Buscar contenido similar

🔻标题：Python_EXE打包工具_2.0.0 🌈说明: 无 📃下载地址: 夸克盘 / 蓝奏云 ✉️标签：#python#pc

🔻标题：PyhonPackerPro_Pyhton文件打包Exe工具 🌈说明: 打开即用，UI简洁好看 📃下载地址: 夸克盘 / 蓝奏云 ✉️标签：#python#pc

🙂标题：《Python零基础入门到实战》麻瓜编程实用脚本开发课程 🙂说明：面向零基础新手的 Python 实用脚本编程课程，包含 Windows、Mac、Android、iPhone/iPad 环境搭建，PyCharm 配置、终端工具、第三方库安装等内容，循序渐进学习 Python 基础与脚本开发 🙂下载地址：网盘下载 🙂标签：#python#教程

🔻标题：Python全栈开发实战课程：涵盖爬虫、数据分析与AI应用 🌈说明: 课程共 43 节，循序渐进构建 Python 全栈体系。 1–13 节打牢基础；14–26 节提升面向对象与系统开发能力；27–39 节学习数据库与前后端分离博客实战；40–43 节专攻爬虫技术。 配套实战项目与练习，延伸数据分析与 AI 基础，打造“全栈 + 数据 + AI”综合能力。 📃下载地址: 网盘下载 ✉️标签：#python#教程

🔻标题：Python极客三小时速成 🌈说明: 一套面向零基础的 Python 实战入门课，包含基础语法、常用库和简单项目三大模块。通过精简讲解配合即时练习，帮助学员在约三小时内掌握核心概念并完成小程序，适合想快速入门编程的学习者。 📃下载地址: 网盘下载 ✉️标签：#python#教程

Command line journal application, text file storage with optional encrytion https://github.com/jrnl-org/jrnl #python#cli

Crocodile VS Python Stalemate situation... #crocodile#python

📰 AMD GAIA 0.16 Introduces C++17 Agent Framework For Building AI PC Agents In Pure C++ AMD's GAIA open-source framework for building AI agents that run locally on Ryzen AI hardware via the Radeon iGPUs and/or NPUs is up to version 0.16. With this new GAIA release is support for developing AI agents purely in C++ with no longer needing to depend upon Python... 🔗 Source: https://www.phoronix.com/news/AMD-GAIA-0.16 #amd#opensource#python

Курсы Spatial Thoughts и Geospatial Python Tutorials Spatial Thoughts (https://spatialthoughts.com) — образовательная платформа, основанная Уджавалом Ганди (Ujaval Gandhi). Она предлагает курсы по анализу пространственных данных на Python: 🎓Python Foundation for Spatial Analysis 🎓Mapping and Data Visualization with Python Материалы курсов бесплатны, за прохождение курса с инструктором придется заплатить. 🔗Дополняет учебные курсы сайт Geospatial Python Tutorials (https://www.geopythontutorials.com). Он содержит примеры применения пакетов GeoPandas, Xarray, Dask, SamGeo и мн. др. для решения практических задач. Вот, например, извлечение информации из нескольких новостей о конфликтах между людьми и слонами в Индии, и геокодирование мест конфликтов — все с помощью ChatGPT. В качестве среды для работы рекомендуется Google Colab. #python#ИИ

Анализ видео: визуализация Последний пост серии, первые два по ссылкам: 1. Подготовка данных 2. Анализ данных Для виза снова используем cv2. Если данные записаны в таблицу xlsx, то понадобится модуль ast для корректного считывания синтаксиса списков. При считывании объединяем данные в одномерный список (colors) и создаем пустой массив: # суммарное число цветов colors_length = len(colors) # высота изображения в пикселях height = 500; # создаем пустой массив # height: число строк # colors_length: число столбцов # 3: массив цвета (r, g, b) img_array = np.zeros((height, colors_length, 3), np.uint8) После этого заполняем массив цветами и с помощью cv2 создаем изображение: # заполняем массив for x in range(colors_length): img_array[:,x] = colors[x] # записываем в файл cv2.imwrite('file_name.png', img_array) Подробнее о параметрах файла палитры и том, как с ним работать, — в карточках. P.S. И как обычно, полный код этой части в комментариях. #датавиз#python

Анализ видео: цвет На прошлом этапе мы записали по одному кадру видео в секунду в список captures_array. Имея данные о кадрах в формате rgb, мы можем определить преобладающие оттенки. Для этого используем метод кластеризации, а точнее kmeans. Он позволяет разбить массив на нужное число групп по близости значений и выделить их центры (центроиды). Эти значения являются доминирующими оттенками кадра. На мой взгляд, детальность данных будет достаточная, если выделить пять центроидов (k). Этот алгоритм нужно применить в цикле к каждому кадру (capture): # определяем размеры массива shape = capture.shape # пересобираем в одномерный массив ar = capture.reshape(np.product(shape[:2]), shape[2]).astype(float) # находим заданное число центроидов centroids,_ = kmeans(ar, k) В итоге получаем палитру каждого кадра фильма в хронологическом порядке. Как ее визуализировать, расскажу в следующем посте. P.S. Полный код оставила в комментариях. #датавиз#python

Анализ видео: подготовка данных Я использую python, но общая логика алгоритма может пригодиться и для других языков. Сначала нужно покадрово считать видео. Сделаем это с помощью библиотеки OpenCV (cv2): import cv2 # видео целиком video = cv2.VideoCapture('file_name.mp4') # частота кадров fps = int(video.get(cv2.CAP_PROP_FPS)) # число кадров во всем видео frame_count = int(video.get(cv2.CAP_PROP_FRAME_COUNT)) Теперь можно запустить цикл и собрать один кадр за каждую секунду. В цикле повторяется такой код: ret, frame = video.read() Каждую итерацию считывается следующий кадр. В ret записывается информация о корректности считывания (True/False), frame — кадр в формате массива с rgb каждого пикселя. Имея частоту видео, мы можем записать только один кадр в секунду. Такого объема данных достаточно для анализа. В итоге получаем список с числом кадров равным длительности видео в секундах. Что делать с ним дальше расскажу в следующем посте. P.S. В комментариях полный код этой части. #датавиз#python