和光同尘不是墙头草-优快云博客

原创通过 3D 动画直观演示球形瓶内可滑动半圆机构在倾倒时防粘盖、回正时刮膏体的运动学过程

"""返回 (瓶体倾角 theta, 滑片轴向位置 z_off, 开盖系数 cap_open)"""if t < 5.2: return "③ 倒置 · 膏体 30 滞留于凹面，不接触瓶盖 16"if t < 2.8: return "② 倾倒 · 20 受重力分量滑出，凹面朝上形成屏障""""器壁 11/14 的硬约束：粒子投影回球腔内并清除法向穿透速度""""""瓶坐标系下的时间推进（世界重力随瓶体旋转投影到瓶坐标）""""""以 N 个示踪粒子表征膏体，含重力、阻尼、器壁约束与滑片约束"""

2026-10-30 20:16:42 335

原创 Python眼科数据驱动镜片打磨模型修改版

刀具补偿是原代码最大的物理错误。注意：法向补偿在 X 轴会产生微小往复分量，如果机床 X 轴跟踪带宽不足，可改用“弦长垂线补偿”或“Z 向补偿”变体——代码中 _compensated_point 的结构已经为此预留了替换点。修改要点：transpose_to_minus_cyl 严格按光学转换规则实现 S_new = S + C、C_new = −C、Axis_new = Axis ± 90°。原代码的 tool_offset 是常量，实际上刀具沿法向偏置时，X 和 Z 都有分量，必须由梯度计算。

2026-10-19 17:06:09 199

原创 Python实现三轴联动根据数据自动打磨镜片模型

代码以 radial_step 控制每圈径向进给量，以 angle_step_deg 控制每圈角度分段，在每个 (ρ, θ) 处计算 X = ρ、Z = sag(ρcosθ, ρsinθ) + tool_offset、C = θ。（从眼科处方数据 → 镜片曲面矢高模型 → 慢刀伺服螺旋刀路 → G代码 → FANUC 机床通信下发的完整流程）核心思路是将处方中的球镜、柱镜、轴位转换为环曲面矢高方程，在 X–Z–C 三轴柱坐标下生成等角度螺旋刀位点，后置处理为 G 代码后通过 FOCAS 下发。

2026-10-19 17:02:35 328

原创针对伊泽瑞尔与对手画像分析的修改1.2

以上版本在保留原框架分析维度的基础上，强化了数据契约、指标口径、模拟数据真实性与工程可维护性，更适合作为真实比赛数据分析项目的起点。需确保 CSV 字段与前述数据契约一致。1. 字段映射层：真实数据源字段往往与框架不一致，建议单独建立 rename_map。5. 模型校准：VC 权重目前为经验权重，后续可用逻辑回归、SHAP 或专家评分校准。6. 实时化扩展：若接入实时赛事数据，可将 run_all() 拆分为增量更新任务。2. 数据分区：按赛区、版本、赛季、队伍分组分析，避免跨版本混合导致结论失真。

2026-10-15 06:12:32 173

原创针对伊泽瑞尔英雄与对手画像分析修订1.1

本文给出一个面向《英雄联盟》比赛数据的 Python 分析框架，重点围绕“使用伊泽瑞尔的玩家”构建对手画像、团队指标、英雄池、BP 趋势、对线期、团战期、眼位与视野、核心对位、资源效率及胜利贡献值等分析模块。style["avg_kills"] > style["avg_kills"].median(), "激进", "保守"· player_stats：选手单场数据，如 kills、deaths、gold、damage_to_champs、gd15、xpd15。

2026-10-15 06:08:23 145

原创 Python于LOLM针对伊泽瑞尔的数据分析

以下是一个分析框架。它用 pandas 建立了一套针对“使用伊泽瑞尔的玩家”的对手画像、团队指标、英雄池、BP、对线期、团战期、眼位、视野、核心对位、资源效率、胜利贡献值等分析模块。# ---------------- 模拟数据生成 ----------------print("\n=== 进阶效率与影响力 ===")print("\n=== 英雄池与胜率 ===")print("\n=== BP 趋势 ===")print("\n=== 眼位分析 ===")print("\n=== 对线期 ===")

2026-10-14 06:36:45 335

原创 Python自动整理报关资料

"pcs": "个", "pc": "个", "piece": "个", "pieces": "个", "个": "个", "只": "个", "件": "个","件数": ["件数", "箱数", "包装件数", "packages", "ctns", "cartons", "pkg", "package"],self._pick(["序号", "品名", "规格型号", "数量", "单位", "单价", "总价", "币制", "原产国"]),

2026-10-14 06:27:17 456

原创 HTML实现Word、Excel、PPT三种可切换背景，可键盘打字、和像素小人交互

* ================= 背景 2：Excel ================= *//* ================= 鼠标点击：命中即消失 ================= *//* ================= 背景 1：Word ================= *//* ================= 背景 3：PPT ================= *//* ================= 小人逻辑 ================= */

2026-10-12 17:01:44 515

原创 PythonLOLM自动生成复盘报告模型

("分均伤害", _fmt_num(our.damage_per_min), _fmt_num(enemy.damage_per_min), "damage_per_min"),("分均经济", _fmt_num(our.gold_per_min), _fmt_num(enemy.gold_per_min), "gold_per_min"),("总经济", _fmt_num(our.total_gold), _fmt_num(enemy.total_gold), "total_gold"),

2026-10-12 16:50:26 142

原创 Python快递分拣工具

Rule(site="北京-朝阳站", province="北京", city="北京", district="朝阳区"),Rule(site="北京-望京站", province="北京", city="北京", district="朝阳区",省市区必须全部命中才有效，命中的层级越多得分越高，关键词每命中一个再加分。keywords=("望京", "酒仙桥", "大山子", "阜通", "来广营")),# ---------------- 4. 规则配置 + 使用示例 ----------------

2026-10-09 16:19:15 305

原创 Python九族亲戚称呼计算器

这个版本覆盖了常见九族、直系、旁系、堂表、侄甥、岳父母、公婆等关系。"爸爸": ("father",), "父亲": ("father",), "爸": ("father",), "爹": ("father",),"妈妈": ("mother",), "母亲": ("mother",), "妈": ("mother",), "娘": ("mother",),"丈夫": ("husband",), "老公": ("husband",), "先生": ("husband",),

2026-10-07 21:59:02 246

原创 Python基于关键词分拣快递（适用于电商与货运代理等）

keywords=["电池", "锂电池", "酒精", "汽油", "油漆", "烟花", "打火机", "易燃", "腐蚀", "毒性"],keywords=["珠宝", "黄金", "现金", "名表", "艺术品", "文物", "重要文件", "证件"],keywords=["活鸡", "活鸭", "活鱼", "活虾", "活体", "宠物", "种苗", "活禽"],"鸡", "鸭", "鹅", "猪", "牛", "羊", "肉", "鱼", "虾", "蟹",基于“关键词规则”分拣快递。

2026-10-05 17:40:59 562

原创 Python关键词分拣

Rule("物流问题", ["快递", "物流", "发货", "签收", "到货"], priority=5),Rule("退款售后", ["退款", "退货", "换货", "退钱"], priority=10),Rule("价格咨询", ["多少钱", "价格", "报价", "优惠"], priority=1),# ---------------- 示例 2：按文件名分拣文件 ----------------# ---------------- 示例 1：文本分拣 ----------------

2026-10-05 17:36:30 423

原创 Python体现逻辑回归和决策树的区别

print("逻辑回归准确率:", accuracy_score(y_test, y_pred))print("决策树准确率:", accuracy_score(y_test, y_pred))逻辑回归的决策边界是一条直线，因为它的本质是线性分类器。决策树可以拟合非线性边界，决策边界是“阶梯状”的。print("特征重要性:", clf.feature_importances_)plt.title("决策树：非线性、阶梯状决策边界")plt.title("逻辑回归：线性决策边界")

2026-10-04 19:09:08 240

原创逻辑回归与利弊

print("准确率:", accuracy_score(y_test, pred))· 系数可以解释为特征对对数几率的影响。· 不容易过拟合，配合正则化效果更好。· 对非线性关系需要特征工程或核方法。· 样本不平衡时需调整权重或阈值。· 对异常值和多重共线性较敏感。· 简单、训练快、可解释性强。· 输出概率，便于做阈值调整。· 决策边界本质上是线性的。

2026-10-04 19:07:09 202

原创 Python区分广度优先深度优先宽度优先的区别

先说明：广度优先搜索（BFS）就是宽度优先搜索，二者通常没有区别；下面写三段代码：DFS、BFS（广度/宽度）、优先队列搜索，方便对比。· 优先队列搜索：不关心层数，只关心“谁优先级更高”，常用于 Dijkstra、A*、最佳优先搜索等。BFS 广度/宽度优先队列一层一层访问，无权图可求最短路径 A B C D E F G。· 广度优先 BFS：也叫宽度优先，先访问离起点近的所有节点，再访问下一层。# 2. 广度优先 / 宽度优先 BFS：用队列，一层一层访问。print("优先队列搜索：")

2026-10-04 14:38:58 231

原创 Python利用线性回归搜索最相关内容

思路：把“查询-文档”之间的匹配特征（如 TF-IDF 余弦相似度、字符重叠度、文档长度等）输入线性回归，训练它预测“相关性分数”，搜索时对每个文档打分并排序，返回最相关的内容。线性回归可以作为最基础的排序模型。print(f"预测相关性：{score:.3f} | 文档：{doc}")· 线性回归在这里的作用是：学习一个打分函数，把查询和文档的匹配特征映射成相关性分数。· 搜索时，对文档库中的每个文档计算特征，用模型预测分数，再按分数从高到低排序。预测相关性：0.923 | 文档：房价预测常用线性回归。

2026-10-04 11:14:12 290

原创 Python贪心算法实现搜索推荐

Candidate(1, "贪心算法入门", "贪心算法是一种局部最优策略...", ["算法", "贪心算法", "基础"], 0.90, 0.70, 0.60, 120),Candidate(8, "贪心算法常见错误", "贪心算法不是万能的...", ["贪心算法", "算法", "反例"], 0.87, 0.80, 0.72, 110),贪心策略是：每一步都从剩余候选里选“当前得分最高且满足约束”的内容，同时考虑相关度、质量、新鲜度，以及推荐结果之间的多样性。

2026-10-04 11:11:03 297

原创 Python概括后端原理

---------- 3. 中间件：横切关注点（日志 / 鉴权 / CORS） ----------# ---------- 1. 数据层：假装这是 MySQL / Redis ----------# ---------- 5. HTTP 层：解析请求 / 分发 / 写响应 ----------# ---------- 2. 路由表：URL 模式 → 处理函数 ----------# ---------- 4. 业务逻辑：每个函数就是一个 API ----------

2026-10-03 10:22:38 186

原创 JavaScript概括前端原理

style: (dom, css) => ({ ...dom, cssom: css }), // CSS → CSSOM，合成 Render Tree。// 我变了，通知他们。// ── 3. 虚拟 DOM：用 JS 对象描述 UI，diff 后只改差异 ──────────。

2026-10-03 10:21:00 220

原创 Python根据无法识别搜索词找出可能输入内容模型

搜索词: '苹果手几' -> 可能输入: [('苹果手机', 0.9), ('苹果电脑', 0.5), ...]"苹果手机", "华为手机", "小米手机", "蓝牙耳机", "机械键盘""""判断搜索词是否可识别，这里简单判断是否在已知词库中""""苹果手机", "苹果电脑", "华为手机", "小米手机","蓝牙耳机", "机械键盘", "显示器", "笔记本电脑""""计算编辑距离，用于衡量字符串相似程度""""""将搜集结果保存到 JSON 文件""""苹果手机", # 可识别，不会被记录。

2026-10-03 10:16:46 343

原创 Python根据关联词搜索模型

print("『手机』的关联词：", engine.related.get("手机"))print("『苹果』的关联词：", engine.related.get("苹果"))"d1": "苹果发布了新一代 iPhone，搭载全新的芯片和摄像头","""无 jieba 时的兜底：中文切单字 + 双字，英文按单词"""engine.add_synonyms("手机", "电话", "移动电话")# ---------------- 索引 ----------------

2026-10-03 10:10:23 269

原创 HTML视频审核模型

失败${res.msg || '上传失败'}`;statusEl.innerHTML = '超时审核结果查询超时，请稍后刷新';statusEl.innerHTML = '失败

2026-10-02 15:18:56 167

原创 Python实现语音审核模型

+", re.I)),("裸聊", "porn"), ("约炮", "porn"), ("一夜情", "porn"), ("黄色网站", "porn"),("pii", "手机号", re.compile(r"(?("傻逼", "abuse"), ("滚你妈", "abuse"), ("去死吧", "abuse"),("赌博", "porn"), ("博彩", "porn"), ("六合彩", "porn"),("加我微信", "ad"), ("扫码进群", "ad"), ("内部渠道", "ad"),

2026-10-02 14:06:29 198

原创 Python文字审核模型

s*[a-zA-Z][a-zA-Z0-9_-]{4,19}"), 35),RegexRule("邮箱", re.compile(r"[\w.+-]+@[\w-]+\.[a-zA-Z]{2,}"), 25),\d)"), 40),RegexRule("灌水重复", re.compile(r"(.)\1{7,}"), 20, 1),# ---------------- DFA 敏感词匹配 ----------------"色情": 3, "成人网站": 3, "一夜情": 3, "约炮": 3,

2026-10-02 13:53:02 169

原创 Python图片审核模型

raise HTTPException(status_code=413, detail=f"图片超过 {limit // 1024 // 1024}MB 限制")logger.info("上传完成 id=%s label=%s score=%.4f", image_id, result.label.value, result.score)# ---------------------- 审核器（策略模式，可插拔） ----------------------

2026-10-02 13:52:17 280

原创 HTML代码圈出区域变成像素方块

* ---------------- 核心：把指定矩形变成像素方块 ---------------- *//* ---------------- 整体重绘（改方块大小时用） ---------------- *//* ---------------- 画选区虚线框 ---------------- *//* ---------------- 加载图片 ---------------- *//* ---------------- 圈选交互 ---------------- */

2026-10-02 08:01:47 305

原创 Python上传图片后自动将其处理成像素方块风格

p class="hint">点击「选择图片」，或把图片拖到这里 / 直接 Ctrl+V 粘贴// 关掉平滑，保证方块边缘硬朗。/* ========== 高质量缩小（逐级减半，保证取到准确的平均色） ========== *//* ========== 核心：渲染像素方块图 ========== *//* ========== 元素引用 ========== *//* ========== 读取文件 ========== *//* ========== 交互事件 ========== */

2026-10-01 18:55:16 452

原创 Python语音检索

print(f"\n完成：{len(files)} 个文件，{len(meta)} 个窗口向量 -> {index_dir}")b.add_argument("--hop", type=float, default=1.0, help="滑动步长秒数")b.add_argument("--win", type=float, default=2.0, help="窗口秒数")print(f"[{i}/{len(files)}] {f.name} 窗口={kept}")

2026-10-01 14:13:33 374

原创 Python自动去除水印

ap.add_argument("--show-mask", action="store_true", help="输出 mask 便于调参")ap.add_argument("-o", "--output", default="output.jpg", help="输出图片")ap.add_argument("-i", "--input", required=True, help="输入图片")ap.add_argument("--mask", help="已有 mask 图（白色=水印）")

2026-10-01 12:01:13 555

原创 Python实现关税自动计算模型

"8703.2341": TaxRule("8703.2341", "小汽车(1.5L以下)", D("0.15"),"2204.2100": TaxRule("2204.2100", "葡萄酒", D("0.14"),"8517.1200": TaxRule("8517.1200", "智能手机", D("0")),"2402.2000": TaxRule("2402.2000", "卷烟", D("0.25"),f"到岸总成本 : ¥{self.landed_cost:,.2f}",

2026-09-30 06:40:15 362

原创 Python报关单与海关编码一致性自动审核代码实现

标准库查询是审核的核心。label = {"REJECT": "❌ 退单", "WARNING": "⚠️ 警告", "PASS": "✅ 通过"}[level]"required_elements": ["品牌", "型号", "容量", "用途"],"required_elements": ["品牌", "型号", "屏幕尺寸"],"required_elements": ["品种", "产地", "等级"],declared_elements={"品种": "红富士", "产地": "山东"},

2026-09-30 06:35:06 329

原创 Python实现报关商品与海关编码是否匹配

elements={"品名": "T恤衫", "品牌": "UNIQLO", "型号": "U-001","成分含量": "100%棉", "织造方法": "针织", "性别": "男式"},elements=("品名", "品牌", "型号", "成分含量", "织造方法", "性别"),"型号": "A100", "材质": "PC", "用途": "保护手机"},elements=("品名", "品牌", "型号", "处理器", "内存", "屏幕尺寸"),

2026-09-29 06:50:37 158

原创 Python根据货单自动分类海关编码

当前方案基于文本相似度，对于描述规范、用词标准的货单效果较好。以下提供一套可运行的代码实现，核心思路是：以HS编码描述库为基准，通过文本相似度匹配将货单中的商品描述映射到对应的海关编码，并输出置信度与候选结果供人工复核。{"编码": c[0], "描述": c[1], "得分": round(c[2], 3)}"的", "和", "与", "及", "或", "等", "型", "号", "款","规格", "型号", "用途", "材质", "品名", "商品", "产品",

2026-09-29 06:50:05 309

原创 Python排名统计折线图

---------------------------------------------------------------- 演示数据。help="once=采集一次并绘图；demo=生成模拟数据并绘图")# ---------------------------------------------------------------- 采集层。# ---------------------------------------------------------------- 绘图。

2026-09-28 06:46:26 335

原创 Python实现ai进化

進化學習的基本循環： 1. 初始化一群模型/參數（種群）2. 評估每個個體的適應度（fitness）3. 選擇優秀個體4. 交叉、變異產生下一代5. 重複多代，直到效果滿意常見方向： · 遺傳算法 GA：優化超參數、組合問題· 進化策略 ES：優化連續參數，如神經網絡權重· 遺傳編程 GP：進化出表達式或程序· 神經進化 Neuroevolution：進化神經網絡權重/結構· NEAT：同時進化網絡拓撲結構和權重 Python 常用庫： · DEAP：通用進化算法· PyGAD：遺傳算法· NEAT-Py

2026-09-28 06:42:04 291

空空如也

这是ai的什么类型的bug