技术专栏第626页

去分类设置中添加分类描述吧

Netty 心跳机制实现（客户端与服务端）

2025-05-16thbcm阅读(371)

对于 WebSocket 连接，心跳机制需要特殊处理：

Python—Pytorch学习-RNN（一）

2025-05-16thbcm阅读(324)

《零基础学习人工智能—Python—Pytorch学习（四）》，关于Linear的理解是错误的，已修改。

『Plotly实战指南』–样式定制高级篇

2025-05-16thbcm阅读(266)

当基础图表已无法满足品牌化需求时，样式定制能力将成为数据叙事的关键武器。

本文转载至知乎ID：Charles（白露未晞）知乎个人专栏

下载W3Cschool手机App，0基础随时随地学编程
>>戳此了解

导语

赋闲在家几天，想鼓捣点简单又好玩的脚本分享给大家，于是就有了这篇文章~~~

本文将利用Python记录微信好友/微信群中他人撤回的消息，并将这些消息通过文件传输助手发送到自己的手机上。

让我们愉快地开始吧~~~

开发工具

Python版本：3.6.4

相关模块：

itchat模块；

以及一些Python自带的模块。

环境搭建

安装Python并添加到环境变量，pip安装需要的相关模块即可。

原理简介

思路比较简单，利用itchat模块登录网页版微信，将自己微信收到的所有消息都缓存下来，当检测到有消息撤回时，将撤回消息的缓存版本通过文件传输助手发送到自己的手机上。

因此，你必须保证脚本24小时运行才可以一直监视别人有没有撤回消息。

具体实现过程详见相关文件中的源代码。

使用演示

Windows系统：

手机端：

服务器端：

Linux系统：

手机端：

服务器端：

代码截止2018-06-25测试无误。

T_T这个脚本是完全合法无害的，只不过把自己收到的所有消息全部缓存下来，以防止别人撤回消息后自己看不到罢了。

不过应该也没人会无聊到把脚本放服务器上跑来监视自己的好友有没有撤回消息吧~~~

所以就纯当技(无)术(聊)交(取)流(乐)了？

本文转载至知乎ID：Charles（白露未晞）知乎个人专栏

下载W3Cschool手机App，0基础随时随地学编程
>>戳此了解

导语

利用Python实现美颜。。。

这是之前在GitHub上下载的一个项目。。。

似乎有些日子了。。。

所以暂时找不到原项目的链接了。。。

今天抽空看了下它源代码的主要思想，似乎挺简单的。。。

于是决定用Python3自己复现一下。。。

T_T感觉还是挺有趣的。。。

Just have a try!

开发工具

Python版本：3.5.4

相关模块：

numpy模块；

cv2模块；

dlib模块。

环境搭建

安装Python并添加到环境变量，pip安装需要的相关模块即可。

注1：

cv2即opencv-python模块。

注2：

dlib模块在anaconda3下可以直接pip安装，否则容易出错。相关文件中提供了编译好的python3.5版本的whl文件，供非anaconda3使用者安装使用。

主要思路

声明：

主要思路是根据项目源代码推测的，不算是我的思路，希望我没有猜错。

特征提取：

利用dlib库提取面部特征，面部特征点包括：

下巴、嘴、鼻子、左右眼、左右耳等部分。

针对人脸的不同部分进行具体的美化操作。

另外，由于dlib库无法提取额头边界坐标，而额头的美颜也十分重要。。。

因此假设额头在眉心附近，并通过相应的参数做出一个椭圆作为额头的粗略估计。

实际操作过程中需要将与五官重合部分剔除，并只保留与鼻子肤色相同的部分。

美化方法：

就是很平常的美白、增加鲜艳度、磨皮和锐化操作。

美白和增加鲜艳度在HSV空间实现；

磨皮用了高斯滤波器和双边滤波器；

锐化用的是卷积锐化算法。

具体实现过程详见源代码。

使用演示

说明：

根据自己的需求调用相应的美化方法实现美颜。

默认参数仅供参考，以实际效果为准，可以自己调整一些参数让效果看起来更棒。

使用方式：

在cmd窗口运行Beauty.py文件即可。

待处理照片路径在源代码232行，请自行修改。

演示1：

失败2：

失败3：

T_T好吧效果比较一般。。。

总体来说。。。效果比较一般。。。

同时我发现有些头型并不适合用这个算法美颜。。。比如我试了马云的照片。。。结果很不OK。。。

而且参数似乎不太好调。。。

做成Demo的话或许会好调很多。。。

有兴趣的朋友可以试试去做个美图秀秀高度不仿版。

T_T，就这样吧。

本文转载至知乎ID：Charles（白露未晞）知乎个人专栏

下载W3Cschool手机App，0基础随时随地学编程
>>戳此了解

导语

利用Python简单品读/分析一下小说~~~

T_T纯属娱乐~~~

如有雷同，不甚荣幸~~~

Let’s Go~~~

不想看过程的请直接下拉到最后看结果~~~

开发工具

Python版本：3.6.4

相关模块：

gensim模块；

jieba模块；

scipy模块；

snownlp模块；

matplotlib模块；

numpy模块。

环境搭建

安装Python并添加到环境变量，pip安装需要的相关模块即可。

额外说明：

pip下载速度过慢：

临时/永久换源~~~（百度上就有很多教程T_T）

pip安装失败：

到类似https://www.lfd.uci.edu/~gohlke/pythonlibs/这样的网站下载whl文件安装。

主要思路

（1）小说主要人物分析

统计每个角色在小说中出现的次数，并假设出现的次数越多，人物在小说中的地位越高。

（2）小说人物关系分析

利用gensim生成一个词向量模型来分析人物关系。

T_T这个模型是Google在2013年开源出来的，具体实现细节还没来得及看，算不上深度学习，只是浅层的神经网络~~~

（3）小说情感分析

主要利用了snownlp库。

具体实现过程详见源代码。

补充说明

分析小说之前需要先到相关网站下载小说的文本文件并新建一个含有小说中所有人物名的文本文件。

修改源代码（analysis.py）中的：

if __name__ == ‘__main__’:（98行）

下面的小说文件路径后在cmd窗口中运行即可。

Python品红楼

T_T首先让我们看看这本我看了20年也只看了前3页的中国古典四大名著之首！！！

主要人物（Top10）：

前面几个名字还是挺耳熟的？？？

人物关系图：

也不晓得靠谱不，聚类得到的图~~~

T_T随手还得出了这样的结论（逃）：

小说整体的情感基调（消极or积极？）：

以0.5为界，左边代表消极，右边代表积极~~~

这么极端的嘛T_T

Python品天龙八部

T_T只看过电视剧~~~

主要人物（Top10）：

可能有些地方是乔峰，有些地方是萧峰的原因吧，毕竟我觉得乔峰才是主角呀！

人物关系图：

以及随手得出的结论：

T_T毁三观啊~~~

小说整体的情感基调（消极or积极？）：

Excuse me???

不玩了T_T

以上内容纯属不专业不科学纯娱乐的分析~~~

有兴趣的可以去分析一下其他小说T_T

说不定可以得到令人震惊的结论~~~

本文转载至知乎ID：Charles（白露未晞）知乎个人专栏

下载W3Cschool手机App，0基础随时随地学编程
>>戳此了解

导语

利用Python对照片中人脸进行颜值预测！！！

至于结果的可靠性…….

本人概不负责！！！

对结果不满意或者因为结果分数过低而想不开者，请自行联系xxxPh.D.。也就是此颜值预测算法的提出者！！！本人只是部分复现了他的算法！！！

以上和以下内容纯属玩笑，如有雷同，不甚荣幸。

所需工具

Python版本：3.5.4(64bit)

相关模块：

opencv_python模块、sklearn模块、numpy模块、dlib模块以及一些Python自带的模块。

环境搭建

（1）安装相应版本的Python并添加到环境变量中；

（2）pip安装相关模块中提到的模块。

例如：

若pip安装报错，请自行到：

http://www.lfd.uci.edu/~gohlke/pythonlibs/

下载pip安装报错模块的whl文件，并使用：

pip install whl文件路径+whl文件名安装。

例如：

（本人已在相关文件中提供了编译好的用于dlib库安装的whl文件——>因为这个库最不好装）

参考文献链接

【1】xxxPh.D.的博客

Computer Vision for Predicting Facial Attractiveness

【2】华南理工大学某实验室

http://www.hcii-lab.net/data/SCUT-FBP/EN/introduce.html

主要思路

（1）模型训练

用了PCA算法对特征进行了压缩降维；

然后用随机森林训练模型。

数据源于网络，据说数据“发源地”就是华南理工大学某实验室，因此我在参考文献上才加上了这个实验室的链接。

（2）提取人脸关键点

主要使用了dlib库。

使用官方提供的模型构建特征提取器。

（3）特征生成

完全参考了xxxPh.D.的博客。

（4）颜值预测

利用之前的数据和模型进行颜值预测。

使用方式

有特殊疾病者请慎重尝试预测自己的颜值，本人不对颜值预测的结果和带来的所有负面影响负责！！！

言归正传。

环境搭建完成后，解压相关文件中的Face_Value.rar文件，cmd窗口切换到解压后的*.py文件所在目录。

例如：

打开test_img文件夹，将需要预测颜值的照片放入并重命名为test.jpg。

例如：

若嫌麻烦或者有其他需求，请自行修改：

getLandmarks.py文件中第13行。

最后依次运行：

train_model.py(想直接用我模型的请忽略此步)

getLandmarks.py

getFeatures.py

Predict.py

使用演示

本文转载至知乎ID：Charles（白露未晞）知乎个人专栏

下载W3Cschool手机App，0基础随时随地学编程
>>戳此了解

导语

利用Python简单地预测一下NBA比赛结果。。。

这大概就叫蹭热度吧。。。

毕竟貌似今天朋友圈都在刷NBA相关的内容。。。

虽然我并不能看懂。。。

但这并不妨碍我瞎预测一波。。。

So,

以下内容纯属瞎玩，如有雷同，算我倒霉。。。

NBA忠实球迷请自动忽略不好结果。。。

主要思路

（1）数据选取

获取数据的链接为：

https://www.basketball-reference.com/

获取的数据内容为：

每支队伍平均每场比赛的表现统计；

每支队伍的对手平均每场比赛的表现统计；

综合统计数据；

2016-2017年NBA常规赛以及季后赛的每场比赛的比赛数据；

2017-2018年NBA的常规赛以及季后赛的比赛安排。

（2）建模思路

主要利用数据内容的前四项来评估球队的战斗力。

利用数据内容的第五项也就是比赛安排来预测每场比赛的获胜队伍。

利用方式为：

数据内容的前三项以及根据数据内容的第四项计算的Elo等级分作为每支队伍的特征向量。

Elo等级分介绍（相关文件中有）：

为方便起见，假设获胜方提高的Elo等级分与失败方降低的Elo等级分数值相等。

另外，为了体现主场优势，主场队伍的Elo等级分在原有基础上增加100。

（3）代码流程

数据初始化；

计算每支队伍的Elo等级分（初始值1600）；

基于数据内容前三项和Elo等级分建立2016-2017年常规赛和季后赛中每场比赛的数据集；

使用sklearn中的LogisticRegression函数建立回归模型；

利用训练好的模型对17-18年常规赛和季后赛的比赛结果进行预测；

将预测结果保存到17-18Result.CSV文件中。

开发工具

Python版本：3.5.4

相关模块：

pandas模块、numpy模块、sklearn模块以及一些Python自带的模块。

环境搭建

安装Python并添加到环境变量，pip安装需要的相关模块即可。

使用演示

在cmd窗口运行Analysis_NBA_Data.py文件即可：

结果：

文章的初衷是为了让公众号推送的关于Python的小项目涉及的应用领域更加丰富多彩。从而激发部分Python初学者的学习热情，仅此而已。

这篇文章的技术含量并不高，模型简单，数据处理方式也比较随意。。。

可以优化的地方大概包括：

增加训练数据（如多利用几年数据）；

优化训练模型（如sklearn中其他机器学习方法或者利用深度学习框架搭建相应的网络进行模型训练）。

Python实用教学：如何用Python玩转各大网站

2025-05-13thbcm阅读(336)

下载W3Cschool手机App，0基础随时随地学编程
>>戳此了解

Hi~，各位小伙伴，Python是目前编程语言中的主流语言之一，也是公认最容易入门的编程语言，因为Python语言近几年的火爆，有很多小伙伴都开始学习这门语言。

编程语言学习，最重要的是“多看代码，多敲代码”，这样才是学习编程的王道。

这次给各位小伙伴带来就是Python中比较好玩的几个实用教学，分两大块，分别是：
爬虫技术、
机器学习，这次实用教学是使用
Python3版本。

其中爬虫技术处于进阶的课程，学完基础和微课后，就可以自己动手去爬取各大网站的数据。

而机器学习则属于比较高阶的知识，需要有一定的Python专业知识。

温馨提示：本次教学属于进阶教学，建议各位小伙伴最好先通过本站的Python视频课程与教程手册掌握基础部分后，再结合微课的练习，来进行挑战。
Python3教程手册：
点击链接进入学习模式

Python3微课：
点击链接进入学习模式
Python3零基础入门到爬虫实战：
点击链接学习视频课程