Rumah > Artikel > pembangunan bahagian belakang > Apakah perkara menarik yang boleh dicapai dengan sepuluh baris kod Python?
Mari kita lihat apakah fungsi menarik yang boleh kita capai dengan tidak lebih daripada 10 baris kod.
Kod QR juga dipanggil kod bar dua dimensi Kod QR yang biasa digunakan ialah QR Kod peranti dalam beberapa tahun kebelakangan ini. Kaedah pengekodan yang popular, dan menjana kod QR juga sangat mudah Dalam Python, kita boleh menjana kod QR melalui modul MyQR, kita hanya memerlukan 2 baris kod pasang modul MyQR Di sini kami memilih muat turun sumber domestik:
pip install qrcode
Selepas pemasangan selesai, kami boleh mula menulis kod:
import qrcode text = input(输入文字或URL:) # 设置URL必须添加http:// img =qrcode.make(text) img.save() #保存图片至本地目录,可以设定路径 img.show()
Selepas kami melaksanakan kod, kod QR akan menjadi dihasilkan di bawah projek. Sudah tentu kita juga boleh memperkayakan kod QR:
Kami mula-mula memasang modul MyQR
pip installmyqrrrree
Rendering adalah seperti berikut:
Selain itu, MyQR juga menyokong gambar Dinamik.
Awan perkataan juga dipanggil awan perkataan. Ia adalah persembahan visual "kata kunci" yang lebih kerap muncul dalam data teks, membentuk rendering kata kunci gambar berwarna seperti awan dibentuk, supaya maksud utama data teks dapat difahami sepintas lalu.
Tetapi sebagai pengekod lama, saya masih suka menggunakan kod untuk menjana awan perkataan saya sendiri Adakah ia rumit? Adakah ia akan mengambil masa yang lama? Banyak teks telah memperkenalkan pelbagai kaedah, tetapi sebenarnya hanya 10 baris kod python diperlukan.
Pasang perpustakaan yang diperlukan dahulu
def gakki_code(): version, level, qr_name = myqr.run( words=https://520mg.com/it/#/main/2, # 可以是字符串,也可以是网址(前面要加http(s)://) version=1,# 设置容错率为最高 level='H', # 控制纠错水平,范围是L、M、Q、H,从左到右依次升高 picture=gakki.gif, # 将二维码和图片合成 colorized=True,# 彩色二维码 contrast=1.0, # 用以调节图片的对比度,1.0 表示原始图片,更小的值表示更低对比度,更大反之。默认为1.0 brightness=1.0, # 用来调节图片的亮度,其余用法和取值同上 save_name=gakki_code.gif, # 保存文件的名字,格式可以是jpg,png,bmp,gif save_dir=os.getcwd()# 控制位置 ) gakki_code()
pip install wordcloud pip install jieba pip install matplotlib
Itu sahaja, awan perkataan yang dijana adalah seperti ini:
Baca 10 baris kod ini :
Baris 1 hingga 3 mengimport pustaka lukisan matplotlib, pustaka wordcloud generasi awan perkataan dan pustaka segmentasi perkataan jieba masing-masing
Baris 4 membaca fail tempatan, dalam kod Teks yang digunakan ialah "Dua; atau tiga perkara tentang pengurusan R&D di mata Lao Cao" dalam akaun awam ini.
5-6 baris, gunakan jieba untuk membahagikan perkataan, dan pisahkan hasil pembahagian perkataan dengan ruang
7 baris, jana awan perkataan untuk teks selepas pembahagian perkataan
Dalam baris 8 hingga 10, gunakan pyplot untuk memaparkan gambarajah awan perkataan.
Ini antara sebab saya suka ular sawa, ianya mudah dan jelas.
Pelaksanaan potongan memerlukan bantuan dayung alat pembelajaran mendalam Baidu Fei Kami perlu memasang dua modul untuk melaksanakan potongan kelompok dengan cepat ialah PaddlePaddle:
import matplotlib.pyplot as plt from wordcloud import WordCloud import jieba text_from_file_with_apath = open('/Users/hecom/23tips.txt').read() wordlist_after_jieba = jieba.cut(text_from_file_with_apath, cut_all = True) wl_space_split =.join(wordlist_after_jieba) my_wordcloud = WordCloud().generate(wl_space_split) plt.imshow(my_wordcloud) plt.axis(off) plt.show()
dan satu lagi ialah perpustakaan model paddlehub:
python -m pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple
Untuk maklumat pemasangan yang lebih terperinci, sila lihat laman web rasmi PaddlePaddle: https://www.paddlepaddle.org.cn/
Seterusnya kita hanya memerlukan 5 baris kod untuk melaksanakan potongan kelompok:
pip install -i https://mirror.baidu.com/pypi/simple paddlehub
Kesan potongan adalah seperti berikut:
Sebelah kiri Ia adalah imej asal, dan sebelah kanan ialah imej potongan yang dipenuhi dengan latar belakang kuning.
Di hadapan dayung, pemprosesan bahasa semula jadi menjadi sangat mudah. Untuk merealisasikan pengecaman emosi teks, kami juga perlu memasang PaddlePaddle dan Paddlehub Untuk pemasangan khusus, sila rujuk Bahagian 3. Kemudian datang bahagian kod kami:
import os, paddlehub as hub humanseg = hub.Module(name='deeplabv3p_xception65_humanseg')# 加载模型 path = 'D:/CodeField/Workplace/PythonWorkplace/GrapImage/'# 文件目录 files = [path + i for i in os.listdir(path)]# 获取文件列表 results = humanseg.segmentation(data={'image':files})# 抠图
Hasil pengecaman ialah senarai kamus:
import paddlehub as hub senta = hub.Module(name='senta_lstm')# 加载模型 sentence = [# 准备要识别的语句 '你真美', '你真丑', '我好难过', '我不开心', '这个游戏好好玩', '什么垃圾游戏', ] results = senta.sentiment_classify(data={text:sentence})# 情绪识别 # 输出识别结果 for result in results: print(result)
Medan sentimen_key mengandungi maklumat sentimen Untuk analisis terperinci, sila lihat pemprosesan bahasa semula jadi Python hanya memerlukan 5 kod baris .
Di sini kami juga menggunakan produk PaddlePaddle Kami memasang PaddlePaddle dan Paddlehub mengikut langkah di atas, dan kemudian mula menulis kod:
{'text': '你真美', 'sentiment_label': 1, 'sentiment_key': 'positive', 'positive_probs': 0.9602, 'negative_probs': 0.0398} {'text': '你真丑', 'sentiment_label': 0, 'sentiment_key': 'negative', 'positive_probs': 0.0033, 'negative_probs': 0.9967} {'text': '我好难过', 'sentiment_label': 1, 'sentiment_key': 'positive', 'positive_probs': 0.5324, 'negative_probs': 0.4676} {'text': '我不开心', 'sentiment_label': 0, 'sentiment_key': 'negative', 'positive_probs': 0.1936, 'negative_probs': 0.8064} {'text': '这个游戏好好玩', 'sentiment_label': 1, 'sentiment_key': 'positive', 'positive_probs': 0.9933, 'negative_probs': 0.0067} {'text': '什么垃圾游戏', 'sentiment_label': 0, 'sentiment_key': 'negative', 'positive_probs': 0.0108, 'negative_probs': 0.9892}<.> Selepas melaksanakan program di atas, folder detection_result akan dijana di bawah projek, dan hasil pengecaman akan berada di dalamnya: 6. . Pengeboman maklumat mudahPython Terdapat banyak cara untuk mengawal peranti input Kita boleh menggunakan modul win32 atau pynput. Kita boleh mencapai kesan pengeboman maklumat melalui operasi gelung mudah Dengan mengambil pynput sebagai contoh, kita perlu memasang modul terlebih dahulu:
import paddlehub as hub # 加载模型 module = hub.Module(name='pyramidbox_lite_mobile_mask') # 图片列表 image_list = ['face.jpg'] # 获取图片字典 input_dict = {'image':image_list} # 检测是否带了口罩 module.face_detection(data=input_dict)Sebelum menulis kod, kita perlu mendapatkan koordinat kotak input secara manual.
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ pynputMungkin ada cara yang lebih berkesan, tetapi saya tidak tahu bagaimana untuk melakukannya. Selepas mendapatkannya, kami boleh merekodkan koordinat dan tidak mengalihkan tetingkap mesej. Kemudian kami laksanakan kod berikut dan tukar tetingkap ke halaman mesej:
from pynput import mouse # 创建一个鼠标 m_mouse = mouse.Controller() # 输出鼠标位置 print(m_mouse.position)Saya akui, ini lebih daripada 10 baris kod, dan ia bukan high-end. Kesan menghantar mesej kepada sangkakala melalui QQ sebelum digunakan adalah seperti berikut: 7. Kenal pasti teks dalam gambar Kita boleh menggunakan Tesseract untuk mengenal pasti teks dalam gambar itu sangat mudah untuk dilaksanakan dalam Python, tetapi memuat turun fail dan mengkonfigurasi pembolehubah persekitaran pada peringkat awal agak menyusahkan, jadi artikel ini hanya menunjukkan kod:
import pytesseract from PIL import Image img = Image.open('text.jpg') text = pytesseract.image_to_string(img) print(text)
其中text就是识别出来的文本。如果对准确率不满意的话,还可以使用百度的通用文字接口。
从一些小例子入门感觉效率很高。
import random print(1-100数字猜谜游戏!) num = random.randint(1,100) guess =guess i = 0 while guess != num: i += 1 guess = int(input(请输入你猜的数字:)) if guess == num: print(恭喜,你猜对了!) elif guess < num: print(你猜的数小了...) else: print(你猜的数大了...) print(你总共猜了%d %i + 次)
猜数小案例当着练练手。
以上代码,大家可以敲一下非常有趣,也很适合小白入手。
Atas ialah kandungan terperinci Apakah perkara menarik yang boleh dicapai dengan sepuluh baris kod Python?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!