Python憑借其簡潔的代碼，贏得了許多開發者的喜愛，因此也就促使了更多開發者用Python開發新的模塊，從而形成良性回圈，Python可以憑借更加簡短的代碼實作許多有趣的操作，下面我們來看看，我們用不超過10行代碼能實作些什么有趣的功能，
一、生成二維碼
二維碼又稱二維條碼，常見的二維碼為QR Code，QR全稱Quick Response，是一個近幾年來移動設備上超流行的一種編碼方式，而生成一個二維碼也非常簡單，在Python中我們可以通過MyQR模塊了生成二維碼，而生成一個二維碼我們只需要2行代碼，我們先安裝MyQR模塊，這里選用國內的源下載：
干貨主要有：
① 200 多本 Python 電子書（和經典的書籍）應該有
② Python標準庫資料（最全中文版）
③ 專案原始碼（四五十個有趣且可靠的練手專案及原始碼）
④ Python基礎入門、爬蟲、網路開發、大資料分析方面的視頻（適合小白學習）
⑤ Python學習路線圖（告別不入流的學習）
Python學習交流Q群101677771
pip install qrcode
安裝完成后我們就可以開始寫代碼了：
import qrcode
text = input(輸入文字或URL：)
# 設定URL必須添加http://
img =qrcode.make(text)
img.save()
#保存圖片至本地目錄，可以設定路徑
img.show()
我們執行代碼后會在專案下生成一張二維碼，當然我們還可以豐富二維碼：
我們先安裝MyQR模塊
pip install myqr
def gakki_code():
version, level, qr_name = myqr.run(
words=https://520mg.com/it/#/main/2,
# 可以是字串，也可以是網址(前面要加http(s)://)
version=1, # 設定容錯率為最高
level='H',
# 控制糾錯水平，范圍是L、M、Q、H，從左到右依次升高
picture=gakki.gif,
# 將二維碼和圖片合成
colorized=True, # 彩色二維碼
contrast=1.0,
# 用以調節圖片的對比度，1.0 表示原始圖片，更小的值表示更低對比度，更大反之，默認為1.0
brightness=1.0,
# 用來調節圖片的亮度，其余用法和取值同上
save_name=gakki_code.gif,
# 保存檔案的名字，格式可以是jpg,png,bmp,gif
save_dir=os.getcwd() # 控制位置
)
gakki_code()
效果圖如下：
另外MyQR還支持動態圖片，
二、生成詞云
詞云又叫文字云，是對文本資料中出現頻率較高的“關鍵詞”在視覺上的突出呈現，形成關鍵詞的渲染形成類似云一樣的彩色圖片，從而一眼就可以領略文本資料的主要表達意思，
但是作為一個老碼農，還是喜歡自己用代碼生成自己的詞云，復雜么？需要很長時間么？很多文字都介紹過各種的方法，但實際上只需要10行python代碼即可，
先安裝必要庫
pip install wordcloud
pip install jieba
pip install matplotlib
import matplotlib.pyplot as plt
from wordcloud import WordCloud
import jieba
text_from_file_with_apath = open('/Users/hecom/23tips.txt').read()
wordlist_after_jieba = jieba.cut(text_from_file_with_apath, cut_all = True)
wl_space_split = .join(wordlist_after_jieba)
my_wordcloud = WordCloud().generate(wl_space_split)
plt.imshow(my_wordcloud)
plt.axis(off)
plt.show()
如此而已，生成的一個詞云是這樣的：
讀一下這10行代碼：
1～3 行，分別匯入了畫圖的庫matplotlib，詞云生成庫wordcloud 和 jieba的分詞庫；
4 行，是讀取本地的檔案,代碼中使用的文本是本公眾號中的《老曹眼中研發管理二三事》，
5～6 行，使用jieba進行分詞，并對分詞的結果以空格隔開；
7行，對分詞后的文本生成詞云；
8～10行，用pyplot展示詞云圖，
這是我喜歡python的一個原因吧，簡潔明快，
三、批量摳圖
摳圖的實作需要借助百度飛槳的深度學習工具paddlepaddle，我們需要安裝兩個模塊就可以很快的實作批量摳圖了，第一個是PaddlePaddle：
python -m pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple
還有一個是paddlehub模型庫：
pip install -i https://mirror.baidu.com/pypi/simple paddlehub
更詳細的安裝事項可以參見飛槳官網：
https://www.paddlepaddle.org.cn/
接下來我們只需要5行代碼就能實作批量摳圖：
import os, paddlehub as hub
humanseg = hub.Module(name='deeplabv3p_xception65_humanseg') # 加載模型
path = 'D:/CodeField/Workplace/PythonWorkplace/GrapImage/' # 檔案目錄
files = [path + i for i in os.listdir(path)] # 獲取檔案串列
results = humanseg.segmentation(data=https://www.cnblogs.com/sn5200/p/{'image':files}) # 摳圖
摳圖效果如下：
其中左邊為原圖，右邊為摳圖后填充黃色背景圖，
四、文字情緒識別
在paddlepaddle面前，自然語言處理也變得非常簡單，實作文字情緒識別我們同樣需要安裝PaddlePaddle和Paddlehub，具體安裝參見 三 中內容，然后就是我們的代碼部分了：
import paddlehub as hub
senta = hub.Module(name='senta_lstm') # 加載模型
sentence = [ # 準備要識別的陳述句
'你真美', '你真丑', '我好難過', '我不開心', '這個游戲好好玩', '什么垃圾游戲',
]
results = senta.sentiment_classify(data=https://www.cnblogs.com/sn5200/p/{text:sentence}) # 情緒識別
# 輸出識別結果
for result in results:
print(result)
識別的結果是一個字典串列：
{'text': '你真美', 'sentiment_label': 1, 'sentiment_key': 'positive', 'positive_probs': 0.9602, 'negative_probs': 0.0398}
{'text': '你真丑', 'sentiment_label': 0, 'sentiment_key': 'negative', 'positive_probs': 0.0033, 'negative_probs': 0.9967}
{'text': '我好難過', 'sentiment_label': 1, 'sentiment_key': 'positive', 'positive_probs': 0.5324, 'negative_probs': 0.4676}
{'text': '我不開心', 'sentiment_label': 0, 'sentiment_key': 'negative', 'positive_probs': 0.1936, 'negative_probs': 0.8064}
{'text': '這個游戲好好玩', 'sentiment_label': 1, 'sentiment_key': 'positive', 'positive_probs': 0.9933, 'negative_probs': 0.0067}
{'text': '什么垃圾游戲', 'sentiment_label': 0, 'sentiment_key': 'negative', 'positive_probs': 0.0108, 'negative_probs': 0.9892}
其中sentiment_key欄位包含了情緒資訊，詳細分析可以參見Python自然語言處理只需要5行代碼，
五、識別是否帶了口罩
這里同樣是使用PaddlePaddle的產品，我們按照上面步驟安裝好PaddlePaddle和Paddlehub，然后就開始寫代碼：
import paddlehub as hub
# 加載模型
module = hub.Module(name='pyramidbox_lite_mobile_mask')
# 圖片串列
image_list = ['face.jpg']
# 獲取圖片字典
input_dict = {'image':image_list}
# 檢測是否帶了口罩
module.face_detection(data=https://www.cnblogs.com/sn5200/p/input_dict)
執行上述程式后，專案下會生成detection_result檔案夾，識別結果都會在里面，識別效果如下：
六、簡易資訊轟炸
Python控制輸入設備的方式有很多種，我們可以通過win32或者pynput模塊，我們可以通過簡單的回圈操作來達到資訊轟炸的效果，這里以pynput為例，我們需要先安裝模塊：
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ pynput
在寫代碼之前我們需要手動獲取輸入框的坐標：
from pynput import mouse
# 創建一個滑鼠
m_mouse = mouse.Controller()
# 輸出滑鼠位置
print(m_mouse.position)
可能有更高效的方法，但是我不會，
獲取后我們就可以記錄這個坐標，訊息視窗不要移動，然后我們執行下列代碼并將視窗切換至訊息頁面：
import time
from pynput import mouse, keyboard
time.sleep(5)
m_mouse = mouse.Controller() # 創建一個滑鼠
m_keyboard = keyboard.Controller() # 創建一個鍵盤
m_mouse.position = (850, 670) # 將滑鼠移動到指定位置
m_mouse.click(mouse.Button.left) # 點擊滑鼠左鍵
while(True):
m_keyboard.type('你好') # 打字
m_keyboard.press(keyboard.Key.enter) # 按下enter
m_keyboard.release(keyboard.Key.enter) # 松開enter
time.sleep(0.5) # 等待 0.5秒
我承認，這個超過了10行代碼，而且也不高端，使用前QQ給小號發資訊效果如下：
七、識別圖片中的文字
我們可以通過Tesseract來識別圖片中的文字，在Python中實作起來非常簡單，但是前期下載檔案、配置環境變數等稍微有些繁瑣，所以本文只展示代碼：
import pytesseract
from PIL import Image
img = Image.open('text.jpg')
text = pytesseract.image_to_string(img)
print(text)
其中text就是識別出來的文本，如果對準確率不滿意的話，還可以使用百度的通用文字介面，
八、簡單的小游戲
從一些小例子入門感覺效率很高，
import random
print(1-100數字猜謎游戲！)
num = random.randint(1,100)
guess =guess
i = 0
while guess != num:
i += 1
guess = int(input(請輸入你猜的數字：))
if guess == num:
print(恭喜，你猜對了！)
elif guess < num:
print(你猜的數小了...)
else:
print(你猜的數大了...)
print(你總共猜了%d %i + 次）
猜數小案例當著練練手
- EOF -
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/436315.html
標籤：Python