Python - 数値型

数値型のいろいろな表現をまとめてみました。

int型

[コード]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
# 10進数
num = 12
# => 12

# 8進数
num = 0o16
# => 14

# 16進数
num = 0xf2
# => 242

# 2進数
num = 0b1100
# => 12

float型

[コード]

1
2
3
4
5
6
7
8
9
10
num = 1.2
# => 1.2

# 指数表記 1.2×10の３乗
num = 1.2e3
# => 1200.0

# 指数表記 1.2×10のマイナス３乗
num = 1.2e-3
# => 0.0012

Python - グローバル変数、ローカル変数の表示

組み込みのglobals関数、locals関数を使うと、現在のスコープのグローバル変数、ローカル変数を表示することができます。

グローバル変数、ローカル変数の表示

[コード]

1
2
3
4
5
6
7
8
9
10
GLOBAL_AVR = 123
def func():
    x = 3
    print('グローバル変数')
    print(globals())
    print()
    print('ローカル変数')
    print(locals())

func()

実行結果は下記のとおりです。

グローバル変数
{'__name__': '__main__', '__doc__': None, '__package__': None, '__loader__': , '__spec__': None, '__annotations__': {}, '__builtins__': , 'GLOBAL_AVR': 123, 'func': }

ローカル変数
{'x': 3}

Python Image - 画像を編集する

Imageライブラリを使うとPythonから画像を編集することができます。

インストール

下記のコマンドを実行し、Imageライブラリをインストールします。

1
pip install PIL

ログ出力

基本的な画像処理をまとめて実行します。

[コード]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
from PIL import Image

# 画像ファイルを開く
image = Image.open('a.jpg')

# 画像のサイズを変更(横幅・縦幅)
image = image.resize([256, 256])
# 画像ファイルを出力
image.save('b.png')

# 回転させる
image = image.rotate(45)
# 画像ファイルを出力
image.save('c.png')

# 反転させる
image = image.transpose(Image.FLIP_LEFT_RIGHT)  # 左右対称
#image = image.transpose(Image.FLIP_TOP_BUTTOM) # 上下対象
# 画像ファイルを出力
image.save('d.png')

# 切り貼り
part = image.crop((0, 0, 64, 64))   # 左、上、右、下
image.paste(part, (10, 10))         # 左、上
image.save('e.png')

Python Logging - ログを出力する

Pythonでログの出力・制御を行うためには、loggingモジュールを使用します。

標準出力とファイルへの出力や、重要度に応じた出力の制御、書式の設定などが可能です。

ログ出力

今回は、ファイルと標準出力にログを出力します。

またログの書式設定とログローテーションの設定も行います。

[コード]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
import logging
import logging.handlers
import sys

# 適当な名前を付けてLoggerオブジェクトを生成
logger = logging.getLogger('test_log')

# デバッグレベルを指定
#  logging.CRITICAL（一番高いレベル）
#  logging.ERROR
#  logging.WARNING
#  logging.INFO
#  logging.DEBUG（一番低いレベル）
logger.setLevel(logging.DEBUG)

# ログ出力の書式設定
formatter = logging.Formatter('%(asctime)s[%(levelname)s] %(message)s')

# ファイル出力の設定（ログローテーション設定あり）
#file_handler = logging.FileHandler('test.log')
file_handler = logging.handlers.RotatingFileHandler('test.log', maxBytes=1024, backupCount=5)
file_handler.setFormatter(formatter)
logger.addHandler(file_handler)

# 標準出力の設定
stream_handler = logging.StreamHandler(sys.stdout)
stream_handler.setFormatter(formatter)
logger.addHandler(stream_handler)

logger.debug('debug test.')
logger.info('info test.')
logger.warning('warning test.')
logger.error('error test.')
logger.critical('critical test.')

実行結果は下記のとおりです。

[実行結果]

2020-04-26 18:40:15,631[DEBUG] debug test.
2020-04-26 18:40:15,636[INFO] info test.
2020-04-26 18:40:15,639[WARNING] warning test.
2020-04-26 18:40:15,644[ERROR] error test.
2020-04-26 18:40:15,648[CRITICAL] critical test.

test.logファイルにも同様の内容が出力されます。

Python - DataFrameでソートと反転を行う

DataFrameではソートや反転を容易に行うことができます。

ソート

ソートするにはDataFrameのsort_values関数を使います。

[コード]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
import pandas as pd

# 身長・体重・性別のデータフレームを作成
tbl = pd.DataFrame({
    'weight': [80.0, 70.4, 65.5, 45.9, 51.2, 72.5],
    'height': [170, 180, 155, 143, 154, 160],
    'gender': ['f', 'm', 'm', 'f', 'f', 'm']
})

print('身長をキーにソート')
print(tbl.sort_values(by='height'))
print()

print('体重を降順でソート')
print(tbl.sort_values(by='weight', ascending=False))

実行結果は下記のとおりです。

[実行結果]

身長をキーにソート
   weight  height gender
3    45.9     143      f
4    51.2     154      f
2    65.5     155      m
5    72.5     160      m
0    80.0     170      f
1    70.4     180      m

体重を降順でソート
   weight  height gender
0    80.0     170      f
5    72.5     160      m
1    70.4     180      m
2    65.5     155      m
4    51.2     154      f
3    45.9     143      f

反転

反転するにはDataFrameのT属性を参照します。

[コード]

1
2
3
4
5
6
7
8
9
10
11
import pandas as pd

tbl = pd.DataFrame([
    ['A', 'B', 'C'],
    ['D', 'E', 'F'],
    ['G', 'H', 'I']
])

print(tbl)
print('----')
print(tbl.T)

実行結果は下記のとおりです。

[実行結果]

   0  1  2
0  A  B  C
1  D  E  F
2  G  H  I
----
   0  1  2
0  A  D  G
1  B  E  H
2  C  F  I

Python - DataFrameで任意のデータ抽出

DataFrameでは任意のデータを容易に抽出することができます。

キーでのデータ抽出

まず１次元のリストが入った辞書型データよりデータフレームを作成します。

このデータに対して、キーを指定することにより任意の列のデータを取得することができます。

[コード]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
import pandas as pd

# 身長・体重・性別のデータフレームを作成
tbl = pd.DataFrame({
    'weight': [80.0, 70.4, 65.5, 45.9, 51.2, 72.5],
    'height': [170, 180, 155, 143, 154, 160],
    'gender': ['f', 'm', 'm', 'f', 'f', 'm']
})

# 体重の一覧を表示
print('体重の一覧')
print(tbl['weight'])
print()

# 体重と身長の一覧を表示
print('体重と身長の一覧')
print(tbl[['weight', 'height']])

実行結果は下記のとおりです。

[実行結果]

体重の一覧
0    80.0
1    70.4
2    65.5
3    45.9
4    51.2
5    72.5
Name: weight, dtype: float64

体重と身長の一覧
   weight  height
0    80.0     170
1    70.4     180
2    65.5     155
3    45.9     143
4    51.2     154
5    72.5     160

スライスでのデータ抽出

任意の行を抽出したい場合は、Pythonの標準型であるリストを同じようにスライスを使うことができます。

[コード]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
import pandas as pd

# 身長・体重・性別のデータフレームを作成
tbl = pd.DataFrame({
    'weight': [80.0, 70.4, 65.5, 45.9, 51.2, 72.5],
    'height': [170, 180, 155, 143, 154, 160],
    'gender': ['f', 'm', 'm', 'f', 'f', 'm']
})

# (0から数えて)2から3つ目のデータを表示
print('tbl[2:4]\n', tbl[2:4])
print()

# (0から数えて)3つ目以降のデータを表示
print('tbl[3s:]\n', tbl[3:])

実行結果は下記のとおりです。

[実行結果]

    weight  height gender
2    65.5     155      m
3    45.9     143      f

    weight  height gender
3    45.9     143      f
4    51.2     154      f
5    72.5     160      m

条件でのデータ抽出

条件を指定することにより、条件に合致したデータを抽出することができます。

[コード]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
import pandas as pd

# 身長・体重・性別のデータフレームを作成
tbl = pd.DataFrame({
    'weight': [80.0, 70.4, 65.5, 45.9, 51.2, 72.5],
    'height': [170, 180, 155, 143, 154, 160],
    'gender': ['f', 'm', 'm', 'f', 'f', 'm']
})

print('身長が160以上のデータを表示')
print(tbl[tbl.height >= 160])
print()

print('性別が m のデータを表示')
print(tbl[tbl.gender == 'm'])

実行結果は下記のとおりです。

[実行結果]

身長が160以上のデータを表示
   weight  height gender
0    80.0     170      f
1    70.4     180      m
5    72.5     160      m

性別が m のデータを表示
   weight  height gender
1    70.4     180      m
2    65.5     155      m
5    72.5     160      m

Python - Pandasの基本データ

Pandasで扱う基本データは、DataFrameとSiriesです。

DataFrame

DataFrameを定義するには、２次元のリストを引数に与えます。

[コード]

1
2
3
4
5
6
7
8
9
import pandas as pd

x = pd.DataFrame([
    [10, 20, 30],
    [40, 50, 60],
    [70, 80, 90]
])

print(x)

実行結果は下記のとおりです。

[実行結果]

    0   1   2
0  10  20  30
1  40  50  60
2  70  80  90

実際のデータのほかに、列や行を意味するラベルも一緒に表示されていることが分かります。

Series

Seriesを定義するには、１次元のリストを引数に与えます。

[コード]

1
2
3
4
5
import pandas as pd

x = pd.Series([1.0, 3.0, 5.0, 7.0])

print(x)

実行結果は下記のとおりです。

[実行結果]

0    1.0
1    3.0
2    5.0
3    7.0
dtype: float64

インデックス番号付きで表示されるのが確認できます。また、データ型についても表示されます。

Python scikit-learn - アヤメの品種分類をクロスバリデーションで行う

アヤメの品種分類をクロスバリデーションで行います。

クロスバリデーションとは、最初に全てのデータを訓練データとテストデータに分割して、訓練データを用いて学習を行い、テストデータを用いて学習の妥当性を検証する手法です。

クロスバリデーションにはいろいろな手法がありますが、今回はK分割交差法をご紹介します。

【例 集合XをA,B,Cと３分割する場合】

(1) 集合Xを、AとBとCに分割します。
(2) Aとテストデータ、残りのB,Cを訓練データとして分類精度s1を求めます。
(3) Bとテストデータ、残りのA,Cを訓練データとして分類精度s1を求めます。
(4) Cとテストデータ、残りのA,Bを訓練データとして分類精度s1を求めます。
(5) 分類精度s1,s2,s3の平均を求め分類精度とします。

クロスバリデーション

実行するコードは下記の通りです。

[コード]

1
2
3
4
5
6
7
8
9
10
11
12
13
import pandas as pd
from sklearn import svm, metrics, model_selection, datasets

# アヤメのCSVデータを読み込む
iris = datasets.load_iris()

# データの学習
clf = svm.SVC()
scores = model_selection.cross_val_score(clf, iris.data, iris.target, cv=5)

# 正答率を求める
print('各正解率：', scores)
print('正解率：', scores.mean())

9行目のcv=5で分割数を5に設定しています。

model_selection.cross_val_score関数１つで、複数回の検証を行えるのは大変便利です。


実行結果は次のようになります。

[実行結果]

各正解率： [0.96666667 0.96666667 0.96666667 0.93333333 1.        ]
正解率： 0.9666666666666666

正答率96%以上と十分な結果となります。

Python scikit-learn - 機械学習でアヤメの品種を分類する

機械学習でアヤメの品種を分類します。

機械学習でアヤメの品種分類

scikit-learn には、機械学習やデータマイニングを試すことができるようデータが同梱されています。

iris.dataには次の４種類のデータが格納されています。

カラム内容
sepal length (cm)がく片の長さ
sepal width (cm)がく片の幅
petal length (cm)花弁の長さ
petal width (cm)花弁の幅

iris.targetには次の３種類の花の種類が格納されています。

花の種類値
setosa0
versicolor1
virginica2

実行するコードは下記の通りです。

[コード]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
import pandas as pd
from sklearn import svm, metrics, model_selection, datasets

# アヤメのCSVデータを読み込む
iris = datasets.load_iris()

# 学習用とテスト用に分離する
train_data, test_data, train_label, test_label = model_selection.train_test_split(iris.data, iris.target, test_size=0.2, train_size=0.8, shuffle = True)

# データの学習
clf = svm.SVC()
clf.fit(train_data, train_label)

# データを予測
pre = clf.predict(test_data)

# 正答率を求める
ac_score = metrics.accuracy_score(test_label, pre)
print('正解率：', ac_score)

学習用とテスト用にデータを分離し、シャッフルまで行ってくれるmodel_selection.train_test_split(７行目)はとても便利です。


実行結果は次のようになります。

[実行結果]

正解率： 0.9333333333333333

正答率93%以上と十分な結果となりました。

Python scikit-learn - フレームワークで排他的論理和(XOR)演算を学習する

排他的論理和(XOR)に関しての機械学習ですが、次の２点に関してフレームワークを利用する処理に変更します。

  • データとラベルを分割する。
  • 正解率を求める。

フレームワークで排他的論理和(XOR)演算を学習する

「データとラベルの分割」と「正解率を求める」箇所を変更します。

変更前のコードをコメントアウトしているので参考にして下さい。

[コード]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
import pandas as pd                 # 追加
from sklearn import svm, metrics    # metrics追加

# XORの演算と結果
xor_data = [
    [0, 0, 0],
    [0, 1, 1],
    [1, 0, 1],
    [1, 1, 0]
]

# 学習させるためにデータとラベルに分ける

# [変更前]
#data = []
#label = []
#for row in xor_data:
#    data.append([row[0], row[1]])
#    label.append(row[2])

# [変更後]
xor_df = pd.DataFrame(xor_data)
data  = xor_df.iloc[:,0:2]    # データ
label = xor_df.iloc[:,2]      # ラベル

# データの学習
clf = svm.SVC()
clf.fit(data, label)

# データを予測
pre = clf.predict(data)
print('予測結果:', pre)

# 正解と合っているか結果を確認

# [変更前]
#cnt_ok = 0
#total = 0
#for idx, ans in enumerate(label):
#    if pre[idx] == ans:
#        cnt_ok += 1
#    total += 1
#print('正解率：{} / {}'.format(cnt_ok, cnt_ok / total))

# [変更後]
ac_score = metrics.accuracy_score(label, pre)
print('正解率：', ac_score)

実行結果は次のようになります。

[実行結果]

予測結果: [0 1 1 0]
正解率： 1.0

変更前に比べてかなり短いコードで同様の結果が得られることが分かります。

© 2026 Playing with Python All Rights Reserved.
Theme by hipaper