class Cat: def __init__(self,name,gender,age): self.name = name # クラス外からもアクセス可能 self._gender = gender # クラス外からアクセス可能だが、慣例的にアクセスしてほしくない self.__age = age # クラス外からアクセス不可 def info_name(self): # クラス外からもアクセス可能 print(f"この猫は名前は{self.name}です") return 0 def _name_change(self,rename): # クラス外からアクセス可能だが、慣例的にアクセスしてほしくない self.name = rename print(f"この猫は名前は{self.name}です") return 0 def __name_change2(self,rename):

はじめに データサイエンスで誰もがまず間違いなく扱うであろうテーブルデータ。pandasや最近ではpolarsを使って解析・可視化する人も多いでしょう。一方で、データサイズがそれほど大きくないときは、インタラクティブに編集・プロットしたり、セルの中でちゃちゃっと平均とかを計算できるExcelの方が便利な場合が多いです。 pandasGUIというものもあるのですが、かなり操作性が悪いし、開発もそんなホットではないですね... テーブルデータをExcelみたくいじりながら、いつでもDataFrameでデータを回収してPythonで解析できるソフトがあったらいいなあと思ったので、tabulousというのを作りました。この記事ではこれを簡単に紹介したいと思います。 名前はtabularとfabulousを掛けたものです。GUIはQtで作っています。 なお、詳しいドキュメント（英語）はこちらにありま

そのPythonパッケージ管理、venv + pipでよくないですか? in 2023/1 各所(主にPython界隈の外)で「Pythonパッケージ管理どうするのが正解なの?」とよく耳にするので2023年初頭時点での私の見解を書きます。 tl;dr 多くの場合のPythonパッケージ管理はvenv(virtualenv) + pipで済むのでは? 前提 タイトルにvenvとついていますが、以降venv(virtualenv)については言及しません。仮想環境内で作業している前提で話を進めます。 この記事では基本的にsetup.py / setup.cfgではなくpyproject.tomlでのパッケージ定義方法を採用します。これはPEP 621がここ最近で採択・実装されたためです。 なお、想定しているPythonや各ツールのバージョンは以下の通りです。 Python >= 3.8 pip

各機能とツールについて、説明していきます。 エディタ Visual Studio Code エディタやIDE(統合開発環境)は好きに選んでいただければ良いとは思いますが、特に希望がないならば、Visual Studio Codeを選んでおけば間違いないでしょう。 Pythonを含む幅広い言語に対応し、豊富な拡張機能を備えている非常にリッチなエディタです。とりわけPythonプロジェクトについては、これさえ有れば、特にIDEなどは必要ないと思います。 インストールは↓から。 バージョン管理ソフト Python3系は日夜アップデートされていて、2022年12月現在の最新verは、3.11.1が提供されています。 とはいえ、プロジェクトによっては、3.7.1までしか動作が担保されていないもの、3.9.0で現在開発中のもの...などがあります。最新のPythonが常に必要、というわけでは決してなく

動機 外資系のAmazonが展開している電子書籍Kindleでは比較的洋書の取り扱いが多いです。 Kindle Unlimitedに登録されている書籍も多く、Springerなんかも含まれているので活用しない手はありません。 そこでkindle-translatorをつくりました。 https://github.com/1plus1is3/kindle-translator これで一冊50万字あるKindleの洋書を1分で日本語PDFに変換できます。 キーボードの矢印キーでページ送りができるならKindleに限らずあらゆる電子書籍リーダおよびPDFビューワで使え、DeepLが対応している言語であれば英語以外の言語でも翻訳できます(仏→日とか)。 未経験からPythonエンジニアになって3ヶ月(うち1ヶ月は研修)が経ち、色々作れるようになった時点でつくったツールなので、改良すべき点もまだまだ

オライリーの教育的な良書「Think Python」第2版は日本語訳が無料公開されている。 https://t.co/277qzyR7Rs ・初心者がつまずきやすい点を先回りして説明 ・各章の終盤にデバッグのヒントが書いてある https://t.co/RPX57PNyn9

勤怠処理の自動化は、以下の仕組みによって実現しています。 在宅勤務と出社では勤怠処理が異なるため、基本的にフルリモート前提で在宅勤務の場合に処理を行うよう設定しています。 cronによってシェルスクリプトを起動 シェルスクリプトで在宅勤務の判定を行う 在宅勤務の場合、Pythonのプログラムを起動 Seleniumで勤怠入力 実装 Pythonのプログラムは、仮想環境を作成して実行しています。 仮想環境の作成及びSeleniumの導入 Pythonの仮想環境はvenvを使用して作成します。 仮想環境を作成するためには、以下のコマンドを実行します。 ＜Dir＞には任意のディレクトリ名を指定します。 $ python3 -m venv ＜Dir＞ $ source ＜Dir＞/bin/activate 仮想環境構築後、seleniumをインストールします。 仮想環境が有効な場合はプロンプトの表

寺田 学です。9月の「Python Monthly Topics」は、Python 3.5で導入され、多くの場面で活用されている型ヒント（Type Hints）について、より良い型ヒントの書き方を紹介します。 Pythonの型ヒントとは Pythonは動的型付け言語です。型を指定せずに変数宣言できますし、関数の引数や戻り値に型を宣言する必要はありません。 Python 3.5（2015年9月リリース）で型ヒントの仕組みが入りました。型の指定が不要なPythonですが、型ヒントを付けることで、「⁠コードの可読性向上⁠」⁠、「⁠IDEコード補完の充実⁠」⁠、「⁠静的型チェックの実行」といった静的型付け言語のようなメリットを得ることができます。 Pythonの型ヒントは以下のように記述します。 name: str = "氏名" # 変数nameをstr型と宣言 def f(arg: int) -

CodeZine編集部では、現場で活躍するデベロッパーをスターにするためのカンファレンス「Developers Summit」や、エンジニアの生きざまをブーストするためのイベント「Developers Boost」など、さまざまなカンファレンスを企画・運営しています。

はじめに 生成系のディープラーニングであるGANの勉強をしています。 GANって身近に何か活用する手段がないのかと思考を巡らせていたところ、思い付きました。 AI(ここではGAN)に美女とは何かを学ばせ、AIが定義する美女の写真を出力させてみようと。 美を追求する皆様に読んでいただければと思います。 ※たいした示唆はないので、あらかじめご容赦ください。 GANをまじめに勉強するのであれば、別の記事の方がいいです。 美とは 美しさとは何か。 有名な説に平均顔仮説が知られています。 複数の顔画像を足し合わせると魅力的な顔になるという仮説です。 なぜ魅力的になるか色んな説があるのですが、 例えば、平均化すると左右対称な顔になるが、左右対称性は生理学的な安定性を表すからだとか、 平均から外れることは突然変異（有害なことが多い）の可能性があり避ける傾向にあるからだとか 平均化することで肌がすべすべに

参考文献 今回、以下サイトを参考にさせていただき、また大変勉強させていただきました。感謝申し上げます。 SUUMO の中古物件情報を Tableau で分析してみる ～データ収集編～ SUUMO の中古物件情報を Tableau で分析してみる ～データ予測編～ 機械学習を使って東京23区のお買い得賃貸物件を探してみた　〜スクレイピング編〜 オープンポータル （オープンデータ活用サイト、競売、人口、駅） 1.準備:パッケージインポートなど 1.1 Google Driveへのマウント、パッケージのインポート ここでは、Google CplaboratoryからGoogle Driveへファイル書き出し、読み込みをするための準備や、今回使うパッケージのインポートを行いました。また、後ほどデータ加工用の関数群も予め定義しておきます。 #ドライブ設定 PATH_GMOUNT='/content/

はじめに 本格的な機械学習作業の前におおよその状態を掴んでおきたい時であったり、Pythonが分からない方とコミュニケーションを取りながら作業を進めたいケースではWEBアプリの活用が役に立ちます。 Pythonを用いてアプリ作成する方法はいくつかありますが、中でもstreamlitというライブラリはHTML、CSS、PHP、Javascriptの記述を必要としないという特徴から、多くのデータサイエンティストにとって比較的扱いやすいと言えるでしょう。 この記事では、streamlitに関するPythonコードの記述とその挙動を確かめながら簡単な機械学習アプリを実装してみます。 完成イメージ csvファイルで読み込んだデータセットから特徴量を選んで散布図を描画します 説明変数、目的変数を選択して重回帰分析またはロジスティック回帰分析にてモデリングを行います 対象となる方 機械学習アプリの作成と

鈴木たかのりです。今月からgihyo.jp上で「Python Monthly Topics」と題して、毎月Python関連の話題になったトピックやツール、ライブラリなどを紹介していきたいと思います。 第1回目はPython 3.10の新機能「構造化パターンマッチング（Structural Pattern Matching⁠）⁠」について紹介します。 Python 3.10の新機能 Python 3.10は2021年10月4日にリリースされました。現在のPythonの最新バージョンは3.10.5で、Download Pythonのページからダウンロードできます。 Python 3.10.5のリリースページを見ると、謎のヘビの画像があります。 Python 3.10 release logo この画像はPython 3.10 release logoという画像で、ヘビの周りにPython 3.

社内でWindowsデスクトップアプリが作りたーーーい。 しかし自由なソフトウェアやパッケージの導入ハードルが高いorできなーーーい。 そんなときの検討材料として、開発手段とメリデメをざっくり一覧するよ。 Visual Studio (IDE)で C# を使用 メリット デザインツールがありGUIが作りやすい デスクトップアプリ開発のデファクトスタンダード チュートリアルやインターネット上の知見が抜群に多い Microsoft製のためOffice等との連携がしやすい EXE化もできる デメリット 機能が多く、操作習得には時間がかかる 企業規模によっては無料のcommunity版が使えない 大企業でも使えるProfessional版は買い切り6万円弱、サブスクは月額45ドル ちょっとしたツールを作りたい、くらいの需要にはオーバーかも… Python ＋ Tkinter（標準ライブラリ） メリ

「Diagrams」を使うと Python コードでアーキテクチャ図を生成できる．サポートされているアイコンセットがとても多く AWS や Google Cloud や Microsoft Azure もあれば，Kubernetes やプログラミング言語なども使える．試してみたけどめちゃくちゃ便利！まさに Diagram as Code だ✌️ diagrams.mingrammer.com セットアップ 「Diagrams」は Graphviz に依存しているため，macOS だと pip と brew ですぐにセットアップできる． $ pip install diagrams $ brew install graphviz 試してみた さっそく Examples を参考にアーキテクチャ図を作ってみた！ サンプル : AWS from diagrams import Cluster, D

下で最新版に記事を編集しましたブログを作ったよ ツイッターアカウントフォローお願いします https://twitter.com/usagipycom こんな記事も書いてます 友達がpythonでPCゲームのレベル上げツールを作っていた それを聞いて、pythonって便利なのね。と思いその後色々あってプログラミングを勉強することにした プログラマー35歳までみたいな世の中で40代おそすぎ！ってあるかもしれない PCがあって、無料の教材はネットに転がってるし、本もたくさんあるし、挑戦するのは無料だし2022年の1月ぐらいから勉強を始めた 入門書って成果物がないからつまらないなと思ってそれ以外になんかないかなって本屋さんをふらふらしてたら python自動化 みたいな書籍がいっぱいあることに気がついた なるほど、もしかしたら仕事楽になるんじゃないかそんな思いから次の本を買った シゴトがはかどる

連載目次 本連載（基礎編）の目的 スクラッチ（＝他者が書いたソースコードを見たりライブラリーを使ったりせずに、何もないゼロの状態からコードを記述すること）でディープラーニングやニューラルネットワーク（DNN：Deep Neural Network、以下では「ニューラルネット」と表記）を実装して学ぶ系の書籍や動画講座、記事はたくさんあると思います。それらで学んだ際に、「誤差逆伝播」（バックプロパゲーション）のところで挫折して、そこはスルーしている人は少なくないのではないでしょうか。個々の数式や計算自体を理解していても、何となく全体像がつかめずに、 と自信を持って言えない人も多いのではないかと思います。 本連載（基礎編）はそういった人に向けた記事になります。この記事はニューラルネットの仕組みを、数学理論からではなくPythonコードから学ぶことを狙っています。「難しい高校以降の数学は苦手だけど

この記事は前回の「47都道府県丸さランキング」の製作ノートである。「ああいう検証記事はどういうテンションで作ってるのか」を知りたい非プログラマに向けて書いた。初歩的なことしかやってないので職業プログラマが見ればイライラする思うがご了承願いたい。 今回の目的は、県の丸さを「その県と同じ面積の円に、県の何%を収めることができるか」として定量化し、そのランキングを作ることである。 「丸さ」の例地図を扱う、といっても画像データを扱うわけではない。地図はそもそも測量とかで得られた数値データから作るものであり、そして数値データの方がプログラム的には扱いやすい。なので「数値地図」というものを探す。国土交通省が出している国土数値情報を使う。 伊能忠敬の時代は日本地図を国外に持ち出すだけで大罪になった（シーボルト事件）が、いまや国が積極的に公開しているのだから大したものである。 データは「XML」という形式