Python自学第4周反馈:大盘股指,从爬取到预测

2024-01-31 04:20

本文主要是介绍Python自学第4周反馈:大盘股指,从爬取到预测,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目标:爬取大盘数据,并简单预测

本次忽略了股市的其他影响因素,仅对数据进行移动平滑预测,文末会附上自己写的几个常用函数和完整的整个过程代码

1.解析网页,找到目标数据

在这里插入图片描述
找到日K线图,点开开发者工具,数据量这么大的肯定就是这个日数据了在这里插入图片描述
点开看下,一目了然在这里插入图片描述
找到数据对应的位置
在这里插入图片描述

日期开盘收盘最高最低成交量成交额振幅
2019-09-192992.922999.282999.282975.40162690616193206550528.000.80

2.用python爬取数据

找到目标数据的位置和他的排列之后,看下爬取可能性,这个网址没有反爬,所以不用Cookie和代理,简单的请求就能得到数据,如果是要请求大量的网页时,可以先爬取网页的二级URL形成连接列表,然后遍历列表请求数据
在这里插入图片描述

# 1.get请求,隐去部分为学习知识点
shuju = requests.get(URL)                                                  #用requests模块请求网页
print(shuju)                                                               #得到请求状态码检查是否正确请求成功
#print(shuju.content.decode('utf-8'))                                      #返回字节流数据  自己解码,避免乱码
#print(shuju.url)                                                          #查看完整url地址,自动帮忙编码
#print(shuju.encoding)                                                     # 查看响应头部字符编码
#print(shuju.text)                                                         #返回unicode格式的数据 有中文,已经解码 返回字符串
#print(shuju.content)                                                      #返回字节流数据  无中文,编码字节

3.对数据进行处理

得到的数据并不能直接使用,要稍微处理下方便后面用,因为还没学正则,所以这里按特定符号切割得到的数据字符串,再放入标准字典。
我的标准字典,是按照第几行第几列来编码数据顺序,方便对接我自己写的其他函数

#整理得到的数据
liebiao_1= re.split(r'\[',shuju.content.decode('utf-8'))[-1]               #把字符串按方括号[切割取后面部分
liebiao_2 = re.split(r']',liebiao_1)[0]                                    #把字符串按方括号]切割取前面部分
liebiao_3 = re.split(r'","|"',liebiao_2)                                   #把字符串按引号和逗号切割
liebiao = []                                                               #建立一个空列表
for x in liebiao_3:                                                        #遍历原先切割字符串等得到的列表if x != '':                                                            #剔除空集liebiao.append(x)                                                  #放回空列表
#print(liebiao)
DaPan = {}                                                                 #建立个标准字典放数据
for i in range(0,len(liebiao)):                                            #遍历数据的行数DaPan['第'+str(i+1)+'行'] = {}                                         #生成行字典i_biao = re.split(r',',liebiao[i])                                     #对数据按逗号再切割for k in range(0,len(i_biao)):                                         #遍历切割好的数据到行列表下的列键DaPan['第' + str(i + 1) + '行']['第' + str(k + 1) + '列'] =  i_biao[k]

4.对数据进行预测

我之前写了个按照周期移动预测的小脚本,把这个脚本函数化后用在这里可以较为方便得到预测数据

def Yuce(Y_,T,yece_X_T):                                                   #对周期为T的数组列表Y_预测未来X个周期的值Y = []                                                                 #建立一个空列表用来装格式化后的数据for a in Y_:                                                           #遍历数组中的数据,进行标准格式化a_ = float(a)                                                      #全部浮点化放给a_Y.append(a_)                                                       #把标准化后的数据放进预存列表# 1.计算一个周期变化后的连续移动求和:根据数据选取周期,日数据周期为365,周数据周期为52,月数据周期为12Last_T_yidong_Sum = []                                                 #建立一个列表用来存放一个周期之后的移动求和值for num_1 in list(range(1, len(Y) + 1 - T)):                           #移动求和值的总数量等于所有数值减去一个周期Sum_num = sum(Y[num_1:num_1 + T])                                  #设置好求和长度为一个周期T并求和Last_T_yidong_Sum.append(Sum_num)                                  #把求和结果放入预存列表# 2.生成移动求和的预测值X = list(range(1, len(Last_T_yidong_Sum) + 1))                         #因为只有一个数组,生成一个与之匹配的标准单位XX_pingjun = sum(X) / len(Last_T_yidong_Sum)                            #求单位X的均值Y_pingjun = sum(Last_T_yidong_Sum) / len(Last_T_yidong_Sum)            #求Y项的均值,即前面得出的移动求和值的均值Sum_1 = []                                                             # 放Xi*YiSum_2 = []                                                             # 放Xi*Xifor n in list(range(0, len(Last_T_yidong_Sum))):                       #遍历一个和移动求和值数组等位的序数表sum_1 = X[n] * Last_T_yidong_Sum[n]                                #Xi*YiSum_1.append(sum_1)                                                #对Xi*Yi求合计sum_2 = X[n] * X[n]                                                #Xi*XiSum_2.append(sum_2)                                                #对Xi*Xi求合计if (sum(Sum_2) - len(Last_T_yidong_Sum) * X_pingjun * X_pingjun) ==0:b = 0                                                              #剔除被除数为零的情况,被除数为零代表是一条水平线else:                                                                  #被除数不为零时,按照回归方程公式计算系数bb = (sum(Sum_1) - len(Last_T_yidong_Sum) * X_pingjun * Y_pingjun) / (sum(Sum_2) - len(Last_T_yidong_Sum) * X_pingjun * X_pingjun)a = Y_pingjun - b * X_pingjun                                          #计算系数aYuce = list(range(len(Last_T_yidong_Sum) + 1, len(Last_T_yidong_Sum) + yece_X_T* T + 1))#生成用于预测的X数组X_Y_yece_sum = []                                                      #建立个列表用来放移动合计的预测值for yuce_X_num in Yuce:                                                #遍历需要预测Y值的X数组Y_yuce = b * yuce_X_num + a                                        #按照回归系数进行预测X_Y_yece_sum.append(Y_yuce)                                        #把得到的预测值放入预存列表# 3.拼接移动做差every_T = Y[T:]                                                        #先把原始数据中一个周期时间点后的数据放到每期中start_X_T = int(len(Y[T:]))                                            #计算原始数据砍去第一个周期后的剩余长度for sum_y in X_Y_yece_sum:                                             #遍历移动求和的预测值every_T.append(sum_y)                                              #把移动求和的预测值添加到每期数据后方便做差方便向前做减for Y_i in list(range(start_X_T, start_X_T + len(X_Y_yece_sum))):      #从历史长度之后开始到最后一个位置为止every_T[Y_i] = every_T[Y_i] - sum(every_T[Y_i - T + 1:Y_i])        #减去前面T-1位的合计值(减去前面T-1项的求和)# 5.实际得到的X个周期内的各期值X_Y_every_yuce = every_T[start_X_T:]                                   #把历史数据移除只要预测出来的数据return X_Y_every_yuce                                                  #返回这个预测值列表

那么我只需要调用几次这个函数,就可以得到想要的数据预测值
这里所有的数据都是字符串,因为日期是字符串,如果需要使用浮点数据或整数数据,可以遍历重新转化数据类型(在我的极值函数中能够用上)

# 标准工作日一年250天,一个周期T=250,一般4年含有一次闰年4T/8T为完整变化,
# 所以选用7*250天的数据,预测第8个250天
# 因为7年数据长度过长在Pycharm中不便于展示,设定为2年预测1年,
# 后期深入学习可视化后会进行优化
Year = 2
#day_1 = get_line_excel(DaPan,1)[-250*Year:]                                  # 日期
open_2 = get_line_excel(DaPan,2)[-250*Year:]                                  # 开盘
end_3 = get_line_excel(DaPan,3)[-250*Year:]                                   # 收盘
max_4 = get_line_excel(DaPan,4)[-250*Year:]                                   # 最高
min_5 = get_line_excel(DaPan,5)[-250*Year:]                                   # 最低
#deal_6 = get_line_excel(DaPan,6)[-250*Year:]                                 # 成交量
#deal_7 = get_line_excel(DaPan,7)[-250*Year:]                                 # 成交额
#FFF_8 = get_line_excel(DaPan,7)[-250*Year:]                                  # 振幅
#这里用遍历附加,如果还要使用原始预测数据不容易出错
Open = open_2                                                              #原始数据+预测数据
for i in Yuce(open_2,250,1):Open.append(i)
END  = end_3                                                               #原始数据+预测数据
for m in Yuce(end_3,250,1):END.append(m)
Max  = max_4                                                               #原始数据+预测数据
for n in Yuce(max_4, 250, 1):Max.append(n)
Min  = min_5                                                               #原始数据+预测数据
for k in Yuce(min_5, 250, 1):Min.append(k)

5.数据可视化展示

# 可视化看下趋势
import matplotlib.pyplot as plt                                           #用于制定图表
from matplotlib.font_manager import FontProperties                        #用于设定中文
font = FontProperties(fname=r"C:\windows\fonts\msyh.ttc")                 #大概是用来指定系统中的中文# 1.折线plt.title("大盘股指预测",fontproperties=font,fontsize=15)                 #给定图标名称并设置字号
plt.xlabel("日序数",fontproperties=font,fontsize=15)                      #给定X轴名称并设置字号
plt.ylabel("价格",fontproperties=font,fontsize=15)                        #给定Y轴名称并设置字号
# 给定坐标刻度并设置字号,both意思是横竖坐标都包括,labelsize=刻度字号,direction=刻度线朝向,width=刻度线粗细,length=刻度线长度
plt.tick_params(axis='both',labelsize=10,width=1,length=10)               #direction='in',不写时自动在外面X = list(range(1,len(Open)+1))                                            #因为系统对应第一个Y值是0坐标,所以自设X坐标修正
plt.plot(X,Open,0,alpha=1,color='b',lw=1)                                 #(x,y)|坐标下限|透明度|颜色|粗细
plt.plot(X,END,0,alpha=1,color='y',lw=1)                                  #(x,y)|坐标下限|透明度|颜色|粗细
plt.plot(X,Max,0,alpha=1,color='r',lw=1)                                  #(x,y)|坐标下限|透明度|颜色|粗细
plt.plot(X,Min,0,alpha=1,color='g',lw=1)                                  #(x,y)|坐标下限|透明度|颜色|粗细plt.show()                                                                #显示内容

得到下面这么个玩意?,因为数据量过大,暂时没学会可视化,将就着看下,如果需要实际操作或者看更为细致,可以把数据导出到EXcel
在这里插入图片描述
最后,附上整个过程的代码

URL = "http://push2his.eastmoney.com/api/qt/stock/kline/get?cb=jQuery18307260937131972509_1568895663861&secid=1.000001&ut=fa5fd1943c7b386f172d6893dbfba10b&fields1=f1%2Cf2%2Cf3%2Cf4%2Cf5&fields2=f51%2Cf52%2Cf53%2Cf54%2Cf55%2Cf56%2Cf57%2Cf58&klt=101&fqt=0&beg=19900101&end=20220101&_=1568895665541"
import re
import requests
#在单独表字典中单独读取某列为列表
def get_line_excel(biao_zidian,lie_num):                                   #读取自定义标准字典的特定列为列表的函数key = []                                                               #建立一个列表用来装标准字典的键,即第几行lie_liebiao = []                                                       #建立一个列表用来装不同行相同列获得的值for a in biao_zidian.keys():                                           #遍历标准字典的键名key.append(a)                                                      #把键名放入键预存列表for key_i in key:                                                      #遍历键预存列表中的键名(遍历行)lie_liebiao.append(str(biao_zidian[key_i]['第'+str(lie_num)+'列']))#把指定列的值放入列值预存列表return lie_liebiao                                                     #返回这个值列表
#移动平滑预测函数
def Yuce(Y_,T,yece_X_T):                                                   #对周期为T的数组列表Y_预测未来X个周期的值Y = []                                                                 #建立一个空列表用来装格式化后的数据for a in Y_:                                                           #遍历数组中的数据,进行标准格式化a_ = float(a)                                                      #全部浮点化放给a_Y.append(a_)                                                       #把标准化后的数据放进预存列表# 1.计算一个周期变化后的连续移动求和:根据数据选取周期,日数据周期为365,周数据周期为52,月数据周期为12Last_T_yidong_Sum = []                                                 #建立一个列表用来存放一个周期之后的移动求和值for num_1 in list(range(1, len(Y) + 1 - T)):                           #移动求和值的总数量等于所有数值减去一个周期Sum_num = sum(Y[num_1:num_1 + T])                                  #设置好求和长度为一个周期T并求和Last_T_yidong_Sum.append(Sum_num)                                  #把求和结果放入预存列表# 2.生成移动求和的预测值X = list(range(1, len(Last_T_yidong_Sum) + 1))                         #因为只有一个数组,生成一个与之匹配的标准单位XX_pingjun = sum(X) / len(Last_T_yidong_Sum)                            #求单位X的均值Y_pingjun = sum(Last_T_yidong_Sum) / len(Last_T_yidong_Sum)            #求Y项的均值,即前面得出的移动求和值的均值Sum_1 = []                                                             # 放Xi*YiSum_2 = []                                                             # 放Xi*Xifor n in list(range(0, len(Last_T_yidong_Sum))):                       #遍历一个和移动求和值数组等位的序数表sum_1 = X[n] * Last_T_yidong_Sum[n]                                #Xi*YiSum_1.append(sum_1)                                                #对Xi*Yi求合计sum_2 = X[n] * X[n]                                                #Xi*XiSum_2.append(sum_2)                                                #对Xi*Xi求合计if (sum(Sum_2) - len(Last_T_yidong_Sum) * X_pingjun * X_pingjun) ==0:b = 0                                                              #剔除被除数为零的情况,被除数为零代表是一条水平线else:                                                                  #被除数不为零时,按照回归方程公式计算系数bb = (sum(Sum_1) - len(Last_T_yidong_Sum) * X_pingjun * Y_pingjun) / (sum(Sum_2) - len(Last_T_yidong_Sum) * X_pingjun * X_pingjun)a = Y_pingjun - b * X_pingjun                                          #计算系数aYuce = list(range(len(Last_T_yidong_Sum) + 1, len(Last_T_yidong_Sum) + yece_X_T* T + 1))#生成用于预测的X数组X_Y_yece_sum = []                                                      #建立个列表用来放移动合计的预测值for yuce_X_num in Yuce:                                                #遍历需要预测Y值的X数组Y_yuce = b * yuce_X_num + a                                        #按照回归系数进行预测X_Y_yece_sum.append(Y_yuce)                                        #把得到的预测值放入预存列表# 3.拼接移动做差every_T = Y[T:]                                                        #先把原始数据中一个周期时间点后的数据放到每期中start_X_T = int(len(Y[T:]))                                            #计算原始数据砍去第一个周期后的剩余长度for sum_y in X_Y_yece_sum:                                             #遍历移动求和的预测值every_T.append(sum_y)                                              #把移动求和的预测值添加到每期数据后方便做差方便向前做减for Y_i in list(range(start_X_T, start_X_T + len(X_Y_yece_sum))):      #从历史长度之后开始到最后一个位置为止every_T[Y_i] = every_T[Y_i] - sum(every_T[Y_i - T + 1:Y_i])        #减去前面T-1位的合计值(减去前面T-1项的求和)# 5.实际得到的X个周期内的各期值X_Y_every_yuce = every_T[start_X_T:]                                   #把历史数据移除只要预测出来的数据return X_Y_every_yuce                                                  #返回这个预测值列表#1.get请求
shuju = requests.get(URL)                                                  #用requests模块请求网页
print(shuju)                                                               #得到请求状态码检查是否正确请求成功
#print(shuju.content.decode('utf-8'))                                      #返回字节流数据  自己解码,避免乱码
#print(shuju.url)                                                          #查看完整url地址,自动帮忙编码
#print(shuju.encoding)                                                     # 查看响应头部字符编码
#print(shuju.text)                                                         #返回unicode格式的数据 有中文,已经解码 返回字符串
#print(shuju.content)                                                      #返回字节流数据  无中文,编码字节#整理得到的数据
liebiao_1= re.split(r'\[',shuju.content.decode('utf-8'))[-1]               #把字符串按方括号[切割取后面部分
liebiao_2 = re.split(r']',liebiao_1)[0]                                    #把字符串按方括号]切割取前面部分
liebiao_3 = re.split(r'","|"',liebiao_2)                                   #把字符串按引号和逗号切割
liebiao = []                                                               #建立一个空列表
for x in liebiao_3:                                                        #遍历原先切割字符串等得到的列表if x != '':                                                            #剔除空集liebiao.append(x)                                                  #放回空列表
#print(liebiao)
DaPan = {}                                                                 #建立个标准字典放数据
for i in range(0,len(liebiao)):                                            #遍历数据的行数DaPan['第'+str(i+1)+'行'] = {}                                         #生成行字典i_biao = re.split(r',',liebiao[i])                                     #对数据按逗号再切割for k in range(0,len(i_biao)):                                         #遍历切割好的数据到行列表下的列键DaPan['第' + str(i + 1) + '行']['第' + str(k + 1) + '列'] = float(i_biao[k])#标准工作日一年250天,一个周期T=250,一般4年含有一次闰年4T/8T为完整变化,所以选用7*250天的数据,预测第8个250天
Year = 2
#day_1 = get_line_excel(DaPan,1)[-250*Year:]                                  # 日期
open_2 = get_line_excel(DaPan,2)[-250*Year:]                                  # 开盘
end_3 = get_line_excel(DaPan,3)[-250*Year:]                                   # 收盘
max_4 = get_line_excel(DaPan,4)[-250*Year:]                                   # 最高
min_5 = get_line_excel(DaPan,5)[-250*Year:]                                   # 最低
#deal_6 = get_line_excel(DaPan,6)[-250*Year:]                                 # 成交量
#deal_7 = get_line_excel(DaPan,7)[-250*Year:]                                 # 成交额
#FFF_8 = get_line_excel(DaPan,7)[-250*Year:]                                  # 振幅Open = open_2                                                              #原始数据+预测数据
for i in Yuce(open_2,250,1):Open.append(i)END  = end_3                                                               #原始数据+预测数据
for m in Yuce(end_3,250,1):END.append(m)Max  = max_4                                                               #原始数据+预测数据
for n in Yuce(max_4, 250, 1):Max.append(n)Min  = min_5                                                               #原始数据+预测数据
for k in Yuce(min_5, 250, 1):Min.append(k)#可视化看下趋势
import matplotlib.pyplot as plt                                           #用于制定图表
from matplotlib.font_manager import FontProperties                        #用于设定中文
font = FontProperties(fname=r"C:\windows\fonts\msyh.ttc")                 #大概是用来指定系统中的中文#1.折线plt.title("大盘股指预测",fontproperties=font,fontsize=15)                 #给定图标名称并设置字号
plt.xlabel("日序数",fontproperties=font,fontsize=15)                      #给定X轴名称并设置字号
plt.ylabel("价格",fontproperties=font,fontsize=15)                        #给定Y轴名称并设置字号
#给定坐标刻度并设置字号,both意思是横竖坐标都包括,labelsize=刻度字号,direction=刻度线朝向,width=刻度线粗细,length=刻度线长度
plt.tick_params(axis='both',labelsize=10,width=1,length=10)               #direction='in',不写时自动在外面X = list(range(1,len(Open)+1))                                            #因为系统对应第一个Y值是0坐标,所以自设X坐标修正
plt.plot(X,Open,0,alpha=1,color='b',lw=1)                                 #(x,y)|坐标下限|透明度|颜色|粗细
plt.plot(X,END,0,alpha=1,color='y',lw=1)                                  #(x,y)|坐标下限|透明度|颜色|粗细
plt.plot(X,Max,0,alpha=1,color='r',lw=1)                                  #(x,y)|坐标下限|透明度|颜色|粗细
plt.plot(X,Min,0,alpha=1,color='g',lw=1)                                  #(x,y)|坐标下限|透明度|颜色|粗细plt.show()                                                                #显示内容

如果需要极值线做通道线的,可以将数据浮点化后,再使用这两个函数

def plt_Max(liebiao):Maxbox_num = []for i in range(0, len(liebiao)):if i == 0:if liebiao[i] > liebiao[i + 1]:Maxbox_num.append(i + 1)else:if i == len(liebiao) - 1:if liebiao[i] > liebiao[i - 1]:Maxbox_num.append(i + 1)else:if liebiao[i] > liebiao[i - 1]:if liebiao[i] > liebiao[i + 1]:Maxbox_num.append(i + 1)x_1 = Maxbox_numy_1 = []for i in x_1:y_1.append(x_1[i-1])import matplotlib.pyplot as plt  # 用于制定图表from matplotlib.font_manager import FontProperties  # 用于设定中文font = FontProperties(fname=r"C:\windows\fonts\msyh.ttc")  # 大概是用来指定系统中的中文plt.plot(x_1, y_1, 0, alpha=1, color='g', lw=2)  # (x,y)|坐标下限|透明度|颜色|粗细
def plt_Min(liebiao):Minbox_num = []for i in range(0, len(liebiao)):if i == 0:if liebiao[i] < liebiao[i + 1]:Minbox_num.append(i + 1)else:if i == len(liebiao) - 1:if liebiao[i] < liebiao[i - 1]:Minbox_num.append(i + 1)else:if liebiao[i] < liebiao[i - 1]:if liebiao[i] < liebiao[i + 1]:Minbox_num.append(i + 1)x_1 = Minbox_numy_1 = []for i in x_1:y_1.append(x_1[i - 1])import matplotlib.pyplot as plt  # 用于制定图表from matplotlib.font_manager import FontProperties  # 用于设定中文font = FontProperties(fname=r"C:\windows\fonts\msyh.ttc")  # 大概是用来指定系统中的中文plt.plot(x_1, y_1, 0, alpha=1, color='g', lw=2)  # (x,y)|坐标下限|透明度|颜色|粗细

这篇关于Python自学第4周反馈:大盘股指,从爬取到预测的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/662523

相关文章

Python将博客内容html导出为Markdown格式

《Python将博客内容html导出为Markdown格式》Python将博客内容html导出为Markdown格式,通过博客url地址抓取文章,分析并提取出文章标题和内容,将内容构建成html,再转... 目录一、为什么要搞?二、准备如何搞?三、说搞咱就搞!抓取文章提取内容构建html转存markdown

Python获取中国节假日数据记录入JSON文件

《Python获取中国节假日数据记录入JSON文件》项目系统内置的日历应用为了提升用户体验,特别设置了在调休日期显示“休”的UI图标功能,那么问题是这些调休数据从哪里来呢?我尝试一种更为智能的方法:P... 目录节假日数据获取存入jsON文件节假日数据读取封装完整代码项目系统内置的日历应用为了提升用户体验,

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整

Python Websockets库的使用指南

《PythonWebsockets库的使用指南》pythonwebsockets库是一个用于创建WebSocket服务器和客户端的Python库,它提供了一种简单的方式来实现实时通信,支持异步和同步... 目录一、WebSocket 简介二、python 的 websockets 库安装三、完整代码示例1.

揭秘Python Socket网络编程的7种硬核用法

《揭秘PythonSocket网络编程的7种硬核用法》Socket不仅能做聊天室,还能干一大堆硬核操作,这篇文章就带大家看看Python网络编程的7种超实用玩法,感兴趣的小伙伴可以跟随小编一起... 目录1.端口扫描器:探测开放端口2.简易 HTTP 服务器:10 秒搭个网页3.局域网游戏:多人联机对战4.

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

Python使用自带的base64库进行base64编码和解码

《Python使用自带的base64库进行base64编码和解码》在Python中,处理数据的编码和解码是数据传输和存储中非常普遍的需求,其中,Base64是一种常用的编码方案,本文我将详细介绍如何使... 目录引言使用python的base64库进行编码和解码编码函数解码函数Base64编码的应用场景注意

Python基于wxPython和FFmpeg开发一个视频标签工具

《Python基于wxPython和FFmpeg开发一个视频标签工具》在当今数字媒体时代,视频内容的管理和标记变得越来越重要,无论是研究人员需要对实验视频进行时间点标记,还是个人用户希望对家庭视频进行... 目录引言1. 应用概述2. 技术栈分析2.1 核心库和模块2.2 wxpython作为GUI选择的优

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

Python+PyQt5实现多屏幕协同播放功能

《Python+PyQt5实现多屏幕协同播放功能》在现代会议展示、数字广告、展览展示等场景中,多屏幕协同播放已成为刚需,下面我们就来看看如何利用Python和PyQt5开发一套功能强大的跨屏播控系统吧... 目录一、项目概述:突破传统播放限制二、核心技术解析2.1 多屏管理机制2.2 播放引擎设计2.3 专