TGINSIGHT SIMILAR POSTS
Canal fuente @python_academy · Post #2346 · 29 ene
Работаем с атрибутами объектов Помимо привычного обращения к атрибутам объектов через точку, в Python есть 4 специальных функции: getattr, setattr, delattr и hasattr. По названиям можно понять, что первые три отвечают за получение, установку и удаление атрибута. А последний проверяет, существует ли атрибут с указанным названием у объекта или нет. Во всех функциях первыми двумя аргументами идут объект и название атрибута в виде строки. В setattr также нужно передать новое значение для атрибута. На практике использование подобного — довольно редкий случай, но иногда может сильно выручить, так что берите на вооружение. #python#tips
Búsqueda global general
@sudo_recast · Post #287 · 12/06/2022, 04:31
如何編輯一則純文本訊息，為其默默插入一張圖像？利用連結預覽功能，需要做的就是默默插入一個圖像訊息的連結，如下圖演示給一個換行符添加連結。但有兩個問題，一是如果第一段就有內嵌的連結會影響預覽順序，二是文首和文末的換行符會被電報雲端抹去。這裡有個細節差異是，電報 X 版用 Markdown 語法寫的文首換行符內嵌連結不會被抹去，即： [ ](image link)text 但文首空行是排版問題。因此我用的是另一個不可見字符 U+2063，可以在任意地方默默插入連結（圖像）了： [](image link)text 對了，現在編輯帶圖像的訊息，可以將圖像替換成文件（不壓縮的圖像）了。 #telegram#tips
@qiuyuezt · Post #8772 · 07/05/2026, 08:32
🙂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
@QIUYUEZT · Post #7981 · 25/02/2026, 14:20
🔻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
@QIUYUEZT · Post #7492 · 31/12/2025, 14:15
🔻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
@animal_fighting · Post #13 · 27/04/2022, 06:53
Crocodile VS Python Stalemate situation... #crocodile#python
Hashtags
@linuxgram · Post #18007 · 07/03/2026, 16:55
📰 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
Hashtags
@geomapers · Post #492 · 23/12/2025, 07:59
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
@roam_around · Post #272 · 12/11/2023, 08:18
Inna Khazan 提到了共振频率呼吸（Resonance frequency breathing）的概念。这是一种特定的呼吸频率和模式，基于共振的原理，调整呼吸频率和生理共振频率（心跳节奏）匹配。 通常，我们的自然呼吸频率在每分钟 12 到 20 次之间，但共振频率呼吸的目标是将呼吸频率降低到每分钟 6 到 10 次之间。通过采用深而缓慢的呼吸，可以激活自主神经系统的副交感神经分支，这有助于降低心率、降低血压和减轻焦虑。 这样的呼吸技巧和冥想是相通的，在于感知自己身体和精神的波动情况。Inna Khazan 认为这样的练习有助于提高我们的情绪稳定程度，在压力下做出更正确的决策。 #Blog#Tips https://anotherdayu.com/2023/5461/
@dataviz_addict · Post #57 · 22/04/2024, 12:58
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
@dataviz_addict · Post #51 · 09/04/2024, 07:23
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
@dataviz_addict · Post #50 · 04/04/2024, 14:10
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