてタスクを管理してもらうアプリを出しました。
相方の圧倒的プレゼンと始めたばかりとは思えないflutterとメイドパワーで最優秀賞いただきました。ありがとうございます。

## 結論
androidからみてlocalhostはandroid自身なので、仮想ルータがホストOSに割り振っているIPを指定するといいと教えてもらった。

公式:
Android Emulator のネットワークをセットアップする
[https://developer.android.com/studio/run/emulator-networking?hl=ja]

具体的な実装方法が載ってるサイト:
Androidのエミュレーターから自身のPC(localhost)へ接続
[https://araramistudio.jimdo.com/2018/01/11/android%E3%81%AE%E3%82%A8%E3%83%9F%

Python3コマンドが使えない！

# 環境
windows11
# 状況
環境Pathを通して,Pythonが使えるようになったのに，`Python3 -u`で実行しようとしたら使えなかった．
しかし，`Python -u`なら動いた．
# 解決策
まさかの方法でした．`C:\Users\ユーザー名\AppData\Local\Programs\Python\Python310`の中にある`Python.exe`ファイルをコピペして`Python3.exe`に名前を変更することで解決しました．
# 後記
調べてもあまり情報が出てこなくて困りました．ある記事では，「Pythonコマンドを使えばよいではないですか」と書かれていました．確かに，その通りなのですが，Python3コマンドを使いたいかったのです…
どなたかの役に立てばうれしいです．

【メロディーメイカー】ダンスホール

# 概要

子どもが楽しくプログラミングを学べるように作ったプロジェクトです。

## Mrs.GREEN APPLE 「ダンスホール」

## ソースコード

“`python:melody_maker.py
from machine import Pin, PWM
from utime import sleep

# LED
led_red = Pin(0, Pin.OUT, value=1)
led_green = Pin(2, Pin.OUT, value=1)
led_blue

ChatGPTとPythonで学ぶベイズ最適化

本日は、ゲストにChatGPTさんをお招きして、「ChatGPTとPythonで学ぶベイズ最適化」というテーマで雑談をしたいと思います。それではChatGPTさん、よろしくお願いします。

—

### **assistant**:

もちろんです、よろしくお願いします。ベイズ最適化は、黒箱関数の最適化問題に対して、効率的かつ効果的なアプローチを提供します。このツールは一度に一つの観測結果しか返さないような高価な実験やシミュレーションに特に有用です。Pythonはその手法を実装するのに非常に便利な言語で、Scikit-Learn、GPyOptなどのライブラリがあります。ベイズ最適化の背後にある基本的な概念を少し見てみましょう。一般に最適化問題は以下のように表現されます：

“`
最大化（または最小化） f(x)

制約条件：x in X
“`
ここで、fは最適化したい対象の関数、Xは受け入れ可能なパラメータの領域です。ベイズ最適化では、関数fが不明なため、一連の観測点に基づいて関数についての知識を逐次的に更新します。これは、ガウス過程回帰を通じて達成され、往々にして混合効果

【2023年】プロ野球のセリーグの戦績でデータ分析 ver2

# はじめに
前回はスポーツナビの順位表からデータ分析をしました。
今回はNPBのサイトからデータを引用させていただきデータ分析2回目をしていきます。

前回の記事

https://qiita.com/wooooo/items/a52695b3df5e0ac374e5

# 引用したサイト
https://npb.jp/bis/2023/stats/std_c.html

得点圏打率はこちらから引用させていただきます

https://nf3.sakura.ne.jp/Stats/team_etc.htm

# 環境構築
“`
pip install pandas numpy seaborn matplotlib japanize-matplotlib
“`

# 各項目との相関係数
得点と他

【初投稿】ChatGPTを最強にするはじめの一歩 〜 OpenAI API + LangChain 〜

# はじめに
皆さん、初めまして！
当アカウント（BlueberryAIxR）での初投稿となる今回は、ChatGPTを最強にするはじめの一歩として、LangChainをテーマにお話してみたいと思います。

# ChatGPTとLLMモデル
皆さんがよく使っているChatGPTというのは、LLM（大規模言語モデル）を使ったWebアプリです。ユーザは実際にはLLMを直接使っているわけではなく、あくまでChatGPTというWebアプリが提供している機能を使っているに過ぎません。

これが例えば、OpenAI APIを使っている場合には、このWebアプリを経由する事なく直接（厳密にはAPIサーバ経由で）LLMを利用する事が可能です。しかし、ネット検索ができなくて2021年9月（GPT-4は2022年1月）

【ChatGPT】Steam のフレンドと同じゲームで遊びたいので作ってもらった

## まえがき

Steam のフレンドと一緒に遊ぶとき、

僕 「〇〇 やろうよ」
A 「いいよー」
B 「あ、それ持ってない、×× は？」
A 「それ俺持ってないわ、△△ にしない？」
僕 「OK」
B 「りょうかい」

みたいな会話をたまにします。
いや買えばいいんじゃん？、って思うかもですが、毎回買ってたらお金なくなっちゃうので、、、
お互いが持ってるゲームを突合させて、同じゲームがあったら教えてくれる仕組みを作ってみました。

## インプットした要件

– Steam API を用いる
– 自分と、指定したフレンドが持っているアプリ (ゲーム) を取得し、同じアプリがあったら名称と ID を出力する
– フレンドリストは API で取得し、コンソール上にフレンド名を表示して選択できる
– フレンドは複数選択できるようにし、複数指定した場合は全員が持っている必要がある

## 最終的なコード

“` python
import requests
import inquirer

# Steam APIキー
api_key = ‘YOUR_API_KEY’

# 自分のSte

SageMaker Python SDKのプロセッシングなどの出力先バケットの変更

# 概要
SageMakerのプロセッシングやトレーニングを実行した際の成果物や利用ファイルなどの出力先のS3の変更メモ。

– sagemaker==2.191.0

# 結論
`Session`オブジェクトを生成し、デフォルトバケットなどを変更して、`Estimator`や`Processor`などに渡してあげる。

追記
以下を見る限り設定ファイルでデフォルトを変えれそうな感じ。
https://sagemaker.readthedocs.io/en/stable/overview.html#configuring-and-using-defaults-with-the-sagemaker-python-sdk

# 経緯
ひとまずは、scikit-learnでやってみようと、ドキュメントを確認して進めていたが、変更できるものとできないものがあった。

– https://sagemaker.readthedocs.io/en/stable/overview.html#train-a-model-with-the-sagemaker-python-sdk
– https://sa

TechFUL　難易度4「Techちゃんとサプリメント」

TechFULの難易度4「Techちゃんとサプリメント」を解いた。
問題は下記のURL

https://techful-programming.com/techful/question/4372

# 問題概要
整数$N, K, X$が与えられる。
また、$N$個の整数$A_1,A_2…A_N$が与えられる。

$N$個の整数のうち、$K$個選んだ時の総和の最大値はいくつか？
また、**選んだ整数のうち$X$個の整数は2倍の数値として扱うものとする。**
（詳しい問題文・制約は上記のURLに。）

# 解説

①**数値の降順にソート**します。
②数値の大きい順に$K$個選び総和とする。
（この時、**選んでいる数が$X$個以下の場合数値を2倍して総和に足す。**）

# C++・Python3による実装例
**C++**
“`c++
#include
using namespace std;
using ll = long long;

int main(){
int N, K, X; cin >> N >> K >> X;

人の感情分類アプリの実装

### はじめに
6か月前からpythonでAIを勉強し始ました。
pythonはもともとAI以外で仕事で使う機会が少しありましたが、
Deeplerning等に興味があり、スクールに通うことにしました。
今回は課題として画像分類モデルとWebアプリを作成したのでその過程を投稿します。
****

### 本記事の概要
本記事では人の感情分類に挑戦しております。
正答率を上げるため、学習モデルの変更、学習データの加工(高解像度化、カラー化)を試しました。
正答率が一番良かった条件で`Flask`にてwebアプリを作成しました。
***
### 環境
Python 3.10.11
TensorFlow 2.10.1
### 作成の流れ
[1.学習データの準備](#1学習データの準備)
[2.画像の前処理](#2画像の前処理)
[3.モデルの定義・学習・評価](#3モデルの定義学習評価)
[4.学習モデルの変更](#4学習モデルの変更)
[5.学習データの高解像度化、カラー化](#5学習データの高解像度化カラー化)
[6.正答率比較](#6正答率比較)
[7.モデルの保存](#7モデルの保

ついに強化学習を体験してみる備忘録

# ついにやります強化学習
https://github.com/Unity-Technologies/ml-agents/blob/release_20/docs/Learning-Environment-Create-New.md
GitHubを参考にやっていきます。また英語ですね。
当然ですが英語が基本なので、もう諦めて英語頑張って解読しましょう。

# UnityProjectの作成とパッケージマネージャーのインストール
ML-agentsがインストールされたUnityProjectを作成してください。
ここまでは前回やりましたね。
わからなくなったら前回の記事を参照してください。
ML-Agentsの環境構築の備忘録(privateなので現状Mokoしか閲覧できませんが）

# Unityのオブジェクト配置
上の状態を目指して作成して

Amazon Bedrock APIで始めるLLM超入門② パラメータとレスポンス

前回のプログラムを元にBedrockAPIのパラメータとレスポンスを確認します。

https://qiita.com/cyberBOSE/items/0c7aab6d67c9112466e2

# 前回のプログラム
“`Python:bedrock_invoke_model_sample.py
import boto3
import json
bedrock = boto3.client(service_name=’bedrock-runtime’)

body = json.dumps({
“prompt”: “\n\nHuman:explain black holes to 8th graders\n\nAssistant:”,
“max_tokens_to_sample”: 300,
“temperature”: 0.1,
“top_p”: 0.9,
})

modelId = ‘anthropic.claude-v2’
accept = ‘application/json’
contentType = ‘application/json’

中高校生のみなさまへ。<1/2>「高校入試問題。円の難問2023千葉県数学3(3)」をsympyとFreeCADで作図しました。

・問題文は2次元ですが、３次元FreeCADのマクロで、XY平面上に作図しました。

# みなさまへ
◎**お忙しい中高校生の方には**、ムダに?私の長文なので、
さらっと,<2/2>も見てもらえると助かります。

◎**大人の方には**、解答へのオススメの手順です。
①問題文だけを見て、さらっとわかるかも。
②問題文の前ページを見て。さらっとわかるかも
③qiitaの<1/2>本ページ内のリンクyoutubeを見て、確認されるかも。
④qiitaの<1/2>本ページを見て、変な事やって作図しているなあ。です。
⑤qiitaの<2/2>次ページを見て、類題過去問ありますか?

以上、くどくて、申し訳ありません。それでは、どうぞ。

# 問題文3(3)
ページP8の**下半分**です。

http://homepage1.canvas.ne.jp/ynaka/R5PDF/12chiba.pdf#page=9

＜URL
~~https://homepage1.canvas.ne.jp/ynaka/R5PDF/12chiba.pdf#page=12~~
12千葉県＜●R5全問＜数学苦手な

中高校生のみなさまへ。<２/2>「高校入試問題。円の難問2023千葉県数学3(3)」をsympyとFreeCADで作図しました。

④[qiitaの<1/2>前ページ](https://qiita.com/mrrclb48z/items/d69e52a2ed6ee9b0d4fe)を見て、**変な事やって作図しているなあ。**
と、思われたと思います。

# 中高校生のみなさんには、簡単な問題でした。
図から、点A,線分AB,線分AEを消す。(スマホなら指で隠す。)　線分BFの長さを求める。です。
“`
(改題) なんとかなると思います。
図から、点A,線分AB,線分AEを消す。(スマホなら指で隠す。)
∠FEDが直角。
EG=1cm,GF=2cmであるとき、線分BFの長さを求めなさい。
“`
弧CD側から見て下さい。
“`
(改題のしつこい解説)
弧CD側から見て下さい。
∠CBD=∠CED ——————-①

点Eに直角2つアルヨネ。
∠BEC =∠FED
∠BEC-∠FEC=∠FED-∠FEC
∠BEF =∠CED ————-②
②①より　∠BEF=∠CBD(∠FGB）—-③

∠BEF共通,③より.裏

データ品質管理ツール Great Expectations の紹介

# はじめに

マーケティング等でデータ活用を行うとき、データの収集や分析だけではなくデータ品質の管理も重要です。活用当初の品質はよくても、

– 収集元のデータ形式が変更された
– 収集処理の障害により抜け漏れが発生した

等の理由で徐々にデータの品質が低下する可能性があります。そのため、定期的にデータのバリデーションを行い、品質を管理することが必要です。データ活用プラットフォームのプロダクトの中には品質管理機能を内蔵しているものもあります[^1]が、当該機能がない場合は別途専用のツールを導入することになります。

Great Expectations は、そのような別途導入が必要なケースで利用可能なデータ品質管理ツールの 1 つです。本記事では、Great Expectations について特徴や簡単な利用方法を紹介します。

[^1]: 例えば AI プラットフォームの Dataiku はデータ品質の管理機能を内臓しており、データの収集・分析・品質管理を一括で行えます。

# Great Expectations の特徴

おもな特徴は次になります。

– Python のライブ

[OURA APIシリーズ_2] Pythonを使ったOURA APIデータへのアクセス

# 概要
本稿では、OURA ringにより生成されたデータに、プログラム言語[Python](https://www.python.org)を使ってアクセスする方法を紹介します。実際の順序としては、① Pythonや実行環境として使用する[Anaconda](https://www.anaconda.com)のインストール、② 使用するライブラリのインストール、そして③ [JupyterLab](https://jupyter.org)を使ったコードの実行です。OURA ringユーザでOURA APIを知らない方、あるいは未だOURA APIを使用するためのPersonal Access Tokens(PATs)を作成していない方は[[OURA APIシリーズ_1]](https://qiita.com/physiol_hayato/items/51a5803602aada5298ab) を参照にしてPATsを作成してください。プログラム言語に親しくない方でも本稿までの内容を実行することで、少なくともOURA ringによって生成された睡眠のデータを抽出できるようにまとめました。次

PandasをクエリするPythonのライブラリ

# はじめに
データ解析を行う際、PandasはPythonのデータ解析ライブラリとして非常に人気があります。しかし、SQLを使用してデータベースからデータを取得・操作するのに慣れている人にとって、Pandasの構文は少し難しく感じることがあります。そこで、pandasqlというライブラリが役立ちます。このライブラリを使用すると、Pandas DataFrameに直接SQLクエリを実行することができます。

このブログ記事では、pandasqlを使用してPandas DataFrameにSQLクエリを実行する方法を紹介します。使用するデータセットとして、seabornライブラリの’tips’データセットを使用します。

# pandasqlについて
https://pypi.org/project/pandasql/

# 環境構築
“`
pip install pandas seaborn pandasql
“

# コード
“`python
import pandas as pd
import seaborn as sns
from pandasql import sqldf

Python3ではじめるシステムトレード：判別分析

判別分析は歴史が古くフィッシャーの線形判別分析が起源です。その後多くの一般化が行われました。そのため、内容が難しく感じ、混乱も生じます。統計学実践ワークブックを参考にまとめてみました。PythonのコードはChatGPTの力をかなり借りています。本記事は学習過程のメモとして書かれています。間違い等がありましたら、ご指摘いただけると助かります。

勉強会をしています。

https://study-data-analysis.connpass.com/

# 判別分析
1：５０

ーフィッシャーの判別分析ー

フィッシャーの判別分析（LDA）は、クラスラベル付データを用いて、それらの情報を標本平均,標本分散共分散行列に集約し、クラス（または群）の情報を明示的に使用して判別に適した射影軸を選択することで,未知のデータのクラスを判別します。

べクトル$\boldsymbol{w}\in \mathbb{R}^p$による射影を考え,射影後のサンプルを

$y_i^{(j)}=\boldsymbol{w}^T\boldsymbol{x}_i^{(j)},j=1,2,i=1,\cdots,n$

Pythonを使って動画をAA化できた

# 経緯
数日前に[アスキーアート化されるプリクラの記事](https://qiita.com/ShiodaKosuke/items/8080c28e0155c46e9f1d)を拝見しました。
それを見て、「これ動画をAA化できたら面白いんじゃね？」と思い、Python初学者がインターネットとChatGPTの力を借りながら完成までこぎつけたコードの備忘録です。

# 完成品
完成したものを使用して作成できるものの例が[こちら](https://youtube.com/shorts/R1D8zXv6TAc?feature=share)になります。（youtubeShortに上げました）
option.txtの中身を編集したのちに順番に実行することで動画が出力されます。

動画を指定フレームずつ画像に変換

“`python:convert_frame.py
import cv2
import sys
import os
from tqdm import tqdm
def read_init_file(init_file_path)

PySide6 での QCoreApplication.application~

# 初めに
Qt6のアプリを pythonへ移植した際にバージョン表記などで困ったので

# QCoreApplicationのapplication~で取得できる情報

## Qt6 で開発したアプリの場合: C:\Path\to\folder\app\app.exe
|applicationDirPath|applicationFilePath|applicationName|
|-|-|-|
|C:\Path\to\folder\app|C:\Path\to\folder\app\app.exe|app|

## PySide6 で開発したアプリの場合: C:\Path\to\folder\app\app.py
pythonのインストール先: C:\Python\Python311
|applicationDirPath|applicationFilePath|applicationName|
|-|-|-|
|C:\Python\Python311|C:\Python\Python311\python.exe|python|

pythonが.pyファイルを実行しているからこう