class A:
def __init__(self,x):
self.x = x
a = A
print(a.x)
Выдаст точно такую ошибку. Нужно вместо a=A, написать a=A() со всеми параметрами, или на прямую ты обращаешься к объекту класса а атрибут у тебя экземпляра класса, то есть вот так. class A:
def __init__(self):
self.x = 'Hello'
print(A.x)
import sqlite3
con = sqlite3.connect("tutorial.db")
cur = con.cursor()
cur.execute("CREATE TABLE movie(title, year, score)")
cur.execute("""
INSERT INTO movie VALUES
('Monty Python and the Holy Grail', 1975, 8.2),
('And Now for Something Completely Different', 1971, 7.5)
""")
#con.commit()
print(cur.execute("SELECT * FROM movie").fetchall())
from moviepy.editor import *
clip = (VideoFileClip("myvideo.avi")
.fx( vfx.resize, width=460)
.fx( vfx.speedx, 2)
.fx( vfx.colorx, 0.5))
то вот пример из документации для применения нескольких эффектов к видео. Вместо этих эффектов, поставьте ваши или добавьте по необходимости. Думаю код предельно понятный.from bs4 import BeautifulSoup
text = '''
<tr align="center"><td><a href="#0">First</a></td></tr>,
<tr align="center"><td><a href="#1">This is second</a></td></tr>,
<tr align="center"><td><a href="#2">third</a></td></tr>
'''
soup = BeautifulSoup(text,'html.parser')
result = [ row.a.text for row in soup.find_all('tr')]
print(result)
result = [ row.text for row in soup.find_all('a')]
как удобнее для настройки дополнительных условий парсинга. чтобы вычислить частоту
f(x) = 2*x+3
- детерминистическаяNormal(0,1)
- стохастическая даст случайное значение из Гаусовго распределения с параметрами среднее 0 и стандартное отклонение 1.f(x) = 2*x+3 + Normal(0,1)
- это третий кейс, когда мы накладываем шум на некую функцию.Y = F(X) + E
.df = pd.read_csv('directory2.csv').set_index('Имя', drop=False).rename_axis('_Имя', axis=0)
что бы у нас колонка имя не пропадала, и меняем имя у индекса, что бы он отличался от имени колонки. df.to_csv('directory2.csv', index=False)
import pandas as pd
# Первая часть создание файла
df = pd.DataFrame({
'Name':['Petr','Maks','Aleksandr'],
'Age':[30,40,50],
'Salary':[500,700,600]
})
df.to_csv('data.csv', index=False)
# Вторая часть обновление
name = input('Введите Имя, чьи данные хотите изменить? ')
fields_to_change = input('Какие данные Вы хотите изменить? например Age, Salary: ').split(',')
data_to_update = {}
for field in fields_to_change:
data_to_update[field] = input(f'Введите {field}: ')
df = pd.read_csv('data.csv').set_index('Name')
df.loc[name, fields_to_change] = data_to_update
df.to_csv('data.csv')
print('Спасибо, данные обновлены')
import requests
import json
import pandas as pd
response = requests.get(url="https://en.wikipedia.org/w/api.php?format=json&action=query&prop=extracts&exintro&explaintext&redirects=1&titles=Apple")
info = json.loads(response.text)
df = pd.json_normalize(info)
print(df.iloc[:,-1][0])
print(df.filter(regex='extract$',axis=1).iloc[0,0])
Результат идентичный, но так на много надежнее, мы не надеемся что нужная нам колонка последняя, а находим ее независимо от ее положения.