TGINSIGHT SIMILAR POSTS
Источник @procode404 · Post #3753 · 17 сент.
🤔Что выбрать: PHP или Python — [9:15] В этом видео автор сравнивает два языка программирования и выбирает лучший по следующим критериям: области применения, возможности, зарплата разработчиков, синтаксис и востребованность языка. Перейти к просмотру #php#python#видео
Общий глобальный поиск
@unionpay_currency · Post #15115 · 26.02.2026, 07:02
Свежий расчет на 26.02.2026 10:00 для Филиппинского песо #расчеты#PHP Каждый день новые расчеты в @UnionPay_currency Вся информация про UnionPay есть в https://unionpay.glide.page Информационная поддержка: @UnionPay_info
@unionpay_currency · Post #14969 · 19.02.2026, 07:02
Свежий расчет на 19.02.2026 10:00 для Филиппинского песо #расчеты#PHP Каждый день новые расчеты в @UnionPay_currency Вся информация про UnionPay есть в https://unionpay.glide.page Информационная поддержка: @UnionPay_info
@unionpay_currency · Post #14826 · 12.02.2026, 07:02
Свежий расчет на 12.02.2026 10:00 для Филиппинского песо #расчеты#PHP Каждый день новые расчеты в @UnionPay_currency Вся информация про UnionPay есть в https://unionpay.glide.page Информационная поддержка: @UnionPay_info
@unionpay_currency · Post #14676 · 05.02.2026, 07:02
Свежий расчет на 05.02.2026 10:00 для Филиппинского песо #расчеты#PHP Каждый день новые расчеты в @UnionPay_currency Вся информация про UnionPay есть в https://unionpay.glide.page Информационная поддержка: @UnionPay_info
@unionpay_currency · Post #14530 · 29.01.2026, 07:04
Свежий расчет на 29.01.2026 10:00 для Филиппинского песо #расчеты#PHP Каждый день новые расчеты в @UnionPay_currency Вся информация про UnionPay есть в https://unionpay.glide.page Информационная поддержка: @UnionPay_info
@unionpay_currency · Post #14383 · 22.01.2026, 07:03
Свежий расчет на 22.01.2026 10:00 для Филиппинского песо #расчеты#PHP Каждый день новые расчеты в @UnionPay_currency Вся информация про UnionPay есть в https://unionpay.glide.page Информационная поддержка: @UnionPay_info
@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
https://habr.com/ru/companies/first/articles/967122/ Работаем с NanoVNA из программы на Python #nanovna#python
@hezuclub · Post #755 · 10.05.2025, 03:49
2025年Python人工智能开发 V5.0 🚦2025年Python人工智能开发V5.0版本课程，旨在帮助学员掌握最新的人工智能技术和应用。 🚦该课程涵盖了从基础到高级的内容，适合不同层次的学习者。 🧲https://x.com/vanxinltd/status/1921049690650317294 #Python#人工智能
PHP in 2020. #article#php @thedevs https://kutt.it/Vdymvd