友人に頼まれ、先日初めてWebアプリを作ったので色々勉強したことをまとめておこうと思った。

前提知識(firebase)

Firebaseとは
Firebaseはgoogleの提供している「mobile Backend as a Service（mbass)」
モバイルアプリを作る際に必要となるデータベース、ユーザー認証、あとはメッセージの送信がすぐにできるサービスである。

採用理由は二つ
一つはクレカの登録なしで無料プランを使えること。
一つは、画像を保存できるStorageと名簿で使う個人情報を保存できるCloud Firestore

Storageは画像をネット上に保存できる
CloudFirestoreは流行りのNoSQLである。

python側の設定

必要なモジュール等をインストールする

pip install requests-toolbelt sseclient

firebase上の設定(Storageのための設定)

Firebaseのログインやプロジェクトの作成等は割愛

Project OverViewから</>マークのウェブを選択

この画面に行き着いたら、

• apiKey
• authDomain
• DatabaseURL
• StorageBucket をコピペしておく

メールアドレスとパスワードを登録するために、Authentificationからログイン方法を設定

メールアドレスとパスワードを追加

pyrebaseを使って画像をアップロード

画像をアップロードすることができるライブラリは他にもあるが、その画像のURLが分かるライブラリが他に見当たらないので、Pyrebaseを使う。おそらく普通にpipを使っても入らない。入る人はpipでいいし、ダメならこれを参照してほしい。
https://github.com/thisbejim/Pyrebase/issues/288#issuecomment-445496948

Storageのテスト
今回は適当にGoogleから検索したQiitaの画像をStorageに入れてみる。空欄になっている部分は先ほどコピペしたものとEmailアドレスとパスワードを入れる。

upload_image.py

import requests
import pyrebase
# from Pyrebase import pyrebaseの場合も

#コピペしたものの貼り付け
config = {
        'apiKey': "",
    'authDomain': "",
    'databaseURL': "",
    'storageBucket': ""
}

firebase = pyrebase.initialize_app(config)
auth = firebase.auth()

#アドレスとパスワード
user = auth.sign_in_with_email_and_password("", "")



storage = firebase.storage()

photo_path = requests.get('https://encrypted-tbn0.gstatic.com/images?q=tbn:ANd9GcRqLfdDUW1cdWkKH63aink0HPtR8wFlCQ5aaNO0vUTY_X2Z612p').content
#.childの中は保存するStorage内のディレクトリ
storage.child('google.jpg').put(photo_path,user['idToken'])

firebase上の設定(CloudFirestoreのための設定)

設定画面からFirebaseの秘密鍵を発行する

firebase_adminからデータをアップロード

pip install firebase_admin

Cloudfirestoreに関しては、公式のドキュメントが充実しているのでそこまで深くは書かないが、データを載せるだけなら以下のスクリプトでおそらく十分

credの欄に秘密鍵のディレクトリを入れる

upload.py

import firebase_admin
from firebase_admin import credentials
from firebase_admin import firestore

cred = credentials.Certificate("")
firebase_admin.initialize_app(cred)
db = firestore.client()


insert_doc = {'name':'qiita',
              'color':'green'}

db.collection('demo').document().set(insert_doc)

PyrebaseとFirebase_adminを組み合わせる

Pyrebaseで載せたデータのURLを確認する。

先ほどのコードの続き

upload_image.py

#storage.child('google.jpg').put(photo_path,user['idToken'])

info = storage.child('google.jpg').put(photo_path,user['idToken'])
token = info['downloadTokens']

print(token)

FirebaseのStorageの中に入れた画像のURLの最後につくtokenの名前がわかるので、これを組み合わせてCloudStorageに入れる。

今回は、「AutoencoderでDenoising, Coloring, そして拡大画像生成」を取り上げます。
大切なことはこの３つ（元々のAutoencoder含め４つ）のことは、ほぼ同じプログラムでデータをそのように用意すればできるというところがミソです。
いつもなんとなく別々に説明されるので、難しいことかと思いがちですが、基本はAutoencoderなので簡単です。
【参考】
・畳み込みオートエンコーダによる画像の再現、ノイズ除去、セグメンテーション

簡単に今回の記事を要約すると以下のようになります。

すなわち、autoencoder-decoderの学習部分のfit関数を示します。

vae.fit(x_train_gray,x_train_size,
                epochs=epochs,
                batch_size=batch_size,
                callbacks=callbacks,
                validation_data=(x_test_gray, x_test_size))

これは、

入力；x_train_gray（32，32，1）のgray画像
出力；x_train_size（64，64，3）のcolor画像

として学習し、

入力；x_test_gray（32，32，1）のテストgray画像
出力；x_test_size（64，64，3）のテストcolor画像

で検証することになります。
すなわち、絵にすると以下のような感じです。

問題は、入力と出力を何にするかということです
そして、ドメイン間を変換する関数がencoder-decoderということになり、ドメインの性質に合わせて適切なモデルを配置すればよいことになります。
ということで、いろいろなドメイン間の変換ができることを意味しています。

今回やったこと

①入力：ノイズあり画像、出力；ノイズ無し画像
②入力；Gray画像、出力；カラー画像
③入力；32x32サイズGray画像、出力；64x64サイズカラー画像

基本のコードは以下に置きました

以下はMNISTのノイズ除去のコードです
・VAE/keras_conv2d_noise_reduction.py

①入力：ノイズあり画像、出力；ノイズ無し画像

Denoisingのコード解説

一応、簡単に上記のコードの骨の部分を解説します。
以下のとおり、encoder-decoder-modelは前回と同様です。

# encoder model
inputs = Input(shape=input_shape, name='encoder_input')
x = Conv2D(32, (3, 3), activation='relu', strides=2, padding='same')(inputs)
x = Conv2D(64, (3, 3), activation='relu', strides=2, padding='same')(x)
shape = K.int_shape(x)
print("shape[1], shape[2], shape[3]",shape[1], shape[2], shape[3])
x = Flatten()(x)
z_mean = Dense(latent_dim, name='z_mean')(x)

encoder = Model(inputs, z_mean, name='encoder')
encoder.summary()

# decoder model
latent_inputs = Input(shape=(latent_dim,), name='z_sampling')
x = Dense(shape[1] * shape[2] * shape[3], activation='relu')(latent_inputs)
x = Reshape((shape[1], shape[2], shape[3]))(x)
x = Conv2DTranspose(64, (3, 3), activation='relu', strides=2, padding='same')(x)
x = Conv2DTranspose(32, (3, 3), activation='relu', strides=2, padding='same')(x)
outputs = Conv2DTranspose(1, (3, 3), activation='sigmoid', padding='same')(x)
decoder = Model(latent_inputs, outputs, name='decoder')
decoder.summary()

outputs = decoder(encoder(inputs))
vae = Model(inputs, outputs, name='vae_mlp')
vae.compile(loss='binary_crossentropy',optimizer='adam') 

変更は、以下のように入力データとしてノイズを重畳します。
【参考】
・numpy.random.normal@SciPy.org
loc;Mean (“centre”) of the distribution.
scale;Standard deviation (spread or “width”) of the distribution.
size;Output shape
np.clip;0,1を下回るまたは上回る場合に0，1に制限します

noise_train = np.random.normal(loc=0.5, scale=0.5, size=x_train.shape)
noise_test = np.random.normal(loc=0.5, scale=0.5, size=x_test.shape)
# 学習に使うデータを限定する
x_train_noisy = np.clip(x_train + noise_train, 0, 1)
x_test_noisy = np.clip(x_test+ noise_test, 0, 1)

一番大切なのは、学習のとき、入力；x_train_noisy, 出力；x_trainで学習し、検証も入力；x_test_noisy, 出力；x_testで実施しています。
実は、今回の３つのテーマではこの入力と出力を変更し、それらに合わせてネットワークなどをちょっと変更するだけで、いろいろな変換ができることがミソです。

class Check_layer(keras.callbacks.Callback):
    def on_epoch_end(self, epoch, logs={}):
        if epoch%2==0:
            ...
            decoded_imgs = vae.predict(x_test_noisy[:n])
            plot_irregular(x_test,x_test_noisy,decoded_imgs,epoch=epoch)
ch_layer = Check_layer()
callbacks = [ch_layer]

# 学習
vae.fit(x_train_noisy,x_train,
                epochs=epochs,
                batch_size=batch_size,
                callbacks=callbacks,
                validation_data=(x_test_noisy, x_test))

Denoisingの結果

以下のとおり、潜在空間10次元で100epochだと完全にノイズ除去してくれました。

もう少し、見ると以下のとおり、綺麗に出力できました。

②入力；Gray画像、出力；カラー画像

Coloring

同じように、カラー画像であるCifr10でgray-colorの変換を実施してみます。
コード全体は、以下のとおりです。
・VAE/keras_conv2d_coloring.py
そして、コードの大きな変更部分は、以下のとおりです。
１．描画サイズは慎重に変更しましょう
２．入力は（３２，３２，１）のGray画像で、出力は（３２，３２，３）のカラー画像
３．描画の中で、以下のとおり、カテゴリの色指定を以下のとおり１－Dに変換しています

y_test1 = np.ravel(y_test)
sc=plt.scatter(z_mean[:, 0], z_mean[:, 1], c=y_test1,s=50,cmap=plt.cm.jet)
plt.colorbar(sc)

４．学習と検証に使うGray画像変換は以下の関数を使っています

def rgb2gray(rgb):
    return np.dot(rgb[...,:3], [0.299, 0.587, 0.114])
x_train_gray =  rgb2gray(x_train).reshape(len(x_train),32,32,1)
x_test_gray =  rgb2gray(x_test).reshape(len(x_test),32,32,1)

５．モデルは入出力に注意して、以下のようにしました

# encoder model
inputs = Input(shape=input_shape, name='encoder_input')
x = Conv2D(32, (3, 3), activation='relu', strides=2, padding='same')(inputs)
x = Conv2D(64, (3, 3), activation='relu', strides=2, padding='same')(x)
shape = K.int_shape(x)
print("shape[1], shape[2], shape[3]",shape[1], shape[2], shape[3])
x = Flatten()(x)
z_mean = Dense(latent_dim, name='z_mean')(x)
encoder = Model(inputs, z_mean, name='encoder')
encoder.summary()

# decoder model
latent_inputs = Input(shape=(latent_dim,), name='z_sampling')
x = Dense(shape[1] * shape[2] * shape[3], activation='relu')(latent_inputs)
x = Reshape((shape[1], shape[2], shape[3]))(x)
x = Conv2DTranspose(64, (3, 3), activation='relu', strides=2, padding='same')(x)
x = Conv2DTranspose(32, (3, 3), activation='relu', strides=2, padding='same')(x)
outputs = Conv2DTranspose(3, (3, 3), activation='sigmoid', padding='same')(x)
decoder = Model(latent_inputs, outputs, name='decoder')
decoder.summary()
outputs = decoder(encoder(inputs))
vae = Model(inputs, outputs, name='vae_mlp')
vae.compile(loss='binary_crossentropy',optimizer='adam')

６．学習は以下のようにしています
入力；x_train_gray,出力；x_train、そして検証は、入力；x_test_gray, 出力；x_testで学習しています。
相変わらず、vae.compile(loss='binary_crossentropy',optimizer='adam')
として、loss='binary_crossentropy'or 'mse'で実施しました。

class Check_layer(keras.callbacks.Callback):
    def on_epoch_end(self, epoch, logs={}):
        if epoch%20==0:
            ...
            n=10
            decoded_imgs = vae.predict(x_test_gray[:n])
            plot_irregular(x_test,x_test_gray,decoded_imgs,epoch=epoch)
ch_layer = Check_layer()
callbacks = [ch_layer]
# autoencoderの実行
vae.fit(x_train_gray,x_train,
                epochs=epochs,
                batch_size=batch_size,
                callbacks=callbacks,
                validation_data=(x_test_gray, x_test))

Coloringの結果

上段が元の絵で、中断が入力のGray画像、そして下段が色付けされた画像。
まあ、元の絵とは配色が異なりますが、一応塗れています。
100epoch

③入力；32x32サイズGray画像、出力；64x64サイズカラー画像

Grayから拡大カラー画像生成

コード全体は以下のとおりです。
・VAE/keras_conv2d_x4coloring.py
複雑な変換のようみ見えますが、上記と大きな違いは、元のCifar10画像を拡大して学習データを作成するところです。
入力のGray画像は上記のものを使います。
そして、カラー画像の拡大は以下のコードで実施します。
※本来は高精細画像を縮小して学習すればもっと高精細な変換器が作成できるはずですが、ここではさぼりました
そのためのコードは以下のとおりです。cv2.resizeを使います。
※サイズは今回は1060で計算したのでメモリーの関係で（64,64）としました
　ここには示しませんが1080、8MB だと（256,256）まで拡大できました。
　ただし、batch_size=8(128@1080マシン)など小さな値にしています

img_rows, img_cols=64,64  #256,256 #128,128
X_train =[]
X_test = []
for i in range(len(x_train)):
    dst = cv2.resize(x_train[i], (img_rows, img_cols), interpolation=cv2.INTER_CUBIC)
    X_train.append(dst)
for i in range(len(x_test)):
    dst = cv2.resize(x_test[i], (img_rows, img_cols), interpolation=cv2.INTER_CUBIC)
    X_test.append(dst)
x_train_size = np.array(X_train)
x_test_size = np.array(X_test)

モデルは以下のとおりとしています。

# encoder model
inputs = Input(shape=input_shape, name='encoder_input')
x = Conv2D(32, (3, 3), activation='relu', strides=2, padding='same')(inputs)
x = Conv2D(64, (3, 3), activation='relu', strides=2, padding='same')(x)
shape = K.int_shape(x)
print("shape[1], shape[2], shape[3]",shape[1], shape[2], shape[3])
x = Flatten()(x)
z_mean = Dense(latent_dim, name='z_mean')(x)
encoder = Model(inputs, z_mean, name='encoder')
encoder.summary()

# decoder model
latent_inputs = Input(shape=(latent_dim,), name='z_sampling')
x = Dense(shape[1] * shape[2] * shape[3], activation='relu')(latent_inputs)
x = Reshape((shape[1], shape[2], shape[3]))(x)
x = Conv2DTranspose(64, (3, 3), activation='relu', strides=2, padding='same')(x)
x = Conv2DTranspose(32, (3, 3), activation='relu', strides=2, padding='same')(x)
x = Conv2DTranspose(16, (3, 3), activation='relu', strides=2, padding='same')(x)
outputs = Conv2DTranspose(3, (3, 3), activation='sigmoid', padding='same')(x)
decoder = Model(latent_inputs, outputs, name='decoder')
decoder.summary()
outputs = decoder(encoder(inputs))
vae = Model(inputs, outputs, name='vae_mlp')
vae.compile(loss='mse',optimizer='adam')

拡大カラー画像生成

描画時点で拡大の効果は消えちゃいますが、それぞれ拡大して上記の画像と比較すると、ギザギザが消えて少し綺麗になったように思います。以下、20epochと100epoch時点の出力です。
20epoch

100epoch

まとめ

・Autoencoder-decoderでDenoising、Coloring、そして画像拡大をやってみた
・ほぼ同じ仕組みで実施できることを示した
・精度はまだまだだが、潜在空間の次元を増やして一定精度がえられた

・さらなる精度改善を実施する
・アニメ画像やコマ補間から動画生成も同様な方法で実施できるのでやってみようと思う

おまけ

綺麗な画像生成するためには、潜在空間の次元をなるべく大きくするとより綺麗な画像が生成できます。ということで、今回は以下のように4096次元としています。

_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
encoder_input (InputLayer)   (None, 32, 32, 1)         0
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 16, 16, 32)        320
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 8, 8, 64)          18496
_________________________________________________________________
flatten_1 (Flatten)          (None, 4096)              0
_________________________________________________________________
z_mean (Dense)               (None, 4096)              16781312
=================================================================
Total params: 16,800,128
Trainable params: 16,800,128
Non-trainable params: 0
_________________________________________________________________
_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
z_sampling (InputLayer)      (None, 4096)              0
_________________________________________________________________
dense_1 (Dense)              (None, 4096)              16781312
_________________________________________________________________
reshape_1 (Reshape)          (None, 8, 8, 64)          0
_________________________________________________________________
conv2d_transpose_1 (Conv2DTr (None, 16, 16, 64)        36928
_________________________________________________________________
conv2d_transpose_2 (Conv2DTr (None, 32, 32, 32)        18464
_________________________________________________________________
conv2d_transpose_3 (Conv2DTr (None, 64, 64, 16)        4624
_________________________________________________________________
conv2d_transpose_4 (Conv2DTr (None, 64, 64, 3)         435
=================================================================
Total params: 16,841,763
Trainable params: 16,841,763
Non-trainable params: 0
_________________________________________________________________

前回に続いて、Django Girls Tutorialを進めている。

前回以降、特に躓かずに進めているが、とりあえずgitの使い方に関するメモ

1.gitを公式サイトからインストールする
2.Githubにユーザー登録する
3.コマンドラインでgit initdeでgitリポジトリの初期化
4..gitignoreでpushしないファイルの選択
5.git statusでファイルの変更やブランチを確認
6.git addでファイルを選択
7.git commitで選択したファイルを記録
8.git remote addでリモートリポジトリを命名、選択
9.git pushでリモートリポジトリへpush
10.git pullでコードを読み込む

あと、デプロイのときにエラーが出たが
settingのコードを

ALLOWED_HOSTS = ['.pythonanywhere.com']

ではなく

ALLOWED_HOSTS = ['pythonanywhere.com']

にしていたのが原因だった。書き直してgit push → pythonanywhereでgit pullで解決。
エラーが出たおかげでここは先んじて学べた。エラーが出たときのほうが理解が深まる。

続きます

内包表記はいいぞ

Pythonは内包表記という書き方ができます．スライスと同じくらい便利なので，これも覚えておきたいです．

そもそも内包って?

「内包」とは集合論における「内包的記法」に由来します．
高校時代の数学Aなどで習ったと思いますが，集合の表し方には2種類あり，
- 外延的記法
- 内包的記法
があります．

外延的記法は単に集合に属する要素を直接書き下す記法で，
例えば{1,3,5,7,9}のように書きます．

内包的記法はまず集合に属する要素xを宣言したのち，xが満たすべき条件を示します．
例えば{x | xは10以下の奇数}ですね．

基本的な内包表記

これをPythonで書くとこのようになります．

set_comprehension

s = {x for x in range(10) if x % 2 == 1}
print(s)  #{1,3,5,7,9}

Pythonの内包表記における基本構文はx for x in 何かで，後ろにif文などを持ってくることで条件を指定します．
今回はset，つまりpythonにおける集合に対して内包表記を適用しましたが，もちろん{}を[]に変えるだけでリストでも可能です．

辞書内包表記

辞書型(dict, defaultdictなど)でも内包表記が可能です．

dict_comprehension

from collections import defaultdict

key_list = ['a','bb','ccc','dddd','eeeee']
value_list = [1,2,3,4,5]
#辞書作成
dd = defaultdict(int, zip(key_list, value_list))

#ddにあるもののうち，valueが偶数のものだけ抽出して新たに辞書を作成
dd2 = {key:dd[key] for key in dd if dd[key]%2==0}
print(dd2)  #{'dddd': 4, 'bb': 2}

#ddにあるもののうち，keyの長さが3以上のものだけ抽出して新たに辞書を作成
dd3 = {key:dd[key] for key in dd if len(key) >= 3}
print(dd3)  #{'ccc': 3, 'dddd': 4, 'eeeee': 5}

elseを入れる(三項演算子)

if付きの内包表記にelseを付けることもできます．
しかしelseを付けると三項演算子扱いになるので似て非なるものになります．

if_else_comprehension

#1~40の数字のうち3の倍数と3のつく数字の時だけ処理を変える
fool = [str(i) + '~~!!' if i % 3 == 0 or '3' in str(i) else i for i in range(1,41)]
print(fool)
#[1, 2, '3~~!!', 4, 5, '6~~!!', ... 29, '30~~!!', '31~~!!', '32~~!!', '33~~!!', ... 40]

当然30からの勢いが物凄いことになりますね．
それはさておき，if付き内包表記にelseが付くと最初に三項演算子(処理1 if 処理1を行う条件 else 処理2)の記述を行った後にforが来ます．if~elseをforの後ろに付けても動きません．紛らわしいですが気を付けましょう．

二重内包表記

要はforの部分を二重にできるということです．
以下は二次元配列を一次元配列にする内包表記です．

flatten_comprehension

listA = [[1,2], [3,4], [5,6]]
flat = [flatten for inner in listA for flatten in inner]
print(flatten)  #[1,2,3,4,5,6]

初見だと随分見にくいですね．
まず最初のflattenで大きく切れて，そこから二重for文が続いているイメージです．

flat = [
flatten
for inner in listA
    for flatten in inner
]

さいごに

内包表記は確かに簡潔に書けますが，精々これぐらいの複雑さにとどめておかないと可読性が失われます．
用法容量を守って正しく使いましょう．

GANMAの連載漫画「木曜日は君と泣きたい。」が投稿される度にお知らせをしてくれるPythonスクリプトを作った。

工藤マコト先生の描く「木曜日は君と泣きたい。」を毎回Twitter巡回で見つけるのが面倒なので、自動的にお知らせするようにしてみた。(2019年6月7日時点バージョン)

必要なもの

• Tweepy(Pipでインストール)
• mpg123(Homeberw、apt-getでインストール)
• TwitterのAPIに必要な情報

上記のインストールは他のウェブサイトの説明が優秀なので割愛。

当のコード

import os
import tweepy

# 認証キーの設定 https://masatoshihanai.com/php-twitter-bot-01/ を見ながら取得してください
consumer_key = "自分のconsumer_key"
consumer_secret = "自分のcustomer_secret"
access_token = "自分のaccess_token"
access_token_secret = "自分のaccess_tocken_secret"

# OAuth認証
auth = tweepy.OAuthHandler(consumer_key, consumer_secret)
auth.set_access_token(access_token, access_token_secret)

# APIのインスタンスを生成
api = tweepy.API(auth)

#screen_nameには、工藤マコト先生のアカウント名（@抜き）を指定
status_list = api.user_timeline(screen_name="m0721804")
#データベースを使うほどの規模のものではないので、.txtを代わりに使用
with open("database.txt") as f:
    database_number = f.readline().strip()
    #database.txtの数値は最新の話数にしておいてください。
for i, status in enumerate(status_list):
    with open("database_nakitai.txt") as f:
        latest_number = f.readline().strip()
        # print(last_number)
        # last_number = "24"
        if "「木曜日は君と泣きたい。」" + database_number + "話" in status.text:
            print("新規掲載！")
# FF IVの「勝利のファンファーレ(fanfare.mp3)」が流れるようにしているが、
# 任意で好きなmp3ファイルにしてください。
            os.system("mpg123 -C  fanfare.mp3")
            latest_number = int(database_number) + 1
            with open("database_nakitai.txt", "w") as g:
                g.write(str(latest_number))
            break
    if database_number == str(latest_number):
        print("木曜日は君と泣きたい。" + str(latest_number) + "話は既読です。")
        break

現時点の最新話は24話なので、database.txt は24としておく。
database.txt
24


実行
ターミナル
python main.py


これで、cronか何かで自動実行するようにすれば、「不器用な先輩。」がアップロードされる度に音でお知らせしてくれる。便利！！

まさかり待ってます！

Word(docx)の自動生成

• Word(docx)の自動生成
  • はじめに
  • 目的
  • 関連する記事
  • 実行環境
  • ソースコード
  • UIの実装
  • docx作成の実装

はじめに

Mac環境の記事ですが、Windows環境も同じ手順になります。環境依存の部分は読み替えてお試しください。

目的

この記事を最後まで読むと、次のことができるようになります。

• デスクトップアプリを実装する
• Word(docx)の自動作成を実装する

アプリ

JSONデータとWord(docx)テンプレートをレンダリングして出力する。複数件のデータはページに分けて出力する。

JSONデータ

sample_data.json

[
    {
        "create_date": "令和元年 5月 1日",
        "to_company_name": "カレンダー株式会社",
        "to_company_department": "イヤホン本部",
        "relocation_date": "令和元年 7月 28日",
        "post_code": "123-4567",
        "new_address": "東京都港区サンプル1-2-3 ビルディング 60F",
        "new_phone_number": "1234-56-7890",
        "new_fax_number": "1234-56-7890"
    },
    {
        "create_date": "令和元年 5月 1日",
        "to_company_name": "冷暖房リモコン株式会社",
        "to_company_department": "ティッシュケース本部",
        "relocation_date": "令和元年 7月 28日",
        "post_code": "123-4567",
        "new_address": "東京都港区サンプル1-2-3 ビルディング 60F",
        "new_phone_number": "1234-56-7890",
        "new_fax_number": "1234-56-7890"
    }
]

Word(docx)テンプレート

実行結果

page 1/2

page 2/2

関連する記事

• tkinter - Python interface to Tcl/Tk
• docxtpl - PyPI

実行環境

環境	Ver.
macOS Mojave	10.14.5
Python	3.7.3
tkinter	8.5
docxtpl	0.6.1

ソースコード

実際に実装内容やソースコードを追いながら読むとより理解が深まるかと思います。是非ご活用ください。

GitHub

UIの実装

UIはTkinterで実装します。

Tkinterとは、Windows、MacOS、Linuxに対応するクロスプラットフォームなGUIライブラリです。

app.py

import os
import tkinter as tk
from tkinter import filedialog as fdialog
from tkinter import messagebox as mdialog

from model import Docx


class Application(tk.Frame):
    def __init__(self, master=None):
        super().__init__(master)
        self.create_widgets()

    def set_title(self):
        self.master.title('Create Docx')

    def set_menu_bar(self):
        self.menu_bar = tk.Menu(self.master)
        self.master.config(menu=self.menu_bar)
        file_menu = tk.Menu(self.menu_bar)
        file_menu.add_command(label='Exit', command=self.master.quit)
        self.menu_bar.add_cascade(label='File', menu=file_menu)

    def select_file(self, entry):
        entry.delete(0, tk.END)
        entry.insert(0, fdialog.askopenfilename(initialdir=os.getcwd()))

    def create_docx(self, json_url, template_url):
        if not os.path.exists(json_url) or not os.path.exists(template_url):
            mdialog.showerror('Error', 'Please select JSON and Template.')
            return

        docx = Docx(json_url=json_url, template_url=template_url)
        docx.render()

    def set_body(self):
        tk.Label(self.master, text='JSON:').grid(row=0, column=0)
        entry_json = tk.Entry(self.master)
        entry_json.grid(row=0, column=1, pady=5)
        tk.Button(self.master, text='Select...',
                  command=lambda: self.select_file(entry_json)).grid(row=0, column=2)

        tk.Label(self.master, text='Template:').grid(row=1, column=0)
        entry_template = tk.Entry(self.master)
        entry_template.grid(row=1, column=1, pady=5)
        tk.Button(self.master, text='Select...',
                  command=lambda: self.select_file(entry_template)).grid(row=1, column=2)

        tk.Button(self.master, text='Create', width=30,
                  command=lambda: self.create_docx(entry_json.get(), entry_template.get())).grid(row=2, column=0, columnspan=3)

    def create_widgets(self):
        self.master.geometry()
        self.entry = tk.Entry(self.master)

        self.set_title()
        self.set_menu_bar()
        self.set_body()


# fix tkinter bug start
def fix_bug():
    width_height = root.winfo_geometry().split('+')[0].split('x')
    width = int(width_height[0])
    height = int(width_height[1])
    root.geometry('{}x{}'.format(width+1, height+1))
# fix tkinter bug end


if __name__ == '__main__':
    root = tk.Tk()
    app = Application(master=root)
    # fix tkinter bug start
    root.update()
    root.after(0, fix_bug)
    # fix tkinter bug end
    app.mainloop()

※ tkinterで白画面になる不具合がありサイズを1プラスすことで改修

docx作成の実装

docxの作成はdocxtplで実装します。

docxtplとは、JSONデータとWord(docx)テンプレートをレンダリングするライブラリです。

model.py

import cgi
import json
import os.path
import re
import sys
import uuid
from tkinter import messagebox as mdialog

from docxtpl import DocxTemplate


_illegal_unichrs = [(0x00, 0x08), (0x0B, 0x0C), (0x0E, 0x1F),
                    (0x7F, 0x84), (0x86, 0x9F),
                    (0xFDD0, 0xFDDF), (0xFFFE, 0xFFFF)]
if sys.maxunicode >= 0x10000:  # not narrow build
    _illegal_unichrs.extend([(0x1FFFE, 0x1FFFF), (0x2FFFE, 0x2FFFF),
                             (0x3FFFE, 0x3FFFF), (0x4FFFE, 0x4FFFF),
                             (0x5FFFE, 0x5FFFF), (0x6FFFE, 0x6FFFF),
                             (0x7FFFE, 0x7FFFF), (0x8FFFE, 0x8FFFF),
                             (0x9FFFE, 0x9FFFF), (0xAFFFE, 0xAFFFF),
                             (0xBFFFE, 0xBFFFF), (0xCFFFE, 0xCFFFF),
                             (0xDFFFE, 0xDFFFF), (0xEFFFE, 0xEFFFF),
                             (0xFFFFE, 0xFFFFF), (0x10FFFE, 0x10FFFF)])
_illegal_ranges = ['%s-%s' % (chr(low), chr(high))
                   for (low, high) in _illegal_unichrs]
_illegal_xml_chars_RE = re.compile(u'[%s]' % u''.join(_illegal_ranges))


class Docx(object):
    def __init__(self, json_url, template_url):
        self.json_url = json_url
        self.template_url = template_url

    def read_data(self):
        with open(self.json_url, 'r') as f:
            load_data = json.load(f)

        json_data = json.dumps(load_data)
        json_data = cgi.escape(json_data)
        json_data = json_data.replace('\n', '\\n')
        dict_data = json.loads(json_data)

        for d in dict_data:
            for k in d.keys():
                try:
                    d[k] = _illegal_xml_chars_RE.sub('', d[k])
                except TypeError:
                    pass

        return dict_data

    def render(self):
        dict_data = self.read_data()

        docx = DocxTemplate(self.template_url)
        docx.render({'applications': dict_data})

        file_name = '{}.{}'.format(str(uuid.uuid4()), 'docx')

        save_dir = os.path.join(os.path.curdir, 'output')
        if not os.path.exists(save_dir):
            os.makedirs(save_dir)

        docx.save(os.path.join(save_dir, file_name))

        mdialog.showinfo('Successful', 'Please check the output folder.')

Word(docx)の自動作成

• Word(docx)の自動生成
  • はじめに
  • 目的
  • 関連する記事
  • 実行環境
  • ソースコード
  • UIの実装
  • docx作成の実装

はじめに

Mac環境の記事ですが、Windows環境も同じ手順になります。環境依存の部分は読み替えてお試しください。

目的

この記事を最後まで読むと、次のことができるようになります。

• デスクトップアプリを実装する
• Word(docx)の自動作成を実装する

アプリ

JSONデータとWord(docx)テンプレートをレンダリングして出力する。複数件のデータはページに分けて出力する。

JSONデータ

sample_data.json

[
    {
        "create_date": "令和元年 5月 1日",
        "to_company_name": "カレンダー株式会社",
        "to_company_department": "イヤホン本部",
        "relocation_date": "令和元年 7月 28日",
        "post_code": "123-4567",
        "new_address": "東京都港区サンプル1-2-3 ビルディング 45F",
        "new_phone_number": "1234-56-7890",
        "new_fax_number": "1234-56-7890"
    },
    {
        "create_date": "2019年 5月 1日",
        "to_company_name": "冷暖房リモコン株式会社",
        "to_company_department": "ティッシュケース本部",
        "relocation_date": "2019年 7月 28日",
        "post_code": "987-6543",
        "new_address": "東京都港区サンプル9-8-7 ビルディング 65F",
        "new_phone_number": "0987-65-4321",
        "new_fax_number": "0987-65-4321"
    }
]

Word(docx)テンプレート

実行結果

page 1/2

page 2/2

関連する記事

• tkinter - Python interface to Tcl/Tk
• docxtpl - PyPI

実行環境

環境	Ver.
macOS Mojave	10.14.5
Python	3.7.3
tkinter	8.5
docxtpl	0.6.1

ソースコード

実際に実装内容やソースコードを追いながら読むとより理解が深まるかと思います。是非ご活用ください。

GitHub

UIの実装

UIはTkinterで実装します。

Tkinterとは、Windows、MacOS、Linuxに対応するクロスプラットフォームなGUIライブラリです。

app.py

import os
import tkinter as tk
from tkinter import filedialog as fdialog
from tkinter import messagebox as mdialog

from model import Docx


class Application(tk.Frame):
    def __init__(self, master=None):
        super().__init__(master)
        self.create_widgets()

    def set_title(self):
        self.master.title('Create Docx')

    def set_menu_bar(self):
        self.menu_bar = tk.Menu(self.master)
        self.master.config(menu=self.menu_bar)
        file_menu = tk.Menu(self.menu_bar)
        file_menu.add_command(label='Exit', command=self.master.quit)
        self.menu_bar.add_cascade(label='File', menu=file_menu)

    def select_file(self, entry):
        entry.delete(0, tk.END)
        entry.insert(0, fdialog.askopenfilename(initialdir=os.getcwd()))

    def create_docx(self, json_url, template_url):
        if not os.path.exists(json_url) or not os.path.exists(template_url):
            mdialog.showerror('Error', 'Please select JSON and Template.')
            return

        docx = Docx(json_url=json_url, template_url=template_url)
        docx.render()

    def set_body(self):
        tk.Label(self.master, text='JSON:').grid(row=0, column=0)
        entry_json = tk.Entry(self.master)
        entry_json.grid(row=0, column=1, pady=5)
        tk.Button(self.master, text='Select...',
                  command=lambda: self.select_file(entry_json)).grid(row=0, column=2)

        tk.Label(self.master, text='Template:').grid(row=1, column=0)
        entry_template = tk.Entry(self.master)
        entry_template.grid(row=1, column=1, pady=5)
        tk.Button(self.master, text='Select...',
                  command=lambda: self.select_file(entry_template)).grid(row=1, column=2)

        tk.Button(self.master, text='Create', width=30,
                  command=lambda: self.create_docx(entry_json.get(), entry_template.get())).grid(row=2, column=0, columnspan=3)

    def create_widgets(self):
        self.master.geometry()
        self.entry = tk.Entry(self.master)

        self.set_title()
        self.set_menu_bar()
        self.set_body()


# fix tkinter bug start
def fix_bug():
    width_height = root.winfo_geometry().split('+')[0].split('x')
    width = int(width_height[0])
    height = int(width_height[1])
    root.geometry('{}x{}'.format(width+1, height+1))
# fix tkinter bug end


if __name__ == '__main__':
    root = tk.Tk()
    app = Application(master=root)
    # fix tkinter bug start
    root.update()
    root.after(0, fix_bug)
    # fix tkinter bug end
    app.mainloop()

※ tkinterで白画面になる不具合がありサイズを1プラスすることで改修

docx作成の実装

docxの作成はdocxtplで実装します。

docxtplとは、JSONデータとWord(docx)テンプレートをレンダリングするライブラリです。

model.py

import cgi
import json
import os.path
import re
import sys
import uuid
from tkinter import messagebox as mdialog

from docxtpl import DocxTemplate


_illegal_unichrs = [(0x00, 0x08), (0x0B, 0x0C), (0x0E, 0x1F),
                    (0x7F, 0x84), (0x86, 0x9F),
                    (0xFDD0, 0xFDDF), (0xFFFE, 0xFFFF)]
if sys.maxunicode >= 0x10000:  # not narrow build
    _illegal_unichrs.extend([(0x1FFFE, 0x1FFFF), (0x2FFFE, 0x2FFFF),
                             (0x3FFFE, 0x3FFFF), (0x4FFFE, 0x4FFFF),
                             (0x5FFFE, 0x5FFFF), (0x6FFFE, 0x6FFFF),
                             (0x7FFFE, 0x7FFFF), (0x8FFFE, 0x8FFFF),
                             (0x9FFFE, 0x9FFFF), (0xAFFFE, 0xAFFFF),
                             (0xBFFFE, 0xBFFFF), (0xCFFFE, 0xCFFFF),
                             (0xDFFFE, 0xDFFFF), (0xEFFFE, 0xEFFFF),
                             (0xFFFFE, 0xFFFFF), (0x10FFFE, 0x10FFFF)])
_illegal_ranges = ['%s-%s' % (chr(low), chr(high))
                   for (low, high) in _illegal_unichrs]
_illegal_xml_chars_RE = re.compile(u'[%s]' % u''.join(_illegal_ranges))


class Docx(object):
    def __init__(self, json_url, template_url):
        self.json_url = json_url
        self.template_url = template_url

    def read_data(self):
        with open(self.json_url, 'r') as f:
            load_data = json.load(f)

        json_data = json.dumps(load_data)
        json_data = cgi.escape(json_data)
        json_data = json_data.replace('\n', '\\n')
        dict_data = json.loads(json_data)

        for d in dict_data:
            for k in d.keys():
                try:
                    d[k] = _illegal_xml_chars_RE.sub('', d[k])
                except TypeError:
                    pass

        return dict_data

    def render(self):
        dict_data = self.read_data()

        docx = DocxTemplate(self.template_url)
        docx.render({'applications': dict_data})

        file_name = '{}.{}'.format(str(uuid.uuid4()), 'docx')

        save_dir = os.path.join(os.path.curdir, 'output')
        if not os.path.exists(save_dir):
            os.makedirs(save_dir)

        docx.save(os.path.join(save_dir, file_name))

        mdialog.showinfo('Successful', 'Please check the output folder.')

beautiful soupを使って、urlから画像のスクレイピングをしてみた。
収集元は乃木坂まとめ(http://nogizaka46matomenoma.blog.jp/)

beutiful soupは結構わかりにくいところなどもあったが、一応できた。

ただ、再帰的にやると同じ画像が多くなる。これを解決する方法あったら誰か教えてください。

from urllib.request import urlopen
from bs4 import BeautifulSoup
import requests


def get_link (url):
    html = urlopen(url)
    soup = BeautifulSoup(html, 'lxml')
    link_list = []
    for i in soup.find_all('a'):
        link = i.get('href')
        if type(link) is str:
            if 'http' in link:
    # javascriptの何か？が混ざっている。よくわからないからtype＝strとif ~ in で絞る。
                link_list.append(link)
    return link_list


def link_to_img(url):
    html = urlopen(url)
    soup = BeautifulSoup(html, 'lxml')
    img_list = []
    for i in soup.find_all('img'):
        link = i.get('src')
        img_list.append(link)
    return img_list


url = "http://nogizaka46matomenoma.blog.jp/"

img_name_list = []
for img in img_list:
    try:
        re = requests.get(img)
        if len(img.split('/')[-1]) > 20:
            img_name = img.split('/')[-1][-20:]
        else :
            img_name = img.split('/')[-1]
            with open('./' + img.split('/')[-1], 'wb') as f: # img_listフォルダに格納
                f.write(re.content)
            img_name_list.append(img_name)
    except:
        pass


big_pic_list = []
for i in range(len(img_name_list)):
    try:
        pic = Image.open(img_name_list[i])
        if pic.size[0] > 400 and pic.size[1] > 400:
            big_pic_list.append(pic)
    # 　高さ、幅それぞれ500以上のものだけをリストにする。
    except:
        pass

100枚くらい集まった。

初めてまともにWebアプリを作ったから知見をまとめる

各リンク

• Flask関連
• Flask-login関連
• Flask-Bootstrap関連
• Firebase関連
• heroku関連

やったこと

• flaskのwebページ
• Firebaseに個人データを顔写真を格納
• Flask-bootstrapを使ってレスポンシブ対応
• Flask-Loginを使ってサイトの保護

学んだこと

• firebaseとpython間でのデータの送受信
• flask-bootstrapを使ったhtml表記
• herokuでアップロード

感想

• 勉強用でherokuを使ったが、普通にAWS or GCPを使うべきだった(個人アカウントを作りたくなかったから致し方無い)
• Flask-Loginが何度もログイン要請をしてくる訳が分からない。
• バイトはデータ系なのでPython(Flask)で書いたが、JSとかGO言語とかを勉強したほうがよさそうだなと思った。

友人に頼まれ、先日初めてWebアプリを作ったので色々勉強したことをまとめておこうと思った。

バイトでpythonを使っている関係でFlaskで書いた。
Flaskの開発者はAprilフールの冗談でこのフレームワークを発案したらしいが、それを見た人が熱狂して結局作ったらしい。そんな細かい知識は面倒なので割愛して、いろいろまとめておく。

Flask基本

app.py

from flask import Flask
import os

app = Flask(__name__)
app.config = os.urandom(24)

@app.route('/')
def index():
    return 'Hello World'

@app.route('/flask')
def home():
    return 'Hello Flask'

if __name__ == '__main__':
    app.run(host='127.0.0.1', port=5000, debug=True)

マイクロフレームワークであるFlaskの中でも最も簡単なコードだと思われる。
ざっくり説明すると、変数appにFlaskクラスのオブジェクトを入れている。
configは一応設定用で書いたがこの場合必ずしも必要ではない。

@app.route('/')は、ルーティングを意味していて、つまりページのurlを示している。
この場合だと、http://127.0.0.1:5000 を開くと Hello Worldと返ってくるし、
http://127.0.0.1:5000/flask を開くと　Hello Flaskと返ってくる。

app.run()でアプリがローカル上で立ち上がる仕組みになっている。

Flaskのディレクトリ構成

よくあるのが
app.py
ー application
ー /config.py
ー /view.py
ー /model.py
ー /templates
ーー/layout.html
ーー/home.html
ー /static
ーー/style.css

みたいな感じ。

app.pyだけだと膨大なコードになって、不便なのでこんな感じで分けている。

app.py

from application.view import app

if __name__ == '__main__':
    app.run(host='127.0.0.1', port=5000, debug=True)

applicationの中のviewからappを持ってくる。

config.py

from flask import Flask
import os

app = Flask(__name)
app.config = os.urandom(24)

configはこういう設定系を置いておく

view.py

from .config import app

@app.route('/')
def index():
    return 'Hello World'

@app.route('/flask')
def home():
    return 'Hello Flask'

viewは主にルーティングの処理とかを書く

因みにmodel.pyはクラスを書くことが多い。

templatesとJinja2

HTMLファイルを読み込むために、view.pyを書き換える。

view.py

from .config import app
from flask import render_template

@app.route('/')
def index():
    return render_template('layout.html')


@app.route('/flask')
def home():
    return render_template('home.html')

これで、layout.htmlとhome.htmlをそれぞれ読み込める

HTMLファイルを入れておくのがtemplatesディレクトリになる

layout.html

<h1>Hello World</h1>
{% block body %}{% endblock %}

home.html

{% extends "layout.html" %}
{% block body %}
<h2>Hello Flask</h2>
{% endblock %}

見ていただければ分かると思うが、layout.htmlの中に
{% block body %}　{% endblock %}
とあり、home.htmlにも同様なものがある。

これがJinja2であり、{% extends "layout.html" %}
によって、home.htmlはlayout.htmlからHello Worldを継承することができる。

model.pyについては、Flask_loginのページで書く。

このような元データがあった際に

country	tag
日本	食事,温泉
フランス	食事,ファッション,文化
オーストラリア	自然
ニュージーランド	自然

このようなデータをつくりたいときのやり方

country	食事	温泉	ファッション	文化	自然
日本	1	1	0	0	0
フランス	1	0	1	1	0
オーストラリア	0	0	0	0	1
ニュージーランド	0	0	0	0	1

まずはこの↓元となるdfを

country	tag
日本	食事,温泉
フランス	食事,ファッション,文化
オーストラリア	自然
ニュージーランド	自然

temp = df.tag.str.extractall('([^,]+)')

で、tag部分のみを抽出して以下のtempをつくる

		0
	match
0	0	食事
0	1	温泉
1	0	食事
1	1	ファッション
1	2	文化
2	0	自然
3	0	自然

不要なマルチインデクスのmatchを以下で削除して

temp = temp.reset_index(1, True)

	0
0	食事
0	温泉
1	食事
1	ファッション
1	文化
2	自然
3	自然

をつくる。
さらにこのtempと最初のdfをマージして、tidyなdf3を作る

df3 = pd.merge(df,temp,left_index=True,right_index=True)
df3 = df3.drop("tag",axis=1)
df3 = df3.rename(columns={0:"tag_name"})
df3

df3はこんな感じ

index	country	tag_name
0	日本	食事
0	日本	温泉
1	フランス	食事
1	フランス	ファッション
1	フランス	文化
2	オーストラリア	自然
3	ニュージーランド	自然

このdf3のインデクスをcountryにする

df3 =df3.set_index("country")

こんな感じになる

country	tag_name
日本	食事
日本	温泉
フランス	食事
フランス	ファッション
フランス	文化
オーストラリア	自然
ニュージーランド	自然

このdf3をone-hotコーディングしたdf_one_hotをつくる

df_one_hot = pd.get_dummies(df3["tag_name"])
df_one_hot = df_one_hot.reset_index()
df_one_hot

こんな感じのものができる

	country	食事	温泉	ファッション	文化	自然
0	日本	1	0	0	0	0
1	日本	0	1	0	0	0
2	フランス	1	0	0	0	0
3	フランス	0	0	1	0	0
4	フランス	0	0	0	1	0
5	オーストラリア	0	0	0	0	1
6	ニュージーランド	0	0	0	0	1

このdf_one_hotをcountryでgroupbyする

df_gby = df_one_hot.groupby("country").sum().reset_index()
df_gby

完成。

index	country	食事	温泉	ファッション	文化	自然
0	日本	1	1	0	0	0
1	フランス	1	0	1	1	0
2	オーストラリア	0	0	0	0	1
3	ニュージーランド	0	0	0	0	1

もっとうまいやり方がありそうだが、とりあえず知ってる知識でのやり方。

協力するAI開発

記事の目的

こんにちは！今ちょうど深層学習（ディープラーニング）や強化学習の勉強をしていてAI同士を協力させると面白くないかな？と思ってこのプロジェクトを始めました。

このシリーズを通して学べる事

LSTM
強化学習
興味を用いた強化学習
アクタークリティック
簡単なゲームの作り方
Unity
Ml Agents

動機

ちょうど「キングダム」という漫画

を読んで兵法や戦場における人というものの面白さに触れられてこのような思想戦を行えるゲームがしてみたかったからです。もちろん将棋やチェスみたいな簡略化したゲームはありますが戦場における以下の点を無視しているような気がしました（両方苦手ですがw）。

1. 指揮系統がない

普通の戦場では命令系統があり、上からの命令と目の前の状況から次にする行動を決めると思います。しかし普通のゲームでは単純に命令を与えたらその場所に動き、駒に作戦などがありません。よって駒が自分で考えて上からの命令を参考するようにしました。

2. ランダムではない

ここで言っているのは一つの駒がもう一方の駒を攻撃したときに結果が決まっているということです。例えば飛車を歩の場所までもっていったら歩が取れるということが将棋では決まっています。しかし、正直それって正確には大してあっていないと思います。例えば四方向から誰かを囲めば確かに倒す確率は上げられるかもしれませんが逆にやられてしまう可能性が皆無というわけではないと思います。なので、そういったこと確率なども含んでみました。

3. 見える範囲

戦場において一番重要だと思うことは相手に自分の戦略が明らかにならないことです。ここで一番それができる確実な方法は相手に自分が見えないことです。よってそれを可能にするために各AIに個人個人見える範囲を設定しました。

4.動きが変

チェスや将棋にはマスがあり、双方順番に駒を進めます。しかし、実際には３６０度のどの方向にも動くことはできるはずでしかも両方毎秒毎秒動きます。順番などはありません。なのでそれも含めてみました。

手順

1.上の４条件を満たすゲームを考えてみる。

2. AIで学習できるようにする。

3. 結果報告

4+2n 改善したこと

5+2n 結果報告

でき次第リンクをつけておきますがここではとりあえず1を先に説明します。
とりあえず、最初の１だけここでとりあげます。

1.ゲームのルール

前提に置いておきますが、このゲームは上の四つの条件を満たす最低限度のゲームを考えてみたのですが結構複雑になってしまったのでそのことはすみません。
すべてのプレイヤーは丸です。

この丸は動くことができ、攻撃範囲と攻撃する角度を指定すれば敵の丸を攻撃できます。Unityで作ったら下のようになりました。（学習したモデルはのっけてないです）

このゲームにはHPとかはなく、生きていると死んでいるという二つの状態しかありません。だから攻撃範囲（二つの黒い棒の間）に入ったら死ぬか相手を殺すかの２パターンしかありません。ここで第二条件の「ランダム」をいれてみました。
具体的にはすべての兵に正規分布からてきとうに「力」というパラメターを付けます。物理にならって力を$f$となずけましょう！
ここで一対一の勝負の場合もし兵１と兵２が戦う場合、兵１が勝つ確率,$p_1$を
$$p_1 = \dfrac{f_1}{f_1+f_2}$$
と定義しました。しかし、１対４とかの場合ではどうでしょう？こういう試合を４回するだけでしたら１対１の戦いを４回繰り広げるだけとなり、兵法においてとても大切な「戦術の分断」と「多数で少数を攻撃する」ことじたいを否定してしまいます。

なので、先ほど言った攻撃範囲というものも作ってみました。
攻撃範囲とは攻撃を始める角度と攻撃を終了する角度の二つによって定義しました。敵の中心が攻撃範囲に入ったら攻撃したことになります。攻撃範囲が小さければ小さいほど力$f$が大きくなり、攻撃範囲が大きいほど$f$が小さくなります。よって攻撃範囲を広くすればするほど勝ちにくくなります。
では、学習したら兵たちは全員小さい攻撃範囲になるはずというかもしれませんが攻撃範囲以外の場所からの攻撃を考えてみました。その場合は力を$\dfrac{1}{4}$くらいにするように設定しました。これがUnityの上のGifで一人で全員倒せた理由です。攻撃範囲の外から攻撃してたからです。
これによって、大勢いる際は必ず攻撃範囲を広げないといけなく、多勢の方は攻撃範囲を狭くできて勝ちやすくなるようにしました。
Gifに出ていた数も気になると思います。これは階級です。1は一番下っ端で2がその一個上3はそれのさらに上っという感じで無限に付けられます。つけ方も結構簡単で５人同じ階級の兵がいたら一番優秀な一人（一番力があるもの）は必ず一個上の階級になる。というのを繰り返すと全員に階級がつけられました。
では、階級が上の人の存在意義というのは何でしょう？これは少し将棋とか少ししたりキングダムを読んで感じたものですが「次の状態を予測する」ことでついでに言うと「より広い視野」を持つことだと個人的に思いました。なので学習の際では指令として、上からの指令と今見える盤上をもとに次に起こると予想した兵の位置や状態などを送ることにしました。結構屁理屈かもしれませんが個人的には結構な理屈です。ここでどれくらいもっと見えるかは
$$r_{base}2^{rank-1}$$
ということにしました。つまり部下の２倍の景色が見れるようにしました。Unityで見せるとしたらこんな感じです。

人間で遊ぶ場合はどうやって次の状態っというのを送るかは思いつきませんでしたので、上のように自由に階級を行き来できるようにするつもりです！

兵法ができるAI開発

記事の目的

こんにちは！今ちょうど深層学習（ディープラーニング）や強化学習の勉強をしていてAI同士を協力させると面白くないかな？と思ってこのプロジェクトを始めました。

このシリーズを通して学べる事

LSTM
強化学習
興味を用いた強化学習
アクタークリティック
簡単なゲームの作り方
Unity
Ml Agents

動機

ちょうど「キングダム」という漫画

を読んで兵法や戦場における人というものの面白さに触れられてこのような思想戦を行えるゲームがしてみたかったからです。もちろん将棋やチェスみたいな簡略化したゲームはありますが戦場における以下の点を無視しているような気がしました（両方苦手ですがw）。

1. 指揮系統がない

普通の戦場では命令系統があり、上からの命令と目の前の状況から次にする行動を決めると思います。しかし普通のゲームでは単純に命令を与えたらその場所に動き、駒に作戦などがありません。よって駒が自分で考えて上からの命令を参考するようにしました。

2. ランダムではない

ここで言っているのは一つの駒がもう一方の駒を攻撃したときに結果が決まっているということです。例えば飛車を歩の場所までもっていったら歩が取れるということが将棋では決まっています。しかし、正直それって正確には大してあっていないと思います。例えば四方向から誰かを囲めば確かに倒す確率は上げられるかもしれませんが逆にやられてしまう可能性が皆無というわけではないと思います。なので、そういったこと確率なども含んでみました。

3. 見える範囲

戦場において一番重要だと思うことは相手に自分の戦略が明らかにならないことです。ここで一番それができる確実な方法は相手に自分が見えないことです。よってそれを可能にするために各AIに個人個人見える範囲を設定しました。

4.動きが変

チェスや将棋にはマスがあり、双方順番に駒を進めます。しかし、実際には３６０度のどの方向にも動くことはできるはずでしかも両方毎秒毎秒動きます。順番などはありません。なのでそれも含めてみました。

手順

1.上の４条件を満たすゲームを考えてみる。

2. AIで学習できるようにする。

3. 結果報告

4+2n 改善したこと

5+2n 結果報告

でき次第リンクをつけておきますがここではとりあえず1を先に説明します。
とりあえず、最初の１だけここでとりあげます。

1.ゲームのルール

前提に置いておきますが、このゲームは上の四つの条件を満たす最低限度のゲームを考えてみたのですが結構複雑になってしまったのでそのことはすみません。
すべてのプレイヤーは丸です。

この丸は動くことができ、攻撃範囲と攻撃する角度を指定すれば敵の丸を攻撃できます。Unityで作ったら下のようになりました。（学習したモデルはのっけてないです）

このゲームにはHPとかはなく、生きていると死んでいるという二つの状態しかありません。だから攻撃範囲（二つの黒い棒の間）に入ったら死ぬか相手を殺すかの２パターンしかありません。ここで第二条件の「ランダム」をいれてみました。
具体的にはすべての兵に正規分布からてきとうに「力」というパラメターを付けます。物理にならって力を$f$となずけましょう！
ここで一対一の勝負の場合もし兵１と兵２が戦う場合、兵１が勝つ確率,$p_1$を
$$p_1 = \dfrac{f_1}{f_1+f_2}$$
と定義しました。しかし、１対４とかの場合ではどうでしょう？こういう試合を４回するだけでしたら１対１の戦いを４回繰り広げるだけとなり、兵法においてとても大切な「戦術の分断」と「多数で少数を攻撃する」ことじたいを否定してしまいます。

なので、先ほど言った攻撃範囲というものも作ってみました。
攻撃範囲とは攻撃を始める角度と攻撃を終了する角度の二つによって定義しました。敵の中心が攻撃範囲に入ったら攻撃したことになります。攻撃範囲が小さければ小さいほど力$f$が大きくなり、攻撃範囲が大きいほど$f$が小さくなります。よって攻撃範囲を広くすればするほど勝ちにくくなります。
では、学習したら兵たちは全員小さい攻撃範囲になるはずというかもしれませんが攻撃範囲以外の場所からの攻撃を考えてみました。その場合は力を$\dfrac{1}{4}$くらいにするように設定しました。これがUnityの上のGifで一人で全員倒せた理由です。攻撃範囲の外から攻撃してたからです。
これによって、大勢いる際は必ず攻撃範囲を広げないといけなく、多勢の方は攻撃範囲を狭くできて勝ちやすくなるようにしました。
Gifに出ていた数も気になると思います。これは階級です。1は一番下っ端で2がその一個上3はそれのさらに上っという感じで無限に付けられます。つけ方も結構簡単で５人同じ階級の兵がいたら一番優秀な一人（一番力があるもの）は必ず一個上の階級になる。というのを繰り返すと全員に階級がつけられました。
では、階級が上の人の存在意義というのは何でしょう？これは少し将棋とか少ししたりキングダムを読んで感じたものですが「次の状態を予測する」ことでついでに言うと「より広い視野」を持つことだと個人的に思いました。なので学習の際では指令として、上からの指令と今見える盤上をもとに次に起こると予想した兵の位置や状態などを送ることにしました。結構屁理屈かもしれませんが個人的には結構な理屈です。ここでどれくらいもっと見えるかは
$$r_{base}2^{rank-1}$$
ということにしました。つまり部下の２倍の景色が見れるようにしました。Unityで見せるとしたらこんな感じです。

人間で遊ぶ場合はどうやって次の状態っというのを送るかは思いつきませんでしたので、上のように自由に階級を行き来できるようにするつもりです！

まずはPythonで簡単な計算をしてみましょう。各自の画面中の Jupyter Notebook のセルに順次入力して（コピペ可）、「Shift + Enter」してください。

シャープ # を付けるとコメントと見なされ、それ以降の文字はPythonプログラムに無視されます。

文字列と変数

message という変数を定義して、文字列を代入しましょう。

# メッセージ
message = "Pythonはいいぞ"

Jupyter notebook 上では、変数名を呼び出すだけで中身を確認できます。

message

'Pythonはいいぞ'

丁寧に書くなら、また、コード中で出力させたいなら、真面目に print 文を使いましょう。

print(message)

Pythonはいいぞ

もし変数名のスペルを間違えたりしたら次のようなエラーが出ます。

# マッサージ
massage

---------------------------------------------------------------------------

NameError                                 Traceback (most recent call last)

<ipython-input-4-d846b274cc9f> in <module>
----> 1 massage


NameError: name 'massage' is not defined

添字を使って、指定した位置の文字だけ出力できます。

message[0]

'P'

「スライス」という指定方法もあります。下記で「6:8」というのは、ややこしいですが、「0-indexで6番目からスタートし、8の一個手前で終了する」という意味です。ここで「0-index」とは、一番最初を「ゼロ」とみなす数え方のことです。（人間は 1-index でモノを数えることが多いと思いますが、コンピュータは 0-index で数えることが多いのです。

# そして輝くウルトラソウル
message[6:8]

'はい'

添字が文字数を超えていたりするなど範囲指定を間違えていたら次のようなエラーが出ます。

message[15]

---------------------------------------------------------------------------

IndexError                                Traceback (most recent call last)

<ipython-input-7-8b79e4810453> in <module>
----> 1 message[15]


IndexError: string index out of range

次のようにして、「文字列の足し算」ができます。

message += " 講師はイケメン"

message

'Pythonはいいぞ 講師はイケメン'

「文字列の掛け算」もできます。大事なことなので３回言います。

" 講師はイケメン" * 3

' 講師はイケメン 講師はイケメン 講師はイケメン'

「タブ補完」のススメ

コードを真面目に手打ちしていると、頻繁にスペルミスが起こります。それを避けるため「コピペ」と「タブ補完」を活用しましょう。タブ補完とは、たとえば上記のように m から始まる変数がある場合、m とだけ入力して「タブ」キーを押すと補完されます。候補が複数ある場合はその候補のリストが示されます。

予約語

以下の語は、Python の中であらかじめ定義されている「予約語」なので、変数名として使わないようにしましょう。

print(__import__('keyword').kwlist)

['False', 'None', 'True', 'and', 'as', 'assert', 'break', 'class', 'continue', 'def', 'del', 'elif', 'else', 'except', 'finally', 'for', 'from', 'global', 'if', 'import', 'in', 'is', 'lambda', 'nonlocal', 'not', 'or', 'pass', 'raise', 'return', 'try', 'while', 'with', 'yield']

print(dir(__builtins__))

['ArithmeticError', 'AssertionError', 'AttributeError', 'BaseException', 'BlockingIOError', 'BrokenPipeError', 'BufferError', 'BytesWarning', 'ChildProcessError', 'ConnectionAbortedError', 'ConnectionError', 'ConnectionRefusedError', 'ConnectionResetError', 'DeprecationWarning', 'EOFError', 'Ellipsis', 'EnvironmentError', 'Exception', 'False', 'FileExistsError', 'FileNotFoundError', 'FloatingPointError', 'FutureWarning', 'GeneratorExit', 'IOError', 'ImportError', 'ImportWarning', 'IndentationError', 'IndexError', 'InterruptedError', 'IsADirectoryError', 'KeyError', 'KeyboardInterrupt', 'LookupError', 'MemoryError', 'ModuleNotFoundError', 'NameError', 'None', 'NotADirectoryError', 'NotImplemented', 'NotImplementedError', 'OSError', 'OverflowError', 'PendingDeprecationWarning', 'PermissionError', 'ProcessLookupError', 'RecursionError', 'ReferenceError', 'ResourceWarning', 'RuntimeError', 'RuntimeWarning', 'StopAsyncIteration', 'StopIteration', 'SyntaxError', 'SyntaxWarning', 'SystemError', 'SystemExit', 'TabError', 'TimeoutError', 'True', 'TypeError', 'UnboundLocalError', 'UnicodeDecodeError', 'UnicodeEncodeError', 'UnicodeError', 'UnicodeTranslateError', 'UnicodeWarning', 'UserWarning', 'ValueError', 'Warning', 'ZeroDivisionError', '__IPYTHON__', '__build_class__', '__debug__', '__doc__', '__import__', '__loader__', '__name__', '__package__', '__spec__', 'abs', 'all', 'any', 'ascii', 'bin', 'bool', 'bytearray', 'bytes', 'callable', 'chr', 'classmethod', 'compile', 'complex', 'copyright', 'credits', 'delattr', 'dict', 'dir', 'display', 'divmod', 'enumerate', 'eval', 'exec', 'filter', 'float', 'format', 'frozenset', 'get_ipython', 'getattr', 'globals', 'hasattr', 'hash', 'help', 'hex', 'id', 'input', 'int', 'isinstance', 'issubclass', 'iter', 'len', 'license', 'list', 'locals', 'map', 'max', 'memoryview', 'min', 'next', 'object', 'oct', 'open', 'ord', 'pow', 'print', 'property', 'range', 'repr', 'reversed', 'round', 'set', 'setattr', 'slice', 'sorted', 'staticmethod', 'str', 'sum', 'super', 'tuple', 'type', 'vars', 'zip']

簡単な数値演算

普通に数式を入れれば計算してくれます。

33 - 4

29

数値を示す変数を定義して計算することもできます。

lotte = 33
hanshin = 4

lotte - hanshin

29

データの型が違うもの同士を演算しようとすると次のようなエラーが出ます。

lotte - hanshin + "なんでや阪神は関係ないやろ"

---------------------------------------------------------------------------

TypeError                                 Traceback (most recent call last)

<ipython-input-15-7bdf2419ed7a> in <module>
----> 1 lotte - hanshin + "なんでや阪神は関係ないやろ"


TypeError: unsupported operand type(s) for +: 'int' and 'str'

リスト（list）

多くの値を「リスト」(list) という変数でまとめて取り扱うことができます。ちなみにこの数字は、ドラゴンボールの主要メンバーの戦闘力 です。

data = [5, 10, 100, 120, 180, 180, 260, 260, 190, 910, 900]

data

[5, 10, 100, 120, 180, 180, 260, 260, 190, 910, 900]

データ型は次のようにして確認できます。

type(data)

list

リストの「長さ」（中に入ってるデータの個数）を確認できます。

len(data)

11

添字を使って、指定した場所のデータにアクセスできます。

data[2]

100

添字の指定が範囲を超えていれば次のようなエラーが出ます。

data[20]

---------------------------------------------------------------------------

IndexError                                Traceback (most recent call last)

<ipython-input-21-0e53c59a92d0> in <module>
----> 1 data[20]


IndexError: list index out of range

「スライス」という指定方法もあります。下記で「6:8」というのは、ややこしいですが、「0-indexで6番目からスタートし、8の一個手前で終了する」という意味です。ここで「0-index」とは、一番最初を「ゼロ」とみなす数え方のことです。（人間は 1-index でモノを数えることが多いと思いますが、コンピュータは 0-index で数えることが多いのです。

data[6:8]

[260, 260]

「リストの掛け算」をすると、同じリストを指定回数繰り返したようなリストができます。

data * 2

[5,
 10,
 100,
 120,
 180,
 180,
 260,
 260,
 190,
 910,
 900,
 5,
 10,
 100,
 120,
 180,
 180,
 260,
 260,
 190,
 910,
 900]

次のようにして、地球を襲撃しに来た人たちの戦闘力をリストに追加できます。誰のことかは こちら で確認してください。

data.append(1500)
data.append(1200)
data.append(4000)
data.append(18000)

data

[5, 10, 100, 120, 180, 180, 260, 260, 190, 910, 900, 1500, 1200, 4000, 18000]

指定した値を取り除くこともできます。誰が取り除かれたかは こちら で確認してください。

data.remove(190)

data

[5, 10, 100, 120, 180, 180, 260, 260, 910, 900, 1500, 1200, 4000, 18000]

リストの末尾を取り除くためのメソッドもあります。

data.pop()

18000

data

[5, 10, 100, 120, 180, 180, 260, 260, 910, 900, 1500, 1200, 4000]

指定したデータが何個あるのかカウントするメソッドもあります。

data.count(180)

2

論理演算

以下の論理演算を単独で使うことはほとんどないですが、「IF文」などの条件分岐を理解する上で重要です。

180 == 180

True

910 == 920

False

910 != 920

True

1500 > 1333

True

1307 > 1500

False

(1500 > 1333) and (4000 > 1200)

True

(1500 < 1333) or (4000 > 1200)

True

not (1500 < 1333)

True

戦闘力 530000 の人はデータに入っているでしょうか？

530000 in data

False

もう少し複雑な処理を IF 文で書いてみます。３つの print 文のうち、どれが出力されて、どれが出力されないか確認してください。

ここから先のプログラムでは、インデント（文頭の空白文字）や、文末の「:」（コロン）などを正しく記述しないと、思った通りの動作をしなくなります。注意して使ってください。

value = 900
if value in data:
    print("{} is in data".format(value))
else:
    print("{} is not in data".format(value))
print("まだ終わりじゃないぞよ")

900 is in data
まだ終わりじゃないぞよ

ちなみに、次のようにして、ちょっと複雑な文が書けます。

"{} と {} が力を合わせて {} を撃退した。".format(910, 900, 1500)

'910 と 900 が力を合わせて 1500 を撃退した。'

辞書（dictionary）

「添字」を任意の値（数字でも文字でも）にした「辞書」というデータ構造があります。

dict_data = {'農夫': 5,
             '孫悟空 (12歳)': 10,
             '孫悟空 (13歳；亀仙人の修行後)': 100,
            'ジャッキー・チュン（亀仙人）': 120}

dict_data['農夫']

5

存在しないキー（添字）を検索しようとするとエラーが出ます。

dict_data['孫悟空']

---------------------------------------------------------------------------

KeyError                                  Traceback (most recent call last)

<ipython-input-44-5c79a6a5f839> in <module>
----> 1 dict_data['孫悟空']


KeyError: '孫悟空'

キーは次のようにして後から追加できます。

dict_data['孫悟空 (16歳)'] = 180
dict_data['天津飯 (20歳)'] = 180

dict_data

{'農夫': 5,
 '孫悟空 (12歳)': 10,
 '孫悟空 (13歳；亀仙人の修行後)': 100,
 'ジャッキー・チュン（亀仙人）': 120,
 '孫悟空 (16歳)': 180,
 '天津飯 (20歳)': 180}

繰り返し処理

range と for を使って、数字を列挙できます。

for i in range(10):
    print(i)

0
1
2
3
4
5
6
7
8
9

始点と終点、および間隔を指定することもできます。

for i in range(110, 125, 3):
    print(i)

110
113
116
119
122

while 文を用いた繰り返しというものもありますが、終了条件を間違えたり、 num = num + 1 などの記述を間違えると無限ループになって計算が終わらず、その中で print 文を使っていると表示が多すぎてマシンが固まることもあるので要注意。

num = 1

while num <= 10:
    print(num)
    num = num + 1

1
2
3
4
5
6
7
8
9
10

また、while 文が終了した後に変数の値がどうなっているか確認しておくのも大事。

num

11

リストに対する for 文の使い方はこう。

for x in [100, 200, 300]:
    print(x)

100
200
300

同じ長さのリストが複数あって、それを同時に回したいときは、zip を使います。

for x, y in zip([100, 200, 300], [400, 500, 600]):
    print(x, y)

100 400
200 500
300 600

複数のリストの全組み合わせを出したいなら二重ループにします。

for x in [100, 200, 300]:
    for y in [400, 500, 600]:
        print(x, y)

100 400
100 500
100 600
200 400
200 500
200 600
300 400
300 500
300 600

添字を参照しながら回したいなら enumerate

for i, x in enumerate([100, 200, 300]):
    print(i, x)

0 100
1 200
2 300

リストに格納された数値の合計値を求めてみましょう。

total = 0

for num in data:
    print("Power = ", num)
    total = total + num

Power =  5
Power =  10
Power =  100
Power =  120
Power =  180
Power =  180
Power =  260
Power =  260
Power =  910
Power =  900
Power =  1500
Power =  1200
Power =  4000

total

9625

辞書に格納されたキー（添字）をリストアップしてみましょう。

for dic_key in dict_data:
    print(dic_key)

農夫
孫悟空 (12歳)
孫悟空 (13歳；亀仙人の修行後)
ジャッキー・チュン（亀仙人）
孫悟空 (16歳)
天津飯 (20歳)

次のようにしても同じです。

for dic_key in dict_data.keys():
    print(dic_key)

農夫
孫悟空 (12歳)
孫悟空 (13歳；亀仙人の修行後)
ジャッキー・チュン（亀仙人）
孫悟空 (16歳)
天津飯 (20歳)

値をリストアップしてみましょう。

for dic_key in dict_data:
    print(dict_data[dic_key])

5
10
100
120
180
180

次のようにしても同じです。

for dic_val in dict_data.values():
    print(dic_val)

5
10
100
120
180
180

次のようにして、キーと値を同時に取り出すことができます。

for key, val in dict_data.items():
    print(key, " の戦闘力は ", val, " です。")

農夫  の戦闘力は  5  です。
孫悟空 (12歳)  の戦闘力は  10  です。
孫悟空 (13歳；亀仙人の修行後)  の戦闘力は  100  です。
ジャッキー・チュン（亀仙人）  の戦闘力は  120  です。
孫悟空 (16歳)  の戦闘力は  180  です。
天津飯 (20歳)  の戦闘力は  180  です。

リスト内包表記

data の数値を１個ずつ取り出して、３倍界王拳してみましょう。

data3 = []
for x in data:
    data3.append(x * 3)

data3

[15, 30, 300, 360, 540, 540, 780, 780, 2730, 2700, 4500, 3600, 12000]

同じことを「リスト内包表記」という書き方で記述できます。

data3_naiho = [x * 3 for x in data]

data3_naiho

[15, 30, 300, 360, 540, 540, 780, 780, 2730, 2700, 4500, 3600, 12000]

「戦闘力が 1000 未満の人は３倍界王拳が使えない」という制限をかけてみましょう。

[x * 3 for x in data if x >= 1000]

[4500, 3600, 12000]

上記の計算だと、界王拳が使えない人は消されてしまいましたが、界王拳が使えない人をそのままで生き残らせたいなら次のようになります。

[x * 3 if x >= 1000 else x for x in data ]

[5, 10, 100, 120, 180, 180, 260, 260, 910, 900, 4500, 3600, 12000]

関数を定義して使う

界王拳３倍を関数にしてみます。ただし、戦闘力が1000未満の場合は３倍にならず、そのままの戦闘力であるものとします。

def kaioh_ken_3bai(a):
    if a >= 1000:
        a = a * 3
    return a

data3 = []
for x in data:
    data3.append(kaioh_ken_3bai(x))

data3

[5, 10, 100, 120, 180, 180, 260, 260, 910, 900, 4500, 3600, 12000]

リスト内包表記するとこんな感じです。

[kaioh_ken_3bai(x) for x in data]

[5, 10, 100, 120, 180, 180, 260, 260, 910, 900, 4500, 3600, 12000]

map という関数を使って界王拳３倍する方法もあります。

list(map(kaioh_ken_3bai, data))

[5, 10, 100, 120, 180, 180, 260, 260, 910, 900, 4500, 3600, 12000]

「ラムダ式」という異名を持つ「無名関数」を使っても界王拳３倍できます。このようなラムダ式をつかって、、、

(lambda x: x * 3 if x >= 1000 else x)(1000)

3000

このようにします。

list(map(lambda x: x * 3 if x >= 1000 else x, data))

[5, 10, 100, 120, 180, 180, 260, 260, 910, 900, 4500, 3600, 12000]

関数を定義することの利点は、同じ処理を何度も繰り返したいときに使いまわせることと、次のように「再帰的」（自分が自分を呼び出す）ことができることです。次は有名なフィボナッチ数の出し方です。

def calc_fib(n):
    if n == 1 or n == 2:
        return 1
    else:
        return calc_fib(n - 1) + calc_fib(n - 2)

calc_fib(10)

55

クラスとインスタンス

最後に、クラスとインスタンスについて説明します。たとえば「人」をクラスとして表現すると

class Person:
    def self_introduction(self):
        print("私は {} 。私の戦闘力は {} です。".format(self.name, self.power))

下記のようにして、Personというクラスに属する freeza というインスタンスが作れます。

freeza = Person()

freeza.name = 'フリーザ'
freeza.power = 530000

freeza.self_introduction()

私は フリーザ 。私の戦闘力は 530000 です。

もう少し凝ったクラスを作ってみましょう。

• 初期化する関数 init を設定する
• 変身するための関数を定義する
• 変身は３回までとする

class Person:
    def __init__(self, x, y):
        self.name = x
        self.power = y
        self.stage = 1 # 第１形態からスタート
        self.max_transform = 3 # ３回まで変身できる

    def transform(self): # 変身
        if self.stage <= self.max_transform:
            print("変身")
            self.power *= 2 ** self.stage
            self.stage += 1
        else:
            print("マックスパワーの半分も出せばキミを宇宙のチリにすることができるんだ…")

    def self_introduction(self):
        print("私は {} （第 {} 形態）。私の戦闘力は {} です。".format(self.name, self.stage, self.power))
        print("私は変身をあと {} 回残しています。".format(self.max_transform - self.stage + 1))

初期化の関数を定義し、その関数は引数を必要とするので、先ほどと同じようにインスタンスを作るとエラーになります。

freeza = Person()

---------------------------------------------------------------------------

TypeError                                 Traceback (most recent call last)

<ipython-input-82-140a6c210b6b> in <module>
----> 1 freeza = Person()


TypeError: __init__() missing 2 required positional arguments: 'x' and 'y'

引数の数を正しく指定すると動きます。

freeza = Person('フリーザ', 530000)

freeza.self_introduction()

私は フリーザ （第 1 形態）。私の戦闘力は 530000 です。
私は変身をあと 3 回残しています。

freeza.transform()

変身

freeza.self_introduction()

私は フリーザ （第 2 形態）。私の戦闘力は 1060000 です。
私は変身をあと 2 回残しています。

freeza.transform()

変身

freeza.self_introduction()

私は フリーザ （第 3 形態）。私の戦闘力は 4240000 です。
私は変身をあと 1 回残しています。

freeza.transform()

変身

freeza.self_introduction()

私は フリーザ （第 4 形態）。私の戦闘力は 33920000 です。
私は変身をあと 0 回残しています。

freeza.transform()

マックスパワーの半分も出せばキミを宇宙のチリにすることができるんだ…

freeza.self_introduction()

私は フリーザ （第 4 形態）。私の戦闘力は 33920000 です。
私は変身をあと 0 回残しています。

変身の履歴が残っているので、これ以上変身できません。

内包表記（コンプリヘンション）について

今回は、内包表記について。

元々、Progate２週程度の理解しかなく現場でのソースがほとんどこの内包表記という書き方で
書かれていて、もう「for文の前についてる変数…なにこれ？？」みたいな感じだった。

勉強しなんとなく理解できたので、簡単にまとめていきたいと思う。

内容表記とは

for文でリストを作成していく際、短く簡潔な方法で書くこと。
他にもディクショナリやset型も扱うことができる。

通常の記述方法

例：
下記のdata変数へ１～５までの数値をリストとして代入し、

data = [1, 2, 3, 4, 5]

配列の中身を３倍にする処理をfor文で回しながらnewData変数へ再度、入れ込んでいく

newData = []
for d in data:
  newData.append(d * 3)

#[3, 6, 9, 12, 15]

内容表記での記述

上記３行で表してた処理を１行で簡潔に記述すると以下のようになる。

newData = [d * 3 for d in data]

# [3, 6, 9, 12, 15]

if文を使った条件式

入れ子構造にして、if文で条件をつける場合も可能。

for d in data:
   if  d % 2 ==0:
      newData.append(d)
      #[2, 4]

上記の記述を内包表記で記述すると、以下のようになる。

newData = [d for d in data if d % 2 == 0]
#[2, 4]