Python

一、为什么要解析命令行参数？在日常的Python编程中，咱们常常须要编写一些可配置的脚本。这些脚本在运行时，可能须要传递一些参数，以实现不同的性能。命令行参数就是一种在启动脚本时，传递给脚本的数据。 例如，咱们编写了一个能够实现文件复制性能的脚本，那么咱们可能须要传递源文件门路和指标文件门路两个参数。这就须要解析命令行参数。 二、Python 中的 argparse 模块Python 提供了一个解析命令行参数的规范库 argparse。argparse模块能够让咱们轻松编写用户敌对的命令行接口。它程序定义须要哪些参数，而后 argparse 将找出如何从 sys.argv 解析出这些参数。argparse模块还会主动生成帮忙和使用手册，并在用户给程序传入有效参数时报出错误信息。 接下来，咱们通过一个简略的例子来介绍 argparse 的应用办法。 三、argparse的根本应用首先，咱们须要创立一个 ArgumentParser 对象： import argparseparser = argparse.ArgumentParser(description='Process some integers.')ArgumentParser 的构造方法承受几个可选的参数，比方 description 参数能够用来形容这个程序是做什么的。当带 --help 参数运行程序时，这些形容信息会显示在帮忙信息中。 而后，咱们调用 add_argument() 办法来指定程序能承受的命令行选项： parser.add_argument('integers', metavar='N', type=int, nargs='+', help='an integer for the accumulator')parser.add_argument('--sum', dest='accumulate', action='store_const', const=sum, default=max, help='sum the integers (default: find the max)')这段代码增加了一个能够承受一或多个整数的地位参数，并增加了一个可选参数 --sum。当 --sum 参数存在时，会将传入的整数求和，否则找出最大的那个数。 最初，parse_args() 办法会解析命令行参数并返回一个命名空间，蕴含传入的参数。如果用户传入了有效的参数或者申请帮忙，argparse 也会主动打印出帮忙信息并退出程序。 args = parser.parse_args()print(args.accumulate(args.integers))这就是 argparse 的根本应用办法。 四、argparse的高级用法在理解了 argparse 的根本用法后，咱们能够进一步探讨它的一些高级性能，比方子命令、参数组和参数抵触解析。 1. 子命令有时候，咱们的程序可能须要依据不同的命令执行不同的操作。比方 git 程序，它有很多子命令，如 git clone、git pull等，不同的子命令会执行不同的操作。argparse 反对这种子命令的创立。 上面是一个创立子命令的例子： ...

本篇文章将深入探讨python的一项弱小工具：正则表达式。正则表达式是一个弱小的文本处理工具，能够用来匹配，搜寻，替换和解析文本。咱们将逐渐展现如何在Python中应用正则表达式，包含其根本语法，常见用法和一些高级技巧。而在最初的“one more thing”局部，咱们将摸索一个鲜为人知但又十分有用的正则表达式的技巧。 简略正则表达式匹配在Python中，re模块提供了正则表达式的反对。咱们先从最简略的字符匹配开始。 import re# 查看字符串是否蕴含字母"a"txt = "Hello, world!"match = re.search("a", txt)print(match) # 输入：None，因为"a"没有在字符串中在这个例子中，咱们应用了re.search()函数来查找字符串中是否蕴含"a"。这是最根底的字符匹配，但曾经能够看出正则表达式的用途。例如，你能够用这种形式查看一个电子邮件地址是否蕴含"@"。 应用元字符正则表达式的真正威力在于其元字符的应用，比方.，*，?，[]等等。上面的例子展现了如何应用.（点）元字符匹配任何字符（除了新行）。 txt = "Hello, world!"match = re.search("H.llo", txt)print(match.group()) # 输入：Hello在这个例子中，.字符匹配了"e"，使得"H.llo"能够匹配"Hello"。 应用预约义的字符集有时咱们心愿匹配的是一类字符，而不是单个字符。比方，咱们可能想要匹配任何数字。Python的正则表达式提供了预约义的字符集来实现这种性能。\d就代表任何数字。 txt = "123 Hello, world!"match = re.search("\d+", txt)print(match.group()) # 输入：123在这个例子中，\d+匹配了一串数字"123"。 分组和捕捉咱们能够应用圆括号()创立子模式或组，并应用group()办法来捕捉这些组。 txt = "123 Hello, world!"match = re.search("(\d+) (Hello),", txt)print(match.group(1)) # 输入：123print(match.group(2)) # 输入：Hello应用正向后行断言这是一个高级技巧，它容许咱们在不耗费字符的状况下进行匹配。例如，咱们可能想找出所有以句号完结但不蕴含句号的句子。 txt = "Hello. My name is Python. Nice to meet you."matches = re.findall(".*?(?=\\.)", txt)for match in matches: print(match) # 输入：Hello，My name is Python，Nice to meet you在这个例子中，.*?(?=\\.)匹配了所有以句号完结的句子，但并没有耗费句号。 ...

Python面试必知100例。收集整理了目前Python岗位常见的面试题，心愿大家通过学习了解相干知识点。上面介绍的是1~5道题。一、请说下Python有哪些特点Python是一种解释型语言，这意味着开发过程中没有了编译这个环节。面向对象：Python反对面向对象的格调或代码封装在对象的编程技术。动静类型语言：在Python中，你不须要事后申明变量的类型，当你赋值给变量时，解释器会主动晓得其类型。跨平台语言：Python能够在大多数的操作系统上运行，包含但不限于Windows、Linux、Unix等。 二、什么是可变数据类型和不可变数据类型在Python中，数据类型能够分为两种：可变数据类型和不可变数据类型。不可变数据类型：这种数据类型的值一旦定义，就不能更改。如果尝试更改其值，实际上会创立一个新的对象。不可变数据类型的例子包含整数、浮点数、字符串、元组。例如，如果你有一个字符串变量，你不能更改这个字符串中的某个字符。试图这样做的话，Python会创立一个新的字符串。可变数据类型：与不可变数据类型相同，可变数据类型的值是能够更改的。也就是说，你能够在不创立新对象的状况下更改对象的值。可变数据类型的例子包含列表、字典以及汇合。例如，如果你有一个列表，你能够更改列表中的元素，减少元素，或者删除元素，而不须要创立一个新的列表。 三、什么是生成器在Python中，生成器（Generator）是一种非凡的迭代器。与列表不同，生成器在存储数据时能够节俭大量内存。这是因为生成器并不真正存储所有的值在内存中，而是在迭代到某个值时才会生成该值。生成器的创立通常应用两种形式：一种是通过在函数中应用yield关键字，另一种是应用生成器表达式（generator expression）。应用yield关键字创立生成器：当Python执行到yield关键字时，它会将后果返回给调用者，并记住这个地位。下次调用生成器的时候，它将从上次来到的地位继续执行。 def count_up_to(n): count = 1 while count <= n: yield count count += 1for number in count_up_to(5): print(number) # 输入12345下面的代码定义了一个生成器函数count_up_to，它会生成从1到n的数字。而后，咱们能够像迭代其余迭代器一样迭代这个生成器。应用生成器表达式创立生成器：生成器表达式相似于列表解析式，然而它创立的是一个生成器，而不是一个列表。这意味着它能够节俭内存。生成器表达式的语法是将列表解析式的方括号改为圆括号。 numbers = (x for x in range(1, 6))for number in numbers: print(number)下面的代码创立了一个生成器，它会生成从1到5的数字。而后，咱们能够像迭代其余迭代器一样迭代这个生成器。 四、什么是迭代器？在Python中，迭代器（Iterator）是一个能够记住遍历的地位的对象。迭代器对象必须实现两个非凡办法，即__iter__()和__next__()，它们独特形成了迭代器协定。迭代器能够是无限的也能够是有限的。 __iter__()办法返回迭代器对象自身。这用在for和in语句中。__next__()办法返回迭代器的下一个值。如果没有更多的项能够返回，则应该抛出StopIteration异样。举个例子，咱们能够创立一个返回数字序列的迭代器： class Counter: def __init__(self, limit): self.limit = limit self.count = 0 def __iter__(self): return self def __next__(self): if self.count < self.limit: self.count += 1 return self.count else: raise StopIterationcounter = Counter(5)for number in counter: print(number)在这个例子中，Counter类是一个迭代器，能够产生从1到5的数字。首先，咱们创立一个Counter对象，并将其下限设为5。而后，咱们应用for循环来迭代这个迭代器。值得注意的是，生成器是一种非凡的迭代器，它更简略，但性能也更弱小。你能够应用yield关键字来定义一个生成器，或者应用圆括号的列表解析式来创立一个生成器表达式。 ...

在本篇博客中，咱们将全面、深刻地探讨Python中的文件操作。文件操作在Python编程中是不可或缺的一部分，它蕴含了关上、读取、写入和敞开文件等各种操作。咱们将从根底的文件操作解说到高级的文件解决技巧，以及如何优雅地应用Python进行文件操作。每一部分咱们都会分享一些独特的用法，并且附有具体的示例代码和输入后果。在文章的最初，咱们还将分享一些鲜为人知但十分实用的文件操作技巧。 根底文件操作：关上、读取、写入和敞开文件Python应用内置的open()函数来关上一个文件，它返回一个文件对象，罕用的模式如下：'r'示意读取，'w'示意写入（会先清空原有文件），'a'示意追加，'b'示意二进制模式。特地的，咱们能够应用with关键字，这样当咱们实现操作后，文件将主动敞开。 # 以读取模式关上一个文件with open('file.txt', 'r') as file: content = file.read()print(content)当你运行这段代码，假如file.txt的内容是Hello, Python!，你会看到以下输入： Hello, Python!文件读取：细粒度管制除了一次性读取整个文件，咱们还能够以更小的单位来读取文件。这对于解决大文件时十分有用，能够无效管制内存的应用。 with open('file.txt', 'r') as file: while True: line = file.readline() if not line: break print(line, end='')这段代码会逐行读取file.txt文件的内容并打印。其中，end=''是为了避免print函数在每次打印后都插入一个换行符，因为从文件中读取的每一行都曾经带有一个换行符。 文件写入：内容追加与笼罩咱们应用写入模式（'w'）或追加模式（'a'）来写入文件。这里有一个小技巧：如果你的程序须要频繁写入文件，那么在写入时应用\n来换行会比应用write()函数后再应用write('\n')函数来插入新行更有效率。 with open('file.txt', 'a') as file: file.write('Hello, Python!\n')这段代码会在file.txt文件的开端追加一行Hello, Python!。 更高级的文件解决：os和shutil模块Python的os模块和shutil模块为咱们提供了更高级的文件操作性能，如重命名文件、删除文件、创立 目录、复制文件等。 import osimport shutil# 创立一个新的目录os.mkdir('new_folder')# 重命名文件os.rename('old.txt', 'new.txt')# 复制文件shutil.copy2('src.txt', 'dst.txt')# 删除文件os.remove('file_to_delete.txt')运行这段代码会按程序执行上述文件操作。 文件编码：解决不同编码格局的文件在解决文件时，咱们可能会遇到各种不同的编码格局，如UTF-8, ASCII, ISO-8859-1等。Python的open()函数容许咱们通过encoding参数来指定文件的编码方式。 with open('file.txt', 'r', encoding='utf-8') as file: content = file.read()print(content)如果你尝试读取一个蕴含非ASCII字符的文本文件，但没有提供正确的编码参数，Python可能会抛出UnicodeDecodeError。在这种状况下，你须要晓得文件的正确编码格局能力正确地读取文件。 # 尝试读取一个蕴含非ASCII字符的文件，但没有指定正确的编码格局try: with open('file.txt', 'r') as file: content = file.read()except UnicodeDecodeError: print("UnicodeDecodeError occurred!")这段代码会捕捉UnicodeDecodeError并打印一个谬误音讯。 ...

你好，我是猫哥。这里记录每周值得分享的 Python 及通用技术内容，局部为英文，已在小标题注明。（题目取自其中一则分享，不代表全部内容都是该主题，特此申明。） 首发于我的博客，https://pythoncat.top/posts/2023-06-10-weekly6 文章&教程1、CPython 奉献日记：Python 3.12 有什么？ 文章出自群友@孙孟越，介绍了 Python 3.12 中他深度参加的几个大更新，比方 PEP-701 定型 f-字符串的句法、PEP-688 给 Python Buffer Protocol 裸露 Python 接口、PEP-695 类型参数语法，等等。另外，他在前一篇《CPython 奉献日记》中介绍了给开源社区做奉献的相干常识，比方提 PR 的小技巧、提/解决 Issue 的小技巧，等等。（你也想给 Python 奉献代码么？请参考：Python Developer’s Guide） 2、有哪些值得关注的 AI 工具？咱们整顿了这 67 个 文章介绍了目前风行的 67 个工具，包含大语言模型、搜索引擎、办公、内容生成、精力需要、提醒词学习等方向，它还梳理了上面这张思维导图： 3、我买了本豆瓣 9.6 分的 Python 书，发现外面每 5 页一个谬误？！ 文章从一本 Python 入门书籍中找出了 30 个有代表性的谬误，并给出了“离谱水平”评分。作者批判性浏览了那本书，同理，读者们也应该批判性浏览这篇文章，因为它说得也并不都对。（@TheFry 投稿） 4、Sketch of a Post-ORM (英) 通常咱们应用纯 SQL 或者 ORM 框架来操作数据库，作者比拟了这两种计划，指出了它们的诸多缺点，而后提出了一种新的技术构想。作者从 8 个方面介绍了本人的思路，包含迁徙优先、申明式迁徙、跨语言移植、更好的 SQL，等等。作者还演示了一个工作流以及 Python 代码示例。 5、Python 中运行 Shell 命令的正确做法 (英) ...

1.接口速览屡次申请发现，t为工夫戳，sign为加密参数，盲猜和data、t无关，sign为32位，盲猜是字符串的32位的MD52.搜寻js代码这里为搜寻的是appKey，就找到了sign，而后看下面的加密函数，很像MD5，于是进入调试，看看是不是原生的MD53.js调试调试时，发现传入MD5(假如就是)的参数是几个参数进行了拼接var token = '75f9f56e124f71ee88ab37eb4c636638' //固定的var data = '{"itemId":"677739475107","bizCode":"ali.china.tmall","channel":"pc_detail","pageSize":20,"pageNum":2}' //评论相干的参数，包含商品的ID、评论的页数等var l = 1686368240577   //(new Date()).getTime() //这个就是工夫戳而已var s = '12574478'   //这个参数在js的下面能看到是固定的，屡次申请也能发现var p1 = token + "&" + l + "&" + s + "&" + data   //进行拼接咱们把下面的拼接后的值去MD5加密看看，待会和网页产生的一不一样，就能晓得，他的加密是不是就是原生的MD5，而没有进行魔改失去d425068cc80e5528314225bc12c7427f，持续步进js调试，能够看到网页生成的sign和原生的md5加密是一样的4.模仿申请 import jsonimport reimport timeimport requestsimport hashlibfrom pygments import highlight, lexers, formattersdef get_sign(string): return hashlib.md5(string.encode()).hexdigest()def req(sign,now,data): cookies = { #增加你本人的cookies } headers = { 'authority': 'h5api.m.tmall.com', 'accept': '*/*', 'accept-language': 'zh-CN,zh;q=0.9,en;q=0.8', 'referer': 'https://detail.tmall.com/', 'sec-ch-ua': '"Not.A/Brand";v="8", "Chromium";v="114", "Google Chrome";v="114"', 'sec-ch-ua-mobile': '?0', 'sec-ch-ua-platform': '"Windows"', 'sec-fetch-dest': 'script', 'sec-fetch-mode': 'no-cors', 'sec-fetch-site': 'same-site', 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36', } params = { 'jsv': '2.7.0', 'appKey': '12574478', 't': now, 'sign': sign, 'api': 'mtop.alibaba.review.list.for.new.pc.detail', 'v': '1.0', 'isSec': '0', 'ecode': '0', 'timeout': '10000', 'ttid': '2022@taobao_litepc_9.17.0', 'AntiFlood': 'true', 'AntiCreep': 'true', 'preventFallback': 'true', 'type': 'jsonp', 'dataType': 'jsonp', 'callback': 'mtopjsonp3', 'data': data, } response = requests.get( 'https://h5api.m.tmall.com/h5/mtop.alibaba.review.list.for.new.pc.detail/1.0/', params=params, cookies=cookies, headers=headers, ) json_str = re.findall(r'mtopjsonp3\((.*?)\)',response.text) content = json.loads(json_str[0]) formatted_json = json.dumps(content, indent = 4, ensure_ascii = False, sort_keys = True) colorful_json = highlight(formatted_json, lexers.JsonLexer(), formatters.TerminalFormatter()) print(colorful_json)def get_time_13(): return int(time.time()*1000)if __name__ == "__main__": token = '换成你本人的token' pageNum = 1 #1-6页能爬取 data = f'{"itemId":"677739475107","bizCode":"ali.china.tmall","channel":"pc_detail","pageSize":20,"pageNum":{pageNum}}' l = get_time_13() s = '12574478' p1 = token + "&" + str(l) + "&" + s + "&" + data print(p1) sign = get_sign(p1) req(sign=sign,now=l,data=data)运行后果如下图：qq探讨群：529528142 ...

Python的数据模型是它的外围，理解数据模型对于了解Python是十分重要的。在Python中，咱们通过魔法办法（或称为非凡办法，名字以两个下划线开始和完结）来定义咱们的数据模型。在本文中，咱们将深入探讨这些魔法办法，并演示如何应用它们来定义你本人的数据类型。 一、结构和初始化让咱们从两个最根本的魔法办法开始：__init__和__new__。它们被用于定义对象的初始化和结构过程。 class MyClass: def __new__(cls, *args, **kwargs): instance = super().__new__(cls) return instance def __init__(self, value): self.value = valuemy_instance = MyClass(5)print(my_instance.value) # 输入: 5__new__办法负责创立新的实例，而__init__办法则负责初始化实例。通常，咱们只须要重写__init__办法，除非咱们须要管制对象的创立过程。 二、示意和格式化__repr__和__str__办法容许咱们定义对象的字符串示意。__repr__应该返回一个尽可能明确的对象示意，而__str__则应返回一个适宜打印的示意。 class MyClass: def __init__(self, value): self.value = value def __repr__(self): return f'MyClass(value={self.value})' def __str__(self): return str(self.value)my_instance = MyClass(5)print(repr(my_instance)) # 输入: MyClass(value=5)print(str(my_instance)) # 输入: 5三、比拟操作Python通过魔法办法提供了丰盛的比拟操作。例如，__eq__定义了等于操作，__lt__定义了小于操作，等等。 class MyClass: def __init__(self, value): self.value = value def __eq__(self, other): if isinstance(other, MyClass): return self.value == other.value return NotImplemented def __lt__(self, other): if isinstance(other, MyClass): return self.value < other.value return NotImplementedmy_instance1 = MyClass(5)my_instance2 = MyClass(10)print(my_instance1 == my_instance2) # 输入: Falseprint(my_instance1 < my_instance2) # 输入: True四、算术操作Python同样提供了一系列的魔法办法来定义算术操作。例如，__add__定义了加法操作，__mul__定义了乘法操作，等等。 ...

我国目前并未出台专门针对网络爬虫技术的法律标准，但在司法实际中，相干裁决已不足为奇，K 哥特设了“K哥爬虫普法”专栏，本栏目通过对实在案例的剖析，旨在进步宽广爬虫工程师的法律意识，通晓如何非法合规利用爬虫技术，警钟长鸣，做一个违法、护法、有准则的技术人员。案情介绍2015年，被告人肖某开发了一款收费看小说 APP，为了牟利，肖某从腾讯广告联盟下载广告包并插入该 APP 应用程序，用户在通过该 APP 浏览小说时点击其中的广告，广告联盟会主动以点击量计算广告推广费。之后肖某注册成立“某网络技术工作室”公司，并以公司名义将 APP 陆续上架到利用商城。为通过著作权资质的审查，肖某伪造相应作品转让受权证实上传至各利用商城。 2019年，肖某成立公司开发“悦读免费小说”手机 APP 软件并上架，提供网络小说在线浏览服务。后为获取更多利益，肖某将网络爬虫程序植入 APP 利用中，主动爬取互联网上各小说网站的网页链接、小说名称、小说作者、小说简介、小说图片等信息，并分类寄存于腾讯云服务器当中，且不间断更新爬取内容。用户在 APP 中搜寻或点击相干信息后，APP 将主动爬取到的小说信息提取进去，发送并缓存在上述服务器中，再通过第三方网页从新排版，并插入广告公司提供的广告供用户浏览。 腾讯公司每月依据该程序中的点击量按每次单价 0.2 元至 1 元不等的价格结算广告推广费，费用转到长沙畅想网络技术工作室的银行账户。为了躲避危险，肖某别离于2020年5月26日、7月17日以其父亲肖某、母亲王某的身份注册上海昶悠网络技术工作室和上海毓璃网络技术工作室，并用该两个公司的对公银行账户接管腾讯公司结算的广告推广费用。 2021年6月，北京腾飞克科技有限公司发现“悦读免费小说” APP 在未经其许可的状况下，大量非法复制了该公司享有著作权的作品。经广东甄明司法鉴定所鉴定：固定至“悦读免费小说” APP 中 576 部小说作品与永丰舸渡网络科技有限公司提供的领有著作权的小说作品具备雷同名称，其中 551 部小说作品类似度大于70%。 公诉机关变更起诉为：经广东甄明司法鉴定所于2022年2月25日鉴定，固定到“悦读免费小说” APK 文件并通过程序取得“悦读免费小说侵权书单.xlsx”同名小说 4547 本，经测验，与版权方提供的版权小说类似度大于70%的共计 3968 本。上述类似度大于70%的小说共计 4519 本。 2020年1月至2021年8月期间，长沙畅想网络技术工作室广告收益 9167638.55 元，上海毓璃网络技术工作室广告收益 10863914.2 元，上海昶悠网络技术工作室广告收益 286828.46 元。肖某共获取广告推广费 2000 余万元。 法院观点《最高人民法院对于审理侵害信息网络流传权民事纠纷案件适用法律若干问题的规定》第三条规定“网络用户、网络服务提供者未经许可，通过信息网络提供权力人享有信息网络流传权的作品、表演、录音录像制品，除法律、行政法规另有规定外，人民法院该当认定其形成侵害信息网络流传权行为。通过上传到网络服务器、设置共享文件或者利用文件分享软件等形式，将作品、表演、录音录像制品置于信息网络中，使公众可能在集体选定的工夫和地点以下载、浏览或者其余形式取得的，人民法院该当认定其施行了前款规定的提供行为”。 本案中被告人肖某开发的“悦读免费小说” APP 中设置了爬虫程序从其余网站扒取小说书名、封面、网站链接等，并把小说链接、小说简介、小说名字等信息存储到其服务器里，并且进行了增减、排版和过滤，插入广告，读者能够六种形式通过“浏览免费小说” APP 进行浏览，其中“立刻浏览”模式读者能够在该 APP 页面间接浏览小说，“全书缓存”模式能够下载小说供读者在选定的工夫和地点浏览，“悦读免费小说”中扒取的小说均未通过著作权或其授权人的许可，侵害了著作权权力人的信息网络流传权。 被告人肖某辩护其服务器中并未存储小说，但存储了小说链接、小说简介、小说名字，尽管“悦读免费小说” APP 中的确有链接服务，然而其提供的不是一般链接服务，用户点击后并不间接跳转到第三方网页首页，而是间接在该 APP 中显示相干页面，被告人亦供述“悦读免费小说” APP 默认是全屏浏览，读者都是在 APP 的界面中进行浏览，在全屏浏览时分辨不出在哪个网站进行观看小说的，因为软件主动进行了转码浏览，只有读者本人退出全屏浏览点击菜单能力看到是在哪个网站看到的，也就是说读者齐全感觉是在“悦读免费小说” APP 中进行浏览，而不是在其余网站进行浏览，故该当认定属于复制发行和流传行为。“悦读免费小说” APP 中扒取的小说经司法鉴定与被害人北京腾飞克科技有限公司享有著作权包含信息网络流传权的小说类似度大于70%的有 4519 部，因而被告人的行为形成进犯著作权权力人信息网络流传权的行为。 ...

一、介绍果蔬识别系统，应用Python作为次要开发语言，基于深度学习TensorFlow框架，搭建卷积神经网络算法。并通过对数据集进行训练，最初失去一个辨认精度较高的模型。并基于Django框架，开发网页端操作平台，实现用户上传一张图片辨认其名称。 二、成果展现 三、演示视频+代码视频+代码：https://www.yuque.com/ziwu/yygu3z/pnrng41h0sg5f5tf 四、DjangoDjango是一个基于Python的收费开源的web框架，它旨在帮忙开发者疾速开发简单的、数据库驱动的网站，同时强调框架的可重用性和“不要反复本人”的准则。上面是一些Django的要害特点： 齐全载入：Django蕴含了你须要构建一个web利用的简直所有内容，包含认证零碎、数据库迁徙反对、ORM、模板引擎等。模块化和可重用：Django采纳了一个模块化的设计，这使得各个局部能够很容易地进行重用。这包含你本人的利用，还有像用户零碎这样的内置利用。明确的设计模式：Django遵循了MVC（模型-视图-控制器）设计模式，它在Django中被称为MTV（模型-模板-视图）模式。主动治理后盾：Django能够依据你的模型主动生成一个功能强大的后盾治理界面，不便对数据进行治理。平安：Django内置了多项防备网络攻击的平安性能，如跨站申请伪造（CSRF）防护，跨站脚本（XSS）防护，SQL注入防护等。上面是一个简略的Django利用示例代码，代码次要蕴含模型（models.py），视图（views.py）和网址配置（urls.py）。 假如你正在创立一个简略的博客利用，首先定义模型： # model.pyfrom django.db import modelsclass Blog(models.Model): title = models.CharField(max_length=200) content = models.TextField() pub_date = models.DateTimeField('date published') def __str__(self): return self.title而后定义视图： # views.pyfrom django.shortcuts import renderfrom .models import Blogdef blog_list(request): blogs = Blog.objects.all() return render(request, 'blog_list.html', {'blogs': blogs})def blog_detail(request, blog_id): blog = Blog.objects.get(id=blog_id) return render(request, 'blog_detail.html', {'blog': blog})最初，定义URL配置： # urls.pyfrom django.urls import pathfrom . import viewsurlpatterns = [ path('', views.blog_list, name='blog_list'), path('<int:blog_id>/', views.blog_detail, name='blog_detail'),]这个例子非常简单，但它展现了Django的根本应用办法：定义模型，创立视图，并通过URL配置将视图与模型关联起来。 ...

Python 是一个弱小的语言，提供了许多内置函数以帮忙开发者编写高效、简洁的代码。在这篇文章中，咱们将深入探讨三个内置函数：map、filter和reduce，这些函数在解决序列数据时十分有用。 一、了解 map 函数map函数是一个高阶函数，它接管一个函数和一个或多个序列作为输出，而后将函数利用到序列的每个元素，返回一个新的迭代器。 numbers = [1, 2, 3, 4, 5]squared = map(lambda x: x**2, numbers)print(list(squared)) # 输入: [1, 4, 9, 16, 25]二、了解 filter 函数filter函数也是一个高阶函数，它接管一个函数和一个序列作为输出，返回一个蕴含了所有使函数返回值为真的元素的迭代器。 numbers = [1, 2, 3, 4, 5]even = filter(lambda x: x % 2 == 0, numbers)print(list(even)) # 输入: [2, 4]三、了解 reduce 函数reduce函数也是一个高阶函数，它接管一个函数和一个序列作为输出，而后将函数利用到序列的元素，从而将序列“归约”为一个繁多的输入。 留神：reduce不是Python的内置函数，而是在functools模块中定义的。 from functools import reducenumbers = [1, 2, 3, 4, 5]product = reduce(lambda x, y: x*y, numbers)print(product) # 输入: 120四、如何在理论代码中应用 map、filter 和 reduce尽管了解map、filter和reduce的工作原理很重要，然而理解如何在理论代码中应用它们更为重要。这些函数都是函数式编程工具，能够用于创立简洁、高效的代码。 ...

腾讯云×千锋教育强强联手，一起研发重磅推出全新课程《千锋图片云存储》Python 教程-Django 框架从入门到实战-基于腾讯云 COS Django框架实战教程公布 腾讯云开发者社区“学习核心”中转： https://mc.tencent.com/DEyrIZ6N 扫码退出“腾讯云开发者社区学习核心交换群” 收费获取全套代码材料包、插件地址及更多学习资源。 课程介绍 《千锋图片云存储》是基于腾讯云 COS（对象存储），应用 Python 语言和 Django 框架来实现的图片云存储我的项目，专门针对企业实在对象存储我的项目（包含图片、文件存储等），课程解说十分粗疏，流程清晰，浅显易懂，非常适合学习 Python 和 Django 框架须要应用云存储的开发者 课程内容包含： 适用人群：云存储性能利用十分宽泛，在后端开发，云计算服务器运维，网络安全等方面都有着无足轻重的作用，课程针对大学生，Python 开发人员，后端开发人员都十分实用。 大学生：用于云存储课程设计，毕业设计性能； Python 开发人员：云计算时代，云存储无处不在，技多不压身； 后端开发：Django 框架学习必备技术，轻松把握云存储技术； 课程亮点：千锋教育与腾讯云单干深度研发，严格审核课程, 十分实用实在企业级我的项目。 基于腾讯云 COS 对象存储，由浅入深解说，一听就懂。 别离应用 Python 和 Django 框架集成腾讯云 COS。 技术联合我的项目实战实现腾讯云对象存储利用。通过本课程的学习，能让你残缺把握应用 Python 和 Django 框架集成云存储性能，轻松高效应对企业我的项目中图片存储，文件存储，视频存储等性能！ 准备常识：大量 Python 语言根底Django 框架入门根底

Python中的lambda函数，或者叫匿名函数，是一个极其弱小的工具。它以简洁、优雅的语法提供了创立函数的疾速形式。在本篇文章中，咱们将全方位地深入研究lambda函数的用法和特点，通过实践和实例相结合的形式，让你的Python编程技巧更上一层楼。 Lambda函数根本语法Lambda函数的根本语法模式是 lambda 参数: 表达式。这里咱们能够看到，lambda函数并不需要函数名，也就是咱们所说的“匿名”的含意。这使得咱们能够在代码的任何中央疾速定义一个函数。上面的代码展现了如何应用lambda函数。 add = lambda x, y: x + yprint(add(5, 3)) # 输入: 8在这个示例中，咱们创立了一个简略的加法函数。然而，与应用def关键字定义函数不同，咱们没有为函数指定名称，也就是匿名的含意。 Lambda函数与高阶函数高阶函数是指那些承受函数作为参数或返回函数作为输入的函数。在Python中，常见的高阶函数有map()、filter()、reduce()等。lambda函数常常和这些高阶函数一起应用，达到简洁明了的成果。 比方上面这个例子，咱们应用map()函数和lambda函数，疾速实现了一个将列表中所有元素翻倍的操作： numbers = [1, 2, 3, 4, 5]doubled = map(lambda x: x * 2, numbers)print(list(doubled)) # 输入: [2, 4, 6, 8, 10]在这个示例中，咱们用lambda函数疾速地定义了一个函数，将数字乘以2，而后应用map()函数利用到列表中的每一个元素。 在条件过滤中应用Lambda函数filter()函数是Python的另一个常见高阶函数，它承受一个函数和一个可迭代对象作为参数，并返回一个新的可迭代对象，新的可迭代对象中的元素都是原可迭代对象中使得函数返回值为True的元素。上面咱们来看一个应用filter()函数和lambda函数的例子： numbers = [1, 2, 3, 4, 5, 6]even_numbers = filter(lambda x: x % 2 == 0, numbers)print(list(even_numbers)) # 输入: [2, 4, 6]在这个例子中，咱们应用lambda函数定义了一个判断一个数字是否是偶数的函数，并用filter()函数利用到了列表中的每一个元素，最初失去了一个新的只蕴含偶数的列表 。 Lambda函数在排序中的利用在Python的sort()或sorted()函数中，咱们能够用lambda函数作为key参数，依据自定义的规定进行排序。 fruits = ['banana', 'apple', 'cherry', 'lime', 'mango']fruits_sorted = sorted(fruits, key=lambda x: len(x))print(fruits_sorted) # 输入: ['lime', 'apple', 'mango', 'cherry', 'banana']在这个示例中，咱们用一个lambda函数来指定依据字符串的长度进行排序，而不是默认的字母程序。这个个性十分有用，比方在排序一组字典时，咱们可能心愿依据字典中的某个特定的键的值进行排序，这时候，lambda函数就能够派上大用场了。 ...

Python的上下文管理器是一种用于封装进入和退出代码块的逻辑的工具，通常通过with语句来应用。这个机制能够让咱们更简略、更平安地解决资源和异样。本文将深刻解说Python中的上下文管理器和with语句。 一、什么是上下文管理器？上下文管理器是Python中的一种对象，用于在代码块执行前后定义一些设置或清理的操作。例如，当关上文件、获取锁或建设数据库连贯等须要清理的操作时，上下文管理器会非常有用。 上下文管理器必须定义两个非凡办法，__enter__和__exit__，别离在with语句开始和完结时被调用。 class MyContextManager: def __enter__(self): print('Entering the block') return self def __exit__(self, exc_type, exc_val, exc_tb): print('Exiting the block')二、with语句如何工作？with语句是一种异样平安的资源管理语句，它能够与上下文管理器一起应用，以主动解决资源的获取和开释。 当with语句被执行时，会产生以下步骤： __enter__办法被调用。如果__enter__办法返回了一个值，那么这个值会被赋给as关键字后的变量。with语句中的代码块被执行。不管代码块是否失常执行结束，__exit__办法总是会被调用。如果代码块中产生了异样，异样的类型、值和追踪信息会被传递给__exit__办法。三、自定义上下文管理器咱们能够自定义上下文管理器来满足特定的需要。例如，咱们能够创立一个上下文管理器来主动计时： import timeclass TimerContextManager: def __enter__(self): self.start_time = time.time() def __exit__(self, exc_type, exc_val, exc_tb): end_time = time.time() print(f'Time elapsed: {end_time - self.start_time} seconds')with TimerContextManager(): # 模仿耗时操作 time.sleep(2)这个上下文管理器会在进入和退出代码块时别离记录时间，而后计算出代码块的运行工夫。 四、contextlib模块Python的contextlib模块提供了一些用于创立和解决上下文管理器的实用工具。例如，contextlib.contextmanager装璜器能够将一个生成器函数转换成一个上下文管理器： from contextlib import contextmanager@contextmanagerdef managed_file(name): try: f = open(name, 'w') yield f finally: f.close()with managed_file('hello.txt') as f: f.write('Hello, world!') f.write('Bye now!')在这个例子中，managed_file函数负责关上文件并将其传递给with语句，with语句完结后，文件会主动敞开。这就防止了遗记敞开文件的危险，并使代码更加简洁。 ...

Python 列表推导式：简洁、高效的数据操作艺术Python 的列表推导式，这个看似简略的语法糖，实则内含有限威力。在 Python 代码编写中，列表推导式的灵活性和简洁性让它成为了不可或缺的一部分。在这篇文章中，咱们将更全面、更深刻地探讨列表推导式，从根底的概念意识，到各类进阶的用法和操作，咱们一一揭秘。最初，咱们还将在 "One More Thing" 局部分享一个十分乏味且实用的列表推导式技巧，这会让你在编程路线上又多一份弱小的工具。 1. 列表推导式：语法糖的力量列表推导式，就是一种在 Python 中创立列表的形式，它的根底模式如下： [expression for item in iterable]它本质上是一个 for 循环的简化模式。例如，咱们能够用它来创立一个蕴含 0 到 9 平方的列表： squares = [x**2 for x in range(10)]print(squares) # Output: [0, 1, 4, 9, 16, 25, 36, 49, 64, 81]这样，你不须要再应用传统的 for 循环来创立列表，代码更加简洁和清晰。 2. 过滤元素：带条件的列表推导式列表推导式更弱小的中央在于，咱们能够在其中退出条件判断，以过滤出咱们想要的元素： even_squares = [x**2 for x in range(10) if x % 2 == 0]print(even_squares) # Output: [0, 4, 16, 36, 64]在这个例子中，咱们只生成了偶数的平方，只需退出一个简略的 if 条件，咱们就能够灵便地过滤出咱们须要的元素。 ...

在Python的编程世界里，元类提供了对类的行为进行自定义的性能。在上一篇文章中，咱们介绍了Python元类的基础知识，包含什么是元类、如何定义元类以及元类的利用场景。这篇文章中，咱们将进一步深入探讨元类的高级利用，涵盖元类的创立、批改以及一些常见的应用技巧。 一、创立元类在上篇文章中，咱们曾经看到，元类通常是通过继承Python内置的type类来创立的。然而，除了继承type类，咱们还能够通过type函数间接创立元类： MyMeta = type('MyMeta', (type,), {})这里，type函数接管三个参数：元类的名称、元类的基类元组以及元类的属性字典。而后，它返回一个新的元类对象。 二、批改元类元类容许咱们在创立类的过程中批改类的定义。通过元类，咱们能够在类被创立时主动增加或批改属性和办法，或者扭转类的继承关系。以下是一个示例： class MyMeta(type): def __new__(cls, name, bases, dct): dct['attr'] = 100 return super().__new__(cls, name, bases, dct)class MyClass(metaclass=MyMeta): passprint(MyClass.attr)# 输入: 100在这个例子中，咱们的元类在创立类MyClass时向其增加了一个新的属性attr。 三、应用元类实现形象基类Python的元类提供了一种实现形象基类（Abstract Base Class，简称ABC）的办法。形象基类是一种不能被实例化的类，它定义了一些办法和属性，这些办法和属性必须由其所有子类实现。 咱们能够应用元类来实现形象基类，只须要在元类的__new__办法中查看类是否实现了所有的形象办法即可。以下是一个简略的示例： class ABCMeta(type): def __new__(cls, name, bases, dct): if 'abstract_method' not in dct: raise TypeError('形象办法未被实现') return super().__new__(cls, name, bases, dct)class MyABC(metaclass=ABCMeta): def abstract_method(self): pass在这个例子中，ABCMeta元类要求所有应用它作为元类的类必须实现abstract_method办法。 四、应用元类实现单例模式元类还能够用来实现设计模式，如单例模式。单例模式保障一个类只有一个实例，而且提供一个全局拜访点来拜访这个实例。上面是应用元类实现单例模式的一个例子： class SingletonMeta(type): _instances = {} def __call__(cls, *args, **kwargs): if cls not in cls._instances: cls._instances[cls] = super().__call__(*args, **kwargs) return cls._instances[cls]class Singleton(metaclass=SingletonMeta): pass在这个示例中，SingletonMeta元类应用一个字典来保留每个类的实例。当元类被调用时（也就是当咱们试图实例化一个类时），元类先查看这个类是否曾经有一个实例。如果有，就返回这个实例；如果没有，就创立一个新的实例，而后将它保留在字典中。 ...

在编程中，函数是一种重要的代码复用工具。它将一段具备特定性能的代码封装起来，使得咱们能够在须要时重复使用这段代码，而不用每次都重写。在Python中，函数的定义和应用非常简单。在本文中，咱们将介绍Python函数的定义、调用和参数的基本概念和应用办法。一、定义和调用函数在Python中，咱们应用def关键字来定义函数，函数的根本语法如下： def function_name(parameters): # function body return resultfunction_name是函数的名字，它必须合乎Python的标识符命名规定。parameters是函数的参数，它们被蕴含在括号中，并由逗号分隔。参数是可选的，你能够定义没有参数的函数。function body是函数的主体，它蕴含了实现函数性能的代码。这部分代码必须缩进。return关键字用于返回函数的后果。这也是可选的，如果没有return语句，函数将返回None。以下是一个定义函数的例子： def greet(name): return f"Hello, {name}!"这个函数承受一个名为name的参数，并返回一个问候语字符串。咱们能够通过函数名后加括号的形式来调用函数，如果函数有参数，咱们须要在括号中提供参数的值。例如： print(greet("Alice")) # 输入：Hello, Alice!二、地位参数Python函数反对多种类型的参数，包含地位参数、默认参数、关键字参数和可变参数。地位参数是最常见的参数类型，它们的值是依照参数在函数定义中的地位来传递的。例如： def power(base, exponent): return base ** exponentprint(power(2, 3)) # 输入：8在这个例子中，2是传给base的，3是传给exponent的，因为它们在调用时的地位和函数定义中的地位绝对应。 三、默认参数默认参数是在函数定义时被赋予默认值的参数。如果在调用函数时没有提供默认参数的值，那么将应用这个默认值。例如： def greet(name, greeting="Hello"): return f"{greeting}, {name}!"print(greet("Alice")) # 输入：Hello, Alice!print(greet("Alice", "Good morning")) # 输入：Good morning, Alice!在这个例子中，greeting是一个默认参数，它的默认值是"Hello"。 四、关键字参数咱们能够在调用函数时通过parameter=value的模式来指定参数的值，这种参数称为关键字参数。关键字参数能够使函数调用更清晰，也能够不依照参数在函数定义中的地位来传递参数的值。例如： def power(base, exponent): return base ** exponentprint(power(exponent=3, base=2)) # 输入：8在这个例子中，咱们应用关键字参数的模式调用power函数，这样无论参数在函数定义中的地位如何，咱们都能够分明地晓得哪个值是传给base的，哪个值是传给exponent的。 五、可变参数Python还反对可变参数，也就是数量不确定的参数。如果参数名前有一个，那么这个参数将收集所有的地位参数到一个元组中；如果参数名前有两个*，那么这个参数将收集所有的关键字参数到一个字典中。例如： def print_args(*args, **kwargs): print(f"Positional arguments: {args}") print(f"Keyword arguments: {kwargs}")print_args(1, 2, 3, a=4, b=5)# 输入：# Positional arguments: (1, 2, 3)# Keyword arguments: {'a': 4, 'b': 5}在这个例子中，args收集了所有的地位参数，kwargs收集了所有的关键字参数。 ...

Python 是一种弱小的编程语言，一部分得益于其语言设计中独特的元类（Metaclass）机制。只管元类的概念在刚开始接触时可能会让人感到困惑，但一旦了解了它们的工作原理和利用形式，咱们就能够用它们做出弱小且灵便的形象。 一、什么是元类？首先，咱们须要了解什么是元类。在 Python 中，所有皆对象，包含类自身。类定义了对象的行为，而元类则定义了类的行为。简而言之，元类就是创立类的“类”。 二、元类的工作原理创立类的过程在 Python 中被称为类定义。类定义的后果是一个类对象，这个对象蕴含了类的办法和属性，并能够用来创立实例。 当咱们定义一个类时，Python 实际上会做以下三件事： 创立一个类字典。这个字典蕴含了类定义体中所有的属性和办法。通过元类，应用上述类字典创立一个类对象。将这个新创建的类对象赋值给类定义头中的类名。默认状况下，Python 应用内建的 type 函数作为元类，创立类对象。然而，咱们也能够通过定义本人的元类，来扭转类的创立形式。 三、如何定义元类在 Python 中，咱们能够通过继承 type 类来定义元类。元类应该定义一个 __new__ 办法。这个办法负责接管类定义的参数，并返回一个类对象。上面是一个简略的元类示例： class MyMeta(type): def __new__(cls, name, bases, dct): x = super().__new__(cls, name, bases, dct) x.attr = 100 return xclass MyClass(metaclass=MyMeta): passprint(MyClass.attr)# 输入: 100在这个例子中，咱们定义了一个元类 MyMeta，它在创立类对象时给类增加了一个属性 attr。而后，咱们应用 MyMeta 作为元类，定义了一个类 MyClass。你能够看到，MyClass 的确领有了 attr 属性。 四、元类的利用场景只管元类是一个十分弱小的工具，但它也是一个简单且弱小的工具，所以应该在须要的时候才应用。以下是一些元类的典型利用场景： 主动增加属性或办法：如果你心愿所有类都具备某些属性或办法，能够应用元类主动增加。类的注册：如果你心愿在创立类时做一些事件，如注册类，能够应用元类。强制 API 一致性：如果你正在构建一个框架或库，并心愿用户定义的类遵循特定的规定（例如必须有某些办法或属性），则能够应用元类来强制执行这些规定。五、元类的注意事项尽管元类十分弱小，但也须要留神一些问题： 复杂性：元类增加了额定的复杂性。在许多状况下，应用简略的类和函数能够达到雷同的目标。因而，除非的确须要元类，否则应尽量避免应用。可读性：因为元类的复杂性，应用元类的代码通常更难了解和保护。性能：创立元类会略微升高代码的运行速度，因为须要额定的函数调用。六、论断元类是 Python 的一个弱小个性，它使咱们可能以程序化的形式定义和批改类。只管元类有肯定的复杂性，但在须要动静扭转类行为或强制 API 一致性等场合，元类能够作为一种十分有用的工具。 心愿这篇文章能帮忙你了解 Python 中元类的基本概念和应用形式，以及如何在实践中应用元类。但请记住，与其余弱小的工具一样，应用元类也须要审慎。

前言生成器是Python的一种外围个性，容许咱们在申请新元素时再生成这些元素，而不是在开始时就生成所有元素。它在解决大规模数据集、实现节俭内存的算法和构建简单的迭代器模式等多种状况下都有着宽泛的利用。在本篇文章中，咱们将从实践和实际两方面来摸索Python生成器的深度用法。 生成器的定义和基本操作生成器是一种非凡的迭代器，它们的创立形式是在函数定义中蕴含yield关键字。当这个函数被调用时，它返回一个生成器对象，该对象能够应用next()函数或for循环来获取新的元素。 def simple_generator(): yield "Python" yield "is" yield "awesome"# 创立生成器gen = simple_generator()# 应用next函数获取元素print(next(gen)) # 输入: Pythonprint(next(gen)) # 输入: isprint(next(gen)) # 输入: awesome# 应用for循环获取元素for word in simple_generator(): print(word)# 输入:# Python# is# awesome当生成器耗尽（即没有更多元素产生）时，再次调用next()函数将引发StopIteration异样。这个异样能够由咱们手动捕捉，或者由for循环主动解决。 生成器的惰性求值和内存劣势生成器的次要劣势之一是它们的惰性求值个性。也就是说，生成器只在须要时才计算和产生元素。这使得生成器在解决大规模数据时，能够大大降低内存使用量。与传统的数据结构（如列表）相比，生成器不须要在内存中存储所有元素，而是在每次迭代时动静计算出新的元素。 这种个性使得生成器在解决大规模数据流、实现简单的算法或构建动静的数据管道等场景中具备显著的劣势。 # 有限序列生成器def infinite_sequence(): num = 0 while True: yield num num += 1# 创立生成器seq = infinite_sequence()# 输入前10个元素for i in range(10): print(next(seq)) # 输入:# 0# 1# 2# 3# 4# 5# 6# 7# 8# 9在这个例子中，infinite_sequence是一个永不进行的生成器。只管它能够产生无穷多的元素，但因为生成器的惰性求值个性，它并不会导致内存 耗尽。 生成器表达式生成器表达式是创立生成器的一种更简洁的形式。它们与列表推导式的语法类似，然而生成的是一个生成器对象，而不是一个残缺的列表。这使得生成器表达式在解决大规模数据时能够节俭大量的内存。 ...

本文首发自[慕课网]（imooc.com） ，想理解更多IT干货内容，程序员圈内热闻，欢送关注"慕课网"及“慕课网公众号”！ 作者： ExcellentDavid|慕课网讲师 终于到了入手操作的环节啦，这一节，咱们以师生管理系统为例，率领大家搭建一套 framework Web API。“工欲善其事，必先利其器”，咱们选用当下最为风行的 Django REST framework 为工具，疾速实现这套API。 装置 Django REST framework 须要以下依赖： Python (3.5, 3.6, 3.7, 3.8)Django (1.11, 2.0, 2.1, 2.2, 3.0)Django REST framework是以 Django 扩大利用的形式提供的，所以咱们能够间接利用已有的Django环境而无需从新创立。（若没有Django环境，须要先创立环境装置Django） 1. 装置 Django REST frameworkpip install django pip install djangorestframeworkdjango 装置过程： django-rest-framework 装置过程： 2.创立工程和利用django-admin startproject ProjectDemodjango-admin startapp AppDemo工程和利用创立实现后，目录构造如下图所示： 3. 注册rest_framework利用Django REST framework 可视作是 Django 的一个利用，在应用之前，须要在 settings.py 的 INSTALLED_APPS 中注册。 # settings.pyINSTALLED_APPS = [ ... 'rest_framework',]在实现以上操作后，就能够应用 Django REST framework 开发 Restful Web API 了。接下来，咱们将以学生管理系统为例，带大家一览 Django REST framework 如何高效开发 REST API。 ...

在Elasticsearch 7.x的Python SDK中，能够应用analyze API来查看分词后的后果，并指定自定义的分词器。上面是一个示例代码： from elasticsearch import Elasticsearch# 创立 Elasticsearch 客户端es = Elasticsearch()# 要剖析的文本内容text = "This is a sample text to analyze."# 自定义分词器的名称analyzer_name = "my_custom_analyzer"# 剖析文本内容response = es.indices.analyze( index="your_index_name", # 替换为你的索引名 body={ "analyzer": analyzer_name, "text": text })# 提取分词后果tokens = [token["token"] for token in response["tokens"]]# 打印分词后果print(tokens)在上述代码中，你须要将your_index_name替换为你理论应用的索引名称，同时依据你的需要，将analyzer_name替换为你想要应用的自定义分词器的名称。而后，调用es.indices.analyze()办法，传递analyzer参数和text参数来指定要应用的分词器和待剖析的文本内容。最初，从API的响应中提取分词后果并进行解决。

一. 引言在数据迷信和剖析畛域，数据处理是一个至关重要的工作。而Python中的Pandas库以其弱小的性能和简略易用的接口而受到宽泛的欢送。其中最外围的数据结构之一是Pandas DataFrame，它为咱们提供了一种灵便、高效的形式来解决和操作结构化数据。本文将深刻介绍Pandas DataFrame的基本概念、罕用操作和高级技巧，帮忙读者更好地利用DataFrame进行数据处理和剖析。 二. DataFrame的基本概念DataFrame是Pandas库中最罕用的数据结构之一，它能够看作是一种二维的表格数据结构，相似于电子表格或关系型数据库中的表。DataFrame由行和列组成，每一列能够蕴含不同的数据类型，例如整数、浮点数、字符串等。以下是一个创立DataFrame的示例： import pandas as pd# 创立DataFramedata = {'Name': ['Alice', 'Bob', 'Charlie', 'David'], 'Age': [25, 30, 35, 40], 'City': ['New York', 'London', 'Paris', 'Tokyo']}df = pd.DataFrame(data)在这个示例中，咱们应用一个字典来定义数据，其中字典的键示意列名，字典的值示意对应列的数据。通过调用pd.DataFrame()函数并传入字典，咱们能够创立一个简略的DataFrame对象。 三. DataFrame的罕用操作DataFrame提供了丰盛的操作和办法，用于数据的抉择、过滤、排序、聚合等。以下是一些罕用的DataFrame操作示例： 1. 数据抉择和过滤DataFrame提供了多种形式来抉择和过滤数据，例如按列名、按行索引、按条件等。以下是一些常见的数据抉择和过滤操作示例： # 抉择单个列name_column = df['Name']# 抉择多个列subset = df[['Name', 'Age']]# 按条件过滤行filtered_df = df[df['Age'] > 30]# 按行索引抉择行row = df.loc[2]2. 数据排序DataFrame能够依据列的值进行排序，能够按升序或降序排列。以下是一个按年龄降序排序的示例： sorted_df = df.sort_values('Age', ascending=False)3. 数据聚合DataFrame能够进行各种数据聚合操作，如求和、均值、计数等。以下是一些常见的数据聚合操作示例： # 求和total_age = df['Age'].sum()# 均值average_age = df['Age'].mean()# 计数count = df['Age'].count()四. DataFrame的高级技巧1. 数据透视表数据透视表是一种在DataFrame中进行数据聚合和剖析的弱小工具。它能够依据一个或多个列进行分组，并计算其余列的统计信息。以下是一个简略的数据透视示意例： pivot_table = df.pivot_table(values='Age', index='City', columns='Name', aggfunc='mean')在这个示例中，咱们应用pivot_table()办法创立一个数据透视表。咱们指定了要聚合的值、分组的索引列和用于计算统计信息的列。在这种状况下，咱们以'City'列作为索引，'Name'列作为列，并计算'Age'列的均值。 ...

一、介绍车牌识别系统，基于Python实现，通过TensorFlow搭建CNN卷积神经网络模型，对车牌数据集图片进行训练最初失去模型，并基于Django框架搭建网页端平台，实现用户在网页端输出一张图片辨认其后果，并基于Pyqt5搭建桌面端可视化界面。 在智能交通和车辆监控畛域，车牌辨认技术表演了至关重要的角色。明天，咱们很荣幸地为大家带来一款全新的车牌识别系统，该零碎基于Python语言，采纳深度学习技术中的卷积神经网络（CNN），并且为用户提供了Web和桌面两种接口。 该零碎的外围是一款采纳TensorFlow搭建的CNN模型。CNN作为一种深度学习技术，在图像识别畛域曾经被宽泛地利用。咱们的零碎应用CNN模型对车牌数据集进行训练，从而失去一个可能辨认车牌的模型。这个模型具备较高的准确度，可能解决各种环境下的车牌图片。 Python作为一种简洁且弱小的语言，被咱们选为次要开发语言。Python领有丰盛的库反对，其中就包含TensorFlow和Django。这使得咱们的开发过程更为顺畅，也让咱们的零碎更易于保护和降级。对于用户界面，咱们采纳了Web和桌面两种形式。Web界面基于Django框架开发，用户能够通过浏览器拜访咱们的零碎，上传车牌图片，零碎会在短时间内返回辨认后果。对于桌面界面，咱们基于Pyqt5框架进行开发。Pyqt5是一款创立原生利用的库，应用它咱们可能为用户提供一种更加疾速、便捷的应用形式。 二、成果图片 三、演示视频+代码视频+残缺代码：https://www.yuque.com/ziwu/yygu3z/kxnuztpebgxnp131 三、Pyqt5介绍PyQt5是一种用于创立跨平台应用程序的集成开发环境。它是Qt利用框架的Python绑定，既能创立好看的GUI桌面利用，也可创立简单的网络应用或其它各种程序。 以下是一些PyQt5的次要特点： 跨平台：PyQt5能够在Windows、MacOS、Linux等多种操作系统下运行。弱小的性能：PyQt5领有许多预制的工具和控件，如按钮、文本框、滑块、表格等等，简直所有你想在软件中实现的性能，PyQt5都能提供相应的控件或工具。反对面向对象编程：PyQt5齐全反对面向对象编程，这对于构建大型和简单的应用程序是十分重要的。集成的事件处理：在PyQt5中，事件处理（如鼠标点击、键盘输入等）是通过信号和槽机制来实现的，这种机制使得程序的逻辑更加清晰和稳固。设计师工具：PyQt5还提供了一个名为Qt Designer的图形用户界面，用户能够在这个界面中拖拽控件，轻松地设计出简单的GUI界面。弱小的文档反对：PyQt5领有具体的官网文档，这对于开发者了解和学习PyQt5是十分有帮忙的。总的来说，PyQt5是一款弱小的工具，可能帮忙开发者轻松地创立出跨平台的、好看的、功能丰富的应用程序。 四、CNN卷积神经网络卷积神经网络（Convolutional Neural Network，CNN）是一种在计算机视觉工作中宽泛应用的深度学习模型。因为它在解决图像数据方面的杰出体现，它曾经成为了图像识别、物体检测和宰割等工作的首选模型。以下是一些对于CNN的根本介绍： 卷积层（Convolutional Layer）：这是CNN的外围组成部分。卷积层应用一种称为“卷积”的数学运算来解决输出数据。这种运算波及一个小的权重矩阵，称为“卷积核”或“过滤器”，通过在输出数据上滑动并利用点积运算，从而产生新的特色映射。池化层（Pooling Layer）：池化层通常在一个或多个卷积层前面，用于升高特色映射的维度。这样做能够缩小计算量，也能够提供肯定水平的地位不变性。最常见的池化操作是最大池化和均匀池化。全连贯层（Fully Connected Layer）：全连贯层通常位于CNN的最初，用于将学习到的特色映射转化为最终的分类或回归预测。全连贯层的输入单元数量通常等于工作的类别数量。ReLU激活函数：在CNN中，ReLU（Rectified Linear Unit）是最罕用的激活函数。它能够减少模型的非线性，从而使模型可能学习更简单的模式。反向流传与卷积神经网络训练：卷积神经网络的训练通常采纳梯度降落办法，通过反向流传算法计算每个权重的梯度。训练的指标是最小化预测值与实在值之间的差别。CNN之所以在图像处理工作中表现出色，次要是因为其可能无效地学习部分空间特色，并通过卷积和池化层放弃了地位不变性，这与图像的天然属性高度吻合。 五、示例代码在这个示例中，咱们将展现如何应用TensorFlow和CNN构建一个根本的车牌辨认模型。首先，咱们须要创立一个CNN模型。而后，咱们将应用车牌数据集对该模型进行训练。 以下是用于创立模型和进行训练的Python代码： import tensorflow as tffrom tensorflow.keras.models import Sequentialfrom tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense# 定义模型参数input_shape = (64, 128, 3) # 假如咱们的图片大小为64x128，且为彩色图片num_classes = 34 # 假如咱们有34个不同的字符，包含数字和字母# 创立模型model = Sequential()model.add(Conv2D(32, (3, 3), activation='relu', input_shape=input_shape))model.add(MaxPooling2D((2, 2)))model.add(Conv2D(64, (3, 3), activation='relu'))model.add(MaxPooling2D((2, 2)))model.add(Conv2D(128, (3, 3), activation='relu'))model.add(MaxPooling2D((2, 2)))model.add(Flatten())model.add(Dense(128, activation='relu'))model.add(Dense(num_classes, activation='softmax')) # 分类层应用softmax激活函数# 编译模型model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])# 假如咱们有一个车牌数据集，蕴含图片和对应的标签images = [...] # 形态为(num_samples, 64, 128, 3)的numpy数组labels = [...] # 形态为(num_samples, num_classes)的numpy数组，应用one-hot编码# 训练模型model.fit(images, labels, epochs=10, validation_split=0.2)# 保留模型model.save('license_plate_recognition_model.h5')这段代码创立了一个简略的卷积神经网络（CNN）模型，而后应用车牌数据集对其进行训练。以下是对代码各局部的具体解释： ...

一、介绍文本分类零碎，应用Python作为次要开发语言，通过TensorFlow搭建CNN卷积神经网络对十余种不同品种的文本数据集进行训练，最初失去一个h5格局的本地模型文件，而后采纳Django开发网页界面，实现用户在界面中输出一段文字，辨认其所属的文本品种。在咱们的日常生活和工作中，文本数据无处不在。它们来自各种起源，包含社交媒体、新闻文章、客户反馈、科研论文等。随着大数据和人工智能技术的一直倒退，如何从宏大的文本数据中提取有用的信息，辨认文本的品种，成为了以后数据处理畛域的一个热门课题。咱们很快乐向大家介绍一个全新的文本分类零碎，它将深度学习技术、Python语言与网页利用开发融为一体，以用户敌对的形式提供准确的文本分类服务。 二、成果展现 三、演示视频+代码视频+代码：https://www.yuque.com/ziwu/yygu3z/dm2c902i8cckeayy 四、次要性能这个零碎的外围是一个基于卷积神经网络（CNN）的深度学习模型，通过TensorFlow框架搭建而成。咱们晓得，CNN是一种弱小的模型，最后用于图像识别，但近年来在自然语言解决畛域也展示了惊人的性能。咱们的零碎训练了一个CNN模型，通过对十余种不同品种的文本数据集进行学习，最初失去了一个h5格局的本地模型文件，它能够精确地辨认输出文本的品种。咱们抉择Python作为次要的开发语言，不仅因为Python的简洁、易学和丰盛的开源库，更因为Python在数据迷信和机器学习畛域的广泛应用。应用Python，咱们能更高效地开发和保护零碎，同时也能让更多的开发者参加到咱们的我的项目中来。为了让用户能更不便地应用咱们的文本分类零碎，咱们利用Django开发了一个网页界面。Django是一款开源的Web开发框架，可能帮忙咱们疾速构建高质量的Web利用。在咱们的零碎中，用户能够在界面中输出一段文字，零碎会立刻返回该段文字的分类后果。无论你是数据科学家须要解决大量文本数据，还是一位普通用户想要理解你的文本可能属于哪个类别，咱们的零碎都能为你提供方便、快捷的服务。通过文本分类零碎不仅可能提供准确的分类后果，还具备极高的可扩展性。咱们的零碎设计师心愿这个零碎能适应将来的需要，因而在设计时充分考虑了模块化和组件化。这意味着咱们的零碎能够轻松地增加新的文本品种，或者用新的模型替换现有的模型。这样，无论将来的需要如何变动，咱们的零碎都能轻松应答。综上所述，这个全新的文本分类零碎是一个将深度学习技术、Python语言和Web利用开发联合在一起的高级工具。它不仅能帮忙咱们解决和了解海量的文本数据，也为咱们关上了新的可能性。如果你有解决文本数据的需要，或者对新的技术感兴趣，欢送来试用咱们的零碎。咱们置信，你会发现它是一个弱小而有用的工具。 五、示例代码这是一个根本的示例，形容了如何应用Python和TensorFlow训练一个CNN模型进行文本分类，并应用Django创立一个网页利用来应用这个模型。 应用TensorFlow训练一个CNN模型： import tensorflow as tffrom tensorflow.keras.models import Sequentialfrom tensorflow.keras.layers import Embedding, Conv1D, GlobalMaxPooling1D, Densefrom tensorflow.keras.preprocessing.text import Tokenizerfrom tensorflow.keras.preprocessing.sequence import pad_sequences# 假如咱们有一些训练数据texts = [...] # 输出文本数据labels = [...] # 输出文本对应的类别# 设置词汇表大小和序列长度vocab_size = 10000sequence_length = 100# 应用Tokenizer进行文本预处理tokenizer = Tokenizer(num_words=vocab_size)tokenizer.fit_on_texts(texts)sequences = tokenizer.texts_to_sequences(texts)data = pad_sequences(sequences, maxlen=sequence_length)# 创立CNN模型model = Sequential()model.add(Embedding(vocab_size, 128, input_length=sequence_length))model.add(Conv1D(128, 5, activation='relu'))model.add(GlobalMaxPooling1D())model.add(Dense(10, activation='softmax')) # 假如咱们有10个文本类别# 编译并训练模型model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])model.fit(data, labels, epochs=10, validation_split=0.2)# 保留模型model.save('text_classification_model.h5')应用Django创立一个Web利用： 首先，你须要在你的Django我的项目中创立一个新的app。而后，在views.py文件中，你能够加载你的模型并创立一个视图来解决用户的输出。 from django.shortcuts import renderfrom tensorflow.keras.models import load_modelfrom tensorflow.keras.preprocessing.sequence import pad_sequences# 加载模型model = load_model('text_classification_model.h5')def classify_text(request):if request.method == 'POST': text = request.POST['text'] # 对文本进行预处理 sequences = tokenizer.texts_to_sequences([text]) data = pad_sequences(sequences, maxlen=sequence_length) # 预测文本类别 prediction = model.predict(data) label = prediction.argmax(axis=-1) return render(request, 'classification_result.html', {'label': label})return render(request, 'classify_text.html')在这个视图中，咱们首先查看申请是否是POST申请。如果是，咱们从申请中获取用户输出的文本，对其进行预处理，并应用咱们的模型进行预测。最初，咱们返回一个页面，显示预测的文本类别。 ...

一. 引言在数据分析和可视化畛域，数据的无效出现是至关重要的。Python作为一种弱小的编程语言，提供了多种数据可视化工具和库。其中，Plotly Express是一款受欢迎的数据可视化库，它提供了简略易用的接口和丰盛的图表类型，使得数据可视化变得轻松而欢快。本文将介绍Plotly Express的基本概念和应用办法，帮忙读者疾速入门并把握数据可视化的技巧。 二. 装置Plotly Express在开始之前，咱们须要先装置Plotly Express库。能够通过以下命令应用pip进行装置： pip install plotly_express装置实现后，咱们就能够开始应用Plotly Express进行数据可视化了。 三. 疾速绘图Plotly Express提供了一种疾速绘图的形式，能够轻松地创立各种常见的图表类型。上面是一个简略的示例，展现了如何应用Plotly Express创立一个散点图： import plotly_express as px# 创立数据data = px.data.iris()# 绘制散点图fig = px.scatter(data_frame=data, x="sepal_width", y="sepal_length", color="species")# 显示图表fig.show()在这个示例中，咱们应用了鸢尾花数据集（iris）来创立一个散点图。通过指定x和y轴的数据列，并应用color参数对数据进行分类，咱们能够轻松地生成一个带有不同色彩分类的散点图。 四. 自定义图表除了疾速绘图外，Plotly Express还反对自定义图表的各个方面，包含标签、题目、轴标签、布局等。上面是一个示例，展现了如何自定义一个条形图： import plotly_express as px# 创立数据data = px.data.tips()# 绘制条形图fig = px.bar(data_frame=data, x="day", y="total_bill", color="sex", barmode="group", labels={"day": "Weekday", "total_bill": "Total Bill", "sex": "Gender"}, title="Total Bill by Weekday and Gender", template="plotly_dark")# 设置坐标轴题目fig.update_xaxes(title_text="Weekday")fig.update_yaxes(title_text="Total Bill")# 显示图表fig.show()在这个示例中，咱们应用了小费数据集（tips）来创立一个条形图。通过指定x和y轴的数据列，并应用color参数对数据进行分类，咱们能够生成一个带有分组和自定义题目的条形图。通过update\_xaxes()和update\_yaxes()办法，咱们能够设置坐标轴的题目。同时，咱们还应用了barmode参数来定义条形图的展现形式，并通过labels参数来自定义标签。最初，通过title参数设置了图表的题目，并应用template参数抉择了一个暗色调的主题。 五. 高级数据可视化除了常见的图表类型，Plotly Express还反对许多高级数据可视化技术，如面积图、热力求、平行坐标图等。这些图表类型能够帮忙咱们更深刻地了解和剖析数据。以下是一个展现如何创立面积图的示例： import plotly_express as px# 创立数据data = px.data.gapminder()# 绘制面积图fig = px.area(data_frame=data, x="year", y="pop", color="continent", line_group="country", labels={"year": "Year", "pop": "Population", "continent": "Continent", "country": "Country"}, title="Population Over Time by Continent", template="plotly_dark")# 显示图表fig.show()在这个示例中，咱们应用了Gapminder数据集来创立一个面积图。通过指定x和y轴的数据列，并应用color参数对数据进行分类，咱们能够生成一个依据大陆划分的人口随工夫变动的面积图。通过line_group参数，咱们能够将数据依照国家进行分组，并展现每个国家的数据变动。 ...

你好，我是猫哥。这里记录每周值得分享的 Python 及通用技术内容，局部为英文，已在小标题注明。（题目取自其中一则分享，不代表全部内容都是该主题，特此申明。） 博客原文：https://pythoncat.top/posts/2023-06-03-weekly5 文章&教程1、并发一百万个工作要用多少内存？（英文） 文中测试了支流的编程语言（Rust、Go、Java、C#、Python、Node.js 和 Elixir），顺次运行 1 个、1 万、10 万和 100 万个工作，统计了这些语言所耗费的内存。随着任务量减少，它们的排名呈现了较大变动，让我感觉挺意外的。 2、应用这些办法让你的 Python 并发工作执行得更好 （英文） 应用 asyncio 有什么最佳实际呢？这篇文章介绍了 asyncio.gather、asyncio.as_completed 和 asyncio.wait API，还介绍了 Python 3.11 中引入的新 asyncio.TaskGroup 个性。（附一篇不残缺的译文） 3、上岸第一剑，编程语法必修：Python 并发编程 一篇长文，以四个章节（网络编程、多线程、多过程、协程）全面介绍了 Python 并发编程的知识点。 4、Python 多线程编程的终极指南 （英文） 也是一篇长文，介绍了 Python 多线程编程的方方面面，真的是一份终极指南。 5、编程语言是如何实现并发的之并发模型篇 仍然是长文，介绍了常见的并发模型及不同编程语言是如何实现的。它的姊妹篇是《编程语言是如何实现并发的之操作系统篇》，都是图文并茂，材料翔实。 6、鹅厂程序员的 9 个生存法令 作者分享了本人工作多年对代码设计、架构设计和工作思维的教训，比方 DRY 准则、SOLID 准则、高可用设计、如何想尽一切办法“偷懒”，等等。（文中提到了面向对象编程的准则，这里顺便举荐另一位鹅厂程序员的《Python工匠》系列的第 12-14 章） 7、一览 Python 3.12！PEP 701 —— f-string 语法规范化 f-string 是 Python 最好用的个性之一，但它也有诸多限度。行将公布的 3.12 会对 f-string 作语法规范化，详情可查看 PEP-701 。这里分享的文章带大家直观地感触了这个改变在代码的词法解析（lexing）层面的不同。 ...

一. SciPy简介SciPy是一个弱小的Python库，提供了丰盛的科学计算和数据分析工具。它建设在NumPy库的根底上，为科学家和工程师提供了许多高效的数值算法和统计函数。在本文中，咱们将探讨如何应用Python和SciPy库进行统计分析和建模，包含描述性统计、假设检验、回归剖析以及更高级的统计建模技术。 二. 装置SciPy在开始之前，咱们须要先装置SciPy库。能够应用pip命令进行装置： pip install scipy三. 描述性统计描述性统计是数据分析的根底，它能够帮忙咱们了解数据的散布和特色。应用SciPy，咱们能够轻松地计算数据集的各种描述性统计信息，如均值、中位数、标准差、偏度和峰度等。 以下是一个示例，展现了如何应用SciPy计算一个随机数据集的描述性统计信息： import numpy as npfrom scipy import stats# 创立一个随机数据集data = np.random.randint(0, 100, size=100)# 计算均值mean = np.mean(data)# 计算中位数median = np.median(data)# 计算标准差std_dev = np.std(data)# 计算偏度和峰度skewness = stats.skew(data)kurtosis = stats.kurtosis(data)print("均值:", mean)print("中位数:", median)print("标准差:", std_dev)print("偏度:", skewness)print("峰度:", kurtosis)这些描述性统计信息能够帮忙咱们理解数据的核心趋势、散布形态以及是否存在异样值。 四. 假设检验假设检验是统计学中罕用的办法，用于对数据集进行统计推断。它能够帮忙咱们判断样本之间的差别是否具备统计学意义。SciPy提供了多种假设检验办法，包含独立样本t测验、配对样本t测验、方差分析等。 以下是一个示例，展现了如何应用SciPy执行独立样本t测验来比拟两个样本之间的均值差别： from scipy import stats# 创立两个样本sample1 = [1, 2, 3, 4, 5]sample2 = [2, 4, 6, 8, 10]# 执行独立样本t测验t_statistic, p_value = stats.ttest_ind(sample1, sample2)print("t统计量:", t_statistic)print("p值:", p_value)在这个示例中，咱们应用了独立样本t测验来比拟两个样本的均值差别。t统计量示意样本之间的均值差别水平，p值示意差别是否具备统计学意义。通过假设检验，咱们能够判断两个样本之间是否存在显著差别。 五. 回归剖析与建模回归剖析是一种统计建模技术，用于摸索变量之间的关系并进行预测。SciPy提供了线性回归剖析的性能，能够帮忙咱们建设线性回归模型并进行模型评估。 ...

引言LightGBM是一个风行的梯度晋升库，它由微软开发，并在多个机器学习比赛中获得了优良的体现。它的次要长处是速度快且效率高，能够解决大规模的数据。在本文中，咱们将学习如何应用Python和LightGBM进行机器学习。 装置LightGBM咱们能够应用pip或conda在Python环境中装置LightGBM。在命令行中运行以下命令： pip install lightgbm或者， conda install -c conda-forge lightgbm开始应用LightGBMLightGBM应用接口相似于scikit-learn，让咱们以一个分类问题为例，展现如何应用LightGBM。 首先，咱们导入必要的库： import lightgbm as lgbfrom sklearn.model_selection import train_test_splitfrom sklearn.datasets import load_breast_cancer而后，咱们加载数据并划分训练集和测试集： # 加载数据data = load_breast_cancer()X = data.datay = data.target# 划分训练集和测试集X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)接下来，咱们创立并训练模型： # 创立模型model = lgb.LGBMClassifier()# 训练模型model.fit(X_train, y_train)最初，咱们应用测试集评估模型的性能： # 预测y_pred = model.predict(X_test)# 计算准确率accuracy = (y_pred == y_test).mean()print(f"Accuracy: {accuracy}")参数调优与其余机器学习算法一样，LightGBM的性能也依赖于其参数设置。以下是一些常见的参数和它们的含意： n_estimators：用于管制模型中树的数量。learning_rate：用于管制每棵树对最终预测的奉献。max_depth：用于管制每棵树的最大深度。num_leaves：用于管制每棵树的叶子数量。min_data_in_leaf：一个叶子上的最小数据数量。在理论应用中，咱们通常须要通过穿插验证和网格搜寻等办法来寻找最佳的参数组合。 论断LightGBM是一个弱小而高效的梯度晋升库，它在解决大规模数据和高维特色时，体现出了极高的效率。通过应用Python和LightGBM，咱们能够轻松地实现高效的机器学习模型。 让咱们持续深刻，理解一下更简单的LightGBM模型中的参数优化： 特色重要性LightGBM提供了特色重要性的评估，这对于了解哪些特色对预测后果最有影响十分有用。咱们能够通过以下代码获取特色重要性： import pandas as pdimport matplotlib.pyplot as plt# 获取特色名称和重要性feature_imp = pd.DataFrame(sorted(zip(model.feature_importances_,data.feature_names)), columns=['Value','Feature'])# 画出特色重要性plt.figure(figsize=(20, 10))sns.barplot(x="Value", y="Feature", data=feature_imp.sort_values(by="Value", ascending=False))plt.title('LightGBM Features Importance')plt.tight_layout()plt.show()调参技巧因为LightGBM有很多可调参数，可能须要一些策略来无效地搜寻参数空间。通常，你能够先设置一个绝对较小的learning_rate和较大的n_estimators，而后应用网格搜寻或随机搜寻找到最优的max_depth、num_leaves和min_data_in_leaf。找到这些参数后，你能够减少learning_rate和缩小n_estimators，看看模型的性能是否能够进一步提高。 ...

PyQt5是一个Python绑定的跨平台C++库，用于创立丰盛的图形用户界面（GUI）。它是Qt库的Python接口，Qt库由Qt公司开发，用于开发GUI程序，也称作应用程序框架。在此，咱们将具体介绍如何应用PyQt5创立图形用户界面。 一、装置PyQt5在开始之前，咱们须要确保曾经在Python环境中装置了PyQt5。如果还没有装置，能够在命令行中输出以下指令进行装置： pip install pyqt5此外，咱们还须要装置PyQt5的工具包，蕴含一些额定的工具和库： pip install pyqt5-tools二、创立一个简略的窗口在PyQt5中，咱们能够应用QWidget类创立一个窗口。以下是一个简略的窗口示例： import sysfrom PyQt5.QtWidgets import QApplication, QWidgetdef main(): app = QApplication(sys.argv) w = QWidget() w.resize(250, 150) w.move(300, 300) w.setWindowTitle('Simple') w.show() sys.exit(app.exec_())if __name__ == '__main__': main()在这个示例中，咱们首先导入了须要的模块，而后定义了一个main函数。在这个函数中，咱们首先创立了一个QApplication对象，这是每个PyQt5应用程序都须要的。而后，咱们创立了一个QWidget对象，这将成为咱们的窗口。咱们应用resize办法设置窗口的大小，应用move办法设置窗口在屏幕上的地位，应用setWindowTitle办法设置窗口的题目。最初，咱们应用show办法显示窗口。 三、增加控件在PyQt5中，咱们能够增加各种控件，如按钮、文本框、标签等，来丰盛咱们的GUI。以下是一个增加按钮的示例： import sysfrom PyQt5.QtWidgets import QApplication, QWidget, QPushButtondef main(): app = QApplication(sys.argv) w = QWidget() w.resize(250, 150) button = QPushButton('Button', w) button.move(50, 50) w.setWindowTitle('Simple') w.show() sys.exit(app.exec_())if __name__ == '__main__': main()在这个示例中，咱们首先创立了一个QPushButton对象，并将其父对象设置为w，这意味着按钮将显示在w窗口上。而后，咱们应用move办法设置按钮在窗口上的地位。 四、信号与槽PyQt5中的事件处理是通过信号和槽机制实现的。当特定事件产生时，会发出信号；槽能够被认为是接管信号的函数，当与其关联的信号被收回时，槽就会被执行。以下是一个简略的信号和槽示例： import sysfrom PyQt5.QtWidgets import QApplication, QWidget, QPushButtonclass Example(QWidget): def __init__(self): super().__init__() self.initUI() def initUI(self): btn = QPushButton('Button', self) btn.clicked.connect(self.buttonClicked) btn.resize(btn.sizeHint()) btn.move(50, 50) self.setGeometry(300, 300, 300, 200) self.setWindowTitle('Signal and slot') self.show() def buttonClicked(self): print('Button clicked!')if __name__ == '__main__': app = QApplication(sys.argv) ex = Example() sys.exit(app.exec_())在这个示例中，咱们首先创立了一个Example类，它继承了QWidget。在这个类的构造函数中，咱们调用了initUI办法来初始化用户界面。在initUI办法中，咱们创立了一个按钮，并将按钮的clicked信号连贯到buttonClicked办法。这意味着当按钮被点击时，buttonClicked办法将被执行，打印出"Button clicked!"。 ...

你好，我是猫哥。这里记录每周值得分享的 Python 及通用技术内容，本期是特地加更版，聚焦于 Python 官网 2023 年语言峰会的系列博客。 博客原文：https://pythoncat.top/posts/2023-05-31-weekly4 每年在 PyCon US 开始之前，Python 外围开发者、维护者和特邀嘉宾都会聚在一起加入 Python 语言峰会：这是一个为期一天的谈判流动，探讨 Python 的将来方向。 往年的流动刚完结一个月，PSF 在本周一公布了多篇博客，回顾了峰会上的一些演讲内容。本期周刊将这些文章进一步作了摘要，分享给大家： 1、Three Talks on the C API 这是对于 C API 的三场演讲。首先，Mark Shannon 和 Guido van Rossum 提及以后 C API 对第三方扩大的反对不够，常常在降级版本时毁坏它们的性能。会上的论断是收集 C API 的问题清单，再制订解决方案。 另一场演讲是对于 HPy，它是一个用于编写 Python 扩大模块的新的 API，旨在解决 CPython C API 的一些限度和问题。它的益处是编写的扩大模块能够在不同的 Python 实现中运行，例如 CPython 和 PyPy。然而，演讲者想要官网将它作为举荐计划的想法没有失去反对，一方面的起因是它还不够欠缺，更重要的起因则是 Guido 评论的自上而下的办法行不通。HPy 仿佛是挺不错的克服 C API 问题的计划，但它要取代 C API 的位置，还为时尚早。 2、Making the Global Interpreter Lock Optional ...

欢送来到咱们的系列博客《Python全景系列》第九篇！在这个系列中，咱们将率领你从Python的基础知识开始，一步步深刻到高级话题，帮忙你把握这门弱小而灵便的编程语法。无论你是编程老手，还是有肯定根底的开发者，这个系列都将提供你须要的常识和技能。 装璜器在 Python 中表演了重要的角色，这是一种精美的语言个性，让咱们可能批改或加强函数和类的行为，无需批改它们的源代码。这篇文章将深入探讨装璜器的所有相干主题，包含装璜器的基础知识、实现与应用、工作原理，以及通过理论例子学习装璜器的独特用法。 Python 装璜器深入探讨在 Python 中，装璜器提供了一种简洁的形式，用来批改或加强函数和类的行为。装璜器在语法上体现为一个前置于函数或类定义之前的非凡标记： @simple_decoratordef hello_world(): print("Hello, world!")在这个例子中，simple_decorator 是一个装璜器，它作用于下方的 hello_world 函数。装璜器在概念上就像一个包装器，它能够在被装璜的函数执行前后插入任意的代码，进而扭转被装璜函数的行为。 参数化装璜器咱们还能够进一步将装璜器参数化，这让装璜器的行为更具灵活性。比方，咱们能够定义一个装璜器，让它在函数执行前后打印自定义的音讯： def message_decorator(before_message, after_message): def decorator(func): def wrapper(*args, **kwargs): print(before_message) result = func(*args, **kwargs) print(after_message) return result return wrapper return decorator@message_decorator("Start", "End")def hello_world(): print("Hello, world!")在这个例子中，message_decorator 是一个参数化装璜器，它承受两个参数，别离代表函数执行前后要打印的音讯。 了解装璜器的工作原理在 Python 中，函数是第一类对象。这意味着函数和其余对象一样，能够作为变量进行赋值，能够作为参数传给其余函数，能够作为其余函数的返回值，甚至能够在一个函数外面定义另一个函数。这个个性是实现装璜器的根底。 def decorator(func): def wrapper(): print('Before function execution') func() print('After function execution') return wrapperdef hello_world(): print('Hello, world!')decorated_hello = decorator(hello_world)decorated_hello()在这个例子中，decorator 函数接管一个函数 hello_world 作为参数，并返回了一个新的函数 wrapped_func。这个新函数在 hello_world 函数执行前后别离打印一条音讯。咱们能够看到，装璜器实际上是一个返回函数的函数。 ...

一、引言RESTful API设计是古代Web和挪动利用开发中的重要组成部分。在Python中，有很多库和框架能够帮忙咱们创立RESTful API，如Flask、Django等。然而，这些框架在设计上偏向于全栈Web开发，可能蕴含许多咱们在创立RESTful API时不须要的个性。而Falcon，一个专一于创立高性能、轻量级的RESTful API的Python框架，就能够更好地满足咱们的需要。 二、Falcon框架介绍Falcon是一个低级别的Web框架，专为构建RESTful APIs设计。它的次要特点是简洁、疾速和牢靠。Falcon不蕴含简单的ORM、表单验证等性能，而是专一于HTTP和REST。通过Falcon，咱们能够更间接、更准确地管制API的行为。 要装置Falcon，咱们能够间接应用pip： pip install falcon三、创立一个简略的API在Falcon中，咱们通过定义资源类，并将它们与特定的URL门路关联，来定义API的行为。一个资源类蕴含一个或多个解决HTTP办法的办法，如on_get、on_post等。 以下是一个创立简略API的示例： # 导入falcon库import falcon# 定义一个资源类class HelloResource: def on_get(self, req, resp): resp.media = {'message': 'Hello, World!'}# 创立一个API实例api = falcon.API()# 将资源类与URL门路关联api.add_route('/', HelloResource())这段代码创立了一个API，当咱们向'/'门路发送GET申请时，它会返回一个蕴含"Hello, World!"音讯的JSON对象。 四、解决申请和响应在Falcon的资源类办法中，咱们能够拜访到申请（req）和响应（resp）对象。这些对象提供了丰盛的接口，让咱们能够不便地解决HTTP申请和响应。 申请对象（req）提供了许多属性，如method（申请办法）、url（申请URL）、params（查问参数）、headers（申请头）等。咱们能够通过这些属性获取到申请的详细信息。 响应对象（resp）则让咱们能够管制HTTP响应的各个方面，如状态码、头部、注释等。例如，咱们能够应用resp.status属性设置响应的状态码，应用resp.media属性设置响应的JSON注释。 五、错误处理Falcon提供了一种错误处理机制，使咱们能够为特定的异样定义处理程序。当这种异样在资源类办法中被抛出时，Falcon将调用对应的处理程序，以返回适当的HTTP响应。 例如，以下是一个错误处理的示例： # 导入falcon库import falcon# 定义一个资源类class HelloResource: def on_get(self, req, resp): raise falcon.HTTPNotFound()# 定义一个谬误处理函数def handle_not_found(ex, req, resp, params): resp.status = falcon.HTTP_404 resp.media = {'message': 'Resource not found'}# 创立一个API实例api = falcon.API()# 设置谬误处理函数api.add_error_handler(falcon.HTTPNotFound, handle_not_found)# 将资源类与URL门路关联api.add_route('/', HelloResource())在这个例子中，咱们定义了一个谬误处理函数handle_not_found，并将其关联到falcon.HTTPNotFound异样。当HelloResource的on_get办法抛出这种异样时，Falcon会调用handle_not_found函数解决这个异样。 ...

mysql server 版本：8.0.31 Q: 对于 mysql 协定，insert 的返回值外面蕴含什么信息？是否蕴含 insert_id？ A: 通过 wireshark 抓包，后果如下: 执行 sql： INSERT IGNORE INTO `user` (`name`, `age`) VALUES ('1', 25), ('2', 25), ('2', 25);mysql server 返回的内容如下： Q：mysql 一次插入多行数据，获取的 insert_id 是第一行的 id 还是最初一行的 id？ A： 从上图可知，是第一个！mysql 的开发人员真是一群笨蛋！ 测试代码如下： from loguru import loggerfrom peewee import *import settingsfrom playhouse.shortcuts import ReconnectMixinfrom pymysql.cursors import Cursorhost = settings.MYSQL_CONFIG.hostport = settings.MYSQL_CONFIG.portusername = settings.MYSQL_CONFIG.usernamepassword = settings.MYSQL_CONFIG.passworddatabase_name = settings.MYSQL_CONFIG.database_nameclass ReconnectMySQLDatabase(ReconnectMixin, MySQLDatabase): passdb = ReconnectMySQLDatabase( database=database_name, host=host, port=port, user=username, password=password, charset='utf8mb4')class User(Model): name = CharField(unique=True) age = IntegerField() created_at = DateTimeField( null=False, constraints=[SQL('DEFAULT CURRENT_TIMESTAMP')], help_text='应用数据库工夫' ) updated_at = DateTimeField( null=False, constraints=[ SQL('DEFAULT CURRENT_TIMESTAMP'), SQL('ON UPDATE CURRENT_TIMESTAMP'), ] ) class Meta: database = db table_name = 'user'model_set = [User]db.drop_tables(model_set)db.create_tables(model_set)with db.cursor() as cursor: cursor: Cursor sql = """ INSERT IGNORE INTO `user` (`name`, `age`) VALUES ('1', 25), ('2', 25), ('2', 25); """.strip() print('affected_rows: ', cursor.execute(sql)) print('lastrowid: ',cursor.lastrowid) cursor.connection.commit() # 这里必须要提交，不然所有的查问都会处于一个事务中

首先传递的参数是门路的字符串不如看代码？ import osfile_dir = r"E:\dataset"files_path = []for root, dirs, files in os.walk(file_dir): for file in files: path = os.path.join(root, file) files_path.append(path)root保留的就是以后遍历的文件夹的绝对路径；dirs保留以后文件夹下的所有子文件夹的名称（仅一层，孙子文件夹不包含）files保留以后文件夹下的所有文件的名称

一、Tornado简介Tornado是一个应用Python编写的高效、非阻塞的web服务器软件和网络库。它被设计用于解决数以千计的并发连贯，这是因为其非阻塞的I/O解决形式。Tornado最后是由FriendFeed开发的，这是一个社交聚合服务，起初被Facebook收买。Tornado通常被用于实时Web服务，须要解决大量长连贯的状况。 二、装置和Hello World示例首先，咱们须要在Python环境中装置Tornado。在命令行中输出以下指令即可： pip install tornado装置实现后，咱们能够编写一个最根本的Tornado利用，即Hello World： import tornado.ioloopimport tornado.webclass MainHandler(tornado.web.RequestHandler): def get(self): self.write("Hello, world")def make_app(): return tornado.web.Application([ (r"/", MainHandler), ])if __name__ == "__main__": app = make_app() app.listen(8888) tornado.ioloop.IOLoop.current().start()上述代码定义了一个简略的HTTP服务器，对于根URL("/")的GET申请，返回"Hello, world"。而后，咱们在本地的8888端口上启动了这个服务器。 三、路由和申请解决在Tornado中，每个HTTP申请都由一个RequestHandler子类进行解决。这个子类须要定义一个对应于HTTP办法（如GET或POST）的办法。在上述的Hello World示例中，咱们定义了一个get()办法来响应GET申请。 每个RequestHandler子类都关联一个URL模式，这个模式由Application的路由配置决定。例如，以下代码将URL模式"/user"关联到了UserHandler： def make_app(): return tornado.web.Application([ (r"/user", UserHandler), ])这意味着，对于URL"/user"的申请，将由UserHandler进行解决。 四、模板和UITornado蕴含一个弱小的模板语言，使得生成动静HTML变得简略。在Tornado模板中，咱们能够应用Python表达式，也能够应用控制流语句如for循环和if条件。 以下是一个Tornado模板的例子： <html> <head> <title>{{ title }}</title> </head> <body> <ul> {% for item in items %} <li>{{ escape(item) }}</li> {% end %} </ul> </body></html>在这个模板中，{{ title }}和{{ escape(item) }}是Python表达式，它们将被相应的值替换。{% for item in items %}和{% end %}则形成了一个for循环，用于生成一个列表。 ...

欢送来到咱们的系列博客《Python全景系列》！在这个系列中，咱们将率领你从Python的基础知识开始，一步步深刻到高级话题，帮忙你把握这门弱小而灵便的编程语法。无论你是编程老手，还是有肯定根底的开发者，这个系列都将提供你须要的常识和技能。 欢送来到系列第八篇，异样解决的深入探讨。本文将分五局部开展。首先，咱们将学习Python异样解决的基础知识，了解try/except语句的用法。而后，咱们将理解Python的常见异样类型并通过实例了解它们的作用。第三局部，咱们将更深刻地解析try-except块，了解其工作原理及更加简单的用法。在第四局部，咱们会介绍如何自定义异样，并探讨其利用场景。最初，咱们将介绍上下文管理器在异样解决中的利用。结尾处，咱们将分享一个较少人知但十分有用的异样解决技巧，以帮忙你编写更加强壮的Python代码。 Python异样解决根底异样是Python中谬误的一种表现形式。当在程序中产生一个谬误时，Python通常会进行执行以后的操作，并抛出一个异样。咱们能够应用try/except语句来捕捉并解决这些异样，以防止程序忽然解体。以下是其根本语法： try: # 这里是可能产生异样的代码except ExceptionType: # 这里是解决异样的代码Python常见异样类型Python有许多内置的异样类型，如IndexError、TypeError、ValueError等等。这些异样通常示意程序中的某种特定类型的谬误。例如，当咱们尝试拜访一个不存在的索引时，Python会抛出IndexError。 try: list = [1, 2, 3] print(list[5]) # 这里会抛出IndexErrorexcept IndexError: print("Caught an IndexError.")深刻了解try-except块try-except块是Python异样解决的根底。其功能丰富且灵便，能够应答多种场景。咱们能够在try语 句前面指定多个except块，每个except块解决一种特定的异样。此外，还能够通过else和finally子句进行更粗疏的管制。 try: # 这里是可能产生异样的代码except TypeError: # 这里是解决TypeError的代码except ValueError: # 这里是解决ValueError的代码else: # 如果没有异样被抛出，这里的代码将被执行finally: # 不管是否抛出异样，这里的代码总会被执行创立自定义异样有时，Python内置的异样类型无奈满足咱们的需要，这时，咱们能够自定义异样。自定义异样是一个类，它应该继承自Exception类或其子类。咱们能够像应用内置异样一样应用自定义异样。 class MyException(Exception): pass应用上下文管理器进行异样解决Python的with语句和上下文管理器提供了一种简洁的资源管理形式，同时也能够用来解决异样。通过定义上下文管理器的__enter__和__exit__办法，咱们能够在资源的获取和开释阶段增加自定义的操作，包含异样解决。 class MyContextManager: def __enter__(self): # 在with语句体执行前，这里的代码将被执行 pass def __exit__(self, exc_type, exc_val, exc_tb): # 在with语句体执行后，不管是否有异样，这里的代码都将被执行 if exc_type: # 如果有异样，能够在这里解决 passwith MyContextManager(): # with语句体 passOne More Thing最初，我想分享的是，Python的异样是一种对象，它们蕴含了无关谬误的各种信息。咱们能够在except块中获取这些信息，甚至能够批改它。这是一个较少人知，但十分有用的技巧。例如，咱们能够依据异样的具体信息来确定如何解决它，或者批改异样的音讯以使其更合乎咱们的需要。 try: raise ValueError("This is a custom message.")except ValueError as e: print(f"Caught an exception: {e}") e.args = ("This is a new message.",) raise在这个例子中，咱们捕捉了一个ValueError异样，打印了它的音讯，而后批改了它的音讯，并从新抛出了这个异样。当初，这个异样的音讯曾经被批改，任何后续的异样解决代码都会看到新的音讯。 ...

<~生~信~交~流~与~合~作~请~关~注~公~众~号@生信摸索> 代码地址 https://jihulab.com/BioQuest/smkhsshttps://github.com/BioQuestX/smkhssGATK best practices workflow Pipeline summary SnakeMake workflow for Human Somatic short variants (SNP+INDEL) Expected fastq inputsMatched normal and tumor samples. ReferenceReference genome related files and GTAK budnle files (GATK)VEP Variarition annotation files (VEP)PrepareAdapter trimming (Fastp)Aligner (BWA mem2)Mark duplicates (samblaster)Generates recalibration table for Base Quality Score Recalibration (BaseRecalibrator)Apply base quality score recalibration (ApplyBQSR)Merge CRAMs of every sample, repesectly (Picard)Create CRAM index (samtools)Quality control reportFastp report (MultiQC)Alignment report (MultiQC)CallCall somatic SNVs and indels via local assembly of haplotypes (Mutect2)Tabulates pileup metrics for inferring contamination (GetPileupSummaries)Calculate the fraction of reads coming from cross-sample contamination (CalculateContamination)Get the maximum likelihood estimates of artifact prior probabilities in the orientation bias mixture model filter (LearnReadOrientationModel)Filter somatic SNVs and indels called by Mutect2 (FilterMutectCalls)Merge all the VCF files (Picard)AnnotationAnnotate variant calls with VEP (VEP) ...

答案：先有 “类属性”，再有 “运行 metaclass” # 定义一个元类class CustomMetaclass(type): def __new__(cls, name, bases, attrs): print('> cls', cls) print('> name', name) print('> attrs', attrs) print('> cls dict', cls.__dict__) # 在创立类时批改属性 new_attrs = {} for attr_name, attr_value in attrs.items(): if isinstance(attr_value, str): new_attrs[attr_name] = attr_value.upper() else: new_attrs[attr_name] = attr_value obj = super().__new__(cls, name, bases, new_attrs) print(obj.__dict__) print(type(obj)) return obj# 应用元类创立类class MyClass(metaclass=CustomMetaclass): name = 'John' age = 30 greeting = 'Hello' def say_hello(self): print(self.greeting)# 创立类的实例并调用办法obj = MyClass()print(obj.name) # 输入: 'JOHN'print(obj.age) # 输入: 30obj.say_hello() # 输入: 'Hello'输入后果如下： ...

一、引言Python是一门易学易用的编程语言，因而在许多畛域都有宽泛的利用。然而，Python的执行速度相比于C、C++等编译语言通常会慢一些。在某些对计算性能有高要求的畛域，如科学计算、数据处理等，这个问题就变得尤为重要。为了解决这个问题，一种名为Cython的语言应运而生。 Cython是Python的一种扩大，容许Python代码调用C库，同时还提供了一些额定的语法来申明变量的类型，从而优化代码的运行速度。本文将深刻介绍如何应用Cython来晋升Python代码的运行性能。 二、装置Cython在Python环境中，咱们能够应用pip命令来装置Cython： pip install Cython三、根本语法Cython的根本语法和Python类似，但它引入了一些新的语法来申明变量的类型。以下是一个Cython代码的例子： def sum(int a, int b): return a + b在这个例子中，咱们应用int关键词来申明参数a和b的类型。这将帮忙Cython生成更高效的C代码。 四、编译和运行Cython代码要运行Cython代码，咱们须要将其编译成C代码，而后再将C代码编译成可执行文件。咱们能够通过以下步骤实现这个过程： 编写一个setup.py文件：这个文件将领导Cython如何编译咱们的代码。以下是一个setup.py文件的例子： from setuptools import setupfrom Cython.Build import cythonizesetup( ext_modules = cythonize("example.pyx"))在这个文件中，咱们应用cythonize函数来指定咱们想要编译的Cython文件。留神，Cython文件的扩展名应该是.pyx。 编译Cython代码：咱们能够在命令行中运行以下命令来编译咱们的Cython代码： python setup.py build_ext --inplace这个命令将生成一个名为example.so（在Unix零碎）或example.pyd（在Windows零碎）的文件。这个文件是咱们的Cython代码编译后的后果。 运行Cython代码：当初，咱们能够在Python中导入并运行咱们的Cython代码了： import exampleprint(example.sum(1, 2))这就是Cython的根本用法。通过编写Cython代码和相应的setup.py文件，咱们能够轻松地晋升Python代码的运行性能。 五、用Cython优化代码Cython最弱小的性能之一是它可能优化Python代码的运行速度。为了达到这个目标，咱们能够在Cython代码中申明变量的类型。以下是一个例子： def list_sum(list values): cdef int i, sum = 0 for i in values: sum += i return sum在这个例子中，咱们应用cdef关键词来申明变量i和sum的类型。这将帮忙Cython生成更高效的C代码。 要留神的是，尽管类型申明能够进步代码的运行速度，但它也会使代码失去一些Python的灵活性。例如，如果咱们尝试将一个非整数值增加到sum中，咱们将失去一个谬误。因而，在应用Cython优化代码时，咱们须要衡量速度和灵活性。 六、调用C函数除了优化Python代码，Cython还容许咱们间接调用C函数。这对于应用C库的Python程序来说是十分有用的。 在Cython中，咱们能够应用cdef extern语句来申明内部的C函数。以下是一个例子： cdef extern from "math.h": double sin(double x)print(sin(0.5))在这个例子中，咱们申明了C库math.h中的sin函数，而后在Python代码中调用了它。这使得咱们能够在Python中间接应用C库的性能。 七、论断Cython是一个十分弱小的工具，它能够帮忙咱们晋升Python代码的性能，同时还容许咱们间接调用C库。尽管Cython的语法比Python略微简单一些，但它的高效性和灵活性使得学习它的投入是值得的。心愿通过本文的介绍，您可能把握Cython的根本用法，以及如何应用它来优化Python代码的运行速度。

要查看一个 Peewee 模型（Model）自定义了哪些字段，能够应用模型的 ._meta.fields 属性。这个属性返回一个蕴含模型字段的字典，其中键是字段名称，值是字段对象。 上面是一个示例代码，展现了如何查看 Peewee 模型自定义的字段： from peewee import Model, CharField, IntegerFieldclass Person(Model): name = CharField() age = IntegerField()# 获取 Person 模型的自定义字段custom_fields = Person._meta.fields# 遍历字段字典并打印字段名称和类型for field_name, field_obj in custom_fields.items(): print(field_name, field_obj)在上述示例中，咱们定义了一个名为 Person 的 Peewee 模型，它蕴含了自定义的 name 和 age 字段。 通过拜访 Person._meta.fields 属性，咱们能够获取到模型的自定义字段字典。而后，咱们能够遍历该字典，并打印每个字段的名称和类型。 请留神，._meta.fields 属性仅返回模型自定义的字段，而不包含默认的内置字段（例如 id 字段）。如果您想获取所有字段，包含默认的内置字段，请应用 Person._meta.sorted_fields 属性。 这样，您就能够应用 Peewee 提供的属性来查看模型自定义的字段，并进一步操作这些字段的属性和值。

介绍商品识别系统采纳了Python、TensorFlow、ResNet50算法以及Django等技术栈。其中，Python作为次要的编程语言，它的清晰简洁的语法使得代码易于浏览和编写。TensorFlow则是一个弱小的开源机器学习库，咱们的商品辨认模型就是基于此构建的。另外应用ResNet50算法，作为深度学习畛域的一种卷积神经网络，其深度为50层，有着十分弱小的特色学习和图像识别能力。咱们抉择ResNet50是因为它在许多视觉工作中都展现出了卓越的性能，尤其在物体和场景辨认上。最初，咱们应用了Django框架构建了用户敌对的网页端。Django是一个基于Python的凋谢源代码的Web利用框架，简洁而弱小，非常适合咱们的我的项目。商品识别系统以用户敌对性和高效性为主导，只须要用户在网页端上传一张商品图片，零碎就能疾速精确地辨认出商品的名称。这个性能为用户提供了极大的不便，尤其是在没有文字描述、或者无奈分明表述商品名称的状况下，用户能够通过简略的操作获取所需的信息。 成果展现 演示视频+代码视频+代码：https://www.yuque.com/ziwu/yygu3z/lrgel1shcg8uf25h 卷积神经网络卷积神经网络（Convolutional Neural Network，CNN）是一种专门用来解决具备相似网格构造的数据的神经网络。这种网格构造的数据包含一维的工夫序列数据，以及二维的图片数据。卷积层是深度学习中罕用的神经网络层，具备部分感知性、参数共享、稠密连贯和下采样等特点。它可能通过滑动一个小窗口在输出数据上进行卷积操作，捕获部分特色，缩小参数量，解决大规模输出数据，并联合池化层提取鲁棒特色。全连贯层（Fully Connected Layer），也被称为密集连贯层或仿射层，是深度学习神经网络中常见的一种层类型。全连贯层的次要特点是每个神经元都与上一层的所有神经元相连接，也与下一层的所有神经元相连接。在全连贯层中，每个神经元都会接管到上一层的所有神经元的输出，并将其输入传递给下一层的所有神经元。这种全连贯的构造使得全连贯层可能解决输出数据的全局信息，从而对整体模式进行学习。例如，在图像分类工作中，全连贯层能够将图像中的各个地位的信息综合起来，学习到高级的特色示意。池化层（Pooling Layer）是深度学习神经网络中罕用的一种层类型，用于缩小特色图的空间维度，提取鲁棒特色并升高模型的计算量。池化层通过将输出数据的部分区域进行聚合，例如取最大值（最大池化）或计算平均值（均匀池化），来缩小特色图的大小。这样能够提取出输出数据的次要特色并且具备肯定水平的平移不变性，同时缩小了后续层的参数数量，进步了模型的计算效率。上面是一个应用TensorFlow构建卷积神经网络（CNN）的示例代码： import tensorflow as tf# 定义卷积神经网络模型def cnn_model(): model = tf.keras.Sequential() # 增加卷积层 model.add(tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1))) model.add(tf.keras.layers.MaxPooling2D((2, 2))) # 增加更多卷积层和池化层 model.add(tf.keras.layers.Conv2D(64, (3, 3), activation='relu')) model.add(tf.keras.layers.MaxPooling2D((2, 2))) # 增加全连贯层 model.add(tf.keras.layers.Flatten()) model.add(tf.keras.layers.Dense(64, activation='relu')) model.add(tf.keras.layers.Dense(10, activation='softmax')) return model# 创立CNN模型model = cnn_model()# 编译模型model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(), metrics=['accuracy'])# 加载数据集mnist = tf.keras.datasets.mnist(x_train, y_train), (x_test, y_test) = mnist.load_data()# 数据预处理x_train = x_train.reshape(-1, 28, 28, 1) / 255.0x_test = x_test.reshape(-1, 28, 28, 1) / 255.0# 训练模型model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test))上述代码中，首先定义了一个cnn_model函数来构建卷积神经网络模型。模型包含多个卷积层、池化层和全连贯层。而后，通过model.compile办法编译模型，指定优化器、损失函数和评估指标。接下来，加载MNIST数据集，并对输出数据进行预处理。最初，应用model.fit办法来训练模型，并在验证集上进行评估。 ...

一、引言Gensim是一款开源的Python库，用于自然语言解决和信息检索。它次要的性能包含主题建模和文档类似度剖析，这些性能使得Gensim成为文本处理和机器学习工作的弱小工具。在本文中，咱们将介绍如何应用Gensim进行主题建模。 二、装置和根本应用首先，咱们须要在Python环境中装置Gensim库。在命令行中输出以下指令即可： pip install gensim装置实现后，咱们能够开始应用Gensim来进行主题建模。在开始之前，咱们须要导入相应的库。 from gensim import corpora, models三、数据预处理主题建模的第一步是数据预处理，包含去除停用词、标点符号等，以及将文本转化为适宜Gensim解决的模式。在Gensim中，文本数据通常被示意为“词袋”（bag-of-words）模型，即文档被示意为一个词汇的汇合，而不思考词序。 以下是如何进行数据预处理并生成词袋模型的一个示例： # 示例文档documents = ["This is the first document.", "This is the second document.", "And the third one."]# 分词和去除停用词texts = [[word for word in document.lower().split() if word not in ['the', 'is', 'and', 'one']] for document in documents]# 生成词袋模型dictionary = corpora.Dictionary(texts)corpus = [dictionary.doc2bow(text) for text in texts]在这个示例中，咱们首先将文档转化为小写，而后分词，并去除停用词。接下来，咱们应用corpora.Dictionary生成一个词典，而后应用dictionary.doc2bow办法将每个文档转化为词袋模型。在词袋模型中，每个文档被示意为一个词的列表，每个词以一个二元组的模式示意，其中第一个元素是词的id，第二个元素是词在文档中呈现的次数。 四、主题建模在生成了词袋模型后，咱们能够开始进行主题建模了。在Gensim中，主题建模次要通过Latent Dirichlet Allocation (LDA)模型来实现。以下是如何进行主题建模的示例： # 建设LDA模型lda = models.LdaModel(corpus, id2word=dictionary,num_topics=3)# 打印每个主题的关键词for topic in lda.print_topics(): print(topic)在这个示例中，咱们首先应用models.LdaModel建设一个LDA模型，而后应用lda.print_topics()打印每个主题的关键词。这样，咱们就能够看到每个主题的次要关键词，从而对每个主题的内容有一个大抵的理解。 ...

你好，我是豌豆花下猫。这里记录每周值得分享的 Python 及通用技术内容，局部为英文，已在小标题注明。（题目取自其中一则分享，不代表全部内容都是该主题，特此申明。） 文章&教程1、把握Python面向对象编程的要害：类与对象 介绍类和对象概念，通过示例展现 Python 中的类和对象如何工作，包含定义、实例化和继承等。文章出自《Python全景系列》，目前已更新七篇。 2、umongo + motor: 构建高效 MongoDB 利用的最佳组合 介绍如何在 Tornado 中集成 umongo 和 motor，实现用异步非阻塞的形式与 MongoDB 进行交互。文章出自《tornado 并发编程系列》，目前已更新六篇。 3、徒手应用 LangChain 搭建一个 ChatGPT PDF 知识库 演示了如何应用 langchain 和 ChatGPT 搭建一个本地的 PDF 知识库，文中应用了 pdfplumber 解决 PDF 文件、应用 streamlit 绘制 UI 界面。知识库搭建和应用流程图如下： 4、Python 真的是靠一个 switch 来执行字节码的吗？ 一个风行的观点说：CPython 有一个大switch，会依据不同的 opcode 跳到相应的 case 分支去执行字节码。文章提出了质疑，最初的论断是：只有 Python 启用了 computed goto （比方在 Mac 和 Linux 上），字节码的执行就不依赖 switch。而这个性能在 Python 3.2 中就已是默认开启的。 5、SQLite 的文艺复兴 ...

python 如何查看一个函数的参数？应用inspect模块！ 在Python中，您能够应用inspect模块来查看一个函数的参数信息。inspect模块提供了许多用于查看对象的工具函数，其中包含用于获取函数参数信息的函数。 以下是一个示例，展现了如何应用inspect模块来查看函数的参数： import inspectdef my_function(arg1, arg2, *, kwarg1="default", kwarg2="default"): pass# 应用inspect.signature获取函数的签名对象sig = inspect.signature(my_function)# 打印函数的参数信息for name, param in sig.parameters.items(): print(f"Parameter: {name}") print(f" Default value: {param.default}") print(f" Annotation: {param.annotation}") print(f" Kind: {param.kind}") print(f" Required: {param.default == param.empty}") print()在上述示例中，咱们定义了一个名为my_function的函数，它具备多个参数，包含地位参数、关键字参数和默认值参数。 咱们应用inspect.signature函数来获取函数的签名对象sig。而后，咱们遍历签名对象的parameters属性，该属性蕴含了函数的参数信息。 在循环中，咱们打印每个参数的名称、默认值、正文、类型以及是否为必须参数等信息。 请留神，函数的参数信息蕴含在参数对象中，能够通过param.name、param.default、param.annotation等属性进行拜访。param.kind示意参数的品种，例如POSITIONAL_OR_KEYWORD示意地位或关键字参数，KEYWORD_ONLY示意仅关键字参数等。 Q：如果传递给 inspect.signature 的是一个 class，读取的是 class 的 __init__ 吗 A: 是的，如果您将一个类（class）作为参数传递给inspect.signature函数，它将读取类的__init__办法的签名信息。 在Python中，__init__办法是类的构造函数，用于初始化类的实例。因而，__init__办法定义了类的参数列表和默认值。inspect.signature函数用于获取函数的签名对象，其中包含参数信息。 以下是一个示例，展现了如何应用inspect.signature来读取类的__init__办法的参数信息： import inspectclass MyClass: def __init__(self, arg1, arg2="default", *, kwarg1="default", kwarg2="default"): pass# 应用inspect.signature获取类的__init__办法的签名对象sig = inspect.signature(MyClass.__init__)# 打印类的__init__办法的参数信息for name, param in sig.parameters.items(): print(f"Parameter: {name}") print(f" Default value: {param.default}") print(f" Annotation: {param.annotation}") print(f" Kind: {param.kind}") print(f" Required: {param.default == param.empty}") print()在上述示例中，咱们定义了一个名为MyClass的类，并在其__init__办法中定义了多个参数，包含地位参数、关键字参数和默认值参数。 ...

浏览之前，倡议先看这个参考文档：python 如何查看一个函数的参数 先来看看官网样例: Depends for functionhttps://fastapi.tiangolo.com/zh/tutorial/dependencies/#_3 如果是其余的呢？比方如何给 Depends 传递的是： class？classs instance？Depends for classfrom typing import Any, Optional, Listimport uvicornfrom fastapi import FastAPI, Form, Query, Dependsfrom fastapi import Dependsapp = FastAPI()class AddressFilter(): def __init__(self, school: str | None = None) -> None: pass@app.get('/')async def list_object( address_filter: AddressFilter = Depends(AddressFilter),): return {}if __name__ == "__main__": uvicorn.run( app='api:app', host="127.0.0.1", port=9950, workers=1, reload=True )把须要让 openAPI 显示的字段，增加在 class 的 __init__ 中 Depends for class instancefrom typing import Any, Optional, Listimport uvicornfrom fastapi import FastAPI, Form, Query, Dependsfrom fastapi import Dependsapp = FastAPI()class AddressFilter(): def __call__(self, school: str | None = None, grade: int = 1) -> None: passaf = AddressFilter()@app.get('/')async def list_object( address_filter: AddressFilter = Depends(af),): return {}if __name__ == "__main__": uvicorn.run( app='api:app', host="127.0.0.1", port=9950, workers=1, reload=True )把须要让 openAPI 显示的字段，增加在 class instance 的 __call__ 中 ...

一、背景花朵识别系统，基于Python实现，深度学习卷积神经网络，通过TensorFlow搭建卷积神经网络算法模型，并对数据集进行训练最初失去训练好的模型文件，并基于Django搭建可视化操作平台。 在当今信息化社会，图像识别技术在各种畛域都展现出了重要的利用价值，包含医学影像剖析、主动驾驶、人脸识别等。图像识别是深度学习畛域最为重要和最具挑战性的钻研方向之一。本我的项目即是基于这一背景，通过应用Python和TensorFlow框架，以ResNet50网络模型为外围，构建了一套高效、精确的图像分类识别系统。 二、技术架构本我的项目的图像分类识别系统是基于Python语言和TensorFlow深度学习框架开发的。Python是一种直观、易于学习的高级编程语言，具备丰盛的科学计算和数据分析库，特地适宜于解决图像数据和进行机器学习模型的开发。TensorFlow则是由Google Brain团队开发的一款开源深度学习框架，因其弱小的性能和杰出的灵活性，成为了业界的首选。零碎中的外围是ResNet50网络模型。ResNet，即Residual Network，是由Microsoft研究院开发的一种深度残差网络。它通过引入了残差构造，无效地解决了深度神经网络中的梯度隐没和网络进化问题，使得网络的层数能够达到之前无奈设想的深度，而且准确率也有显著的晋升。在本我的项目中，咱们应用了50层的ResNet模型，即ResNet50，进行图像分类辨认。用户交互方面，咱们通过Django框架搭建了网页端界面。Django是Python的一个开源Web利用框架，通过它，能够疾速地开发高效、可扩大的Web利用。 三、成果图片示例： 四、演示视频视频+代码：https://www.yuque.com/ziwu/yygu3z/zetq5wehgyh7gufv 五、零碎流程和性能本零碎的整体流程包含数据筹备、模型训练和预测三个次要环节。首先，咱们通过收集大量图像数据，进行预处理和数据加强，造成训练集和测试集。预处理包含调整图像大小、归一化等步骤加强模型的泛化能力。而后，咱们基于TensorFlow框架和ResNet50网络结构，进行模型的构建和训练。模型训练完结后，咱们将取得一个模型文件，该文件蕴含了训练失去的权重和偏置等参数。 六、ResNet50介绍ResNet50是一种深度残差网络，其设计思维次要解决了深度神经网络在训练过程中可能遇到的梯度隐没和网络进化问题。这两个问题始终是制约神经网络深度的次要难题。具体来说，ResNet50的网络深度达到50层，远超过传统的神经网络构造。ResNet50的次要特点是引入了残差学习（Residual Learning）。在每个残差模块中，输出能够通过一条"快捷通道"间接流向输入，与此同时，另一部分输出会通过一系列卷积层进行变换，最初将这两局部相加作为输入。这种设计使得网络在学习时，只须要学习输出与输入之间的残差映射，大大加重了学习的难度。 以下是一个简略的示例，展现了如何在TensorFlow中应用预训练的ResNet50模型进行图像分类辨认： # 导入必要的库import tensorflow as tffrom tensorflow.keras.applications.resnet50 import ResNet50from tensorflow.keras.preprocessing import imagefrom tensorflow.keras.applications.resnet50 import preprocess_input, decode_predictionsimport numpy as np# 加载预训练的ResNet50模型model = ResNet50(weights='imagenet')# 加载图像文件，留神图片的大小应该是224x224img_path = 'your_image.jpg'img = image.load_img(img_path, target_size=(224, 224))# 图像预处理x = image.img_to_array(img)x = np.expand_dims(x, axis=0)x = preprocess_input(x)# 进行预测preds = model.predict(x)# 输入预测后果的前三名print('Predicted:', decode_predictions(preds, top=3)[0])在这个例子中，咱们首先加载了预训练的ResNet50模型，而后加载了一个图像并进行了适当的预处理。这些预处理步骤包含将图像转换为numpy数组，裁减维度以匹配模型的输出要求，并进行预处理（次要是归一化）。最初，咱们应用模型对解决后的图像进行预测，并打印出预测的前三个最可能的类别。

Python量化交易工程师养成实战-金融高薪畛域download：3w zxit666 comPython量化交易简介Python是一种十分风行的编程语言，被广泛应用于各种畛域，包含数据迷信、机器学习和人工智能。在金融畛域中，Python也逐步成为了量化交易的次要工具之一。本文将介绍Python量化交易的概念、劣势和实现办法。 什么是Python量化交易？Python量化交易是指应用Python编写程序来剖析市场数据、执行交易策略和治理危险的过程。这种办法能够帮忙交易员更快地做出决策，缩小谬误，并提高效率。Python量化交易还能够自动化大部分交易过程，从而升高交易成本和危险。 Python量化交易的劣势Python量化交易有多个长处，包含： 易于学习和应用：Python语言简略易懂，因而很容易学习和应用。丰盛的库反对：Python有许多弱小的库，如Pandas、NumPy、SciPy等，可用于数据分析和建模。可视化功能强大：Python的Matplotlib库和Seaborn库能够用来创立各种图表和可视化成果，不便交易员察看市场数据。高度可定制化：Python的可定制性十分高，能够依据交易员的需要进行批改和扩大。如何实现Python量化交易？要实现Python量化交易，须要遵循以下步骤： 获取市场数据：应用API或者Web爬虫获取市场数据，并保留到本地。数据预处理：对市场数据进行荡涤、转换和填充等操作，以便后续剖析和建模。策略开发：依据市场数据和交易指标，编写交易策略，并进行回测和优化。交易执行：依据交易策略，在市场上执行交易，并监控交易后果。风险管理：对交易危险进行评估和治理，例如设置止损和止盈等条件。Python量化交易的实现能够应用许多库，如Pandas、NumPy、SciPy、Matplotlib、Seaborn、TA-Lib等。除此之外，还能够应用各种量化交易平台和框架，如Quantopian、Backtrader、Zipline等，这些平台和框架都提供了丰盛的工具和模块，不便疾速地构建量化交易系统。 论断Python量化交易是一种弱小的工具，能够帮忙交易员更快地做出决策，缩小谬误，并提高效率。在金融畛域中，Python量化交易已成为了支流工具之一。要实现Python量化交易，须要遵循肯定的步骤，并应用适当的库和框架。

Python是一种宽泛应用的高级编程语言，它简略易学，且领有弱小的数据处理能力。在Python的数据结构中，字典（Dictionary）表演了重要的角色。在本文中，咱们将介绍Python字典的基本概念，以及如何应用和操作字典。一、什么是字典？在Python中，字典是一个无序的数据汇合，应用键值对（Key-Value Pair）的形式存储数据，其中键（Key）用于标识数据，值（Value）就是数据自身。字典是可变的，也就是说你能够扭转字典的内容。创立一个字典很简略，只须要将一些键值对用逗号隔开，而后用花括号括起来即可。例如： # 创立一个字典person = { 'name': 'Alice', 'age': 25, 'city': 'New York'}print(person) # 输入：{'name': 'Alice', 'age': 25, 'city': 'New York'}二、字典的拜访和索引咱们能够应用键来拜访字典中的特定值： person = {'name': 'Alice', 'age': 25, 'city': 'New York'}print(person['name']) # 输入：Aliceprint(person['age']) # 输入：25如果咱们试图应用不存在的键来拜访字典，Python将会抛出一个谬误。为了避免这种状况，咱们能够应用get办法来拜访字典的值，这个办法容许咱们指定一个默认值，在键不存在的时候返回这个默认值： person = {'name': 'Alice', 'age': 25, 'city': 'New York'}print(person.get('country', 'USA')) # 输入：USA三、批改字典因为字典是可变的，咱们能够增加新的键值对，批改已有的值，或者删除键值对： person = {'name': 'Alice', 'age': 25, 'city': 'New York'}# 增加新的键值对person['country'] = 'USA'print(person) # 输入：{'name': 'Alice', 'age': 25, 'city': 'New York', 'country': 'USA'}# 批改已有的值person['age'] = 26print(person) # 输入：{'name': 'Alice', 'age': 26, 'city': 'New York', 'country': 'USA'}# 删除键值对del person['country']print(person) # 输入：{'name': 'Alice', 'age': 26, 'city': 'New York'}四、字典的遍历咱们能够应用for循环来遍历字典的键、值或者键值对： ...

一、引言Pillow，是Python Imaging Library (PIL)的一个分支，用于解决图像。它是Python编程语言中最罕用的图像处理库，提供宽泛的图像处理性能，包含显示、操作和保留图片等。Pillow库的指标是使得图片解决在Python中更加容易进行。 二、装置和根本应用首先，咱们须要在Python环境中装置Pillow库。在命令行中输出以下指令即可： pip install pillow装置实现后，咱们能够开始应用Pillow来解决图像。首先，咱们须要导入Image模块，而后应用Image.open()办法关上一个图像文件。这个办法会返回一个Image对象，咱们能够对这个对象进行操作，比方显示图像。 from PIL import Image# 关上图像img = Image.open('example.jpg')# 显示图像img.show()三、图像处理Pillow库为咱们提供了丰盛的图像处理性能。以下咱们将具体介绍其中的一部分。 裁剪图像：咱们能够应用Image.crop()办法裁剪图像。这个办法须要一个四元素的元组参数，别离代表裁剪区域的左、上、右、下四个坐标。 # 裁剪box = (100, 100, 400, 400)region = img.crop(box)region.show()旋转图像：咱们能够应用Image.rotate()办法旋转图像。这个办法须要一个角度参数。 # 旋转img_rotated = img.rotate(45)img_rotated.show()调整图像大小：咱们能够应用Image.resize()办法调整图像的大小。这个办法须要一个二元素的元组参数，别离代表新的宽度和高度。 # 调整大小img_resized = img.resize((128, 128))img_resized.show()扭转色彩：咱们能够应用Image.convert()办法扭转图像的色彩。这个办法须要一个色彩模式字符串参数。 # 扭转色彩img_gray = img.convert('L')img_gray.show()四、图像的保留和格局转换在咱们解决完图像后，可能须要将解决后的图像保留下来。Pillow库的Image对象提供了save()办法，咱们能够用它来保留图像。这个办法须要一个文件门路参数，示意保留图像的门路和文件名。 # 保留图像img.save('new_example.jpg')此外，Pillow库还反对多种图像格式的转换，包含JPEG、PNG、BMP、GIF、PPM和TIFF等。咱们能够在保留图像时，间接通过文件的扩展名指定图像的格局。例如，如果咱们想将图像保留为PNG格局，只须要将文件名设置为以.png结尾的名字即可。 # 保留为PNG格局img.save('new_example.png')Pillow会主动依据文件扩展名决定图像的格局。如果你不指定文件扩展名，Pillow将默认保留为JPEG格局。 同时，如果咱们须要在保留图像时设置一些特定的参数，例如JPEG的品质，咱们能够将这些参数作为关键字参数传给save()办法。以下是一个示例： # 以指定品质保留JPEG图像img.save('new_example.jpg', quality=95)须要留神的是，不同的图像格式反对的参数是不同的。有些参数可能只对特定的图像格式无效。你能够查看Pillow的官网文档，获取更多对于保留图像和格局转换的信息。 五、色彩空间与色彩转换在图像处理中，色彩空间转换是一个常见的工作。Pillow库反对多种色彩空间，例如RGB、HSV等。咱们能够应用Image.convert()办法将图像从一个色彩空间转换到另一个色彩空间。 # 转换色彩空间img_hsv = img.convert('HSV')img_hsv.show()六、图像的合成与拼接如果你有多张图像，想将它们合并成一张新的图像，Pillow库也能够帮忙你实现。咱们能够应用Image.blend()办法将两张大小雷同的图像进行混合，或者应用Image.composite()办法将多张图像依照肯定的规定合成。 另外，如果你想将多张图像拼接成一张新的图像，你能够应用Image.new()办法创立一个新的空白图像，而后应用Image.paste()办法将其余图像粘贴到空白图像上。 # 创立一个新的空白图像new_img = Image.new('RGB', (500, 500))# 将其余图像粘贴到新图像上new_img.paste(img, (0, 0))new_img.paste(img_resized, (200, 200))new_img.show()七、图像绘图和文字增加Pillow还提供了一些简略的图形绘制性能，比方绘制线条、圆形、多边形等。咱们能够通过ImageDraw模块来进行绘图。上面是一个简略的例子： from PIL import ImageDrawdraw = ImageDraw.Draw(img)draw.line((0, 0) + img.size, fill=128)draw.line((0, img.size[1], img.size[0], 0), fill=128)img.show()此外，Pillow还容许咱们向图像中增加文字。咱们能够应用ImageDraw.text()办法来增加文字。须要留神的是，增加文字须要指定字体，这须要应用ImageFont模块。 ...

写的数据预处理snakemake流程其实包含在每个独自的剖析中比方种系遗传变异和肿瘤变异流程中，这里独自拿进去做演示用，因为数据预处理是通用的，在call变异之前须要解决好数据。数据预处理过程包含，从fastq文件去接头、比对到基因组、去除反复、碱基品质校对，最初失去解决好的BAM或CRAM文件。 fastq去接头fastq产生的报告json能够用multiqc汇总成一份报告if config["fastq"].get("pe"): rule fastp_pe: input: sample=get_fastq output: trimmed=[temp("results/trimmed/{s}{u}.1.fastq.gz"), temp("results/trimmed/{s}{u}.2.fastq.gz")], html=temp("report/{s}{u}.fastp.html"), json=temp("report/{s}{u}.fastp.json"), log: "logs/trim/{s}{u}.log" threads: 32 wrapper: config["warpper_mirror"]+"bio/fastp"else: rule fastp_se: input: sample=get_fastq output: trimmed=temp("results/trimmed/{s}{u}.fastq.gz"), html=temp("report/{s}{u}.fastp.html"), json=temp("report/{s}{u}.fastp.json"), log: "logs/trim/{s}{u}.log" threads: 32 wrapper: config["warpper_mirror"]+"bio/fastp"BWA-mem2 比对+去重+排序mem2的速度更快，所以采纳。sambaster的去除反复速度比MarkDuplicat快，所以采纳。最初用picard依照coordinate比照对后果排序。输入的格局是CRAM，不是BAM，因为CRAM压缩效率更高，所以采纳。rule bwa_mem2: input: reads=get_trimmed_fastq, reference=gatk_dict["ref"], idx=multiext(gatk_dict["ref"], ".0123", ".amb", ".bwt.2bit.64", ".ann",".pac"),output: temp("results/prepared/{s}{u}.aligned.cram") # Output can be .cram, .bam, or .samlog: "logs/prepare/bwa_mem2/{s}{u}.log"params: bwa="bwa-mem2", # Can be 'bwa-mem, bwa-mem2 or bwa-meme. extra=get_read_group, sort="picard", sort_order="coordinate", dedup=config['fastq'].get('duplicates',"remove"), # Can be 'mark' or 'remove'. dedup_extra=get_dedup_extra(), exceed_thread_limit=True, embed_ref=True,threads: 32wrapper: config["warpper_mirror"]+"bio/bwa-memx/mem"碱基品质校对GATK说碱基的品质分数对call变异很重要，所以须要校对。BaseRecalibrator计算怎么校对，ApplyBQSR更具BaseRecalibrator后果去校对。rule BaseRecalibrator: ...

q = KeywordTask.select( KeywordTask.track_source_id, fn.COUNT(KeywordTask.track_source_id)).group_by(KeywordTask.track_source_id)我心愿依照分组统计个数，然而遇到了一个问题，就是 count 的后果出不来，加上 dicts 也出不来 只有 track_source_id ，没有 count 怎么办？ 解决方案，必须给 count 一个别名才行 q = KeywordTask.select( KeywordTask.track_source_id, fn.COUNT(KeywordTask.track_source_id).alias('count')).group_by(KeywordTask.track_source_id)有了别名就行了 残缺代码 from core.mysql.models import KeywordTaskfrom peewee import fnfrom loguru import loggerq = KeywordTask.select( KeywordTask.track_source_id, fn.COUNT(KeywordTask.track_source_id).alias('count')).group_by(KeywordTask.track_source_id)logger.debug(str(q))logger.debug(list(q.dicts()))

python是一种宽泛应用的高级编程语言，它的语法清晰，易于学习，而且Python的规范库提供了丰盛的工具和数据结构，能够帮忙咱们更高效地实现各种工作。其中，元祖（Tuple）就是Python中的一种根本数据结构。在本文中，咱们将介绍Python元祖的基本概念，以及如何应用和操作元祖。一、什么是元祖？在Python中，元祖是一个能够蕴含任何类型数据的有序汇合，比方数字、字符串甚至是其余元祖。不过，与列表不同，元祖是不可变的，也就是说你不能扭转元祖的内容。创立一个元祖很简略，只须要将一些值用逗号隔开，而后用圆括号括起来即可。例如： # 创立一个蕴含整数的元祖numbers = (1, 2, 3, 4, 5)print(numbers) # 输入：(1, 2, 3, 4, 5)# 创立一个蕴含字符串的元祖fruits = ('apple', 'banana', 'cherry')print(fruits) # 输入：('apple', 'banana', 'cherry')二、元祖的拜访和索引与列表一样，每个元祖中的元素都有一个索引，这是一个示意元素在元祖中地位的数字。在Python中，索引是从0开始的。咱们能够应用索引来拜访元祖中的特定元素： fruits = ('apple', 'banana', 'cherry')print(fruits[0]) # 输入：appleprint(fruits[1]) # 输入：bananaPython也反对负索引，它从元祖的开端开始计数。例如，-1示意最初一个元素，-2示意倒数第二个元素，依此类推： fruits = ('apple', 'banana', 'cherry')print(fruits[-1]) # 输入：cherryprint(fruits[-2]) # 输入：banana三、元祖的不可变性如前所述，元祖是不可变的，这意味着咱们不能批改元祖中的元素。如果咱们试图批改元祖中的元素，Python将会抛出一个谬误： fruits = ('apple', 'banana', 'cherry')fruits[1] = 'blueberry' # 抛出TypeError然而，这并不意味着元祖中的元素永远不能扭转。如果元祖中的元素是可变的，比方列表，那么咱们能够批改这个元素的内容： nested_tuple = ('apple', ['banana', 'cherry'])nested_tuple[1][0] = 'blueberry'print(nested_tuple) # 输入：('apple', ['blueberry', 'cherry'])四、元祖的切片操作与列表一样，咱们也能够对元祖进行切片操作，以获取元祖的子集： numbers = (0, 1, 2, 3, 4, 5, 6, 7, 8, 9)print(numbers[2:5]) # 输入：(2, 3, 4)同样，如果省略开始索引，切片将从元祖开始；如果省略完结索引，切片将始终到元祖开端： ...

Python是一种通用的高级编程语言，它特地适宜于数据分析、机器学习、网络编程以及自动化脚本等方面的应用。在Python中，有一种十分弱小的数据结构叫做列表（List）。明天，咱们将介绍Python列表的基本概念，以及如何应用和操作列表。一、什么是列表在Python中，列表是一个能够蕴含任何类型数据的有序汇合，比方数字、字符串甚至是其余列表。列表是可变的，也就是说你能够扭转一个列表的内容。创立一个列表很简略，只须要将一些值用逗号隔开，而后用方括号括起来即可。例如： # 创立一个蕴含整数的列表numbers = [1, 2, 3, 4, 5]print(numbers) # 输入：[1, 2, 3, 4, 5]# 创立一个蕴含字符串的列表fruits = ['apple', 'banana', 'cherry']print(fruits) # 输入：['apple', 'banana', 'cherry']二、列表的拜访和索引每个列表中的元素都有一个索引，这是一个示意元素在列表中地位的数字。在Python中，索引是从0开始的。也就是说，列表的第一个元素的索引是0，第二个元素的索引是1，以此类推。咱们能够应用索引来拜访列表中的特定元素： fruits = ['apple', 'banana', 'cherry']print(fruits[0]) # 输入：appleprint(fruits[1]) # 输入：bananaPython也反对负索引，它从列表的开端开始计数。例如，-1示意最初一个元素，-2示意倒数第二个元素，依此类推： fruits = ['apple', 'banana', 'cherry']print(fruits[-1]) # 输入：cherryprint(fruits[-2]) # 输入：banana三、批改列表因为列表是可变的，咱们能够应用索引来批改列表中的元素。例如： fruits = ['apple', 'banana', 'cherry']fruits[1] = 'blueberry'print(fruits) # 输入：['apple', 'blueberry', 'cherry']此外，咱们也能够应用列表的append办法增加新元素，应用remove办法删除元素，应用insert办法在特定地位插入元素： fruits = ['apple', 'banana', 'cherry']fruits.append('date')print(fruits) # 输入：['apple', 'banana', 'cherry', 'date']fruits.remove('banana')print(fruits) # 输入：['apple', 'cherry', 'date']fruits.insert(1, 'banana')print(fruits) # 输入：['apple', 'banana', 'cherry', 'date']四、列表的切片操作切片是一种能够获取列表子集的操作。通过指定开始索引和完结索引，咱们能够取得列表的一部分。须要留神的是切片操作是左闭右开的，也就是说，它会蕴含开始索引的元素，但不蕴含完结索引的元素： ...

为什么不举荐应用 nameko 的 rpc 模式？ 因为 nameko 的 rpc 模式，一次通信须要 30ms+，这可是在内网下！！ 太慢了，为什么这么慢？因为 amqp 协定的 rpc 须要： A 创立一个承受后果的 queueA 发申请 message 到 rabbitmq 的 rpc queue，而后 B 从 rpc queue 中获取申请 message而后 B 把后果 message 放到后果 queueA 再从 后果 queue 获取后果 message步骤太多，这一套流程上面，波及十几次网络通讯！尤其是建设后果 queue，十分耗时！ 所以，如果你有高并发或者低提早的需要，都不举荐应用 nameko 的 rpc

download：图灵Python高薪架构待业班-零根底开发机器人利用我的项目班根底组件 - 透视投影相机：深度解析与利用 导言：在计算机图形学和计算机视觉畛域中，透视投影相机是一种重要的根底组合，用于模仿事实世界的察看和图像捕获过程。本文将具体解析透视投影相机的原理和性能，并探讨其在虚拟现实、游戏开发和计算机视觉等畛域的利用。通过对透视投影机的深刻了解，读者将可能更好地利用应用和优化相干技术。 段落一：透视投影相机的概述 透视投影相机是一种模仿人眼视觉的相机模型，能够生产与人眼察看相似的透视成果。绝对于平行投影相机，透视投影相机具备景深成果，可能使远近物体当初透视变形。透视投影相机模仿了人眼察看的原理，通过设置视角、视角和投影立体等参数，将三维场现象射到二维图像中。 段落二：透视投影相机的原理 透视投影相机基于一些重要的数学原理和变换办法来实现。其中，视觉投影体是透视投影相机的外围概念，示意从视点收回的眼帘限度的可见空间。透视投影相机应用投影阵列将三维场景坐标转换为二维图像坐标，同时利用深度缠绕冲区来解决物体的遮挡和深度关系。外，还有透视除法、视口变换等步骤用于最终生成最终的投影图像。 段落三：透视投影相机的参数和管制 透视投影相机具备一系列参数和管制选项，用于调节视觉效果和场景现。其中包含视角（摄像头地位）、视角（视角）和投影立体（二维图像）的生成立体）等参数。通过调整这些参数，能够扭转透视投影相机的视觉效果，例如减少视角会导致更广角的视线，调整投影立体会扭转图像的例子和诡异水平。 段落四：透视投影相机在虚拟现实中的利用 透视投影相机在虚拟现实畛域中起着重要的作用。在虚拟现实中头显中，透视投影相机模仿了人眼的察看，

download：图灵Python全套实战我的项目班多重冲击区和数据偏移：提供晋升数据处理率的关键技术 导言：在当明天信息时代，数据处理的需要日益增长，对于解决大量数据的零碎和利用来说，效率至关重要。在优化数据处理能力的过程中，多域冲击和数据偏移成为了关键技术。本文将具体探讨多方面冲击和数据偏移的概念和利用，以及它们如何提出晋升数据处理的效率。 段落一：多捆冲区的概念和原理 多捆冲区是一种罕用的数据处理技术，通过引入多捆冲区，将数据布局分为多份进行并解决。在传统的单列冲区模式中，数据处理是串行的，即一次只能解决一个数据块。而多频带冲区技术容许同时解决多个数据块，进步了解决的并行性和效率。每个冲区独立工作，能够在一个冲区解决数据的同时，另一个绑定冲区能够开始解决下一个数据块，从而理论发现并进行解决。 段落二：多捆冲区的利用 多捆冲区技术在许多领区都失去了广泛应用。在图像和视频解决中，多捆冲区能够用于并行处理图像棒或视频棒，减速处理速度，实时处理和流量播放。在网络数据传输中，多线程能够应用同时接管和发送数据，进步网络吞吐量和传输效率。此外，多线程区还在数据库治理、信息处理和科学计算等畛域发挥着重要作用。 段落三：数据偏移的概念和作用 数据偏移是一种罕用的数据拜访优化技术，通过在外部的数据发布局中引入偏移挪动量，优化数据的拜访和解决效率。数据偏移能够依据数据确定的算法和数据拜访模型，调整数据的存储地位，使数据常常被同时拜访的数据在物理上更近，缩小了内存拜访的提早，进步了数据拜访的效率。 段落四：数据偏移的利用 数据偏移技术

将指定文件夹下的图片枚举并将门路存在列表中：def list_images(folder_path): # 反对的图片扩展名 extensions = ['.jpg', '.jpeg', '.png', '.gif'] # 遍历文件夹中的所有文件 image_list = [] for root, dirs, files in os.walk(folder_path): for file in files: # 获取文件扩展名 ext = os.path.splitext(file)[1] # 如果是图片文件，则将其门路增加到列表中 if ext.lower() in extensions: image_list.append(os.path.join(root, file)) return image_list目录下的文件除扩展名与其余目录下的文件出扩展名外不雷同名称的移除import osdir_path = "/path/to/directory" # 指定目录门路target_dir_path = "/path/to/target/directory" # 另一个目录门路# 获取目标目录下的所有文件名（不包含扩展名）target_file_names = [os.path.splitext(f)[0] for f in os.listdir(target_dir_path)]# 遍历指定目录下的所有文件for file_name in os.listdir(dir_path): # 如果文件名（不包含扩展名）与目标目录下的某个文件名雷同，则删除该文件 if os.path.splitext(file_name)[0] in target_file_names: os.remove(os.path.join(dir_path, file_name))

1 插件装置下载 1.1 搜寻插件关上 PyCharm，抉择 File，点击 Settings。 抉择 Plugins，点击 Marketplace，并在搜寻框中输出 Huawei Cloud CodeArts Snap。 1.2 装置插件 如上图所示，点击 Install 按钮装置 Huawei Cloud CodeArts Snap 插件，弹出须要装置 Huawei Cloud Toolkit Platform， 点击 Install 持续装置。（注：华为云插件依赖对立华为云开发者生态底座进行登录，此为必选项） 插件下载安装结束后，点击 Restart IDE，或手动敞开 IDE 并从新关上使插件装置失效。 下载实现后，咱们在 IDE 面板上能够看到：1）右边侧边栏 Huawei Cloud Tookit 功能键；2）右下角 Huawei Cloud CodeArts Snap 插件图标。 2 插件登录 2.1 获取受权账号 若华为云账号已取得 CodeArts Snap 试用受权，请间接看下一步。若还没有，请点击 https://devcloud.cn-north4.huaweicloud.com/codeartssnap/apply 提交申请。 2.2 多种登录形式华为云插件提供三种登录形式： 1）华为账号登录；2）华为云AK/SK登录；3）第三方账号登录（CSDN）。 2.2.1 华为账号登录形式1：点击右下角 CodeArts Snap 图标，点击 Login to HUAWEI。 形式2：点击右边工具栏 Huawei Cloud Toolkit，如图所示点击人物logo，抉择“华为账号登录”。 在弹出的浏览器页面，填写华为账号和明码。 浏览并批准免责申明，实现登录。 2.2.2 华为云AK/SK登录形式1：点击右下角 CodeArts Snap 图标，点击 Login to HUAWEI。 形式2：点击右边工具栏 Huawei Cloud Toolkit，如图所示点击人物logo，抉择“华为账号登录”。 形式3：在 File -> Settings 外面找到 Huawei Cloud Toolkit Settings，点击 log in 疾速进入到华为云控制台。 ...

一、简介requests 是一个应用宽泛的Python库，专门用于解决HTTP申请。在requests的帮忙下，开发者可能方便快捷地实现诸如发送GET/POST申请、解决Cookies和文件上传等常见的网络工作。 作为一种语言本身不提供网络性能的解决方案，Python通过提供requests库，实现了对网络编程的弱小反对。在这个库的帮忙下，开发者能够像操作本地文件一样简略地解决HTTP申请。 二、根本用法1. 装置在大多数状况下，requests库并不会默认与Python一起装置。因而，你须要手动装置它。侥幸的是，应用Python的包管理工具pip，你能够轻松实现这个工作： pip install requests这行命令将从Python的官网包索引(PyPI)下载并装置requests库。 2. 发送申请装置实现后，你就能够开始应用requests库了。应用这个库，你能够非常简单地发送一个HTTP申请。例如，这是一个发送GET申请的例子： import requestsresponse = requests.get('http://www.google.com')print(response.text)在这个代码示例中，咱们向Google首页发送了一个GET申请。requests.get办法会返回一个Response对象，这个对象蕴含了服务器的响应。而后咱们通过打印response.text，显示了服务器的响应内容。 三、高级性能尽管发送GET申请可能是应用requests库最常见的场景，但这个库可能做的远不止这些。以下是一些requests的高级性能。 1. 解决表单当你须要向服务器发送表单数据时，你能够应用requests.post()办法。这是一个例子： import requestsform_data = { 'username': 'john', 'password': '123456'}response = requests.post('http://www.example.com/login', data=form_data)print(response.text)在这个代码示例中，咱们向一个URL（假如是一个登录页面）发送了一个POST申请，并附带了表单数据。咱们结构了一个字典作为表单数据，并将其传递给requests.post办法。 2. 解决文件requests也能够解决文件上传。这须要应用files参数，如下： import requestsfile = {'file': open('report.xls', 'rb')}response = requests.post('http://www.example.com/upload', files=file)在这个代码示例中，咱们向一个URL（假如是一个文件上传页面）发送了一个POST申请，并上传了一个文件。咱们首先关上了一个文件，而后将它作为一个字典的值传递给requests.post办法。 四、总结requests库是Python社区最受欢迎的HTTP库之一。它提供了简洁明了的API，以解决简单的HTTP申请。本文只是简略地介绍了requests库的局部性能，事实上，它还有许多其余的个性和性能，例如解决Cookies、设置超时工夫、主动重定向等。 五、深刻理解尽管requests库曾经足够弱小，可能解决大多数网络工作，但理解它的外部工作机制和高级性能，将会让你更加灵便地应用这个库。为此，你能够查阅它的官网文档，或者查看一些优良的教程和博客。同时，实际是最好的学习形式，你能够在你的我的项目中尝试应用requests库，逐步相熟它。 六、与其余库的比拟requests库并不是Python解决HTTP申请的惟一抉择。还有一些其余的库，例如http.client（Python规范库的一部分）、httplib2、treq等，它们都提供了解决HTTP申请的性能。 然而，requests库因其简洁的API、弱小的性能和良好的文档，成为了Python社区的首选。无论你是一个Python初学者，还是一个有教训的开发者，requests库都是你值得学习和应用的工具。 以上就是对于Python的弱小HTTP库requests的介绍，心愿对你有所帮忙。

学习的第一个GATK找变异流程，人的种系变异的短序列变异，包含SNP和INDEL。写了一个SnakeMake剖析流程，从fastq文件到最初的vep正文后的VCF文件，对于VCF的介绍能够参考上一篇推文基因序列变异信息VCF (Variant Call Format) 流程代码在https://jihulab.com/BioQuest/smkhgs或https://github.com/BioQuestX/smkhgs READMEGATK best practices workflow Pipeline summary SnakeMake workflow for Human Germline short variants (SNP+INDEL) ReferenceReference genome related files and GTAK budnle files (GATK)VEP Variarition annotation files (VEP)PrepareAdapter trimming (Fastp)Aligner (BWA mem2)Mark duplicates (samblaster)Generates recalibration table for Base Quality Score Recalibration (BaseRecalibrator)Apply base quality score recalibration (ApplyBQSR)Quality control reportFastp report (MultiQC)Alignment report (MultiQC)CallCall germline SNPs and indels via local re-assembly of haplotypes (HaplotypeCaller)Import VCFs to GenomicsDB (GenomicsDBImport)Perform joint genotyping on one or more samples pre-called with HaplotypeCaller (GenotypeGVCFs)FilterSelect a SNP or INDEL of variants from a VCF file (SelectVariants)Build a recalibration model to score variant quality for filtering purposes (VariantRecalibrator)Apply a score cutoff to filter variants based on a recalibration table (ApplyVQSR)Merge all the VCF files (Picard)AnnotationAnnotate variant calls with VEP (VEP) ...

本文首发自「慕课网」，想理解更多IT干货内容，程序员圈内热闻，欢送关注"慕课网"及“慕课网公众号”！ 作者：ExcellentDavid | 慕课网讲师 这次，咱们以师生管理系统为例，率领大家搭建一套 framework Web API。“工欲善其事，必先利其器”，咱们选用当下最为风行的 Django REST framework 为工具，疾速实现这套API。 装置 Django REST framework 须要以下依赖： Python (3.5, 3.6, 3.7, 3.8)Django (1.11, 2.0, 2.1, 2.2, 3.0)Django REST framework是以 Django 扩大利用的形式提供的，所以咱们能够间接利用已有的Django环境而无需从新创立。（若没有Django环境，须要先创立环境装置Django） 1. 装置 Django REST frameworkpip install django pip install djangorestframework django 装置过程：  django-rest-framework 装置过程： 2.创立工程和利用django-admin startproject ProjectDemodjango-admin startapp AppDemo工程和利用创立实现后，目录构造如下图所示： 3. 注册rest\_framework利用Django REST framework 可视作是 Django 的一个利用，在应用之前，须要在 settings.py 的 INSTALLED\_APPS 中注册。 # settings.pyINSTALLED_APPS = [ ... 'rest_framework',]在实现以上操作后，就能够应用 Django REST framework 开发 Restful Web API 了。接下来，咱们将以学生管理系统为例，带大家一览 Django REST framework 如何高效开发 REST API。 ...

欢送来到咱们的系列博客《Python全景系列》！在这个系列中，咱们将率领你从Python的基础知识开始，一步步深刻到高级话题，帮忙你把握这门弱小而灵便的编程语法。无论你是编程老手，还是有肯定根底的开发者，这个系列都将提供你须要的常识和技能。 Python全景系列的第七篇，本文将深入探讨Python模块与包的基本概念，应用办法以及其在理论我的项目中的利用。咱们也会揭示一些鲜为人知，却又实用的技术细节。 1. Python模块和包：所有从根底开始Python模块是一个Python文件，蕴含一些相干的函数、类或变量的定义，能够通过 import 语句在其余Python代码中应用。例如，假如咱们有一个名为 my_module.py 的模块： # my_module.pydef hello(name): return f"Hello, {name}!"class MyClass: def __init__(self, x): self.x = x在另一个Python文件中，咱们能够导入 my_module.py 模块，并应用其定义的函数和类。 # main.pyimport my_moduleprint(my_module.hello("World")) # 输入：Hello, World!my_obj = my_module.MyClass(10)print(my_obj.x) # 输入：10Python包是一种组织模块的形式，蕴含多个模块的文件夹，必须蕴含一个 __init__.py 文件。这个文件能够为空，也能够蕴含一些初始化代码或者定义一些包级别的变量。 my_package/|-- __init__.py|-- module1.py`-- module2.py模块和包的设计让Python代码更易于组织和治理。能够将相干的代码放在同一个模块中，将相干的模块组织成一个包。当我的项目规模变大时，这种组织形式会显得更加重要。 2. Python模块动静导入：翻新利用的诞生地动静导入模块是Python的高级利用之一。尽管惯例做法是在文件开始时导入所有模块，但在某些状况下，咱们可能心愿在运行时动静地导入模块。例如，咱们能够依据不同的用户输出或配置来加载不同的模块，使得程序更具备灵活性。 # 应用 importlib 导入模块import importlibmodule_name = "os" # 能够动静地从用户输出、配置文件等中央获取# 动静导入模块module = importlib.import_module(module_name)# 应用导入的模块print(module.name)动静导入模块的机制，让咱们的代码具备更强的适应性和灵活性。能够依据不同的环境和配置，动静地加载不同的模块，使代码具备更强的复用性。 3. Python模块和包的外部运作机制：分析其神秘面纱当咱们导入一个模块，Python会先在 sys.modules 字典中查找是否曾经加载过该模块。如果曾经加载过，Python会间接应用已加载的模块，而不会再次加载。这种机制能够防止反复加载同一个模块，进步了代码执行效率。 import sysimport os# 查看 sys.modulesprint(sys.modules["os"] is os) # 输入：TruePython在外部应用 sys.modules 字典来跟踪曾经导入的模块，这是Python导入零碎的基石。了解这一点，对于把握Python模块导入的工作原理十分重要。 ...

Python是一种十分实用的高级编程语言，它的易读性和简洁性使其成为初学者的首选语言。然而，Python的性能远不止于此，它的弱小库反对使其在许多业余畛域中都占有一席之地，游戏开发就是其中之一。Pygame库是Python中一个专为游戏开发设计的库，它提供了大量的性能来帮忙开发者创立各种2D游戏。 一、Pygame：Python中的游戏开发利器Pygame是一个开源的Python库，次要用于2D游戏的开发。Pygame提供了一套丰盛的性能，如图像渲染、声音播放、键盘和鼠标操作、像素操作、碰撞检测等等，这些性能让游戏开发更加简略。 Pygame的指标是让开发者通过Python和Pygame的弱小性能，创立出各种精彩的游戏，而无需破费大量工夫去了解和操作底层的图形、声音库。 二、装置Pygame在装置Pygame之前，确保你曾经装置了Python和pip。应用上面的命令，你能够在你的终端或命令提示符中轻松装置Pygame： pip install pygame如果你在装置过程中遇到问题，你能够参考Pygame官方网站上的装置指南。 三、Pygame根底：创立一个窗口首先，咱们须要创立一个窗口来开始咱们的游戏开发。以下是一个简略的示例，展现如何应用Pygame创立一个窗口： import pygame# 初始化Pygamepygame.init()# 创立一个800x600的窗口screen = pygame.display.set_mode((800, 600))# 设置窗口题目pygame.display.set_caption("My First Pygame Window")# 游戏主循环running = Truewhile running: # 获取所有事件 for event in pygame.event.get(): if event.type == pygame.QUIT: running = False# 游戏完结，退出Pygamepygame.quit()在上述代码中，咱们首先导入了pygame库，而后调用了pygame.init()来初始化所有的Pygame模块。接着，咱们调用pygame.display.set_mode()来创立一个800x600像素的窗口，并设置了窗口的题目。而后，咱们进入了游戏的主循环，在循环中，咱们通过pygame.event.get()获取所有的事件，如果检测到了退出事件，比方点击了窗口的敞开按钮，咱们就完结主循环。最初，当游戏完结时，咱们调用pygame.quit()来退出Pygame。 四、图像渲染与动画在游戏开发中，图像渲染和动画是十分重要的局部。Pygame提供了一系列的函数，能够让你不便地加载、显示和挪动图像。上面是一个简略的例子，展现了如何加载和显示一个图像： import pygameimport os# 初始化Pygamepygame.init()# 创立一个窗口screen = pygame.display.set_mode((800, 600))# 加载一个图像image_path = os.path.join('path_to_your_image_directory', 'image.png')image = pygame.image.load(image_path)# 游戏主循环running = Truewhile running: # 获取所有事件 for event in pygame.event.get(): if event.type == pygame.QUIT: running = False # 革除屏幕 screen.fill((0, 0, 0)) # 绘制图像 screen.blit(image, (100, 100)) # 更新屏幕 pygame.display.flip()# 游戏完结，退出Pygamepygame.quit()在这段代码中，咱们首先创立了一个窗口，而后加载了一个图像。在游戏的主循环中，咱们首先革除屏幕，而后在指定的地位绘制图像，最初调用pygame.display.flip()来更新屏幕。 ...

理论数据分析中遇到需要，把某个Excel表格依照某一列分为多个sheet，并且要求如果某个key对应的行数较少应该合并到一个sheet中。 import pandas as pdimport bioquest as bq # https://jihulab.com/BioQuest/bioquest从网上找轻易了个数据做演示用 input_file=r"https://gitee.com/zhjx19/chaoyanghospital/raw/master/%E6%9C%9D%E9%98%B3%E5%8C%BB%E9%99%A22018%E5%B9%B4%E9%94%80%E5%94%AE%E6%95%B0%E6%8D%AE.xlsx"output_file=r"朝阳医院.xlsx"key='商品名称'读如数据，删除商品名称为na的行 data = pd.read_excel(input_file)data.dropna(subset=key,inplace=True)替换/为每，删除特殊字符（因为不能作为sheetname） data.loc[:,key] = bq.st.replaces(string=data.loc[:,key],pattern=r"/",repl="每")data.loc[:,key] = bq.st.replaces(string=data.loc[:,key],pattern=r"[\\*?:/\[\]]",repl="")如果某个key对应的行数少于50则合并在合并的药物这个sheet中，其余的key独自存在对应的sheet中 keys=data.loc[:,key].unique().tolist()few_dict = {}single_dict = {}for i in keys: data_sub = data.groupby(key).get_group(i) if data_sub.shape[0]<50: few_dict[i] = data_sub else: single_dict[i] = data_sub第一次写出合并的药物sheet few = pd.concat(few_dict,ignore_index=True)few.to_excel(output_file, sheet_name="合并的药物", index=False)循环append sheet，最初close writer = pd.ExcelWriter(output_file, engine='openpyxl',mode="a")for k,v in single_dict.items(): v.to_excel(writer, sheet_name=f"{k}", index=False)writer.close()

从string-db下载蛋白质相互作用的信息，在解决时发现蛋白A与B互作被记录了两次比方下边的例子（即AB、BA） df.drop_duplicates()# Symbol1 Symbol2# Gnai3 Pdcl2# Pdcl2 Gnai3# Gm4340 Gm3376# Gm3376 Gm4340而且drop_duplicates不能去除反复，因为他们在不同的列，因而能够想个方法，新建一列。 字符串的比拟大小是依据字符串按位比拟，两个字符串第一位字符的ascii码谁大，字符串就大，不再比拟前面的，比方 "Gnai3">"Pdcl2"# False对axis=1是对每一行循环，总是把大的放在前边。 df.loc[:,"temp"]=df.apply(lambda x: f"{x[0]}-{x[1]}" if x[0]>x[1] else f"{x[1]}-{x[0]}",axis=1)# Symbol1 Symbol2 temp# Gnai3 Pdcl2 Pdcl2-Gnai3# Pdcl2 Gnai3 Pdcl2-Gnai3# Gm4340 Gm3376 Gm4340-Gm3376# Gm3376 m4340 Gm4340-Gm3376这个时候再对temp的行去反复，就能够了 df.drop_duplicates(subset="temp")# Symbol1 Symbol2 temp# Pdcl2 Gnai3 Pdcl2-Gnai3# Gm4340 Gm3376 Gm4340-Gm3376最初再删除temp列 df.drop_duplicates(subset="temp").drop(columns="temp")# Symbol1 Symbol2# Gnai3 Pdcl2# Gm4340 Gm3376

欢送来到咱们的系列博客《Python全景系列》！在这个系列中，咱们将率领你从Python的基础知识开始，一步步深刻到高级话题，帮忙你把握这门弱小而灵便的编程语法。无论你是编程老手，还是有肯定根底的开发者，这个系列都将提供你须要的常识和技能。 Python全景系列的第六篇，本文将深入探讨Python语言中的外围概念：类（Class）和对象（Object）。咱们将介绍这些基本概念，而后通过示例代码具体展现Python中的类和对象如何工作，包含定义、实例化和批改等操作。本文将帮忙您更深刻地了解Python中的面向对象编程（OOP），并从中提出一些不常见但很有用的技术观点。 1. 类和对象的形象理念类和对象的概念是面向对象编程（OOP）的根底。在Python中，面向对象的设计办法提供了一种封装数据和性能的无效形式。它让咱们能将事实世界的事物和行为映射到代码中，这种映射更加合乎咱们人类的认知形式，让咱们能以更天然的形式了解和设计简单的软件系统。 类的形象类是形象的模板，用来形容具备独特属性和办法的对象汇合。一个类定义了这些对象的通用构造和行为，但它本人并不占用任何存储空间。类是一种创立新对象的机制，为对象的创立和治理提供了一种规定和规范。 对象的实体化相比之下，对象是类的实例，它是具体存在的，占用存储空间。每个对象都有其本人的属性和行为，这些属性和行为是由其类定义的。对象的每个属性都有一个与之相关联的值，这个值能够在对象的生命周期内扭转，而其行为则由办法来定义。 对象的唯一性尽管一个类可能会被实例化为多个对象，但每个对象都是惟一的。即便两个对象来自同一个类并具备雷同的属性值，它们也是不同的对象。每个对象都有一个惟一的标识符（在Python中能够通过内置函数id()获取），用来辨别不同的对象。 类和对象的互相关系类和对象之间的关系能够类比为蓝图和房子，或者是食谱和菜肴。类就像是蓝图或食谱，提供创建对象（房子或菜肴）的具体阐明。你能够应用同一份蓝图或食谱来创立多个房子或菜肴，就如同你能够应用同一个类来创立多个对象一样。 独特见解了解类和对象的形象理念不仅有助于咱们编写和浏览面向对象的代码，也能够帮忙咱们更好地了解事实世界。在事实世界中，咱们常常须要解决具备类似个性和行为的事物汇合，就像咱们在编程中解决对象一样。 在面向对象编程中，咱们将数据和操作数据的办法封装在一起，造成“对象”。这种数据和操作的封装使得咱们能够更高效地组织和治理简单的软件系统。实际上，类和对象的概念疏导咱们看到，事实世界的许多简单问题都能够通过形象和封装来简化，从而更容易地 被了解和解决。这是一种从凌乱中寻找秩序，从复杂性中寻找简略性的形式。这也是面向对象编程在泛滥编程范式中可能自成一家的重要起因。 2. 类：定义数据类型的形式在Python中，类是一种定义新数据类型的形式，它在一个逻辑框架内封装了数据（属性）和操作数据的函数（办法）。这个概念帮忙咱们建设更为简单的数据模型，模仿事实世界中的各种对象和它们的交互方式。 类的外围特点如下： 数据封装：类中的属性保留了对象的状态。这些属性通常在__init__办法中初始化，并能够通过对象的生命周期进行拜访和批改。封装保障了数据的完整性和一致性。行为形象：类中定义的办法形容了对象能够执行的操作。这些办法能够拜访和批改对象的状态，或者与其余对象进行交互。继承：一个类能够继承另一个类的属性和办法，容许代码重用和行为定制。这是实现多态性和代码复用的重要机制。多态性：因为继承，一个类的实例可能属于多个类。Python容许咱们应用子类对象代替父类对象，进步了代码的灵活性和可重用性。接下来，让咱们以不同类型的工作人员为例，来看一个更简单的类定义的例子。 class Employee: def __init__(self, name, age): self.name = name self.age = age def work(self): return f"{self.name} is working."class Manager(Employee): def work(self): return f"{self.name} is managing the team."class Developer(Employee): def __init__(self, name, age, programming_language): super().__init__(name, age) self.programming_language = programming_language def work(self): return f"{self.name} is writing {self.programming_language} code."在这个例子中，咱们定义了一个名为Employee的基类，以及两个继承自Employee的子类Manager和Developer。每个类都有一个work办法，但在不同的子类中这个办法的行为是不同的，这就是多态性的一个示例。同时，Developer类增加了一个新的属性programming_language，展现了如何在子类中减少新的属性。 类提供了一种高级的形象机制，使咱们可能以更合乎人类思维习惯的形式来设计和实现简单的软件系统。把握类和对象的概念对了解和应用Python编程至关重要。 3. 对象：类的实例化在Python中，一旦咱们定义了一个类，咱们就能够通过实例化这个类来创立一个对象。对象是类的实例，它继承了类定义的属性和办法。 让咱们持续用"Dog"类来深刻了解这个过程： fido = Dog("Fido", 3)buddy = Dog("Buddy", 5)在这里，Dog("Fido", 3)和Dog("Buddy", 5)是创立新Dog对象的表达式。它们是Dog类的两个不同的实例，每个实例都有本人的name和age属性。只管fido和buddy都是Dog类的实例，但它们是两个齐全不同的对象。 ...

1. 引言Python是一种弱小的编程语言，有很多内置的性能来解决文本。然而，有时候，咱们须要解决的文本非常复杂，而Python内置的性能可能不足以满足咱们的需要。这就是咱们须要像pyparsing这样的库的中央。 pyparsing是一个Python库，能够用来创立和执行文本解析器。这个库十分弱小，能够解决非常复杂的文本解析工作。 本文将通过一系列的例子，介绍如何应用pyparsing来解决简单的文本。 2. 装置pyparsing装置pyparsing非常简单，只须要在你的终端或命令行中运行上面的命令： pip install pyparsing3. 创立和执行解析器要在pyparsing中创立一个解析器，咱们须要定义一个解析规定。上面是一个简略的例子，咱们创立一个解析规定来解析一个字符串，这个字符串由一个或多个单词组成，每个单词都是由字母或数字组成： from pyparsing import Word, alphas, nums# 定义解析规定word = Word(alphas+nums)# 应用解析规定解析文本print(word.parseString("hello123"))在这个例子中，咱们首先导入了Word, alphas, 和 nums。Word是一个类，能够用来定义一个解析规定。alphas是一个字符串，蕴含了所有的字母，nums是一个字符串，蕴含了所有的数字。 而后，咱们定义了一个解析规定word，这个规定示意一个单词能够由字母或数字组成。 最初，咱们应用这个解析规定来解析字符串"hello123"。运行后果会显示['hello123']，这示意解析胜利。 4. 解决更简单的文本pyparsing能够解决非常复杂的文本。例如，咱们能够定义一个解析规定，来解析一个由多个单词和空格组成的字符串： from pyparsing import Word, alphas, nums, OneOrMore, White# 定义解析规定word = Word(alphas+nums)parser = OneOrMore(word + White())# 应用解析规定解析文本print(parser.parseString("hello world 123"))在这个例子中，咱们首先导入了OneOrMore和White。OneOrMore是一个类，示意一个或多个反复的模式。White示意一个或多个空格。 而后，咱们定义了一个解析规定parser，这个规定示意一个字符串由多个单词和空格组成。 最初，咱们应用这个解析规定来解析字符串"hello world 123"。运行后果会显示['hello', ' ', 'world', ' ', '123']，这示意解析胜利。 5. 小结pyparsing是一个十分弱小的Python库，能够用来解决简单的文本解析工作。在这篇文章中，咱们介绍了如何应用pyparsing来创立和执行解析器，并展现了如何解决更简单的文本。 当然，pyparsing还有很多其余的性能和个性，比方定义嵌套的解析规定、应用解析后果做进一步的解决、反对各种操作符等。如果你须要解决简单的文本，或者须要创立本人的文本解析器，那么pyparsing相对是一个值得关注和学习的库。 上面是一些无关pyparsing的进一步浏览和资源： pyparsing官网文档pyparsing入门教程应用pyparsing构建本人的编程语言心愿本文对你学习和应用pyparsing有所帮忙。如果你有任何问题或倡议，请随时在评论区留言。

fastposter v2.15.0 从繁琐到简略，简洁好用的海报生成器从繁琐到简略，简洁好用的海报生成器我很快乐向大家举荐一款令人兴奋的工具——Fastposter海报生成器。作为一名开发者，咱们深知在我的项目中创立专业级海报的重要性，但经常面临工夫和设计技能的限度。当初，Fastposter海报生成器为咱们提供了一个简略而高效的解决方案。 Fastposter是一款功能强大、易于应用的海报生成器，旨在为技术人员、设计师和创作者提供便当。无论您是开发电商平台、社交媒体推广工具，还是须要制作集体创作或宣传海报，Fastposter都能满足您的需要。 次要特点： 疾速集成：Fastposter提供了多种语言的调用代码，包含Java、Python、PHP等，让您可能轻松地将海报生成性能集成到现有我的项目中。只需几行代码，即可实现弱小的海报生成能力。丰盛多样的组件库：Fastposter领有文字、图片、二维码、头像等多种组件，让您能够依据需要自在搭配和调整海报内容。通过直观敌对的用户界面，您能够轻松上传背景图并将组件搁置在适合的地位，发明出独具共性的海报。灵便定制和预设模板：Fastposter反对灵便定制每个组件的款式和地位，满足您的个性化需要。同时，它还提供了一系列精美的预设模板，让您在不相熟设计的状况下，也能轻松创立业余水准的海报。文档和示例代码：Fastposter为您提供了具体的文档和示例代码，让您可能疾速上手，并把握应用Fastposter的各种性能。无论您是经验丰富的开发者还是初学者，都能轻松把握Fastposter的应用技巧。Fastposter曾经在泛滥电商类我的项目中广泛应用，并通过多年的生产环境考验，展示了其稳定性和可靠性。它不仅能为您的我的项目提供高质量的海报生成能力，还能大幅缩短开发周期，让您更专一于外围业务逻辑。 非常感谢大家的反对与认可，开源不易、咱们会始终保持。社区版 v2.15.0 公布降级依赖：requests==2.30.0降级依赖：Pillow==9.5.0降级依赖：qrcode==7.4.2专业版 v2.0.17重构拖拽组件编辑器减少参考线减少字符间距设置优化色彩抉择图片组件，主动设置图片原始比例相干地址开发文档：https://cloud.fastposter.net/doc/在线体验：https://poster.prodapi.cn/收费试用-云服务：https://cloud.fastposter.net/Java专业版：https://poster.prodapi.cn/pro/java/Python专业版：https://poster.prodapi.cn/pro/只需三步，即可实现海报开发一、启动服务docker run -it --name fast-poster -p 5000:5000 tangweixin/fast-poster二、编辑海报 三、生成代码 申请示例（可间接传递须要的参数） curl --location --request POST 'https://poster.prodapi.cn/api/link' \--header 'Content-Type: application/json' \--header 'token: ApfrIzxCoK1DwNZOEJCwlrnv6QZ0PCdv' \--data-raw '{ "price": "￥59", "id": 6}'响应示例（返回海报的拜访地址） { "code": 0, "msg": "success", "data": { "url": "https://poster.prodapi.cn/v/f191b404dcb05491" }}实用场景：电商平台：为电商平台提供海报生成和制作性能，帮忙商家疾速生成宣传商品、促销流动的海报，晋升商品曝光度和销售成果。分销零碎：为分销零碎提供个性化海报生成，使分销商可能轻松制作带有本人信息的推广海报，进步分销成果和推广效率。电商海报制作：为电商经营人员提供海报制作工具，帮忙他们设计和制作精美的商品详情页海报、广告海报等，吸引用户关注和购买。电商主图设计：为电商平台的商品主图设计提供反对，帮忙商家制作吸引人的商品主图，进步商品的点击率和转化率。社交媒体推广：为社交媒体经营人员提供海报生成性能，帮忙他们制作引人注目的推广海报，减少帖子的曝光和分享度。流动宣传：为各类流动（例如展览、上演、会议等）提供海报设计和制作，帮忙组织者吸引参与者和晋升流动知名度。广告营销：为广告公司和营销团队提供海报生成服务，帮忙他们设计创意广告海报，吸引指标受众的注意力集体创作：为个人用户提供自在创作的海报平台，让他们可能表白共性、分享情绪，并制作集体宣传海报、生日海报等。

深刻了解 python 虚拟机：花里胡哨的魔术办法在本篇文章当中次要给大家介绍在 cpython 当中一些比拟花里胡哨的魔术办法，以帮忙咱们本人实现比拟花哨的性能，当然这其中也蕴含一些也十分实用的魔术办法。 深入分析 hash 办法在 Python 中，__hash__() 办法是一种非凡办法（也称为魔术办法或双下划线办法），用于返回对象的哈希值。哈希值是一个整数，用于在字典（dict）和汇合（set）等数据结构中进行疾速查找和比拟。__hash__() 办法在创立自定义的可哈希对象时十分有用，例如自定义类的实例，以便能够将这些对象用作字典的键或汇合的元素。 上面是一些须要留神的问题和示例来帮忙了解 __hash__() 办法： 如果两个对象相等（依据 __eq__() 办法的定义），它们的哈希值应该相等。即，如果 a == b 为真，则 hash(a) == hash(b) 也为真，这一点十分重要，因为咱们在应用汇合和字典的时候，就须要保障容器当中每种对象只可能有一个，如果不满足这个条还的话，那么就可能会导致同一种对象在容器当中会存在多个。重写 __hash__() 办法通常须要同时重写 __eq__() 办法，以确保对象的相等性和哈希值的一致性。如果对象没有定义 __eq__办法，那么也不要定义 __hash__办法，因为如果遇到哈希值相等的对象时候，如果无奈对两个对象进行比拟的话，那么也会导致容易当中有多个雷同的对象。import randomclass Person: def __init__(self, name, age): self.name = name self.age = age def __eq__(self, other): return self.name == other.name and self.age == other.age def __hash__(self): return hash((self.name, self.age)) + random.randint(0, 1024) def __repr__(self): return f"[name={self.name}, age={self.age}]"person1 = Person("Alice", 25)person2 = Person("Alice", 25)print(hash(person1)) print(hash(person2)) container = set()container.add(person1)container.add(person2)print(container)在下面代码当中咱们重写了 __hash__ 函数，然而对象的哈希值每次调用的时候咱们都退出一个随机数，因而即便 name 和 age 都相等，如果 hash 值不想等，那么可能会造成容器当中存在多个雷同的对象，下面的代码就会造成雷同的对象，下面的程序输入后果如下所示： ...

class SearchEngineCheck(Model): category = CharField() track_source_id = IntegerField() keyword = CharField() clip_len = IntegerField(null=True) has_error = BooleanField(default=False) created_at = DateTimeField( null=False, constraints=[SQL('DEFAULT CURRENT_TIMESTAMP')], help_text='应用数据库工夫' ) updated_at = DateTimeField( null=False, constraints=[ SQL('DEFAULT CURRENT_TIMESTAMP'), SQL('ON UPDATE CURRENT_TIMESTAMP'), ] ) class Meta: database = db table_name = 'parse_monitoring' indexes = ( ('parsed_at', 'track_source_id'), )

在本文中，咱们将介绍如何应用 Python 中的 spaCy 库进行自然语言解决（NLP）中的文本预处理。spaCy 是一个高效的 NLP 库，旨在让您在实践中应用最先进的技术。它包含词汇化、分词、词性标注、命名实体辨认等性能。 1. 装置 spaCy 库要开始应用 spaCy，您须要先装置它。您能够应用以下命令装置 spaCy： pip install spacy2. 下载预训练模型spaCy 依赖于预训练的统计模型来执行各种 NLP 工作。要下载英语模型，请运行以下命令： python -m spacy download en_core_web_sm3. 加载模型接下来，咱们将加载刚刚下载的模型。在您的 Python 脚本中，应用以下代码导入 spaCy 并加载模型： import spacynlp = spacy.load('en_core_web_sm')4. 文本预处理当初咱们能够应用 spaCy 的 NLP 性能对文本进行预处理。假如咱们有以下文本： text = "The quick brown fox jumps over the lazy dog."4.1 词汇化词汇化是将文本合成为单词、短语、符号或其余有意义的元素的过程。在 spaCy 中，只需将文本传递给加载的 NLP 模型即可实现此操作： doc = nlp(text)4.2 分词将文本合成为独自的词语或标记的过程称为分词。在上一步中，咱们曾经将文本传递给了 NLP 模型，当初咱们能够应用以下代码迭代分词： tokens = [token.text for token in doc]print(tokens)输入： ...

欢送来到咱们的系列博客《Python全景系列》！在这个系列中，咱们将率领你从Python的基础知识开始，一步步深刻到高级话题，帮忙你把握这门弱小而灵便的编程语法。无论你是编程老手，还是有肯定根底的开发者，这个系列都将提供你须要的常识和技能。 这是本系列的第五篇，咱们将深入探讨Python中的并发编程，特地关注多线程和多过程的利用。咱们将先从基本概念开始，而后通过具体举例探讨每一种机制，最初分享一些实战经验以及一种优雅的编程技巧。 第一局部：多线程介绍线程是操作系统中最小的执行单元。在单个程序或过程内，能够并发运行多个线程，共享过程的资源，如内存和文件描述符。 1.1 Python中的多线程Python反对多线程编程，并提供了threading模块作为反对。这个模块提供了Thread类，咱们能够通过创立其实例并向其传递函数来创立新线程。当然，你也能够通过继承Thread类并重写run()办法来创立自定义线程。上面是一个多线程编程的例子： import threadingdef print_numbers(): for i in range(10): print(i)def print_letters(): for letter in 'abcdefghij': print(letter)# 创立线程t1 = threading.Thread(target=print_numbers)t2 = threading.Thread(target=print_letters)# 启动线程t1.start()t2.start()# 期待线程完结t1.join()t2.join()在下面的例子中，咱们定义了两个函数：一个打印数字，另一个打印字母。而后咱们创立了两个线程，每个线程的指标是执行这些函数。start()办法用于启动线程，而join()办法用于期待线程实现。 1.2 多线程的理论利用只管Python的多线程因为全局解释器锁（GIL）的存在，并不能实现真正的并行，然而它们在I/O密集型工作中依然很有用。GIL是CPython解释器的一个互斥锁，保障在任何时刻只有一个线程在执行。这意味着在CPU密集型工作中，多线程可能不是最佳抉择，因为它们无奈充分利用多核CPU。 然而，在I/O密集型工作中，多线程可能进步程序性能。例如，如果一个程序须要从多个源下载文件，那么应用多线程能够使得当一个线程期待网络响应时，其余线程能够持续下载其余文件。这样，程序能够在同一时间从多个源下载文件，大大提高了效率。 第二局部：多过程介绍过程是操作系统中独立的执行实体，每个过程都有本人的内存空间、文件描述符等资源。与线程不同，过程之间的资源 并不共享，每个过程都有本人独立的资源。 2.1 Python中的多过程Python通过multiprocessing模块提供了多过程反对。相似于多线程，咱们能够通过创立Process类的实例并向其传递函数来创立新过程。咱们也能够通过继承Process类并重写run()办法来创立自定义过程。 以下是一个简略的多过程编程的例子： import multiprocessingdef print_numbers(): for i in range(10): print(i)def print_letters(): for letter in 'abcdefghij': print(letter)# 创立过程p1 = multiprocessing.Process(target=print_numbers)p2 = multiprocessing.Process(target=print_letters)# 启动过程p1.start()p2.start()# 期待过程完结p1.join()p2.join()这个例子和后面的多线程例子相似，不同的是这里咱们创立的是两个过程，而不是线程。 2.2 多过程的理论利用多过程能够实现真正的并行，使得Python程序能够利用多核CPU。因而，对于CPU密集型工作，多过程通常比多线程更有劣势。另一方面，多过程的开销比多线程大，而且过程间的通信和同步也比线程间的更为简单。因而，对于I/O密集型工作，或者须要频繁通信的工作，多线程可能会是更好的抉择。 第三局部：优化并发编程的技巧在Python中，concurrent.futures模块为多线程和多过程编程提供了高级接口，能够让咱们更加简洁地编写代码。 这个模块提供了ThreadPoolExecutor和ProcessPoolExecutor两个类，它们别离用于创立线程池和过程池。这两个类都实现了雷同的接口，你能够应用submit()办法提交工作，而后应用as_completed()函数期待工作实现。 上面是一个应用concurrent.futures模块的示例： import concurrent.futuresdef print_numbers(): for i in range(10): print(i)def print_letters(): for letter in 'abcdefghij': print(letter)# 应用线程池with concurrent.futures.ThreadPoolExecutor() as executor: future1 = executor.submit(print_numbers) future2 = executor.submit(print_letters) for future in concurrent.futures.as_completed([future1, future2]): pass# 应用过程池with concurrent.futures.ProcessPoolExecutor() as executor: future1 = executor.submit(print_numbers) future2 = executor.submit(print_letters) for future in concurrent.futures.as_completed([future1, future2]): pass在下面的例子中，咱们创立了线程池和过程池，而后向它们提交工作。能够看到，应用concurrent.futures模块，咱们的代码更加简洁，易读性和可维护性也有所提高。 ...

from core.mysql.models import TweetTablefrom loguru import loggerimport eventletimport timefrom eventlet import monkey_patchmonkey_patch()def run(): q = TweetTable.select() logger.debug(list(q))if __name__ == '__main__': while True: g = eventlet.spawn(run) g.wait() time.sleep(1)下面的代码是谬误的 不打 monkey_patch，或者 monkey_patch 打晚了 都会导致连贯复用 所以，咱们要在一开始就打上 monkey_patch from eventlet import monkey_patchmonkey_patch()from core.mysql.models import TweetTablefrom loguru import loggerimport eventletimport timedef run(): q = TweetTable.select() logger.debug(list(q))if __name__ == '__main__': while True: g = eventlet.spawn(run) g.wait() time.sleep(1)把 monkey_patch 一到最开始，就能够了

欢送来到咱们的系列博客《Python全景系列》！在这个系列中，咱们将率领你从Python的基础知识开始，一步步深刻到高级话题，帮忙你把握这门弱小而灵便的编程语言！ 本文系列第四篇，介绍史上最全PYTHON文件类型读写库大盘点！蕴含罕用和不罕用的大量文件格式！文本、音频、视频包罗万象！废话不多说！走起来！先给大家快捷总结： 文件格式Python库文件格式Python库文本文件内置open函数CSV文件csvJSON文件jsonXML文件xml.etree.ElementTree二进制文件内置open函数图片文件PIL (Python Imaging Library)Word文件python-docxXLSX文件openpyxlPDF文件PyPDF2SQLite数据库文件sqlite3音频文件pydub视频文件moviepyHTML文件BeautifulSoupYAML文件pyyamlZIP文件zipfile注释开始！ 1. 文本文件在Python中，解决文本文件是最根底的文件操作，咱们应用内置的open函数关上一个文件，而后应用文件对象的read或write办法进行读写操作。 # 写入文本文件with open('example.txt', 'w') as f: f.write('Hello, Python!')# 读取文本文件with open('example.txt', 'r') as f: print(f.read())在这里，open函数的第一个参数是文件名，第二个参数是文件模式，其中'r'代表读模式，'w'代表写模式。应用'with'语句能够确保文件在操作实现后被正确敞开。这是一个规范的文件操作模式，也实用于其余类型的文件。 2. CSV文件CSV（Comma-Separated Values）文件是一种罕用的数据交换格局，每行示意一条记录，各字段之间由逗号分隔。Python的csv模块提供了用于读写CSV文件的工具。 import csv# 写入CSV文件with open('example.csv', 'w', newline='') as f: writer = csv.writer(f) writer.writerow(['name', 'age']) writer.writerow(['Alice', 20]) writer.writerow(['Bob', 25])# 读取CSV文件with open('example.csv', 'r') as f: reader = csv.reader(f) for row in reader: print(row)这里，csv.writer和csv.reader函数别离返回一个写入器和读取器对象，咱们能够应用这些对象进行CSV文件的读写操作。 3. JSON文件JSON（JavaScript Object Notation）是一种轻量级的数据交换格局，易于浏览和编写，同时也易于机器解析和生成。Python的json模块提供了用于读写JSON文件的工具。 import json# 写入JSON文件data = { 'name': 'Alice', 'age': 20,}with open('example.json', 'w') as f: json.dump(data, f)# 读取JSON文件with open('example.json', 'r') as f: data = json.load(f) print(data) 在这里，json.dump和json.load函数别离用于将Python对象转换为JSON格局并写入文件，以及从文件中读取JSON数据并转换为Python对象。4. XML文件XML（eXtensible Markup Language）是一种标记语言，能够用来形容数据的构造。Python的xml模块提供了用于读写XML文件的工具。 ...

在本文中，咱们将介绍如何应用Python的PyTorch库进行迁徙学习。迁徙学习是一种机器学习技术，它容许咱们利用一个事后训练好的模型对新工作进行训练，从而节俭了大量的计算资源和工夫。 1. 装置并导入库首先，咱们须要装置PyTorch库。在终端或命令提示符中输出以下命令进行装置： pip install torch torchvision而后导入所需的库： import torchimport torch.nn as nnimport torch.optim as optimimport torchvisionfrom torchvision import datasets, models, transforms2. 数据预处理在本例中，咱们将应用CIFAR-10数据集进行迁徙学习。首先，咱们须要对数据进行预处理： transform = transforms.Compose([ transforms.RandomHorizontalFlip(), transforms.RandomCrop(32, padding=4), transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])trainset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)trainloader = torch.utils.data.DataLoader(trainset, batch_size=100, shuffle=True, num_workers=2)testset = datasets.CIFAR10(root='./data', train=False, download=True, transform=transform)testloader = torch.utils.data.DataLoader(testset, batch_size=100, shuffle=False, num_workers=2)classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')3. 加载预训练模型接下来，咱们将加载一个预训练的ResNet-18模型。预训练模型在ImageNet数据集上进行了训练，因而它曾经具备很好的特征提取能力。 model = models.resnet18(pretrained=True)4. 批改模型的全连贯层因为咱们的工作是对CIFAR-10数据集进行分类，因而咱们须要将模型的全连贯层（输入层）批改为具备10个输入单元的新层。咱们能够通过以下代码实现这一指标： ...

卷积神经网络（Convolutional Neural Networks, CNN）是一类特地实用于解决图像数据的深度学习模型。在Python中，咱们能够应用风行的深度学习库TensorFlow和Keras来创立和训练一个CNN模型。在本文中，咱们将介绍如何应用Keras创立一个简略的CNN模型，并用它对手写数字进行分类。 1. 筹备数据集咱们将应用MNIST数据集，这是一个罕用的手写数字数据集。Keras库提供了一个不便的函数来加载MNIST数据集。数据集蕴含60000个训练样本和10000个测试样本，每个样本是一个28x28的灰度图像。 from tensorflow.keras.datasets import mnist(train_images, train_labels), (test_images, test_labels) = mnist.load_data()接下来，咱们须要对数据进行预处理。咱们将图像数据归一化到0-1之间，并将标签数据进行one-hot编码： train_images = train_images.reshape((60000, 28, 28, 1))train_images = train_images.astype("float32") / 255test_images = test_images.reshape((10000, 28, 28, 1))test_images = test_images.astype("float32") / 255from tensorflow.keras.utils import to_categoricaltrain_labels = to_categorical(train_labels)test_labels = to_categorical(test_labels)2. 创立CNN模型咱们将应用Keras创立一个简略的CNN模型，包含卷积层、池化层、全连贯层等。模型的构造如下： 卷积层：应用32个3x3的卷积核，激活函数为ReLU；池化层：应用2x2的最大池化；卷积层：应用64个3x3的卷积核，激活函数为ReLU；池化层：应用2x2的最大池化；全连贯层：蕴含128个神经元，激活函数为ReLU；输入层：蕴含10个神经元，激活函数为softmax。from tensorflow.keras import layersfrom tensorflow.keras import modelsmodel = models.Sequential()model.add(layers.Conv2D(32, (3, 3), activation="relu", input_shape=(28, 28, 1)))model.add(layers.MaxPooling2D((2, 2)))model.add(layers.Conv2D(64, (3, 3), activation="relu"))model.add(layers.MaxPooling2D((2, 2)))model.add(layers.Flatten())model.add(layers.Dense(128, activation="relu"))model.add(layers.Dense(10, activation="softmax"))3. 训练CNN模型咱们将应用训练数据集训练CNN模型，并在测试数据集上评估模型性能。咱们将应用穿插熵损失函数和Adam优化器，训练10个epoch。 model.compile(optimizer="adam", loss="categorical_crossentropy", metrics=["accuracy"])model.fit(train_images, train_labels, epochs=10, batch_size=64)test_loss, test_acc = model.evaluate(test_images, test_labels)print("Test accuracy: {:.2f}%".format(test_acc * 100))4. 应用CNN模型进行预测训练好CNN模型后，咱们能够用它对新的图像数据进行预测。上面咱们将随机抉择一个测试图像，并应用模型进行预测。 ...

深刻了解 python 虚拟机：魔术办法之数学计算在本篇文章当中次要给大家介绍在 python 当中一些常见的魔术办法，本篇文章次要是对于与数学计算相干的一些魔术办法，在很多科学计算的包当中都应用到了这些魔术办法。 大小比拟当咱们在Python中定义本人的类时，能够通过重写一些非凡办法来扭转对象的比拟行为。这些非凡办法包含__lt__、__le__、__eq__、__ne__、__gt__和__ge__，它们别离对应于小于、小于等于、等于、不等于、大于和大于等于的比拟运算符。这些办法容许咱们自定义对象之间的比拟规定。 上面是对每个办法的具体介绍： object.__lt__(self, other) 这个办法用于定义小于（<）运算符的行为。当咱们应用小于运算符比拟两个对象时，会调用该办法。如果self对象小于other对象，则返回True，否则返回False。object.__le__(self, other) 这个办法用于定义小于等于（<=）运算符的行为。当咱们应用小于等于运算符比拟两个对象时，会调用该办法。如果self对象小于等于other对象，则返回True，否则返回False。object.__eq__(self, other) 这个办法用于定义等于（==）运算符的行为。当咱们应用等于运算符比拟两个对象时，会调用该办法。如果self对象等于other对象，则返回True，否则返回False。object.__ne__(self, other) 这个办法用于定义不等于（!=）运算符的行为。当咱们应用不等于运算符比拟两个对象时，会调用该办法。如果self对象不等于other对象，则返回True，否则返回False。object.__gt__(self, other) 这个办法用于定义大于（>）运算符的行为。当咱们应用大于运算符比拟两个对象时，会调用该办法。如果self对象大于other对象，则返回True，否则返回False。object.__ge__(self, other) 这个办法用于定义大于等于（>=）运算符的行为。当咱们应用大于等于运算符比拟两个对象时，会调用该办法。如果self对象大于等于other对象，则返回True，否则返回False。这些比拟办法容许咱们依据本人的需要自定义对象的比拟规定。当咱们应用比拟运算符对对象进行比拟时，Python会主动调用这些办法，并返回相应的后果。 上面是一个简略的示例，展现如何在自定义类中应用这些比拟办法： class Point: def __init__(self, x, y): self.x = x self.y = y def __lt__(self, other): return self.x < other.x and self.y return self.y < other.y def __le__(self, other): return self.x <= other.x and self.y <= other.y def __eq__(self, other): return self.x == other.x and self.y == other.y def __ne__(self, other): return not self.__eq__(other) def __gt__(self, other): return self.x > other.x and self.y > other.y def __ge__(self, other): return self.x >= other.x and self.y >= other.yp1 = Point(1, 2)p2 = Point(3, 4)print(p1 < p2) print(p1 <= p2)print(p1 == p2)print(p1 != p2)print(p1 > p2)print(p1 >= p2)下面的代码输入后果如下所示： ...

欢送来到咱们的系列博客《Python全景系列》！在这个系列中，咱们将率领你从Python的基础知识开始，一步步深刻到高级话题，帮忙你把握这门弱小而灵便的编程语法。无论你是编程老手，还是有肯定根底的开发者，这个系列都将提供你须要的常识和技能。 这是系列第三篇，在这篇文章中咱们将全面深刻地介绍 Python 的管制流程，包含条件语句、循环构造和异样解决等要害局部，尤其会将列表解析、生成器、装璜器等高级用法一网打尽。此外，我还将分享一些独特的见解和钻研发现，心愿能给你带来新的启发。文章的结尾，咱们将有一个 "One More Thing" 环节，我会分享一个很特地但又很少人晓得的有用的 Python 管制流程的技巧。 一、条件语句（If-Elif-Else）Python的条件语句是通过一条或多条语句的执行后果（True或者False）来决定执行的代码块。条件语句的根本模式包含 if、if-else 和 if-elif-else 三种。 # if 语句x = 10if x > 0: print("x is positive")# if-else 语句if x % 2 == 0: print("x is even")else: print("x is odd")# if-elif-else 语句if x < 0: print("x is negative")elif x == 0: print("x is zero")else: print("x is positive")留神Python的缩进规定，这是Python语法的一大特色。缩进用于辨别代码块，比方以上if-elif-else的代码块。此外，Python中没有相似C++、Java的大括号{}来管制语句块，齐全依赖于缩进。 二、循环构造（For和While）Python中的循环有两种，一种是for循环，一种是while循环。 1 # for循环2 for i in range(5):3 print(i)4 5 # while循环6 count = 07 while count < 5:8 print(count)9 count += 1Python的for循环更像是一个遍历循环，它会遍历序列中的每一个元素。而在很多其余语言中，for循环是通过条件判断来管制循环的。Python中的range()函数在很多状况下都十分有用，特地是在循环构造中。 ...

欢送来到咱们的系列博客《Python全景系列》！在这个系列中，咱们将率领你从Python的基础知识开始，一步步深刻到高级话题，帮忙你把握这门弱小而灵便的编程语法。无论你是编程老手，还是有肯定根底的开发者，这个系列都将提供你须要的常识和技能。 Python作为一门弱小且灵便的编程语言，领有丰盛的数据类型零碎。本文具体介绍了Python中的每一种数据类型，包含数值、序列、映射、汇合、布尔和None类型。每种数据类型的个性、应用形式，以及在理论问题中的利用都将被深入探讨。此外，咱们还将探讨Python的动静类型个性，以及如何在理论编程中充分利用这些数据类型来简化代码和提高效率。在文章的最初，我还将分享一个可能你还不晓得，但十分有用的个性。 1. 数值类型 (Numerics)Python的数值类型包含整数（Integers）、浮点数（Floating-point numbers）、复数（Complex numbers）、布尔值（Booleans）和二进制类型（Bytes）。 # 整数x = 10print(type(x)) # <class 'int'># 浮点数y = 20.5print(type(y)) # <class 'float'># 复数z = 2 + 3jprint(type(z)) # <class 'complex'># 布尔值a = Trueprint(type(a)) # <class 'bool'># 二进制b = b"Hello"print(type(b)) # <class 'bytes'>`Python中的整数类型不仅反对惯例的十进制，还反对二进制（0b10）、八进制（0o10）和十六进制（0x10）。它们的设计让Python在数学运算上领有弱小的能力。值得注意的是，Python的整数没有大小限度，这意味着你能够解决十分大的整数，而不必放心溢出问题。 2. 序列类型 (Sequences)序列类型包含列表（Lists）、元组（Tuples）、字符串（Strings）、字节数组（Byte Arrays）和范畴（Ranges）。 # 列表list_ = [1, 2, 3]print(type(list_)) # <class 'list'># 元组tuple_ = (1, 2, 3)print(type(tuple_)) # <class 'tuple'># 字符串str_ = "Hello, Python!"print(type(str_)) # <class 'str'># 字节数组bytes_array = bytearray(b"Hello")print(type(bytes_array)) # <class 'bytearray'># 范畴range_ = range(5)print(type(range_)) # <class 'range'>列表是可变的，而元组和字符串是不可变的。这个个性决定了它们在Python编程中的应用场景。例如，咱们能够应用列表来存储须要动静批改的数据，应用元组来存储不变的数据序列，应用字符串来解决文本数据。 ...

《从此开始：1分钟配置好你的python环境》欢送来到咱们的系列博客《Python360全景》！在这个系列中，咱们将率领你从Python的基础知识开始，一步步深刻到高级话题，帮忙你把握这门弱小而灵便的编程语法。无论你是编程老手，还是有肯定根底的开发者，这个系列都将提供你须要的常识和技能。这是咱们的第一篇文章，让咱们从最根底的开始：如何在你的电脑上配置Python环境。1. Windows操作系统配置Python环境拜访Python官方网站下载页面（https://www.python.org/downloads/），抉择与你的Windows操作系统版本对应的Python版本下载安装包。双击安装包，会弹出装置向导。在此页面勾选下方的"Add Python 3.x to PATH"，而后点击"Install Now"。python --version 如果输入Python的版本号，那么祝贺你，Python曾经胜利装置在你的Windows零碎中。 常见问题及解决方案 问题1：装置过程中呈现权限问题 解决方案：以管理员身份运行安装程序。 问题2：命令行无奈辨认python命令 解决方案：查看是否在装置过程中勾选了"Add Python 3.x to PATH"选项。如果没有，你须要手动增加Python的装置门路到零碎环境变量。 2. macOS操作系统配置Python环境在macOS零碎中，Python2.7曾经预装。然而咱们通常须要的是Python3，因而咱们能够应用Homebrew来装置Python3。 如果你的macOS零碎尚未装置Homebrew，能够在终端中输出以下命令进行装置：/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)" 应用Homebrew装置Python3：brew install python3 实现装置后，你能够输出以下命令来查看Python版本：python3 --version 常见问题及解决方案 问题1：Homebrew装置失败 解决方案：查看你的网络连接是否稳固，如果问题依然存在，思考更换一个稳固的网络环境进行尝试。 问题2：命令行无奈辨认python3命令 解决方案：查看Python的装置门路是否曾经增加到了零碎环境变量。如果没有，你须要手动增加。 3. Linux操作系统配置Python环境许多Linux发行版预装了Python。你能够通过以下命令来查看是否曾经装置了Python： python --version 如果你须要装置Python3，能够应用下列命令： sudo apt-get updatesudo apt-get install python3常见问题及解决方案 问题1：无奈找到适合的Python3版本 解决方案：一些Linux发行版的默认软件源可能不蕴含最新的Python3版本。你能够尝试更换软件源或者从Python官网下载对应的版本。 问题2：装置过程中呈现权限问题 解决方案：应用sudo命令获取管理员权限进行装置。 问题3：命令行无奈辨认python3命令 解决方案：查看Python的装置门路是否曾经增加到了零碎环境变量。如果没有，你须要手动增加。 到此为止，你应该曾经在你的电脑上胜利配置了Python环境。咱们的旅程才刚刚开始，将来的途程中咱们将一起摸索Python的世界，让编程变得更简略、更乏味。 One More Thing：在我应用Python的过程中，我发现一个很有用但很少人晓得的技巧。在Python命令行中，你能够应用下划线"_"来获取上一条命令的输入后果。这在进行疾速计算或者间断操作时十分不便。例如： >>> 2 + 35>>> _ * 210本文由博客一文多发平台 OpenWrite 公布！

这里记录每周值得分享的 Python 及通用技术内容，局部为英文，已在小标题注明。（本期题目取自其中一则分享，不代表全部内容都是该主题，特此申明。） 文章&教程1、Python润饰器的函数式编程 介绍了装璜器的实现原理、带参装璜器、多装璜器、类装璜器和几个典型的示例。文章公布于 2014 年，代码用的还是 Python 2。之所以分享这篇文章，因为它是左耳朵耗子惟一以 Python 为话题的文章，而且写得具体到位。 2、asyncio 的一些高级用法 出自咱们的老朋友@古明地觉 的新系列《asyncio 系列》，半个月内已连载 14 篇。真想问问他是如何做到如此高产又高质量的？！文章答复了：如何设计既能接管协程又能接管一般 Python 函数的 API，如何强制事件循环的迭代，如何在不传递参数的状况下在工作之间传递状态…… 3、Nginx+uWSGI 部署 Django 以及负载平衡操作 介绍了 uWSGI 和 Nginx 的配置，实现对 Django 服务的反向代理及负载平衡。该文出自仍在连载的《Django 系列》，目前该系列蕴含 44 篇文章，能作为零碎学习 Django 的参考资料。 4、Rye:一个试验性质的Python包管理系统 Python 目前的包管理工具多得让人目迷五色，而 Conda 和操作系统的包管理器也存在诸多问题（本周刊第一期就有两则相干内容）。Flask 作者 Armin Ronacher 用 Rust 开发的 rye，借鉴了 Rust 包治理的教训，试图提供一个标准化的解决方案。这篇文章介绍了 rye 的装置及应用。 5、PyInstaller：将你的Python代码打包成独立应用程序 PyInstaller 可将 Python 程序打包为一个可执行文件，反对多个平台如 Windows、Mac 和 Linux。这是一篇简略清晰的应用教程，除了根底介绍外，难得的是它还介绍了两种打包形式的优缺点，以及打包后常见的 5 个问题。 6、如何在 Python 中实现真正的多线程（英文） Python 3.12 行将推出“Per-Interpreter GIL（PEP-684）”个性，它容许 Python 实现真正的并行处理。代码尽管已在 alpha 版本中，但目前只能通过 C-API 应用。文章应用 CPython 的test 模块演示了子解释器的示例。 ...

在理论的机器学习我的项目中，咱们通常须要将训练好的模型保留到磁盘，以便在当前的工夫点进行推理或从新训练。同样地，咱们也须要从磁盘加载模型以供应用。在本文中，咱们将介绍如何在Python中应用pickle和joblib库将训练好的模型长久化到磁盘，并从磁盘加载模型。 1. 应用pickle库长久化与加载模型pickle是Python规范库的一部分，提供了对Python对象的序列化和反序列化性能。咱们能够应用pickle库将训练好的模型序列化为二进制格局，并将其保留到磁盘。以下是一个简略的示例： import picklefrom sklearn.datasets import load_irisfrom sklearn.linear_model import LogisticRegression# 加载Iris数据集并训练模型iris = load_iris()X, y = iris.data, iris.targetmodel = LogisticRegression(max_iter=1000)model.fit(X, y)# 应用pickle将模型保留到磁盘with open("model.pkl", "wb") as f: pickle.dump(model, f)接下来，咱们能够从磁盘加载模型并进行预测： import pickle# 从磁盘加载模型with open("model.pkl", "rb") as f: loaded_model = pickle.load(f)# 应用加载的模型进行预测predictions = loaded_model.predict(X)2. 应用joblib库长久化与加载模型joblib是一个独立的Python库，提供了对大型numpy数组的高效存储和加载性能。对于许多机器学习模型，joblib通常比pickle更快且更适宜用于长久化。以下是如何应用joblib长久化和加载模型的示例： 首先，咱们须要装置joblib库： pip install joblib而后，咱们能够应用joblib将训练好的模型保留到磁盘： from joblib import dumpfrom sklearn.datasets import load_irisfrom sklearn.linear_model import LogisticRegression# 加载Iris数据集并训练模型iris = load_iris()X, y = iris.data, iris.targetmodel = LogisticRegression(max_iter=1000)model.fit(X, y)# 应用joblib将模型保留到磁盘dump(model, "model.joblib")接下来，咱们能够应用joblib从磁盘加载模型并进行预测： from joblib import load# 从磁盘加载模型loaded_model = load("model.joblib")# 应用加载的模型进行预测predictions = loaded_model.predict(X)3. 总结在Python中，咱们能够应用pickle和joblib库将训练好的机器学习模型长久化到磁盘，并从磁盘加载模型。pickle库是Python规范库的一部分，实用于序列化和反序列化Python对象，而joblib库则专为解决大型numpy数组而设计，通常在机器学习畛域中体现更佳。 ...

明天是20230520，有人说：5代表的是人生五味，酸甜苦辣咸；2指的是两个人的双向奔赴；0是零距离，因为懂得，所以灵魂相依。 上面进入正题，分享一波520专属Python代码。 玫瑰毫无疑问，玫瑰始终都是是520、521...这类节日的专属。 参考代码： import turtleturtle.speed(0)turtle.delay(10)turtle.penup()turtle.left(90)turtle.fd(200)turtle.pendown()turtle.right(90)turtle.fillcolor('red')turtle.begin_fill()turtle.circle(10, 180)turtle.circle(25, 110)# 花瓣turtle.left(150)turtle.circle(-90, 70)turtle.left(20)turtle.circle(75, 105)turtle.setheading(60)turtle.circle(80, 98)turtle.circle(-90, 40)# 文字turtle.color('red')turtle.pu()turtle.goto(-210,80)turtle.pd()turtle.write('520 Happy', move=False, align='center',font=("Times", 18, "bold"))turtle.pu()turtle.goto(210,80)turtle.pd()turtle.write('I LOVE YOU', move=False, align='center',font=("Times", 18, "bold"))turtle.pu()turtle.pu()turtle.hideturtle()turtle.done()成果： 心连心参考代码： import turtle as tt.color('red','pink')t.begin_fill()t.width(5)t.left(135)t.fd(100)t.right(180)t.circle(50,-180)t.left(90)t.circle(50,-180)t.right(180)t.fd(100)t.pu()t.goto(50,-30)t.pd()t.right(90)t.fd(100)t.right(180)t.circle(50,-180)t.left(90)t.circle(50,-180)t.right(180)t.fd(100)t.end_fill()t.hideturtle()t.pu()t.goto(250,-70)t.pd()成果： 动静爱心参考代码： import randomfrom tkinter import *from math import sin, cos, pi, logfor _ in range(520): x, y = random.choice(point_list) x, y = scatter_inside(x, y, 0.17) self._center_diffusion_points.add((x, y))heart_halo_point = set()for _ in range(halo_number): t = random.uniform(0, 2 * pi) x, y = heart(t, shrink_ratio=11.6) x, y = shrink(x, y, halo_radius) if (x, y) not in heart_halo_point: heart_halo_point.add((x, y)) x += random.randint(-14, 14) y += random.randint(-14, 14) size = random.choice((1, 2, 2)) all_points.append((x, y, size))for x, y in self._points: x, y = self.calc_position(x, y, ratio) size = random.randint(1, 3) all_points.append((x, y, size))for x, y in self._edge_diffusion_points: x, y = self.calc_position(x, y, ratio) size = random.randint(1, 2) all_points.append((x, y, size))self.all_points[generate_frame] = all_pointsfor x, y in self._center_diffusion_points: x, y = self.calc_position(x, y, ratio) size = random.randint(1, 2) all_points.append((x, y, size))self.all_points[generate_frame] = all_points 成果： ...

我国目前并未出台专门针对网络爬虫技术的法律标准，但在司法实际中，相干裁决已不足为奇，K 哥特设了“K哥爬虫普法”专栏，本栏目通过对实在案例的剖析，旨在进步宽广爬虫工程师的法律意识，通晓如何非法合规利用爬虫技术，警钟长鸣，做一个违法、护法、有准则的技术人员。案情介绍2017年至2019年间，被告人陈辉为牟取非法利益，在本区编写“爬虫”软件用于在浙江淘宝网络有限公司旗下的“大麦网”平台上抢票，并以人民币1888元到6888元不等的价格向别人发售该软件，非法获利人民币12万余元。 经鉴定，上述“爬虫”软件具备以非常规的形式结构和发送网络申请，模仿用户在大麦网平台手动下单和购买商品的性能；具备以非常规伎俩模仿用户辨认和输出图形验证码的性能，该性能可绕过大麦网平台的人机辨认验证机制，以非常规形式拜访大麦网平台的资源。 法院观点被告人陈辉提供专门用于侵入、非法管制计算机信息零碎程序、工具，情节特地重大，依法应予表彰。被告人陈辉认罪认罚且在庭前签订《认罪认罚具结协定》，依法能够从宽处理。辩护人所提意见于法有据局部，予以驳回。公诉机关量刑倡议适当，予以驳回。 被告人触犯的法律次要为：《中华人民共和国刑法》第二百八十五条第三款：【提供侵入、非法管制计算机信息零碎程序、工具罪】提供专门用于侵入、非法管制计算机信息零碎的程序、工具，或者明知别人施行侵入、非法管制计算机信息零碎的违法犯罪行为而为其提供程序、工具，情节严重的，按照前款的规定处罚； 裁决状况被告人陈辉犯提供侵入、非法管制计算机信息零碎程序、工具罪，判处有期徒刑三年，缓刑四年，并处罚金人民币二万元。持续追缴被告人陈辉的守法所得人民币12万元，上缴国库。扣押在案的 U 盘1个、手机1台、电脑主机1台、移动硬盘1个等作案工具予以没收、上缴国库。裁决文书广州市南沙区人民法院（2021）粤0115刑初5号 案例剖析依据案情介绍，被告人陈辉通过爬虫技术绕过了验证码人机辨认等反爬虫策略，实现了抢购，并且将该爬虫脚本封装成软件，进行售卖，以此盈利，这显著是违反了大麦网志愿的行为。应用程序进行抢购必定会比人工手动操作快很多，必然会影响到在大麦网进行失常购票的用户，造成不偏心的竞争，并存在资源垄断的可能。 应用爬虫脚本进行抢购的场景很多，例如抢票、抢各种热门产品等等，通过赚取差价或者售卖抢购软件的形式获利，殊不知这种行为不仅毁坏了偏心购买的秩序，还可能导致真正有须要的人买不到，并且会使得产品溢价很多，重大的扰乱了市场。更重要的是通过软件或脚本进行抢购的行为，是必定违反相干平台规定以及法律法规的，应用爬虫技术抢票可能波及以下法律问题： 违反服务协定：许多网站在其服务协定中明确禁止应用自动化工具或爬虫技术进行拜访，网站经营者可能采取法律口头追究责任；不正当竞争：如果您应用爬虫技术扰乱市场秩序，例如通过抢票来获取肯定数量的票务资源，从而排斥其余竞争者或商家，而后以高价售卖，可能会被认定为不正当竞争行为；违反反垄断法：如果滥用爬虫技术来获取大量票务资源，从而垄断市场、排斥竞争对手，可能触犯反垄断法律；网络入侵：如果应用爬虫技术侵入别人的计算机系统或网络，未经受权地拜访和操作，可能触犯计算机犯罪法律；网络攻击和滥用：应用爬虫技术进行网络攻击、滥用资源或烦扰失常经营，可能触犯计算机犯罪相干法律；经济犯罪：如果应用爬虫技术进行票务抢购，而后以欺诈、洗钱、非法交易等形式牟利，可能触犯经济犯罪相干法律；违反国际法：在跨国爬取网站信息或进行抢购流动时，可能触犯跨境数据流动、贸易限度等国内法律法规；违反电子商务法规：在一些国家或地区，应用爬虫技术抢购商品可能违反电子商务法规，如未经受权的电子商务流动、虚伪交易等。技术自身是无罪的，但谨记不要利用技术来施行可能违法犯罪的行为。不要心怀幸运，若始终游走于刀尖，出事是迟早的事件，肯定不要为一时的利益蒙蔽了双眼。在此劝谏各位爬虫工程师们，切莫触碰灰黑地带，越过了法律的红线！

WebSocket是一种网络通信协定，它在单个TCP连贯上提供全双工的通信信道。在本篇文章中，咱们将探讨如何在Python中应用WebSocket实现实时通信。 1. 什么是WebSocket？WebSocket协定是在2008年由Web应用程序设计师和开发人员创立的，目标是为了在Web浏览器和服务器之间提供更高效、更低提早的双向通信。它容许客户端和服务器在任何时候发送音讯，无需从新建设TCP连贯。WebSocket能够在Web浏览器和服务器之间传输文本和二进制数据，使得构建实时Web应用程序变得更加简略。 2. 在Python中应用WebSocketPython中有多个库能够帮忙咱们应用WebSocket，如：websockets、aiohttp等。在本文中，咱们将应用websockets库来演示WebSocket编程。 要装置websockets库，你能够应用pip： pip install websockets3. 创立WebSocket服务器应用websockets库，咱们能够轻松地创立一个WebSocket服务器。以下是一个简略的示例： import asyncioimport websocketsasync def echo(websocket, path): async for message in websocket: print(f"Received message: {message}") await websocket.send(f"Echo: {message}")start_server = websockets.serve(echo, "localhost", 8765)asyncio.get_event_loop().run_until_complete(start_server)asyncio.get_event_loop().run_forever()在这个示例中，咱们定义了一个名为echo的协程函数，它接管两个参数：websocket和path。该函数应用async for循环读取客户端发送的音讯，并将音讯发送回客户端。 而后，咱们应用websockets.serve()函数创立一个WebSocket服务器，监听本地主机的8765端口。最初，咱们应用asyncio的事件循环启动服务器。 4. 创立WebSocket客户端要创立一个WebSocket客户端，咱们同样能够应用websockets库。以下是一个简略的客户端示例： import asyncioimport websocketsasync def main(): async with websockets.connect("ws://localhost:8765") as websocket: message = "Hello, server!" await websocket.send(message) print(f"Sent: {message}") response = await websocket.recv() print(f"Received: {response}")asyncio.run(main())在这个示例中，咱们应用websockets.connect()函数建设与WebSocket服务器的连贯。而后，咱们应用send()办法向服务器发送音讯，并应用recv()办法接管服务器的响应。 5. 总结WebSocket协定为Web浏览器和服务器之间提供了实时双向通信的能力，使得构建实时Web应用程序变得更加容易。在Python中，咱们能够应用websockets库轻松地实现WebSocket编程。

拜访【WRITE-BUG数字空间】_[内附残缺源码和文档] 在机器学习畛域，分类的指标是指将具备类似特色的对象汇集。而一个线性分类器则透过特色的线性组合来做出分类决定，以达到此种目标。对象的特色通常被形容为特征值，而在向量中则形容为特征向量。 理论知识1.1 从线性回归到线性多分类回归是基于给定的特色，对感兴趣的变量进行值的预测的过程。在数学上，回归的目标是建设从输出数值到监督数值的函数： $$ \hat y=f(x_1,...,x_m) $$ 线性回归限度函数为线性模式，即为： $$ f(x_1,...x_m)=w_0+w_1x_1+...+w_mx_m=\bold x\bold w $$ 其中， $$ \bold x = [1,x_1,x_2,...,x_m]\ \bold w = [w_0,w_1,w_2,...,w_m]^T $$ 也就是找一组参数${w_k}^m_{k=1}$，使得在训练集上，函数与预测值尽可能靠近。对于本次的分类问题来说，线性回归的输入值与分类工作中的目标值不兼容。线性回归的后果范畴为整体实数，而对于本次试验的多分类问题，变量后果即属于的类别，换言之，咱们冀望的后果标签的品种数量和训练样本的总类别数量统一。因而思考应用softmax函数来将回归后果映射到品种上，从而示意分类后果。对于K分类问题，有： $$ softmax_i(\bold z)=\frac{e^{z_i}}{\sum^K_{k=1}e^{z_k}}\ f_i(\bold x)=softmax_i(\bold{xW})=\frac{e^{\bold{xw_i}}}{\sum^K_{k=1}e^{\bold{xw_k}}} $$ 其中，$\bold W$为： $$ \bold W\triangleq \left[\begin{matrix}{\bold w_1,\bold w_2...,\bold w_K}\end{matrix}\right] $$ 易见，所有类的softmax函数值之和为1。每一类的函数值就为它的概率。 1.2 损失函数示意与优化通过下面的探讨与操作，对于多分类问题，预测后果是在每一类上的概率，即维度数等于类数的向量。与之对应的理论后果能够用独热向量示意，即是本类的那一维度为1，其余维度为0的向量。为了使得预测后果与理论后果尽量靠近，咱们思考用损失函数用于掂量预测后果和理论后果的差距。在数学上，该分类问题等价于找到适合的向量$\bold w$，使得损失函数最小化。根据本次试验的要求，损失函数须要别离思考穿插熵损失和均方误差损失，即损失函数别离为： $$ L_1(\bold w_1,\bold w_2,...,\bold w_K)=-\frac1N\sum^N_{l=1}\sum^K_{k=1}y_k^{(l)}\log softmax_k(\bold x^{(l)}\bold W)\ L_2(\bold w_1,\bold w_2,...,\bold w_K)=\frac1N\sum^N_{l=1}\sum^K_{k=1}(softmax_k(\bold x^{(l)}\bold W)-y^{(l)}_k)^2 $$ 其中，$y_k^{(l)}$是第$k$个$y^{(l)}$的元素。 思考应用梯度降落法使得损失函数最小化。两个损失函数的梯度别离为： $$ \frac{\part L(\bold W)}{\part\bold W}=\frac1N\sum^N_{l=1}\bold x^{(l)T}(softmax(\bold x^{(l)}\bold W)-\bold y^{(l)})\ \frac{\part L(\bold W)}{\part\bold W}=\frac2N\sum^N_{l=1}\bold x^{(l)T}(softmax(\bold x^{(l)}\bold W)-\bold y^{(l)})*(diag(softmax(\bold x^{(l)}\bold W)-softmax(\bold x^{(l)}\bold W)*softmax(\bold x^{(l)}\bold W)^T) $$ ...

Python中的并发编程容许你同时执行多个工作，进步程序的运行效率。在本文中，咱们将介绍Python中的asyncio库，它是一个基于异步I/O的并发编程库，用于编写高性能的网络和并发代码。 1. 为什么要应用asyncio？在传统的同步编程模型中，程序执行一个工作，直到它实现，而后能力执行下一个工作。而在异步编程模型中，当一个工作在期待I/O操作时（例如读取文件或网络申请），程序能够切换到其余工作执行。这样能够进步程序的执行效率，因为CPU不再被阻塞在期待I/O操作上。 asyncio提供了一个基于事件循环的异步编程模型，容许你应用async和await关键字编写异步代码。asyncio还提供了许多高级性能，如并发、工作、协程、异步I/O操作等。 2. 应用asyncio创立一个简略的异步程序以下是一个简略的异步程序示例，它应用asyncio库创立了一个异步工作： import asyncioasync def hello_world(): print("Hello World!") await asyncio.sleep(1) print("Hello again!")async def main(): task = asyncio.ensure_future(hello_world()) await taskasyncio.run(main())在这个示例中，咱们定义了一个hello_world协程，并在main协程中调用它。咱们应用asyncio.run()函数启动事件循环，执行main协程。 3. 应用asyncio.gather()运行多个协程当你须要同时运行多个协程时，能够应用asyncio.gather()函数。这个函数会期待所有协程实现，而后返回一个蕴含所有协程返回值的列表。 以下是一个示例，展现如何应用asyncio.gather()同时运行多个协程： import asyncioasync def task1(): print("Task 1 started") await asyncio.sleep(2) print("Task 1 finished") return "Task 1 result"async def task2(): print("Task 2 started") await asyncio.sleep(1) print("Task 2 finished") return "Task 2 result"async def main(): results = await asyncio.gather(task1(), task2()) print(results)asyncio.run(main())在这个示例中，咱们定义了两个协程task1和task2，并在main协程中应用asyncio.gather()函数同时运行它们。输入结果显示task1和task2是并发执行的。 4. 小结Python的asyncio库提供了一个弱小的异步编程模型，帮忙你编写高性能的网络和并发代码。本文简要介绍了如何应用asyncio创立简略的异步程序，以及如何应用asyncio.gather()同时运行多个协程。通过把握asyncio的基本概念和应用办法，你能够为你的Python我的项目带来显著的性能晋升。 5. asyncio中的其余性能此外，asyncio还提供了一些其余性能，例如创立TCP和UDP服务器、调度协程和工作等。以下是一些你可能会在理论我的项目中应用到的asyncio性能： 5.1 创立TCP服务器以下是一个应用asyncio创立简略TCP服务器的示例： ...

在自然语言解决（NLP）畛域，文本类似度计算是一个常见的工作。本文将介绍如何应用Python计算文本之间的类似度，涵盖了余弦类似度、Jaccard类似度和编辑间隔等办法。 1. 余弦类似度余弦类似度是一种掂量两个向量夹角的办法，用于掂量文本的类似度。首先，将文本转换为词频向量，而后计算两个向量之间的余弦值。 from sklearn.feature_extraction.text import CountVectorizerfrom sklearn.metrics.pairwise import cosine_similaritydef calculate_cosine_similarity(text1, text2): vectorizer = CountVectorizer() corpus = [text1, text2] vectors = vectorizer.fit_transform(corpus) similarity = cosine_similarity(vectors) return similarity[0][1]text1 = "I love Python programming"text2 = "Python programming is great"cosine_similarity = calculate_cosine_similarity(text1, text2)print(cosine_similarity)2. Jaccard类似度Jaccard类似度通过计算两个汇合之间的交加和并集之间的比率来掂量相似性。 def calculate_jaccard_similarity(text1, text2): set1 = set(text1.split()) set2 = set(text2.split()) intersection = len(set1.intersection(set2)) union = len(set1.union(set2)) return intersection / uniontext1 = "I love Python programming"text2 = "Python programming is great"jaccard_similarity = calculate_jaccard_similarity(text1, text2)print(jaccard_similarity)3. 编辑间隔（Levenshtein间隔）编辑间隔是掂量两个字符串之间差别的一种办法，行将一个字符串转换为另一个字符串所需的最小单字符编辑操作（插入、删除或替换）次数。 ...

1.1. 前言家喻户晓，安服工程师又叫做Word工程师，在打工或者批量SRC的时候，如果产出很多，又须要一个一个的写报告的状况下会十分的折磨人，因而查了一些相干的材料，发现应用python的docxtpl库批量写报告成果很不错，记录一下。 1.2. 介绍docxtpl 是一个用于生成 Microsoft Word 文档的模板引擎库，它联合了 docx 模块和 Jinja2 模板引擎，使用户可能应用 Microsoft Word 模板文件并在其中填充动态数据。它提供了一种不便的形式来生成个性化的 Word 文档，并反对条件语句、循环语句和变量等控制结构，以满足不同的文档生成需要。 官网GitHub地址：https://github.com/elapouya/python-docx-template 官网文档地址：https://docxtpl.readthedocs.io/en/latest/ 简略来说：就是创立一个相似Jinja2语法的模板文档，而后往里面动静填充内容就能够了装置： pip3 install docxtpl1.3. 根底应用from docxtpl import DocxTemplatedoc = DocxTemplate("test.docx")context = {'whoami': "d4m1ts"}doc.render(context)doc.save("generated_doc.docx")其中，test.docx内容如下： 生成后的后果如下： 1.4. 案例介绍1.4.1. 需要假如写一份不思考好看的漏扫报告，须要有统计后果图和破绽详情，每个破绽包含破绽名、破绽地址、破绽等级、破绽危害、复现过程、修复倡议六个局部。 1.4.2. 模板文档筹备编写的模板文档如下，应用到了常见的if、for、赋值等，保留为template.docx，后续只须要向外面填充数据即可。 1.4.3. 数据结构剖析传入数据须要一串json字符串，因而咱们依据模板文档梳理好json构造，而后传入即可。 梳理好的数据结构如下： { "饼图": "111", "柱状图": "222", "破绽简报": [ { "破绽名": "测试破绽名1", "破绽等级": "高危" } ], "破绽详情": [ { "破绽名": "测试破绽名1", "破绽地址": "http://blog.gm7.org/", "破绽等级": "高危", "破绽危害": "危害XXX", "复现过程": "先xxx，再xxx，最初xxx", "修复倡议": "更新到最新版本即可" } ]}编写代码测试一下可行性： ...

数据可视化在数据分析和出现后果方面起着至关重要的作用。Python中有许多弱小的可视化库，而Plotly是其中之一。本文将介绍如何应用Plotly库创立交互式图表。 1. 装置Plotly库首先，确保已装置Plotly库。如果尚未装置，能够应用以下命令进行装置： pip install plotly2. 创立根本图表Plotly库反对多种图表类型，如折线图、柱状图、饼图等。以下是创立一个简略折线图的示例： import plotly.graph_objs as go# 数据x = [1, 2, 3, 4, 5]y = [2, 4, 1, 6, 3]# 创立折线图trace = go.Scatter(x=x, y=y, mode='lines+markers')# 图表布局设置layout = go.Layout(title='简略折线图', xaxis_title='X轴', yaxis_title='Y轴')# 生成图表fig = go.Figure(data=[trace], layout=layout)fig.show()运行此代码后，将显示一个蕴含数据点和连接线的折线图。 3. 创立交互式图表Plotly的一个弱小之处在于其交互性。例如，能够在图表上增加悬停提醒或启用缩放性能。以下是一个增加悬停提醒的示例： import plotly.graph_objs as gox = [1, 2, 3, 4, 5]y = [2, 4, 1, 6, 3]trace = go.Scatter( x=x, y=y, mode='lines+markers', hovertemplate='X: %{x}<br>Y: %{y}<extra></extra>', # 自定义悬停提醒)layout = go.Layout(title='交互式折线图', xaxis_title='X轴', yaxis_title='Y轴')fig = go.Figure(data=[trace], layout=layout)fig.show()4. 将图表导出为动态文件有时，咱们须要将生成的图表导出为动态文件，如PNG或SVG。Plotly反对这一性能。首先，确保装置了Kaleido库： ...

深刻了解 python 虚拟机：多继承与 mro在本篇文章当中将次要给大家介绍 python 当中的多继承和 mro，通过介绍在多继承当中存在的问题就可能了解在 cpython 当中引入 c3 算法的起因了，从而可能帮忙大家更好的了了解 mro 。 python 继承的问题继承是一种面向对象编程的概念，它能够让一个类（子类）继承另一个类（父类）的属性和办法。子类能够重写父类的办法，或者增加本人的办法和属性。这种机制使得代码能够更加模块化和易于保护。在 Python 中，继承是通过在子类的定义中指定父类来实现的。例如： class Animal: def __init__(self, name): self.name = name def speak(self): raise NotImplementedError("Subclass must implement abstract method")class Dog(Animal): def speak(self): return "woof"在这个例子中，咱们定义了一个 Animal 类和一个 Dog 类。Dog 类继承了 Animal 类，并且重写了 speak 办法。此时，如果咱们创立一个 Dog 实例并调用 speak 办法，它将返回 "woof"。 父类的批改会影响子类当你批改父类的代码时，可能会影响到继承自它的子类。这是因为子类继承了父类的所有属性和办法，包含它们的实现。如果你批改了父类的实现，可能会导致子类的行为发生变化。因而，在批改父类代码时，你须要认真思考这个问题，并尽量避免对子类的影响。 多层继承的复杂性在面向对象编程中，有时须要多层继承，即一个类继承自另一个继承自另一个类。这会导致代码的复杂性减少，因为你须要思考每个类之间的关系和可能呈现的命名抵触。另外，多层继承也会减少代码的耦合性，使得代码难以重构和保护。 多继承当中一个十分经典的问题就是棱形继承，菱形继承是指一个子类继承了两个父类，而这两个父类又继承自同一个基类的状况，如下图所示： A / \ B C \ / D在这种状况下，子类 D 会继承两份来自基类 A 的属性和办法，这可能会导致一些不必要的问题。例如，如果基类 A 中有一个名为 foo() 的办法，而基类 B 和 C 都别离重写了这个办法，并在子类 D 中调用了这个办法，那么子类 D 就无奈确定应该调用哪个版本的 foo() 办法。 ...

格式化输入Python 输入值的形式有两种：表达式语句和 print 函数（文件对象的输入应用 write 办法，标准文件输入能够参考 sys.stdout ，具体文档）。 如果咱们想要将输入的值转成字符串，能够应用 repr() 或 str() 函数来实现，其中 repr() 函数产生一个解释器易读的表达形式，str() 函数返回一个用户易读的表达形式。 如果咱们不只是想打印应用空格分隔的值，而是想对输入进行格式化管制，能够采纳两种形式：一种是本人解决整个字符串，另一种是采纳 str.format() 形式，转载于{WRITE-BUG}、更多内容可查看原文链接：https://www.writebug.com/article/930f6d59-c790-11ed-a941-6479...

咱们很快乐地发表2023年4月版 Visual Studio Code 的 Python 和 Jupyter 扩大现已推出！ 此版本包含以下改良： Data Wrangler 可供 Visual Studio Code Insiders 应用挪动符号重构Create Environment 按钮嵌入依赖文件扩大作者的环境 APIPython 环境的内核选择器改良Data Wrangler 可供 VS Code Insiders 应用Data Wrangler 是一种革命性的工具，实用于应用 Python 解决表格数据的数据科学家和分析师，当初可在 VS Code Insiders 版本应用。Data Wrangler 是 VS Code Insiders 的扩大，能够从 Jupyter notebook 中的任何 Pandas 数据帧输入启动，或者通过右键单击 VS Code Insiders 中的任何 CSV 或 Parquet 文件并抉择 Open in Data Wrangler 启动。 借助 Data Wrangler，您能够在 VS Code Insiders 中无缝清理和摸索您的数据。它提供了多种性能，可帮忙您疾速辨认和修复谬误、不统一和失落的数据。您能够执行数据分析和数据质量检查、可视化数据分布，并轻松将数据转换为您须要的格局。此外，Data Wrangler 附带一个内置转换和可视化库，因而您能够专一于数据，而不是代码。当您进行更改时，该工具会应用开源 Python 库为您执行的数据转换操作生成代码。这意味着您能够更快地编写更好的数据筹备程序并缩小谬误。该代码还使 Data Wrangler 放弃通明，并帮忙您随时验证操作的正确性。 要理解无关 Data Wrangler 的更多信息，请浏览咱们公布的残缺的 Data Wrangler 博客。 挪动符号重构得益于新的 Move symbol 代码操作，您当初能够应用 Pylance 更不便地重构 Python 代码。对于此更新，咱们感到很开心，因为它是 Pylance 存储库 pylance-release/discussion#2620 中申请最多的性能之一。 ...

生产性能测试单并发性能测试开启音讯确认，开启音讯长久化，nameko 的投递速度是 250+ 敞开音讯确认，开启音讯长久化，nameko 的投递速度是 5k+ 敞开音讯确认，敞开音讯长久化，nameko 的投递速度是 7k+ 多并发极限测试生产性能测试

在科学计算和数据分析中，数值计算是必不可少的。Python的NumPy库提供了弱小的数值计算性能。本文将介绍如何应用NumPy进行根本数值计算。 1. 装置NumPy库首先，咱们须要装置NumPy库。在命令行中输出以下命令： pip install numpy2. 创立NumPy数组NumPy中的次要数据结构是数组（array）。咱们能够应用以下办法创立数组： import numpy as np# 创立一维数组arr1 = np.array([1, 2, 3, 4])# 创立二维数组arr2 = np.array([[1, 2, 3], [4, 5, 6]])3. 数组基本操作NumPy数组反对各种基本操作，例如元素拜访、切片、批改等： import numpy as nparr = np.array([[1, 2, 3], [4, 5, 6]])# 拜访元素print(arr[0, 1]) # 输入：2# 切片print(arr[:, 1:3]) # 输入：[[2, 3], [5, 6]]# 批改元素arr[0, 1] = 9print(arr) # 输入：[[1, 9, 3], [4, 5, 6]]4. 数组计算NumPy反对数组的各种计算，如加法、减法、乘法等： import numpy as nparr1 = np.array([1, 2, 3])arr2 = np.array([4, 5, 6])# 数组加法print(arr1 + arr2) # 输入：[5, 7, 9]# 数组减法print(arr1 - arr2) # 输入：[-3, -3, -3]# 数组乘法print(arr1 * arr2) # 输入：[ 4, 10, 18]5. 数学函数NumPy提供了许多数学函数，如求和、均值、方差等： ...

这里记录每周值得分享的 Python 及通用技术内容，局部内容为英文，已在小标题注明。（本期题目取自其中一则分享，不代表全部内容都是该主题，特此申明。） 文章&教程1、编程语言的错误处理模式 文章探讨了编程中处理错误的四种常见办法：返回错误代码（C、Go）、异样（Java、C＃、Python、C++）、回调函数（JavaScript）和 Result 对象（Haskell、Rust、Kotlin）。对每种办法进行了剖析，介绍了它们的优缺点以及应用时须要留神的中央。 2、深刻了解 Python 虚拟机：形容器实现原理与源码剖析 文章介绍了形容器的实现原理，剖析了 CPython 源码中形容器相干的字节码指令，并应用 Python 代码解释了形容器的执行逻辑。文章出自 Github 上的《深刻了解 Python 虚拟机系列》，该系列已含 20+ 文章。 3、人工智能 AI 孙燕姿模型利用实际 最近 AI 孙燕姿太火了！文章基于 Python3.10 和开源库 so-vits-svc（高表现力的语音合成模型）、Spleeter（人声和伴奏拆散）和 FFMPEG（声音与伴奏合并），手把手演示了让 AI 孙燕姿演唱歌曲。（PS.因为放心侵权危险，so-vits-svc 我的项目曾经归档了） 4、用 C 语言写一个 Python 包 文章介绍了 Python 的 C 语言 API 相干个性，最初实现了一个模拟官网 datetime 的 C 扩大模块。文章出自《Python 之 C 语言 API 系列教程》的第一篇，该系列目前已更新两篇。 5、Python 工具箱系列文章 这是一个系列文章，目前蕴含 31 篇文章，最近介绍的几个工具是数据库相干的：Neo4j（一个 NoSQL 图数据库，应用 Py2neo 操作）、PostgreSQL（一个关系型数据库，应用 Psycopg2 操作）、MongoDB、Access、ClickHouse、Redis 等。 6、PEP-713：可调用的模块（英文） Łukasz Langa 发动的新提案，提议反对在模块的全局命名空间中定义一个__call__对象以使模块可间接调用，__call__对象能够是一个规范函数或任意可调用对象。提案目前是草稿状态，未驳回。 ...

举荐零碎在许多利用场景中都有宽泛的利用，如电商、音乐、电影等。协同过滤（Collaborative Filtering）是举荐零碎中的一种罕用算法。在本文中，咱们将介绍协同过滤算法的原理，并应用Python实现一个简略的举荐零碎。 一、协同过滤算法简介协同过滤是一种基于用户和物品之间关系的举荐算法。它次要分为两类：基于用户的协同过滤（User-Based Collaborative Filtering，简称UBCF）和基于物品的协同过滤（Item-Based Collaborative Filtering，简称IBCF）。 基于用户的协同过滤：通过计算用户之间的类似度，找到与指标用户类似的用户，再举荐这些类似用户喜爱的物品给指标用户。基于物品的协同过滤：通过计算物品之间的类似度，找到与指标物品类似的物品，再举荐这些类似物品给喜爱指标物品的用户。二、计算类似度在协同过滤算法中，须要计算用户或物品之间的类似度。罕用的类似度计算方法有： 皮尔逊相关系数（Pearson Correlation Coefficient）余弦类似度（Cosine Similarity）Jaccard类似度（Jaccard Similarity）在本文的示例中，咱们将应用余弦类似度作为类似度计算方法。 三、Python实现简略的协同过滤举荐零碎首先，咱们须要一个数据集。为了简化问题，咱们应用一个蕴含用户对电影的评分的简略数据集。 user_movie_ratings = { 'Alice': {'Movie1': 5, 'Movie2': 3, 'Movie3': 4}, 'Bob': {'Movie1': 3, 'Movie2': 1, 'Movie3': 5}, 'Carol': {'Movie1': 4, 'Movie2': 2, 'Movie3': 4},}接下来，咱们须要实现余弦类似度的计算方法。 import mathdef cosine_similarity(a, b): numerator = sum([a[key] * b[key] for key in a if key in b]) denominator = math.sqrt(sum([a[key]**2 for key in a])) * math.sqrt(sum([b[key]**2 for key in b])) return numerator / denominator而后，咱们应用基于用户的协同过滤来为Alice举荐电影。 ...

介绍水果识别系统，应用Python作为次要开发语言，基于深度学习TensorFlow框架，搭建卷积神经网络算法。并通过对5种垃圾数据集进行训练，最初失去一个辨认精度较高的模型。并基于Django框架，开发网页端操作平台，实现用户上传一张图片辨认其名称。 成果展现 演示视频视频+源码：https://www.yuque.com/ziwu/yygu3z/sr43e6q0wormmfpv 相干代码def upload_img(request): # 图片上传 file = request.FILES.get('file') file_name = file.name file_name = '{}.{}'.format(int(time.time()), str(file_name).rsplit('.')[-1]) with open(os.path.join(settings.MEDIA_ROOT, file_name), 'wb') as f: for chunk in file.chunks(): f.write(chunk) upload_url = request.build_absolute_uri(settings.MEDIA_URL + file_name) ImageCheck.objects.create(file_name=file_name, file_url=upload_url) return JsonResponse({'code': 200, 'data': {'url': upload_url}})def check_img(request): # 图片检测 image_url = request.POST.get('img_url') if not image_url: return JsonResponse({'code': 400, 'message': '短少必传的参数'}) image_name = image_url.rsplit('/')[-1] image_path = os.path.join(settings.MEDIA_ROOT, image_name) pred_name = check_handle(image_path) obj = ImageCheck.objects.filter(file_name=image_name).last() obj.check_result = pred_name obj.save() return JsonResponse({'code': 200, 'data': {'pred_name': pred_name}})实现步骤● 首先收集须要辨认的品种数据集● 而后基于TensorFlow搭建ResNet50卷积神经网络算法模型，并通过多轮迭代训练，最终失去一个精度较高的模型，并将其保留为h5格局的本地文件。● 基于Django开发网页端可视化操作平台，HTML、CSS、BootStrap等技术搭建前端界面。Django作为后端逻辑解决框架。Ajax实现前后端的数据通信。 ...

软件测试是确保应用程序品质的关键环节。Python社区为测试提供了许多优良的库，其中Pytest作为一个成熟且功能强大的自动化测试框架，广受开发者青睐。在本文中，咱们将探讨如何应用Pytest构建Python自动化测试框架。 一、Pytest简介Pytest是一个成熟的、易于应用的Python自动化测试框架，它反对单元测试、功能测试和集成测试。Pytest提供了一些优良的个性，如丰盛的断言库、灵便的插件机制和主动发现测试用例等。 二、装置Pytest应用pip装置Pytest非常简单： pip install pytest三、编写第一个测试用例Pytest会主动发现以test_为前缀的文件中的测试用例。让咱们编写一个简略的测试用例： # test_example.pydef add(a, b): return a + bdef test_add(): assert add(1, 2) == 3 assert add(-1, 1) == 0四、运行测试用例在命令行中输出pytest命令，Pytest会主动发现并运行测试用例： $ pytest五、应用Fixtures进行测试数据治理Pytest的Fixtures性能能够帮忙咱们更好地组织测试数据。以下是一个简略的示例： # test_example_with_fixtures.pyimport pytest@pytest.fixturedef data(): return {"name": "John", "age": 30}def test_data(data): assert data["name"] == "John" assert data["age"] == 30六、插件扩大Pytest性能Pytest具备丰盛的插件生态，能够通过插件扩大其性能。以下是一些罕用的插件： pytest-cov：生成测试覆盖率报告pytest-xdist：实现测试用例的并行执行pytest-django：实用于Django我的项目的Pytest插件装置插件示例： pip install pytest-cov七、总结Pytest是一个功能丰富且易于应用的Python自动化测试框架。通过本文的介绍，咱们理解了Pytest的根本用法、测试数据治理、插件扩大等个性。在日常开发中，应用Pytest进行测试能够无效进步软件品质并晋升开发效率。

download：Python自动化测试开发实战 一门能待业的测试课在现代，文人雅士经常被称为“风流”，他们谋求自在、优雅的生存形式，并通过诗歌、书画等艺术模式表白本人的情感。这种生存形式也被称为“风月”，其中“风”指的是自在洒脱，而“月”则代表着柔美浪漫。 生存与习惯现代文人雅士的生存形式非常非凡，他们通常不从事官员或商业活动，而是依附家族财产或私人支出来维持生计。他们喜爱在花园、湖泊等自然环境中漫步、吟咏，并且会举办文艺团聚和诗会来交换和展现本人的才华。此外，文人雅士还有一些独特的生活习惯，例如衣着皮鞋、长袍和头巾等装束，以及应用牙刷清洁口腔等。 情感与恋情文人雅士通常对自在、兽性和真谛等价值观有着独特的认识。他们强调集体情感和内心世界，谋求自由恋爱和婚姻，拥护封建礼教的解放。在他们的诗歌和书信中，经常出现对于恋情、友情、离别等主题的表白。因为文人雅士通常来自富裕家庭，所以他们也会在婚姻和恋情方面比拟凋谢和自在。 艺术与创作文人雅士的艺术创作受到了天然和集体情感的影响。他们喜爱通过诗歌、书画等模式来表白本人的思维和情感，并且谋求独特、自在的格调和体现形式。在诗歌创作方面，文人雅士通常重视韵律和节奏，而在书画方面，则重视笔墨、构图和意境等方面的体现。 总之，现代文人雅士的生存形式和情感表达方式都非常非凡和独特。他们通过“风月”、“情调”等形式来表白本人的思维和情感，这也成为了中国文化中不可或缺的一部分。

在本文中，咱们将介绍如何应用Python的Scrapy库进行网站数据抓取。Scrapy是一个功能强大的网络爬虫框架，容许开发者轻松地抓取和解析网站内容。 一、装置Scrapy首先，您须要装置Scrapy。这能够通过以下命令实现： pip install scrapy二、创立一个Scrapy我的项目接下来，咱们须要创立一个Scrapy我的项目。在命令行中运行以下命令： scrapy startproject myproject这将创立一个名为myproject的新目录，其中蕴含Scrapy我的项目的根本构造。 三、定义一个Scrapy爬虫在Scrapy我的项目中，爬虫是用于抓取和解析网页的次要组件。要创立一个新的爬虫，请在myproject/spiders目录下创立一个名为example_spider.py的文件，并输出以下代码： import scrapyclass ExampleSpider(scrapy.Spider): name = 'example' start_urls = ['http://example.com'] def parse(self, response): self.log('Visited %s' % response.url) for quote in response.css('div.quote'): item = { 'author_name': quote.css('span.text::text').extract_first(), 'author_url': quote.css('span a::attr(href)').extract_first(), } yield item在这个例子中，咱们定义了一个名为ExampleSpider的新爬虫类，它继承自scrapy.Spider。咱们为爬虫指定了一个惟一的名称example，以及一个起始URL（http://example.com）。parse()办法是Scrapy用于解决下载的网页的回调函数。在这个办法中，咱们应用CSS选择器从页面中提取相干数据，并将其保留为字典。 四、运行Scrapy爬虫要运行Scrapy爬虫，请在命令行中导航到我的项目目录，而后运行以下命令： scrapy crawl example这将启动爬虫，并开始从起始URL抓取数据。抓取的数据将以日志模式显示在控制台中。 五、保留抓取的数据Scrapy容许您将抓取的数据保留为各种格局，如CSV、JSON和XML。要将数据保留为JSON文件，请运行以下命令： scrapy crawl example -o output.json这将抓取的数据保留到名为output.json的文件中。 六、恪守网站的robots.txtScrapy默认恪守网站的robots.txt文件中的规定。robots.txt是网站管理员用来批示网络爬虫如何抓取网站内容的文件。您能够通过在Scrapy我的项目的settings.py文件中设置ROBOTSTXT_OBEY选项来禁用此性能： ROBOTSTXT_OBEY =False请留神，禁用robots.txt恪守可能导致您的爬虫被网站封禁。在进行网络抓取时，请始终恪守网站的抓取策略，并尊重网站所有者的志愿。 七、设置下载提早为了防止对指标网站造成过大的压力，您能够设置下载提早。在Scrapy我的项目的settings.py文件中设置DOWNLOAD_DELAY选项： DOWNLOAD_DELAY = 2这将导致Scrapy在下载间断两个页面之间期待2秒。 八、应用中间件和管道Scrapy提供了中间件和管道性能，让您能够在抓取过程中执行自定义操作。中间件容许您在申请发送和响应接管过程中执行操作，例如设置代理、解决重定向等。管道则容许您在解决抓取到的数据项时执行操作，例如去重、存储到数据库等。 要应用中间件和管道，您须要在Scrapy我的项目的settings.py文件中增加相应的配置，并编写自定义的中间件和管道类。 九、论断Scrapy是一个弱小的Python网络抓取框架，可帮忙您轻松地抓取和解析网站数据。通过遵循本教程，您应该曾经把握了如何应用Scrapy创立和运行简略的爬虫。要理解更多对于Scrapy的高级用法，请参阅官网文档，也可关注我后续发文。