hzp666的博客

第二个是本地存放的路径clone的URL是这里：PS：这里一般获取的是master 分支，后边再调整分支。

调用 .exe程序文件时候，当程序界面出来之后，鼠标失去反应，用pyautogui进行点击。后面尝试使用图片相似也无法实行点击。解决方法：运行Pycharm或者其他ide的时候选择以管理员权限启动即可。背景：在Pycharm里，使用python+

然后使用函数：locateOnScreen(‘zan.png’) ，如果可以找到图片，则返回图片的位置，如：Box(left=25, top=703, width=22, height=22)；我们控制鼠标的操作，不能盲目的进行，所以我们需要监控屏幕上的内容，从而决定要不要进行对应的操作， pyautogui 提供了一个方法screenshot()，可以返回一个Pillow的image对象；将鼠标移动到指定的坐标；：是一个对比函数，对比的是屏幕上（500，500）这一点像素的颜色，与所给的元素是否相同；

文本要是docx结尾安装 Python-docx 包。

先对run做一个简单地介绍。每个paragraph对象都包含一个run对象的列表。举例：这是简短的段落。结果：这一段的run个数是： 50 这是1 一个2 简短3 的4 段落。也就是说，当文本样式发生改变的时候，就需要一个新的run。tips：1.有几个样式就有几个run。2.run是列表形式。

repalce_txt = data1.loc[index, "原因剖析"]data1 = pd.read_excel("C:数据导入.xlsx",eg: 判断data1的第一行中 “原因剖析” 列，是否为空。指定 第1列为 数值，2 3列为字符串， 4 5为日期。repalce_txt = "无"使用pd.isna()

多线程、进程、协程是什么就不讲了，（就是你理解的一边呼吸，一边看文章）仅解决问题的话，下边两篇不用看，再深一点的看这个我们这里需求很简单，就是让2个方法都运行！！这里要用的就是asyncio 库。

在讨论场景之前，我们需要将多任务执行的方式进行一下分类，那就是并发方式和并行方式。教科书上告诉我们：并行是指两个或者多个事件在同一时刻发生；而并发是指两个或多个事件在同一时间间隔内发生。在多道程序环境下，并发性是指在一段时间内宏观上有多个程序在同时运行，但在单处理机系统中，每一时刻却仅能有一道程序执行，故微观上这些程序只能是分时地交替执行。

中的 async/await 概念讲清楚, 希望能够帮助大家有一个形象化的认识.我希望能用一个最平易近人的例子, 把 Python。Python 中的 async await 概念。注: 所有的讲解都在代码的注释里.

因为文件夹默认没有init 方法，不能导包...如果已经是文件夹了，那么就手动建个init 然后里边啥也不用写，再看下文件夹图标变了，多一个灰色小点。

") engine.runAndWait() # 没有这句不行哦。核心代码：engine = pyttsx3.init() # 初始化。uname = "周吴郑王"使用pyttsx3包，先安装。uname = "周吴郑王"

print('日期早了')传入英文日期，返回标准日期格式。这里定义一个func。

把encoding='utf-8' 改成 encoding='utf-8-sig'

CBC加密需要一个十六位的key(密钥)和一个十六位iv(偏移量)

以TTS包为例，找到下载并解压的包中的2个文件，一个名称一个info结尾。在pycharm中terminal执行，找到下载解压包中的依赖文件。2.手动解压，找到文件放到pycharm对应项目的lib文件夹中。4.可能需要安装该包对应的依赖。3.放到项目的lib文件夹中。

不知道怎么搞的时候真是费劲，搜到了一看王德发这么简单!ps: 后边是两个 中括号 [[ '列名']]

ps:list的长度要和df对齐。

假设数据已经通过如下代码读进来了。

Pandas。

Pandas>>pivot_table()函数列转行index：必选参数，用来指定行索引。如果用数组做行索引，数据必须等长。 columns：必选参数，用来指定列索引。 values：可选参数，用来做集合的值。默认是显示所有的值。 aggfunc：聚合函数， pivot_table后新dataframe的值都会通过aggfunc进行运算。在pivot_table会将多重值调用aggfunc函数后放在相应的位置上。默认的aggfunc函数为求平均。 fill_value：填充NA值。默认不填充

在选择为谁安装的时候建议选择just me（这会让你构建的虚拟环境默认保存在安装路径的envs下，否则默认保存地址为C:\Users\User.conda\envs，更改默认地址较为麻烦，原文链接：https://blog.youkuaiyun.com/weixin_40438421/article/details/130474033。ps: 最后一句conda config --set show_channel_urls yes 一定要执行。记得选择一下安装路径，然后一直next到安装结束，如果看到版本号即ok。

data1 = pd.read_excel("C:/work/20230818***/数据导入.xlsx",dtype={0:"int", 2:"str", 3:"str"},parse_dates=[4,5])data1 = pd.read_excel("C:/work/20230818***/数据导入.xlsx",dtype={0:"int", 2:"str", 3:"str"},parse_dates=[4,5])设置特定类型，和指定日期类型。

Boxes对象可用于索引、操作边界框，并将其转换为不同的格式。Box格式转换结果是缓存的，这意味着每个对象只计算一次，并且这些值将在将来的调用中重复使用。YOLOv8可以处理很多类型的识别，比如：图片、视频、还有YouTube的网页连接，强不强！、NumPy数组、Torch张量、CSV文件、视频、目录、通配符、YouTube视频和视频流。表格✅指示了每个输入源是否可以在流模式下使用，并给出了每个输入源使用流模式的示例参数。设置预测参数，可以满足我们不同的需求。：用于操作边界框的属性和方法的对象。

判断 list1 中是否包含某个/某些元素。判断某个集合元素，是否包含某个/某些元素。

python类调用类方法时候，没有实例化类。（在类后边加个括号即可）对象的声明需要括号。而类的声明括号可有可无。

至此，我们成功的使用python建立一个简单的服务器页面，并且通过cpolar为其创建了一条能够穿透内网屏障的数据隧道，将这个python网页发布到公共互联网上。其实，只要知道网页（或软件）的输出端口号，我们都可以使用cpolar穿透内网，让我们在公共互联网上访问到本地的网页（或软件）。Python快速搭建简单的HTTP服务器，并发布公网访问。

在数据分析的过程中，往往需要用到的类型，因为这个类型就像EXCEL表格一样，便于我们个中连接、计算、统计等操作。在数据分析的过程中，避免不了的要对数据进行遍历，那么，DataFrame如何遍历呢？之前，小白每次使用时都是Google或百度，想想，还是总结一下~小白经常用到的有三种方式，如下：首先，先读入一个DataFrame。

这种搜索的名字叫做"find in path"，和默认的win10输入法切换简繁体的快捷键冲突。这是全局字符串搜索的界面，上面有很多更精细的设置，比如忽略大小写，正则匹配，改变匹配范围等，这里不再详细介绍。例如我添加了一个ctrl+shift+g的自定义快捷键，以免和win10系统冲突。ctrl+f也可以搜索本页的字符串，ctrl+f搜索当前界面是很多软件都有的功能。如果键盘带数字键盘，用Ctrl + 数字键盘的点，也可以。

传参数在body里边，选row ,选json。

应该还是缓存文件的问题：把这个临时文件删掉：

row_list = [['02', '技能属性', '020001', '技术能力', '0200010001', 'IT技术', '02000100010027', 'IT工具', '020001000100270037', 'ffmpeg'], ['02', '技能属性', '020001', '技术能力', '0200010001', 'IT技术', '02000100010027', 'IT工具', '020001000100270038', 'adobe acrobat reader']]

字符串中数字左边补0, 0>2表示数据总显示宽度为2，以０补齐。当然我们也可以补齐其它数字，例如８，输出总宽度为５。

①例如这样的xpath( ‘//*[@id=“kw”]’)可以点击F12打开浏览器调试器(或者右键页面选择检查)=》点击调试器的箭头标志=》点击页面需要输入信息的input框或者点击提交的button按钮=》右键copy=》copy xpath即可。

增加+：表示把当前文件以读写模式打开（r+, w+, a+, rb+, rw+, ra+）,基本特性和不适用+号之前一致，操作结果有些许区别。带上+号之后只要open一个文件之后就可读可写。这里要注意读的时候文件光标移动，写的时候覆盖等问题，大家用代码自己试一下，这里文字很难描述。发布于2021-12-07 15:36:46阅读 2.3K0。

import os# 设置http header，视情况加需要的条目，这里的token是用来鉴权的一种方式# 1、搜索到所有标签# 2、解析标签格式，提取href后的链接内容# 设置http header，视情况加需要的条目，这里的token是用来鉴权的一种方式if not os.path.exists("处方"):os.mkdir("处方")# 返回状态码。

import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as sns # more plotsfrom dateutil.relativedelta import relativedelta # working with dates with stylefrom scipy.optimize import minimize # for function minimizationim

数据读取数据集成透视表数据聚合与分组运算分段统计数据可视化Pandas的使用很灵活，最重要的两个数据类型是DataFrame和Series。对DataFrame最直观的理解是把它当成一个Excel表格文件，如下：索引是从0开始的，也可以将某一行设置为index索引；missing value为缺失值。DataFrame的一列就是Series，Series可以转化为DataFrame，调用方法函数to_frame()即可。

在监督学习中混淆矩阵为方阵，方阵的大小通常为一个（真实值，预测值）或者（预测值，真实值），所以通过混淆矩阵我们更清晰的看出，预测集与真实集中混合的一部分。当然通过多分类，我们再次得到如上图的矩阵进行对比，再次我们将上图矩阵再次可以转换为一个二分类的混淆矩阵供我们进行性能分析，如下图所示。实现预测值与真实值在相同特征下的比较，如果同时成立则放入相对应的矩阵位置，如果不成立则放入不相匹配的矩阵位置，混淆矩阵可以清晰的反映出真实值与预测值相互吻合的部分，也可以反映出与预测值不吻合的部分，如下图所示。

提问于 十二月 14, 2018浏览 1339 次0onehotencoder如何用于单个值预测错误Msg- ValueError：模型的要素数必须与输入匹配 . 模型n_features为1261，输入n_features为16我正在训练文本数据的随机森林分类器 . 我正在为每个文本数据实例计算16个功能 . 由于所有这16个变量都被分类，我使用。

在实际的项目中其实也有不少参数是由工程师借助其经验手动调整的，但在许多场景下这种方式仍然是很难行得通的。根据上篇教程的内容我们容易想到，调参的根本目的实际上就是要找到一组合适的超参数，使得模型具有列好的效果，而更专业的说法则是希望让模型得到更好的泛化性能（可以简单理解为样本外的预测效果）。并行计算是sklearn中的另一个亮点，它对一些能够并行的方法提前进行了封装，在使用的时候只需要简单一个参数即可。上述两个参数是与我们最直接关心的，当然还有更多的详细参数，这些内容在具体问题中对应读取查看就可以了。