基于Python的读者书库源码，注释齐全，包含资源文件，可运行

本篇文章主要介绍了快速实现基于Python的微信聊天机器人示例代码，基于itchat开发，可以用它做一个微信聊天机器人，有兴趣的可以了解一下。

Python hashlib库/模块使用方法的基础演示，包含字符串和文件的md5和sha256哈希码。

win10/testlink/xampp

本代码基于python对基本的混合蛙跳算法进行实例实现。

主要介绍了基于Python的一个自动录入表格的小程序，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

（1）聚类分析 （2）MATPLOTLIB绘图基础 （3）MATPLOTLIB图像属性控制 （4）PANDAS作图 （5）数据存取 （6）PYTHON的理工类应用 （7）PYTHON的人文社科类应用

视觉合成器 一个基于python的MusicXML播放器，合成器，可视化器！ 您可以创建自己的乐器声音，导出声音，甚至可以轻松自定义其UI！ 这是该程序的视频介绍： : 这是该程序的一个视频示例（出于娱乐目的更改了背景）： : 如果您无法安装simpleaudio模块，请填写此网站的答案： ://stackoverflow.com/questions/45007577/pyconfig-h-cannot-open-include-file-io-h-no-such-file-or-directory

mock练习

# -*- coding: utf-8 -*- import pandas as pd import numpy as np from math import sqrt critics={'Lisa Rose': {'Lady in the Water': 2.5, 'Snakes on a Plane': 3.5, 'Just My Luck': 3.0, 'Superman Returns': 3.5, 'You, Me and Dupree': 2.5, 'The Night Listener': 3.0}, 'Gene Seymour': {'Lady in the Water': 3.0, 'Snakes on a Plane': 3.5, 'Just My Luck': 1.5, 'Superman Returns': 5.0, 'The Night Listener': 3.0, 'You, Me and Dupree': 3.5}, 'Michael Phillips': {'Lady in the Water': 2.5, 'Snakes on a Plane': 3.0, 'Superman Returns': 3.5, 'The Night Listener': 4.0}, 'Claudia Puig': {'Snakes on a Plane': 3.5, 'Just My Luck': 3.0, 'The Night Listener': 4.5, 'Superman Returns': 4.0, 'You, Me and Dupree': 2.5}, 'Mick LaSalle': {'Lady in the Water': 3.0, 'Snakes on a Plane': 4.0, 'Just My Luck': 2.0, 'Superman Returns': 3.0, 'The Night Listener': 3.0, 'You, Me and Dupree': 2.0}, 'Jack Matthews': {'Lady in the Water': 3.0, 'Snakes on a Plane': 4.0, 'The Night Listener': 3.0, 'Superman Returns': 5.0, 'You, Me and Dupree': 3.5}, 'Toby': {'Snakes on a Plane':4.5,'You, Me and Dupree':1.0,'Superman Returns':4.0}} df_critics=pd.DataFrame(critics) ##欧氏距离 def sim_distance(prefs,person1,person2): si={} for item in prefs[person1]: if item in prefs[person2]: si[item]=1 if len(si)==0: return 0 sum_of_squares=sum([pow(prefs[person1][item]-prefs[person2][item],2) for item in prefs[person1] if item in prefs[person2]]) return 1/(1+sqrt(sum_of_squares)) ##numpy pandas 方法 def sim_distance2(prefs,person1,person2): return 1/(1+np.linalg.norm(prefs[person1]-prefs[person2])) ##皮尔逊相关系数 def sim_pearson(prefs,p1,p2): si={} for item in prefs[p1]: if item in prefs[p2]: si[item]=1 n=len(si) if n==0: return 1 ##对所有偏好求和 sum1=sum([prefs[p1][it] for it in si]) sum2=sum([prefs[p2][it] for it in si]) ##求平方和 sum1Sq=sum([pow(prefs[p1][it]