首页 / PYTHON / python 多分类任务中按照类别分层采样

python 多分类任务中按照类别分层采样

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了python 多分类任务中按照类别分层采样，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含9099字，纯文字阅读大概需要13分钟。

内容图文

在机器学习多分类任务中有时候需要针对类别进行分层采样，比如说类别不均衡的数据，这时候随机采样会造成训练集、验证集、测试集中不同类别的数据比例不一样，这是会在一定程度上影响分类器的性能的，这时候就需要进行分层采样保证训练集、验证集、测试集中每一个类别的数据比例差不多持平。

下面python代码。

# 将数据按照类别进行分层划分
def save_file_stratified(filename, ssdfile_dir, categories):
    """
    将文件分流到3个文件中
    filename: 原数据地址，一个csv文件
    文件内容格式:  类别\t内容
    """
    f_train = open('../data/usefuldata-711depart/train.txt', 'w', encoding='utf-8')
    f_val = open('../data/usefuldata-711depart/val.txt', 'w', encoding='utf-8')
    f_test = open('../data/usefuldata-711depart/test.txt', 'w', encoding='utf-8')
    # f_class = open('../data/usefuldata-37depart/class.txt', 'w', encoding='utf-8')
    dict_ssdqw = {}
    for ssdfile in os.listdir(ssdfile_dir):
        ssdfile_name = os.path.join(ssdfile_dir, ssdfile)
        f = open(ssdfile_name, 'r', encoding='utf-8')
        content_qw = ''
        content = f.readline()
        # 以下部分，因为统计整个案件基本情况他有换行，所以将多行处理在一行里面
        while content:
            content_qw += content
            content_qw = content_qw.replace('\n', '')
            content = f.readline()
        ssdfile_key = str(ssdfile).replace('.txt','')
        dict_ssdqw[ssdfile_key] = content_qw
    # doc_count代表每一类数据总共有多少个
    doc_count_0 = 0
    doc_count_1 = 0
    doc_count_2 = 0
    doc_count_3 = 0
    doc_count_4 = 0
    doc_count_5 = 0
    doc_count_6 = 0
    doc_count_7 = 0
    doc_count_8 = 0
    doc_count_9 = 0
    doc_count_10 = 0
    doc_count_11 = 0
    doc_count_12 = 0
    temp_file = open(filename, 'r', encoding='utf-8')
    line = temp_file.readline()
    while line:
        line_content = line.split(',')
        name = line_content[0]
        if name in dict_ssdqw:
            label = line_content[1]
            if label == categories[0]:
                doc_count_0 += 1
            elif label == categories[1]:
                doc_count_1 += 1
            elif label == categories[2]:
                doc_count_2 += 1
            elif label == categories[3]:
                doc_count_3 += 1
            elif label == categories[4]:
                doc_count_4 += 1
            elif label == categories[5]:
                doc_count_5 += 1
            elif label == categories[6]:
                doc_count_6 += 1
            elif label == categories[7]:
                doc_count_7 += 1
            elif label == categories[8]:
                doc_count_8 += 1
            elif label == categories[9]:
                doc_count_9 += 1
            elif label == categories[10]:
                doc_count_10 += 1
            elif label == categories[11]:
                doc_count_11 += 1
            elif label == categories[12]:
                doc_count_12 += 1
        line = temp_file.readline()
    temp_file.close()
    # 总数量
    doc_count = doc_count_0 + doc_count_1 + doc_count_2 + doc_count_3 +\
        doc_count_4 + doc_count_5 + doc_count_6 + doc_count_7 +\
        doc_count_8 + doc_count_9 + doc_count_10 + doc_count_11 + doc_count_12
    class_set = set()
    tag_train_0 = doc_count_0 * 70 / 100
    tag_train_1 = doc_count_1 * 70 / 100
    tag_train_2 = doc_count_2 * 70 / 100
    tag_train_3 = doc_count_3 * 70 / 100
    tag_train_4 = doc_count_4 * 70 / 100
    tag_train_5 = doc_count_5 * 70 / 100
    tag_train_6 = doc_count_6 * 70 / 100
    tag_train_7 = doc_count_7 * 70 / 100
    tag_train_8 = doc_count_8 * 70 / 100
    tag_train_9 = doc_count_9 * 70 / 100
    tag_train_10 = doc_count_10 * 70 / 100
    tag_train_11= doc_count_11 * 70 / 100
    tag_train_12 = doc_count_12 * 70 / 100
    tag_val_0 = doc_count_0 * 85 / 100
    tag_val_1 = doc_count_1 * 85 / 100
    tag_val_2 = doc_count_2 * 85 / 100
    tag_val_3 = doc_count_3 * 85 / 100
    tag_val_4 = doc_count_4 * 85 / 100
    tag_val_5 = doc_count_5 * 85 / 100
    tag_val_6 = doc_count_6 * 85 / 100
    tag_val_7 = doc_count_7 * 85 / 100
    tag_val_8 = doc_count_8 * 85 / 100
    tag_val_9 = doc_count_9 * 85 / 100
    tag_val_10 = doc_count_10 * 85 / 100
    tag_val_11 = doc_count_11 * 85 / 100
    tag_val_12 = doc_count_12 * 85 / 100
    # tag_test = doc_count * 70 / 100
    tag_0 = 0
    tag_1 = 0
    tag_2 = 0
    tag_3 = 0
    tag_4 = 0
    tag_5 = 0
    tag_6 = 0
    tag_7 = 0
    tag_8 = 0
    tag_9 = 0
    tag_10 = 0
    tag_11 = 0
    tag_12 = 0
    # 有些文书行业标记是空！！我想看看有多少条？
    blank_tag = 0
    # 标记一下，每个类别有多少个训练集、验证集、测试集？
    train_class_tag = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
    val_class_tag = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
    test_class_tag = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
    # csvfile = open(filename, 'r', encoding='utf-8')
    txtfile = open(filename, 'r', encoding='utf-8')
    process_line = txtfile.readline()
    while process_line:
        line_content = process_line.split(',')
        name = line_content[0]
        if name in dict_ssdqw:
            content = dict_ssdqw[name]
            label = line_content[1]
            # if label != '' and label != '其他行业':
            if label != '':
                class_set.add(label)
                # 对每一类进行分层采样
                if label == categories[0]:
                    tag_0 += 1
                    if tag_0 < tag_train_0:
                        f_train.write(label + '\t' + content + '\n')
                        train_class_tag[0] += 1
                    elif tag_0 < tag_val_0:
                        f_val.write(label + '\t' + content + '\n')
                        val_class_tag[0] += 1
                    else:
                        f_test.write(label + '\t' + content + '\n')
                        test_class_tag[0] += 1
                elif label == categories[1]:
                    tag_1 += 1
                    if tag_1 < tag_train_1:
                        f_train.write(label + '\t' + content + '\n')
                        train_class_tag[1] += 1
                    elif tag_1 < tag_val_1:
                        f_val.write(label + '\t' + content + '\n')
                        val_class_tag[1] += 1
                    else:
                        f_test.write(label + '\t' + content + '\n')
                        test_class_tag[1] += 1
                elif label == categories[2]:
                    tag_2 += 1
                    if tag_2 < tag_train_2:
                        f_train.write(label + '\t' + content + '\n')
                        train_class_tag[2] += 1
                    elif tag_2 < tag_val_2:
                        f_val.write(label + '\t' + content + '\n')
                        val_class_tag[2] += 1
                    else:
                        f_test.write(label + '\t' + content + '\n')
                        test_class_tag[2] += 1
                elif label == categories[3]:
                    tag_3 += 1
                    if tag_3 < tag_train_3:
                        f_train.write(label + '\t' + content + '\n')
                        train_class_tag[3] += 1
                    elif tag_3 < tag_val_3:
                        f_val.write(label + '\t' + content + '\n')
                        val_class_tag[3] += 1
                    else:
                        f_test.write(label + '\t' + content + '\n')
                        test_class_tag[3] += 1
                elif label == categories[4]:
                    tag_4 += 1
                    if tag_4 < tag_train_4:
                        f_train.write(label + '\t' + content + '\n')
                        train_class_tag[4] += 1
                    elif tag_4 < tag_val_4:
                        f_val.write(label + '\t' + content + '\n')
                        val_class_tag[4] += 1
                    else:
                        f_test.write(label + '\t' + content + '\n')
                        test_class_tag[4] += 1
                elif label == categories[5]:
                    tag_5 += 1
                    if tag_5 < tag_train_5:
                        f_train.write(label + '\t' + content + '\n')
                        train_class_tag[5] += 1
                    elif tag_5 < tag_val_5:
                        f_val.write(label + '\t' + content + '\n')
                        val_class_tag[5] += 1
                    else:
                        f_test.write(label + '\t' + content + '\n')
                        test_class_tag[5] += 1
                elif label == categories[6]:
                    tag_6 += 1
                    if tag_6 < tag_train_6:
                        f_train.write(label + '\t' + content + '\n')
                        train_class_tag[6] += 1
                    elif tag_6 < tag_val_6:
                        f_val.write(label + '\t' + content + '\n')
                        val_class_tag[6] += 1
                    else:
                        f_test.write(label + '\t' + content + '\n')
                        test_class_tag[6] += 1
                elif label == categories[7]:
                    tag_7 += 1
                    if tag_7 < tag_train_7:
                        f_train.write(label + '\t' + content + '\n')
                        train_class_tag[7] += 1
                    elif tag_7 < tag_val_7:
                        f_val.write(label + '\t' + content + '\n')
                        val_class_tag[7] += 1
                    else:
                        f_test.write(label + '\t' + content + '\n')
                        test_class_tag[7] += 1
                elif label == categories[8]:
                    tag_8 += 1
                    if tag_8 < tag_train_8:
                        f_train.write(label + '\t' + content + '\n')
                        train_class_tag[8] += 1
                    elif tag_8 < tag_val_8:
                        f_val.write(label + '\t' + content + '\n')
                        val_class_tag[8] += 1
                    else:
                        f_test.write(label + '\t' + content + '\n')
                        test_class_tag[8] += 1
                elif label == categories[9]:
                    tag_9 += 1
                    if tag_9 < tag_train_9:
                        f_train.write(label + '\t' + content + '\n')
                        train_class_tag[9] += 1
                    elif tag_9 < tag_val_9:
                        f_val.write(label + '\t' + content + '\n')
                        val_class_tag[9] += 1
                    else:
                        f_test.write(label + '\t' + content + '\n')
                        test_class_tag[9] += 1
                elif label == categories[10]:
                    tag_10 += 1
                    if tag_10 < tag_train_10:
                        f_train.write(label + '\t' + content + '\n')
                        train_class_tag[10] += 1
                    elif tag_10 < tag_val_10:
                        f_val.write(label + '\t' + content + '\n')
                        val_class_tag[10] += 1
                    else:
                        f_test.write(label + '\t' + content + '\n')
                        test_class_tag[10] += 1
                elif label == categories[11]:
                    tag_11 += 1
                    if tag_11 < tag_train_11:
                        f_train.write(label + '\t' + content + '\n')
                        train_class_tag[11] += 1
                    elif tag_11 < tag_val_11:
                        f_val.write(label + '\t' + content + '\n')
                        val_class_tag[11] += 1
                    else:
                        f_test.write(label + '\t' + content + '\n')
                        test_class_tag[11] += 1
                elif label == categories[12]:
                    tag_12 += 1
                    if tag_12 < tag_train_12:
                        f_train.write(label + '\t' + content + '\n')
                        train_class_tag[12] += 1
                    elif tag_12 < tag_val_12:
                        f_val.write(label + '\t' + content + '\n')
                        val_class_tag[12] += 1
                    else:
                        f_test.write(label + '\t' + content + '\n')
                        test_class_tag[12] += 1
            else:
                blank_tag += 1
        process_line = txtfile.readline()
    txtfile.close()
    print("有" + str(blank_tag) + "个文书的行业标记为空！")
    print("train:")
    print(train_class_tag)
    train_tag_total =0
    for i_total in train_class_tag:
        train_tag_total += i_total
    train_class_tag_distribute = []
    for i in train_class_tag:
        train_class_tag_distribute.append((i / train_tag_total) * 100)
    print("分布:")
    print(train_class_tag_distribute)
    print("val:")
    print(val_class_tag)
    val_tag_total = 0
    for i_total in val_class_tag:
        val_tag_total += i_total
    val_class_tag_distribute = []
    for i in val_class_tag:
        val_class_tag_distribute.append((i / val_tag_total) * 100)
    print("分布:")
    print(val_class_tag_distribute)
    print("test:")
    print(test_class_tag)
    test_tag_total = 0
    for i_total in test_class_tag:
        test_tag_total += i_total
    test_class_tag_distribute = []
    for i in test_class_tag:
        test_class_tag_distribute.append((i / test_tag_total) * 100)
    print("分布:")
    print(test_class_tag_distribute)
    f_train.close()
    f_test.close()
    f_val.close()
if __name__ == '__main__':
    categories = [
        "class1",
        "class2",
        "class3",
        "class4",
        "class5",
        "class6",
        "class7",
        "class8",
        "class9",
        "class10",
        "class11",
        "class12",
        "class13"
    ]
    save_file_stratified('../data/qwdata/shuffle-try3/classified_table_ms.txt', '../data/qwdata/ms-ygscplusssdqw',categories)

View Code

后面可以看到类别划分

python 多分类任务中按照类别分层采样 - 文章图片

这里要注意的一点是：这是我早期写的文章，需要注意的一点是，我们通常在训练集和验证集上做分层采样即可，测试集最好保持原样不要动。

内容总结

以上是互联网集市为您收集整理的python 多分类任务中按照类别分层采样全部内容，希望文章能够帮你解决python 多分类任务中按照类别分层采样所遇到的程序开发问题。如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

扫描二维码推送至手机访问。

本文链接：https://qyyshop.com/info/781248.html

来源：【匿名】

【上一篇】Python 优先级【下一篇】浅谈PHP运行Python脚本的方法

更多 ►

【python 多分类任务中按照类别分层采样】教程文章相关的互联网学习教程文章

python版定时任务机制【代码】

定时任务的原理服务器执行一个python脚本这个脚本,循环执行配置的定时任务地址Python请求地址, 该地址应该返回, 下次再来执行的秒数. 也就是任务的频率比如任务希望每3秒执行一次, 那么任务结束后,应该返回一个3的数字python脚本拿到任务返回的数字, 算出下次执行任务的时间. 当时间条件满足是, python脚本会继续访问该任务不同的任务, 直接修改 init里面的配置就可以了 python脚本如下:#!/usr/bin/env python3 # -*- coding: u...

Python高级应用程序设计任务【图】

一.主题式网络爬虫设计方案1.主题式网络爬虫的名称1.1链家房产售价的爬取与分析2，主题式网络爬虫的内容与数据特征分析2.1爬虫的内容房源信息的名称，小区名称，房间数量，房间大小，朝向，装修，楼层，建筑年限，是否为板楼，关注人数，发布时间。2.2 数据特征分析2.2.1对装修做一个词云并可视化2.2.2对房间数量做一个词云并可视化 2.2.3对关注人数做一个折线图3，主题式网络爬虫设计方案概述（包括实现思路和技术难点）3.1实现思...

win10设置Python程序定时运行(设置计划任务)【代码】

win10系统， python安装目录为D:\Python38 要运行的脚本为F:\hello.py1 在开始菜单上，点鼠标右键计算机管理 2 在计算机管理中，系统工具任务计划程序创建基本任务3 输入名称 hello 下一步每天（后面根据提示做相应设置）启动程序 4 关键的地方到了，在程序或脚本中，选择pythonw.exe程序我的是D:\Python38\pythonw.exe （也可选择python.exe,运行时有CMD窗口）在添加参数中，输入要运行的hell...

Python高级应用程序设计任务【代码】【图】

Python高级应用程序设计任务要求用Python实现一个面向主题的网络爬虫程序，并完成以下内容：（注：每人一题，主题内容自选，所有设计内容与源代码需提交到博客园平台）一、主题式网络爬虫设计方案（15分） 1.主题式网络爬虫名称爬取广州的2019第一季度天气 2.主题式网络爬虫爬取的内容与数据特征分析爬取内容：最高气温，最低气温和天气状况。 3.主题式网络爬虫设计方案概述（包括实现思路与技术难点）实现思路：1.确定目...

Python写自动化之图标锁定到任务栏或删除图标

这个功能在windows上测试安装卸载时，有时会用到，网上查到的两种语言的版本如下：C#版：Shell shell = new Shell(); Folder folder = shell.NameSpace(Path.GetDirectoryName(appPath)); FolderItem app = folder.ParseName(Path.GetFileName(appPath)); string sVerb = isLock ? "锁定到任务栏(&K)" : "从任务栏脱离(&K)";foreach (FolderItemVerb Fib in app.Verbs()) {if (Fib.Name == sVerb){Fib.DoIt();return true;} }retur...

使用windows定时任务运行python脚本【代码】【图】

mail_receive_monitor05.pyimport zmail from tkinter import * import tkinter.messageboxserver = zmail.server(‘reblue520@163.com‘, ‘reblue.520‘) mail = server.get_latest()new_id = mail[‘id‘]file_read = open(‘id.txt‘, ‘r‘) old_id = file_read.readline() file_write = open(‘id.txt‘, ‘w‘) file_write.write(str(new_id)) file_write.close()if old_id != str(new_id):main_window = Tk()main_window.w...

python---Celery分布式任务队列了解【代码】【图】

linux下定时器了解Celery 框架学习笔记（不错哟）Celery 分布式任务队列快速入门Celery的最佳实践一、Celery介绍Celery 是一个基于python开发的分布式异步消息任务队列，通过它可以轻松的实现任务的异步处理，如果你的业务场景中需要用到异步任务，就可以考虑使用celery，举几个实例场景中可用的例子:你想对100台机器执行一条批量命令，可能会花很长时间，但你不想让你的程序等着结果返回，而是给你返回一个任务ID,你过一段时...

Python利用ansible分发处理任务【代码】

其实对python熟悉的人都可以自己用paramiko来写任务的分发系统，再结合gevent的协程就能实现异步的处理。如果只想用工具的朋友可以使用一些工具，类似｛puppet,saltstack,fabric,ansible,chef｝等，其实这些工具的都是很好用的，不过于学习的成本，我建议大家使用ansible，这个模块封装的不错，功能也很齐全。我们首先先安装ansible把复制代码代码如下:pip install ansible #其实我建议大家用ubuntu的系...

Python学习笔记 - day14 - Celery异步任务【代码】【图】

Celery概述关于celery的定义，首先来看官方网站：Celery(芹菜) 是一个简单、灵活且可靠的，处理大量消息的分布式系统，并且提供维护这样一个系统的必需工具。简单来看，是一个基于python开发的分布式异步消息任务队列，持使用任务队列的方式在分布的机器、进程、线程上执行任务调度。通过它可以轻松的实现任务的异步处理，如果你的业务场景中需要用到异步任务，就可以考虑使用celery，举几个实例场景中可用的例子:你想对100台机器...

python高级应用程序设计任务【代码】【图】

一、主题式网络爬虫设计方案（15分）1.主题式网络爬虫名称软科中国最好医科大学排名2019，爬取中国最好医科大学排名、学校名称、省市、总分、指标得分(生源质量(新生高考成绩得分))等信息2.主题式网络爬虫爬取的内容与数据特征分析爬取内容：爬取中国最好医科大学排名、学校名称、省市、总分、指标得分(生源质量(新生高考成绩得分))等信息3.主题式网络爬虫设计方案概述（包括实现思路与技术难点）本案例使用requests库获取网页数据...

python 爬虫定时计划任务【代码】

记得以前的windows 任务定时是可以的正常使用的，今天试了下，发现不能正常使用了，任务计划总是挂起。接下来记录下python 爬虫定时任务的几种解决方法。今天是第一篇，后面会陆续更新。首先最容易的是while true死循环挂起，上代码import osimport timeimport sysfrom datetime import datetime, timedeltadef One_Plan():# 设置启动周期Second_update_time = 24 * 60 * 60# 当前时间now_Time = datetime.now()# 设置任务启动时间...

python任务调度实例分析【代码】

本文实例讲述了python任务调度实现方法。分享给大家供大家参考。具体如下：方法1: import sched, time import os s = sched.scheduler(time.time, time.sleep) #scheduler的两个参数用法复杂,可以不做任何更改 def playmusic(x):os.system(x) def jobtodo():tmlist = [2011,8,11,22,15,0,0,0,0]x1=time.mktime(tmlist)x2=time.time()y=x1-x2 #计算任务到现在的时间长度s.enter(y, 1, playmusic, (‘mplayer /home/c.mp3‘,)) #四个...

Python高级应用程序设计任务【代码】【图】

一、主题式网络爬虫设计方案（15分）1.主题式网络爬虫名称《Python爬虫之国家统计局相关数据的爬取及分析》2.主题式网络爬虫爬取的内容与数据特征分析本次爬取内容为：国家统计局（http://www.stats.gov.cn/）中，改革开放以来GDP增长率、三大产业对GDP的贡献率以及三大产业对GDP增长的拉动。数据特征分析：根据网页显示，可以直观地看出这些数据年年在变化，并且第三产业对GDP的贡献率呈上升趋势。三大产业对GDP增长的拉动=三大产...

【原创】编写多线程Python爬虫来过滤八戒网上的发布任务【代码】

目标：以特定语言技术为关键字，爬取八戒网中网站设计开发栏目下发布的任务相关信息需求：用户通过设置自己感兴趣的关键字或正则表达式，来过滤信息。我自己选择的是通过特定语言技术作为关键字，php、java和python。注意：如果不选用正则表达式，就会把javascript也爬进来，那前端的信息就比较多了。为什么要使用多线程：网络烂，读网页时很容易阻塞，这个时候后面的工作都得等；在保存页面时，有对硬盘I/O的需求，如果阻塞了也...

python schedule以及自定义定时任务【代码】

if__name__ == ‘__main__‘:# schedule 定时模块用于周以下的定时比较方便，如果涉及月等多个自定义定时则力所不及# #schedule方法是串行的，也就是说，如果各个任务之间时间不冲突，那是没问题的；如果时间有冲突的话，会串行的执行命令#每隔十分钟执行一次任务# schedule.every(10).minutes.do(main)#每隔一小时执行一次任务# schedule.every().hour.do(main)#每天的10:30执行一次任务# schedule.every().day.at("10:30").do(ma...

PYTHON - 技术教程分类

Python3 教程 Python3 简介 Python3 环境搭建 Python3 基础语法 Python3 基本数据类型 Python3 解释器 Python3 注释 Python3 运算符 Python3 数字(Number) Python3 字符串 Python3 列表 Python3 元组 Python3 字典 Python3 集合 Python3 编程第一步 Python3 条件控制 Python3 循环语句 Python3 迭代器与生成器 Python3 函数 Python3 数据结构 Python3 模块 Python3 输入和输出 Python3 File Python3 OS Python3 错误和异常 Python3 面向对象 Python3 命名空间/作用域 Python3 标准库概览 Python3 实例 Python3 CGI编程 Python3 MySQL(PyMySQL) Python3 网络编程 Python3 SMTP发送邮件 Python3 多线程 Python3 日期和时间 Python3 内置函数 Python3 MongoDB Python3 urllib python 全部

PYTHON - 最热教程

python如何统计字符串中字母个数？使用Python进行微信公众号开发（三）回...Python+PyQT5的子线程更新UI界面的实例 python时间戳怎么获得？如何获得当前时...vscode调试python时提示无法将“conda”...python接口自动化全局变量access_token...python收取邮件(腾讯企业邮箱)python如何绘制降水图详解python并发获取snmp信息及性能测试...怎么卸载Python3.6？

首页 / PYTHON / python 多分类任务中按照类别分层采样

python 多分类任务中按照类别分层采样

内容导读

内容图文

内容总结

内容备注

内容手机端

【python 多分类任务中按照类别分层采样】教程文章相关的互联网学习教程文章

python版定时任务机制【代码】

Python高级应用程序设计任务【图】

win10设置Python程序定时运行(设置计划任务)【代码】

Python高级应用程序设计任务【代码】【图】

Python写自动化之图标锁定到任务栏或删除图标

使用windows定时任务运行python脚本【代码】【图】

python---Celery分布式任务队列了解【代码】【图】

Python利用ansible分发处理任务【代码】

Python学习笔记 - day14 - Celery异步任务【代码】【图】

python高级应用程序设计任务【代码】【图】

python 爬虫定时计划任务【代码】

python任务调度实例分析【代码】

Python高级应用程序设计任务【代码】【图】

【原创】编写多线程Python爬虫来过滤八戒网上的发布任务【代码】

python schedule以及自定义定时任务【代码】

PYTHON - 相关标签

PYTHON - 技术教程分类

PYTHON - 最新教程

PYTHON - 最热教程