GIS に欠かせない Shapefile を深堀ってみる - Qiita
1. はじめに 地理情報システム (GIS) で、使用するデータとして「Shapefile 形式」でデータ提供されていることがあります。この記事では、この Shapefile が、どのような構造となっているのかについて、説明していきます。 1.1. トポロジ構造とは Shapefile について説明していく前に、まずは GIS データ等でよく利用される「トポロジ構造」について説明しておこうと思います。 例えば、トポロジ構造を持つファイルとして、次のようなものがあります。 .gdb: ESRIのファイルジオデータベースは、トポロジを含む複雑な空間データを格納することができます。 .topojson: トポロジを保存するための拡張 GeoJSON 形式で、隣接する地物間の境界を共有することでファイルサイズを削減します。 .gml: 地理マークアップ言語 (Geography Markup La
Pythonのパッケージングと配布の全体像
EDIT: このブログと似た内容の話をPyCon APAC2023にてお話ししました。 こちらの登壇資料も合わせてご覧いただけると幸いです こんにちはWantedlyの樋口です。 Pythonのパッケージングと配布は歴史が長く、多くのツール(ex. conda, pip, pipenv, poetry, rye...)が開発されてきました。これらの多様性はPythonが多くの人に使われ、継続的に改善されたゆえの賜物ですが、同時にこれらの理解を難しくしている要因にもなっていると感じます。 そこで本記事では、Pythonのパッケージングと配布の全体像を紹介します。パッケージングと配布が何か、なぜ重要なのか、そしてそれぞれのツールが何を解決しようとしているのかについて説明します。以下のような疑問を解決できることを想定しています。 パッケージングと配布の仕組みがなぜあるのか 多数あるツールが何を解
あとで後悔しないPythonのディレクトリ構成をつくってみる - Qiita
Pythonを触った当初は、とりあえず hoge.py にたくさんメソッドを書き、そのうちファイルが複数になり、ディレクトリが増えていきました。 しかしこのようにすると自作プログラムの中の依存関係の解決に失敗したり、どんどん訳の分からない構成になってしまい、あとで正すことも難しく感じました。 そのためよっぽど緊急なプログラミングでないかぎりは、最初に**「ライブラリ化しやすいようにディレクトリ、ファイルを準備する」**ことが重要かと思っています。 そのテンプレートを、本記事でつくってみます。 まずはsetup.pyから書いてみる まずプロジェクトのフォルダとして python_package ディレクトリをつくって、setup.py を新規作成します。 プロジェクト直下は当然ながら下のようになります。
あなたのPythonを100倍高速にする技術 / Codon入門
はじめに Pythonは世界的にも人気のあるプログラミング言語ですが、実行速度については課題があります。Pythonの実行速度を高速化したい、という要求は根強く、これまでにも様々なツールや処理系が開発されています。 この記事ではMITの研究者らが開発したPythonを高速化するツール「Codon」について紹介します。 この記事を3行でまとめると： 高性能で簡単に扱えるPythonコンパイラ「Codon」 Pythonとの互換性がありながら、CやC++に匹敵する高速化を実現 実際にPythonコードが100倍速くなることを検証 Codonとは Codonは高性能なPythonコンパイラです。実行時のオーバーヘッドなしにPythonコードをネイティブなマシンコードにコンパイルし、シングルスレッドで10-100倍以上の高速化が実現できます。Codonの開発はGithub上で行われており、2021
2022年度版Python環境構築徹底解説 - Qiita
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
Google Colab/Drive に pip インストール: これなら消えない😃
Image by Eduardo Davad Colab にインストールしたパッケージは消える 😸 Colab への pip インストールは簡単 Google Colab には大概のパッケージ／モジュールがプレインストールされているので、何も考えずに import foobar するだけで、pandas だろうが numpy だろうが何の問題もなく快適に使うことができます。 しかし、先週、同じ調子で MeCab を import しようとしたら、ダメでした。驚くべきことに、 MeCab がプレインストールされていない。 そこで、 Colab に MeCab をインストールことにしました。きっと普通に pip でインストールできるに違いないと、!pip install mecab-python3とやってみたところ、何の問題もなくインストールされ（Script 1）、スクリプトもちゃんと走る
logging 基本的な使い方 | Python学習講座
Pythonの標準ライブラリにはloggingというログ出力用のモジュールが用意されています。このページではloggingモジュールを使用したログ出力について解説します。 loggingの基本的な使い方 loggingモジュールは使用方法が少し難しいのですが、基本的にはログの設定 → ロガーの生成 → ロガーを使用してログ出力という流れになります。 ログの設定方法にも色々あるのですが、最初のうちはbasicConfigを使用する方法がわかりやすいかと思います。 import logging logging.basicConfig() logger = logging.getLogger(__name__) logger.error("エラーが発生しました") 上のサンプルの解説です。3行目のbasicConfigでログの設定を行えますが、今回はデフォルトなので何も指定していません。4行目で
GitHub - luigifreda/pyslam: pySLAM contains a monocular Visual Odometry (VO) pipeline in Python. It supports many modern local features based on Deep Learning.
pySLAM v2 Install Requirements Ubuntu 18.04 Ubuntu 20.04 and Ubuntu 22.04 MacOS Docker How to install non-free OpenCV modules Troubleshooting Usage Supported Local Features Datasets KITTI Datasets TUM Datasets Camera Settings Contributing to pySLAM References Credits TODOs Author: Luigi Freda pySLAM contains a python implementation of a monocular Visual Odometry (VO) pipeline. It supports many cla
Pythonの知っておくと良い細かい処理速度の違い8個 - kumilog.net
はじめに 標準入力 input と sys.stdin.readline ソート sort と sorted ソートの key ループ for と while リスト リストの初期化 二次元配列の場合 リストの値参照 リストへの値追加 それぞれの処理速度 まとめ はじめに 最近、PythonでAtCoderなどの競技プログラミングに挑戦しています。これまであまりに気にしなかったけど、ちょっとした書き方で処理速度が変わってくることに気づいたので、これを気に少し調べてみました。 目次にあるように、標準入力、ソート、ループ、リストについて、計8個の処理の速度比較を行いました。処理速度の計測方法は、Mac Book Pro*1を使い、timeitでそれぞれ100回計測*2し、平均と標準偏差を求めています。 結果だけ知りたい方は、まとめへどうぞ。 計測に用いたコードは以下にあります。 github.
早く知っておきたかったmatplotlibの基礎知識、あるいは見た目の調整が捗るArtistの話 - Qiita
English version available on dev.to はじめに matplotlibで作ったグラフの細かい調整は大変です。何をどういじったらいいのかを調べるのにアホみたいに時間がかかることがあります1。「何を」の部分の名前さえわからないこともあります。解決の糸口を掴んだ後も希望通りの見た目を実現するまでの最後のアレンジに苦労することが多いです2。これらの問題はmatplotlibのグラフがどういう要素で構成されていて、それらに対してどういうことができるかを知ることでいくらか改善されます。私はひたすらStack Overflowの回答を読むことでいろんなつまづきを時間をかけて乗り越えてきましたが、最近になってようやく公式チュートリアルにこの苦労を回避できたはずのヒントが書いてあることに気づきました。初期にざっと目を通したのですが「なるほど、よくわからん」と判断して読み込まな
オリジナルC++ライブラリのOpenCVデータをPythonに渡す - Qiita
OpenCV Advent Calendarの21日目です。遅ればせながら投稿します。 本記事の概要 OpenCVを使った様々なC++コードをpythonで使いたい人は多いのではないでしょうか（少ない）。僕もその一人です。そこで本記事では、cv::Matであったり、std::vector<cv::Rect>みたいなデータをpythonにnumpy形式で渡せるようにします。もちろん単にC++のコードを呼び出すだけならば何も問題はありません。今回の肝は、普段OpenCVをPythonで使っているのと同じように、Matやvectorをnumpyに変換して渡す点です。 C++で書いたライブラリをpythonで呼べるようにする仕組みとしてはBoost.Pythonが有名ですが、Boost.PythonでC++のMatのような複雑なクラスを独自に変換しようとすると、かなり大変です。それに加え、Matだ
OpenFace：Deep Neural Networkによる顔の個人識別フレームワーク
顔画像で個人を識別できるオープンソースフレームワークを見つけた。 コンピュータービジョン系で有名なカーネギーメロン大学がPythonとTorchで開発したもの。Apache 2.0 Licenseとのことなので著作権の表示、変更箇所の明示があれば商用利用も可能。(ただし追記参照) OpenFaceは、Deep Neural Networkによる顔認識をPythonとTorchで実装したもので、CVPR 2015で発表された論文FaceNet:A Unified Embedding for Face Recognition and Clusteringに基づいています。Torchによって、CPUやCUDA上でこのネットワークを実現しています。 カーネギーメロン大学のSatya研究グループのBrandon Amosが開発しました。 ソースコードはGitHubのcmusatyalab/openf
Autogradという野郎が乗り込んできたのでガクブルな件 - Qiita
Autogradという野郎が乗り込んできました。はい、そりゃもういきなり。複雑な確率モデルや損失関数だとしても、パラメータに関する勾配をこれでもかというぐらい簡単に計算できちゃうので、機械学習の世界に大きな影響を与えそうです。現時点では、PythonとTorchでの実装が公開されているようですが、これからJuliaなど他の言語でも実装されていきそうですね。 （補足：この記事を書いたすぐ後にGoogleがTensorFlowなるものを出してきまして、そちらでも自動微分がしっかり実装されてるみたいです〜。機械学習関連のフレームワークは移り変わりが激しいですねー ^^; ） ちなみに始まりはこんな感じでした。 ゆるいですね。 とりあえずチュートリアルやりながら、Python版チュートリアルの前半部分にテキトーな日本語訳をつけたので、ここでシェアしておきます。英語が読める方は、僕のヘンテコな日本語
Pythonらしいコードの書き方 - Kesinの知見置き場
はてなブログに移行して最初の記事はやはりPythonネタにしました。 はてなブログいいですね。デザインの編集がやりやすくなったのと、Markdownで書けるのが素晴らしいです。 PyCon 2013の動画を見ていたら、素晴らしい"Transforming Code into Beautiful, Idiomatic Python"という発表を見つけたのでそのまとめです。 今どきのPythonコードのベターな書き方を紹介しています。 Transforming Code into Beautiful, Idiomatic Python ... スライドはこちらにありました 結構長くなってしまったので、知ってる項目は読み飛ばしてもらえばと思います。 ループの基本 整数のループ まずは基本のループ。 Cのfor int i=0; i<6; i++をPythonで単純に書くとこうなります。 for
オープンソースベースのマシンビジョンユニット「OpenMV Cam」｜fabcross
米コロラド州に拠点を置くBot Thoughtsは、オープンソースベースのマシンビジョンユニット「OpenMV Cam」のプロジェクトをKickstarterで開始した。35×45mmの基板に、カメラと画像処理チップ、Micro Pythonインタプリタが搭載されているので、OpenMV Cam単体でさまざまな画像処理を行える。 「マシンビジョン」とは、カメラなど画像センサからのデータをコンピュータで処理してさまざまな機能を持たせたシステム。例えば製造産業では、生産ラインで製品画像を解析して不良を発見する自動検査や、部品の向きを認識してロボットアームで適切につかむといったことなど広く使われている。デジカメが顔を認識してそこにピントを合わせたり、笑顔になったらシャッターを切ったりする機能もマシンビジョンの応用だ。 OpenMV Camで処理した結果を使ってArduinoを制御したり、またその
Deep Learning on Amazon EC2 GPU with Python and nolearn - PyImageSearch
Deep Learning Tutorials by Adrian Rosebrock on October 13, 2014 Last week I wrote a post detailing my experience with CUDAMat, Deep Belief Networks, and Python using my MacBook Pro. The post is fairly long and full of screenshots to document my experience. But the gist of it is this: Even after installing the NVIDIA Cuda SDK and configuring CUDAMat, my CPU was training my Deep Belief Network (impl
IPython の豊富な機能を使いこなす - Qiita
IPython は非常に強力な対話環境で、探索的なデータ分析には欠かせません。対話的な操作環境からコードを実行することができ、インタプリタ言語の生産性を十二分に体感することができるでしょう。似たような環境として Ruby における pry が挙げられるかと思いますが、インタラクティブシェルの完成度においても IPython が一歩リードしているのではないかと思います。 最新の IPython を使う IPython コミュニティは開発のスピードが速く、昨年 2013 年の夏にリリースされたバージョン 1.0 から今年 2014 年 4 月にリリースされた IPython 2.0 までの間に 650 のプルリクエストがマージされ 400 のイシューと 4000 のコミットがされています。また現在は 3.0 系が開発中でそのロードマップは GitHub で知ることができます。シングルコードベー
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
【Python C API入門】C/C++で拡張モジュール作ってPythonから呼ぶ -前編-｜はやぶさの技術ノート
Bitbucket
GitHub - belltailjp/selective_search_py: Python-based implementation of the Selective Search for Object Recognition.
