Python开发工具

个人在openjudge网站上的解题个人心得，保存为pdf文档，解题思路都用markdown语言编写并提供题目链接。 全部由个人独立完成，代码排版有序整洁，相关题目涉及python基础，动态规划，深度优先搜索和广度优先搜索等。

1、实现基于特定条件自动归档数据，避免数据量过大影响到业务。 2、实现下线商户数据归档。 3、实现数据跨库归档。 4、实现了数据增加字段实时无锁切换。 5、实现了数据归档上传到OSS。

GTWR (Geographically and Temporally Weighted Regression) 是一个用于地理和时间加权回归分析的Python包。它适用于需要分析地理和时间数据的研究和应用场景，例如环境科学、城市规划、公共卫生、社会经济研究等。在这些领域，数据的空间和时间维度对于分析结果有着重要的影响，GTWR包通过引入地理和时间权重，能够更加准确地捕捉这些影响，从而为用户提供更为精确和可靠的分析结果。 __init__ 模块: 功能: 初始化包，导入必要的模块和函数，使得包能够被正确加载和使用。 作用: 用户可以直接使用 GTWR 包中的各种功能，无需手动导入各个子模块。 diagnosis 模块: 功能: 提供诊断工具和方法，帮助用户评估模型的性能和准确性。 作用: 用户可以使用该模块进行模型诊断，如残差分析、模型评价指标计算等，确保模型结果的可靠性。 function 模块: 功能: 包含各种辅助函数，这些函数在数据预处理、计算过程中起到重要作用。 作用: 用户可以使用这些函数进行数据操作和处理，简化分析流程，提高工作效率。 kernel 模块: 功能: 提供不

首先运用神经网络技术对庞大且复杂监测数据进行深度学习训练，该过程旨在自动化提取关键特征并揭示潜在的非线性关系。随后，我们将神经网络模型提炼出的高级代表性特征作为输入，对接支持向量机进行细致分类任务，凭借SVM在处理小样本、高维数据时的优势，精确描绘决策边界，以期实现数据的高精度细分与归类。

本项目使用darknet神经网络和残差网络一起构建模型，并用此网络训练模型，使用yoloV3算法进行检测。同时使用pyqt进行可视化显示

根据屏幕的按键提示，在规定时间内通过按下上、下、左、右按键和格按键完成舞蹈。一旦按错，则需要重新开始按按键，在进度条走完之前按完所有的上下左右键，并在进度条走到下方红色的位置按下空格就完成了一节舞蹈动作，获得对应分数，分数的多少会被空格按下的精准度所影响。开始前可以选择难度，难度越大，时间越快，基础分越高。

目前能够跑通深度学习中目标检测、目标分割、对抗网络的代码，主要对这三个方向比较了解与专攻，几乎有所有的代码，包括一些最新的CVPR的代码，能够实现在自己电脑中训练、推理与部署。曾经尝试郭修改算法结构，使其达到更好的效果。

根据微医网网站抓取里面医生列表的信息，包括医生姓名, 图片, 职称, 科室, 就诊医院, 擅长, 图文问诊, 视话问诊，医生图片网址。抓取每个医生的具体信息，批量下载医生图片以及批量制作医生名片。 使用的技术包括：requests网络请求，re正则表达式，json数据解析，CSV文件格式文件的读写操作以及docx文档的读写模版的操作

只要与在GPU服务器部署的模型服务互联完成对业务数据的处理，通过该软件调用大模型完成相应的推理任务，并在软件中监控和管理数据

可以从excel中的详细数据表提取指定工步的最高最低温度，主要用到datafame，先将excel中的详细数据表通过pandas库中的datafame转换成一个python可以读取的数据框架，再通过一系列的条件查询获得需要的数据，最后将数据保持在新的excel表中。

1.录音功能： 通过MediaRecorder API接入多媒体设备，如麦克风，结合静默检测功能来识别用户的说话状态。在指定时间内未检测到声音时，使用audioChunks模块记录音频并转换为语音格式，然后上传到后端。在此过程中，之前的录音内容将被清空，以便开始新的录音循环。 2.音频转换： 使用FFmpeg工具去除音频中的静音部分，并将音频转换为16000Hz采样率、16位小端格式编码的单声道音频，以优化音质和文件大小。 3.音频转文字： 利用paddlespeech的语音识别功能，将用户的语音输入准确地转换为文本，以便进行进一步的处理和分析。 4.获取聊天内容： 将转换后的文本通过Kimi API发送，获取智能生成的聊天内容，这些内容将作为聊天机器人的回复。 5.文字转音频： 使用paddlespeech的文本到语音（TTS）功能，将聊天机器人的文本回复转换为清晰的音频内容，供用户听取。 6.消息接收与展示： 在前端界面上展示用户和聊天机器人的交流内容，包括文字和音频消息，提供直观的沟通体验。

1、参与接口自动化框架的开发，基于pytest框架，可以跑excel数据化用例及步骤测试用例 2、参与硬件自动化框架的开发，使用com口，及tcp协议控制硬件

全部代码一个人完成，可以实现自动查询， 同时避免了人工手动查询的耗时问题，以及准确率问题。 程序可以加解密。

python爬虫技术，熟悉相关库的调用，requests, selenium等技术的应用，已用作品如：二手房源的爬取，以及相关数据处理与分析，机器学习相关技术处理数据。

爬取了boss,前程无忧，拉钩，猎聘，等各个招聘网址的职位信息，以及cookie的生成和获取，对数据进行了清洗存入数据库

就是想自动化访问数据时，在遇到一些简单特殊的需要验证码登陆的问题，用selenium并且结合第三方库可以自动的进行简单处理这些问题，省去手动操作

模型配置与加载 应用首先定义了一个配置对象detectorConfig，指定了使用ResNet50作为PoseNet的骨干网络，并设置了输入图像的分辨率和其他相关参数。 姿态检测 接收一个已经加载的模型和一个图像元素作为参数，然后使用模型的estimatePoses方法来估计图像中的姿态。这个方法返回一个包含所有检测到的姿态的数组，每个姿态由关键点的坐标和置信度分数组成。 图像上传处理 handleImageUpload函数用来处理用户通过文件输入上传的图像。当用户选择一个图像文件后，该函数使用FileReader API读取文件内容，并将其设置为图像元素的源，以便在网页上显示。 姿态分析按钮 handleAnalyzeButtonClick函数在用户点击“分析”按钮时触发。它首先加载模型，然后对上传的图像进行姿态检测，并调用displayPoses函数来显示检测结果。 绘制关键点和连线 drawKeypoints和drawLines函数分别负责在Canvas上绘制关键点和它们之间的连线。这些函数接收Canvas的上下文、关键点数组和颜色作为参数，然后根据这些参数在Canvas

负责整个项目技术设计，因为 seo 问题是用 nestjs+ vue+vite,nuxtjs 基于 webpack 打包，这只能使用 vue 模板进行开发，没有 jsx 灵活，所以是用 nestjs 作为服务端服务渲染引擎。 提高研发效率。

1、主要模块有： 垃圾检测模块，在无人机巡检的视频中检测出相应的垃圾信息，并反馈给用户 2、我主要负责的工作： 整个程序全部由我负责完成 技术栈： 后端：Python 目标识别：yolov5 前端： Python的 tkinter模块 3 遇到的困难： 主要是垃圾的形状、颜色、大小、都不固定，这给识别目标带来了一定的困难。 解决：通过增加喂给AI模型更多数据、更细致的人工打标签，使得识别率达到了90%以上

API接口数据和线下表格数据实现结构配置化接口上传. 1、实现批量数据上传 2、实现接口与目标数据源的自动化匹配生成API接口 3、实现读取指定行数上传