Pythonのドライバがいくつもある件
どのドライバ使えばいいんだってばよ
なんでこんなにあるんだ
ここにいくつもある
で、日本語で情報が検索できたものとしてピックアップしたのがこのへん
- PyMySQL
- mysql-connector-python
- MySQL-Python
- mysqlclient
概要を表にしてみた
| プロダクト | python2 | python3 | 備考 |
|---|---|---|---|
| PyMySQL | ○ | ○ | PyMySQL3ってのがあったけど今はこれ１本 |
| mysql-connector-python | ○ | ○ | MySQL公式 |
| MySQL-Python | ○ | × | Python3には使えない |
| mysqlclient | × | ○ | 3を使えないMySQL-Pythonを3に対応したもの |
PyMySQL
PurePythonを謳うドライバ。ググるとだいぶ上位に出てくるので、まずは試そうかなという気持ちにさせられる。python2系とpython3系の両方に対応している。
mysql-connector-python
MySQL :: Download Connector/Python
公式によるドライバ。公式ってことはですよ、あのOracleのサポートでもあるんですよ。心強いですねぇ。これがドライバを試す初めの一歩にはいいと思います。
MySQL-Python
Index of Packages : Python Package Index
古株のドライバらしいんですけどね、python3には対応してないっていう。比較的新参pythonistaなので、僕はpython3を使っている。よってこれはお話になりませんという話。python3に対応するよって言いながらここ何年も進んでいない気がする。
mysqlclient
という事で業を煮やしたハッカーが、MySQL-Pythonからforkしていって、しまいにはpython3に対応したというオープンソースならではのプロダクト。WebフレームワークであるDjangoの推奨ドライバにもなっているので導入しておいて損はないかも。
まとめ
mysql-connector-pythonをメインに使って、適材適所で他のドライバを使うのがいいかと。サブとしてDjango用にmysqlclientも入れておくと隙が無い。
TBSラジオポッドキャストからTBSクラウドラジオへ
あーあ
Podcastを支えたTBSラジオ
これまでAppleはいろいろなサービスをiTunesをはじめとしたプロダクトに組み込んできたが、いくつか死んでいったサービスもある。その中でPodcastは死ななかった。なぜか。PodcastはTBSラジオがあったからこそ死にコンテンツにならなかったんだと思っている。だいぶ誇張してしまったけど、日本以外の事情はしらないので間違っているともいえる。そのTBSラジオがこのたびPodcastでの配信を停止してストリーミングサービスに移行することになった。確かに金も払わずにサービスだけを受けていたのでマネタイズできんと言われたらなんも言えない。
TBSの聴衆率を上げることが目的ではなかったのか
Podcastが始まった10年前に、TBSラジオがどのような目的でPodcastを始めたのかはわからない。ただ新しい波に乗っかってみただけなのかもしれない。タマフルなんかはプロデューサーの感覚が若かったのかいち早く導入し、初期の初期は全コンテンツに加えていまは特別なときにしかやらない放課後も毎週配信していた。Podcastではしきりに本放送も聞いてくださいねと言っていたのを覚えている。ラジオ本体を配るなんて事もやっていた。ラジオリスナーが減っている昨今で、Podcastをきっかけにしていかにしてリスナーを増やすかを試行錯誤していた。
タマフルや土曜日も含めたJunk、今は終わってしまったがキラキラといった日中のワイド番組をPodcastをきっかけに聞くようになったリスナーも少なからずいると思う。そういう意味で目的を果たしたから次のステージへという事だろうか？TBSクラウドラジオに移行することでこれまで積み上げてきたものが崩れてしまわないか心配してしまう。もちろんだれだって金は欲しいし、金にならないサービスを続ける意味を問われたら当然窮してしまう。この決断がラジオへの入り口を狭めてしまい、結果として将来のラジオリスナーを減らしてしまわないことを願う。
ラジオを聴くシチュエーションとPodcast
特別な事情が無い限り、ラジオは「ながら」で聞くものが一般的だと思う。勉強しながら、運転しながら、料理しながら。その中でも移動しながら、つまり通勤通学しながらというのがよくあるのではないだろうか？そしてその場面にマッチしたのがPodcastであった。radikoもそうだがストリーミングとなると通信料とか気になるし地下だったり新幹線だったりでまともに電波を拾えるかは保証できない。Podcastでダウンロードしておけばいつでもラジオを聴けるというのがリスナーにとって本当にいいサービスだったのだと思う。
TBSクラウドラジオはYouTubeになりえるか
ストリーミングサービスといえば言わずと知れたYouTube。ダウンロードできないとかそんな事で不満を言っている人はいない。電車の中でYouTubeを見ている人なんてちょっと探せばすぐに見つかる。TBSクラウドラジオもストリーミングサービスとしてその位置に並ぶようになれば安泰だ。きっとライフスタイルも変わっていいものになる。なんならradikoだってあるし。
さいごに
あまりにも僕の日常の一部だったので悲観的な見方しか今はできない。でもTBSクラウドラジオのアプリが出るようになったら変わってくるかな？それにしても東京ポッド許可局なんてどうするんだろ、ポッドキャスト関係なくなるじゃん。
Ubuntu15.10にScrapyをインストール
データがなければ自分で加工すればいいじゃない
Scrapyとは
Scrapy | A Fast and Powerful Scraping and Web Crawling Framework
ScrapyとはPythonのスクレイピングライブラリというかフレームワークで、Webサイトの情報を抽出することができる。要はFireFoxとかChromeといったWebブラウザを使ってWebサイトを見るのではなく、プログラムがWebサイトを見る事を可能にするものだ。Pythonにはいくつかスクレイピング用のライブラリがあるのだが、情報も多そうだしScrapyを使っていこうかと思う。
インストール
pipで一撃
pip install scrapy
といいたいところだけど、Ubuntu15ではライブラリがいくつか必要だった
sudo apt install libxml2-dev libxslt1-dev libffi-dev
これをした後にpipしたらできた。
何を得て、何を失ったか。映画「スリーデイズ」
いやー、こういう映画大好き。
![スリーデイズ [DVD]](http://ecx.images-amazon.com/images/I/51Wc6uvc2nL._SL160_.jpg "スリーデイズ [DVD]")
- 出版社/メーカー: ジェネオン・ユニバーサル
- 発売日: 2012/03/02
- メディア: DVD
- クリック: 2回
- この商品を含むブログ (19件) を見る
リーアムニーソン映画ではない
繰り返す。これはリーアムニーソン映画ではない
リンク元と同じようにこの話のあらすじを知った時に「これはリーアムニーソンパターンだな」と勝手に思ってた。実際リーアムニーソンも出るし。ラッセルクロウはただのおっさんではなく本当は凄腕の元エージェントかなんかで、エンディングでは監獄が爆発して脱獄に成功した嫁とキスをしながら終わる映画だなとか云々かんぬん。
チンピラにボコボコにされたり、合鍵作戦に失敗して嘔吐したり、偽造パスポートを取得するときにも「焦りすぎ、あんたみたいなやつは失敗するよ」とか忠告されたりと、ハリウッド界隈でよく見かける超人とはかけ離れた存在となっている。そりゃそうだ、もし自分の奥さんが無実と思われる罪で投獄されても脱獄させようなんて思うだろうか？よしんば脱獄させようと決心したとして、平常心を保ち続けることができるだろうか？
何を得て何を失ったか
結果として脱獄は成功する。その過程でジョンは人を殺す。妻ララは人を殺していないのにだ。家族三人、新たな地で過ごすことができるようになりハッピーなはずだが、ジョンの表情がなんとも表現しがたい。
はたしてこれで良かったのだろうか？この家族のこの先を思うとハッピーエンドといっていいのだろうか？得たものと失ったものの評価がどうもできない。
ただ、脱獄させる過程は素晴らしく面白い。ここまで綿密な計画だったとはとうならされる。
Pythonで近似曲線を描く
Rでやった事をPythonでもやる。
準備
- scipy
- numpy
ライブラリはこの辺を使う。データも前回同様気象庁のデータを使います。
ライブラリの準備
import pandas as pd from matplotlib import pyplot as plt import seaborn as sns import numpy as np from scipy import optimize as opt
データを読み込みと確認
kion = pd.read_csv("kion_20160501.csv")
kion.head()
やはりこんな感じで内容が得られる。pandasマジ便利
| time | temp | |
|---|---|---|
| 0 | 2016-05-01 00:00 | 13.9 |
| 1 | 2016-05-01 01:00 | 13.9 |
| 2 | 2016-05-01 02:00 | 12.3 |
早速プロット
Px = np.arange(0, len(kion), 1) Py = kion['temp'] plt.plot(Px, Py) plt.show()
今回もこのプロットに対して近似曲線を描く
scypi.optimize.curve_fitを使う
例によって上記のモデルの変数a, b, c, dについて計算ができるのがcurve_fit関数。ドキュメントをみるとこんな感じで使えとある。
scipy.optimize.curve_fit — SciPy v0.17.0 Reference Guide
Assumes ydata = f(xdata, *params) + eps Parameters:
f : callable
The model function, f(x, ...). It must take the independent variable as the first argument and the parameters to fit as separate remaining arguments.xdata : An M-length sequence or an (k,M)-shaped array
for functions with k predictors. The independent variable where the data is measured.ydata : M-length sequence
The dependent data — nominally f(xdata, ...)
引数にcallableな関数を渡せと。あとは普通にXデータとYデータ。ということでこんな感じでコーディング。
def fit_func(x, a, b, c, d): return a * x**3 + b * x**2 + c * x + d res = opt.curve_fit(fit_func, Px, Py)
このモデルに限らず引数とか関数とかを任意に変えてcurve_fitに渡すことで、使い方を変える。
それで、変数a, b, c, dについてはこんな感じで得られる。
a = res[0][0] b = res[0][1] c = res[0][2] d = res[0][3]
a, b, c, dをもとに近似曲線のyを計算
Px2 = [] for x in Px: Px2.append(a * x**3 + b * x**2 + c * x + d)
そしてプロット
plt.plot(Px, Py) plt.plot(Px, np.array(Px2)) plt.show()
Rで計算した値とPythonで計算した値はそれぞれこんな感じ。微妙に差がありますが、ほぼオーケーかと。そもそも近似曲線に正確性を求めるものでもないですし。
| R | Python | |
|---|---|---|
| a | -0.0092 | -0.0092 |
| b | 0.2859 | 0.2580 |
| c | -1.6403 | -1.0963 |
| d | 14.6270 | 13.2633 |
おソース
Jupyterの構築
いやぁ、捗りますね。今回はJupyterをインストールしてさらにRを使える様にする所までを。
- Jupyterとは
- Jupyterのインストール
- JupyterでRを使えるようにする
- githubとgist
- terminalも使える
- magic command
- ゲストOSで起動させてホストOSで動かす
- まとめ
Jupyterとは
前の名をipythonといい、pythonのコーティングをインタラクティブに行うものだった。それだけに飽きたらなかった凄腕のハッカー達がrubyもやらせろとかRもやらせろとかその他もろもろをできるようにしたのが始まり。notebookを使用するとインタラクティブな環境だけでなく、webサービスとして立ち上げて、ブラウザ上でコーディングを可能にするアプリケーションがこのJupyterだ。
Jupyterのインストール
インストールは簡単。pipで一撃
pip install jupyter
実行も簡単
jupyter notebook
このコマンドを打つとJupyterが起動し、自動的にブラウザも起動する。デフォルトではポート8888のローカルホストへと接続するとJupyterコマンドを実行したディレクトリが見えるようになる。基本的にはpython用なのだが、後述のKernelを言語ごとに入れるとそれぞれJupyter上で使える様になる。
JupyterでRを使えるようにする
JupyterでRを使えるようにするにはIRKernelを入れる必要がある。このサイトに手順が載っているのでその通りにやれば問題ない。
libzmq3-devパッケージをaptでインストール
sudo apt install libzmq3-dev
RのIRKernelパッケージをインストール
install.packages(c('rzmq','repr','IRkernel','IRdisplay'), repos = c('http://irkernel.github.io/', getOption('repos')), type = 'source')
インストールできたら、続けてIRkernelを有効に
IRkernel::installspec()
最後のコマンドの実行後はなんとも手ごたえがないのだが、これでjupyter notebookを起動するとRが使えるようになっている。Jupyterに適用できるカーネルはほかにもrubyとかperlとかscalaとか色々ある。下記リンクでたくさん紹介されているので使いたいものがあれば。
githubとgist
githubにファイルをアップするとjupyterの結果がそのまま表示される。まぁJupyterで作られるファイルはただのJSONだからね、できちゃうよね。ちなみにgistでも同じように表示される。gistに置いておけばこんな感じでブログに貼り付けることもできちゃう。Rのggplotにしろpythonのmatplotlibにしろ、ソースコードからプロットされた画像とかは勝手に描画してくれるのでアップロードも必要なくなるのがいい。
jupyterを普段動かすディレクトリをgithubでのリポジトリとして管理しておく使い方とかがいいかもしれない。
terminalも使える
なんとterminalも使える。画面端のnewを押すとterminalが出てくるので、それを押すとブラウザ内にterminalが現れる。これが便利すぎて濡れた。
magic command
jupyterは基本的にはその言語のソースを書いていくだけなのだが、ちょっと別の言語で書きたいとか、bashしたいとか色々できるコマンドがmagic commandだ。前項のterminalの存在に気付く前はmagic commandを使ってbashしていた。pythonやりながらRをやったりとかあれこれできる。magic commandはいろいろあるので下記リンクを参照。
マジックコマンドのリンク
Built-in magic commands — IPython 3.2.1 documentation
ゲストOSで起動させてホストOSで動かす
UbuntuをVMで動かしてJupyterを起動してる方々向けに。VMといってもVirtualBox限定ですが、おそらくほかのVMソフトでも同じことができるかと。
ネットワークの設定 → NAT → ポートフォワーディング
ポートフォワードの設定。特定のポートをゲストOSのポートにフォワードする
んで、Jupyterの実行時にオプションを付ける。
jupyter notebook --ip=0.0.0.0
こんな感じで設定しておけばホストOS側のブラウザからJupyterを使える。もちろん演算はゲストOS側となりますが（VMなので結局はホスト側）ですが、描画とかはホスト側のマシンパワーを余すことなく使えるようにになる。
まとめ
いいですねjupyter notebook。pythonでデータの前処理を行ってRで分析、そしてmarkdownで結果のレポートをするとかバッチ処理的な事も行うハイブリッドな実行環境を作ることも可能になる気がする。しかもPDFとしてダウンロードする機能が標準であるので提出資料を作るのにもよさげです。
Rで近似曲線を描く
EXCELとかで出す近似曲線を描いた
準備
気温のプロットと、それの近似曲線を描くことを目標にします。
気象庁から5/1のとある地点のデータを持ってきます。データの内容はこんな感じで「kion_20160501.csv」という名前にして任意の場所に保存。
| 時刻 | 気温 |
|---|---|
| 2016-05-01 00:00 | 13.9 |
| 2016-05-01 01:00 | 13.9 |
| 2016-05-01 02:00 | 12.3 |
読み込む際に１列目をPOSIXct２列目をnumericとして読み込みます
kion = read.csv("kion_20160501.csv", header = T, colClasses = c("POSIXct", "numeric"))
まずはプロット
g = ggplot(kion, aes(1:nrow(kion), temp)) + geom_line(colour="blue") + labs(title="2016/05/01") plot(g)
お昼に向かって気温が高くなり、夕方に向けて気温が下がっていくのが見て取れる
近似曲線を描く
こんなデータの近似曲線は三次関数で表せます。
Rではnls関数を使うことで、変数a, b, c, dを算出できる。
x = 1:nrow(kion) y = kion[,2] kinji = nls(y ~ a * x^3 + b * x^2 + c * x + d, start=c(a=0, b=0, c=0, d=0)) summary(kinji) # Formula: y ~ a * x^3 + b * x^2 + c * x + d # # Parameters: # Estimate Std. Error t value Pr(>|t|) # a -0.009287 0.001626 -5.710 1.38e-05 *** # b 0.285935 0.061774 4.629 0.000162 *** # c -1.640390 0.671806 -2.442 0.024033 * # d 14.627075 1.979598 7.389 3.89e-07 *** # --- # Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 # # Residual standard error: 2.056 on 20 degrees of freedom # # Number of iterations to convergence: 1 # Achieved convergence tolerance: 6.516e-08
これで係数が出たので、プロットする。
a = -0.009 b = 0.228 c = -1.640 d = 14.627
近似曲線のプロット
predict関数でベクトルをとれます。
predict.c = predict(kinji)
ggplotでplotするためベクトルをdata.frameにしておきます
kd = data.frame(predict.c) kd$num = 1:nrow(kion)
プロットするとこんな感じ
g = ggplot(kion, aes(1:nrow(kion), temp)) + geom_line(colour="blue") + labs(title="2016/05/01") k = geom_line(aes(kd$num, kd$predict.c), colour="red") a = annotate("text", label= "y = -0.009 * x^3 + 0.285 * x^2 - 1.64 * x + 14.62", x=7, y=25, col="red") plot(g + k + a)
これで近似曲線が描けた。フィットしているようなしていないような、、、
