① 有沒有用python安裝github環境的辦法
＄sudo pip3 install github3
github官方API
♴玩得愉快
② 一下python代碼中的headers是什麼意思，怎麼理解
headers參數指定HTTP請求附件頭部信息，有時候附件的頭信息確實沒有影響，因為伺服器為了增加包容性，會盡可能使得更加廣泛的情形都正常工作。
③ 如何導入飯否的python api模塊
我看了一下。它是一個django的小型網站，可能內建的API。但是主體上不是API，只是一個小網站。
它有一個README，你可以打開看一下。裡面有詳細說明。我就不復制過來了。
其實說明了如何設置KEY，如何SETTING等等。
另外它的子目錄里有一個工具箱。可以直接安裝在你的python目錄里。
④ 去哪裡找python的開源項目
GitHub是一個面向開源及私有軟體項目的託管平台，因為只支持git 作為唯一的版本庫格式進行託管，故名GitHub。作為開源代碼庫以及版本控制系統，Github擁有超過900萬開發者用戶。隨著越來越多的應用程序轉移到了雲上，Github已經成為了管理軟體開發以及發現已有代碼的首選方法。在GitHub，用戶可以十分輕易地找到海量的開源代碼。
下面給大家介紹一些GitHub上25個開源項目：
（1）TensorFlow Models
如果你對機器學習和深度學習感興趣，一定聽說過TensorFlow。TensorFlow Models是一個開源存儲庫，可以找到許多與深度學習相關的庫和模型。
（GitHub： https://github.com/tensorflow/models ）
（2）Keras
Keras是一個高級神經網路API，用Python編寫，能夠在TensorFlow，CNTK或Theano之上運行。旨在完成深度學習的快速開發（GitHub： https://github.com/keras-team/keras ）
（3）Flask
Flask 是一個微型的 Python 開發的 Web 框架，基於Werkzeug WSGI工具箱和Jinja2 模板引擎，使用BSD授權。
（GitHub： https://github.com/pallets/flask ）
（4）scikit-learn
scikit-learn是一個用於機器學習的Python模塊，基於 NumPy、SciPy 和 matplotlib 構建。，並遵循 BSD 許可協議。
（GitHub： https://github.com/scikit-learn ）
（5）Zulip
Zulip是一款功能強大的開源群聊應用程序，它結合了實時聊天的即時性和線程對話的生產力優勢。Zulip作為一個開源項目，被許多世界500強企業，大型組織以及其他需要實時聊天系統的用戶選擇使用，該系統允許用戶每天輕松處理數百或數千條消息。Zulip擁有超過300名貢獻者，每月合並超過500次提交，也是規模最大，發展最快的開源群聊項目。
（GitHub： https://github.com/zulip/zulip ）
相關推薦：《Python入門教程》
（6）Django
Django 是 Python 編程語言驅動的一個開源模型-視圖-控制器（MVC）風格的 Web 應用程序框架，旨在快速開發出清晰，實用的設計。使用 Django，我們在幾分鍾之內就可以創建高品質、易維護、資料庫驅動的應用程序。
（GitHub： https://github.com/django/django ）
（7）Rebound
Rebound 是一個當你得到編譯錯誤時即時獲取 Stack Overflow 結果的命令行工具。 就用 rebound 命令執行你的文件。這對程序員來說方便了不少。
（GitHub： https://github.com/shobrook/rebound ）
（8）Google Images Download
這是一個命令行python程序，用於搜索Google Images上的關鍵字/關鍵短語，並可選擇將圖像下載到您的計算機。你也可以從另一個python文件調用此腳本。
（GitHub： https://github.com/hardikvasa/google-images-download ）
（9）YouTube-dl
youtube-dl 是基於 Python 的命令行媒體文件下載工具，完全開源免費跨平台。用戶只需使用簡單命令並提供在線視頻的網頁地址即可讓程序自動進行嗅探、下載、合並、命名和清理，最終得到已經命名的完整視頻文件。
（GitHub： htt ps://github.com/rg3/youtube-dl ）
（10）System Design Primer
此repo是一個系統的資源集合，可幫助你了解如何大規模構建系統。
（GitHub： https://github.com/donnemartin/system-design-primer ）
（11）Mask R-CNN
Mask R-CNN用於對象檢測和分割。這是對Python 3，Keras和TensorFlow的Mask R-CNN實現。該模型為圖像中對象的每個實例生成邊界框和分割蒙版。它基於特Feature Pyramid Network（FPN）和 ResNet101 backbone。
（GitHub： https://github.com/matterport/Mask_RCNN ）
（12）Face Recognition
Face Recognition 是一個基於 Python 的人臉識別庫，使用十分簡便。這還提供了一個簡單的face_recognition命令行工具，可以讓您從命令行對圖像文件夾進行人臉識別！
（GitHub： https://github.com/ageitgey/face_recognition ）
（13）snallygaster
用於掃描HTTP伺服器上的機密文件的工具。
（GitHub： https://github.com/hannob/snallygaster ）
（14）Ansible
Ansible是一個極其簡單的IT自動化系統。它可用於配置管理，應用程序部署，雲配置，支持遠程任務執行和多節點發布 - 包括通過負載平衡器輕松實現零停機滾動更新等操作。
（GitHub： https://github.com/ansible/ansible ）
（15）Detectron
Detectron是Facebook AI 研究院開源的的軟體系統，它實現了最先進的目標檢測演算法，包括Mask R-CNN。它是用Python編寫的，由Caffe2深度學習框架提供支持。
（16）asciinema
終端會話記錄器和asciinema.org的最佳搭檔。
（GitHub： https://github.com/asciinema/asciinema ）
（17）HTTPie
HTTPie 是一個開源的命令行的 HTTP 工具包，其目標是使與Web服務的CLI交互盡可能人性化。它提供了一個簡單的http命令，允許使用簡單自然的語法發送任意HTTP請求，並顯示彩色輸出。HTTPie可用於測試，調試以及通常與HTTP伺服器交互。
（GitHub： https://github.com/jakubroztocil/httpie ）
（18）You-Get
You-Get是一個小型命令行實用程序，用於從Web下載媒體內容（視頻，音頻，圖像），支持國內外常用的視頻網站。
（GitHub： https://github.com/soimort/you-get ）
（19）Sentry
Sentry從根本上講是一項服務，可以幫助用戶實時監控和修復崩潰。基於Django構建，它包含一個完整的API，用於從任何語言、任何應用程序中發送事件。
（GitHub: https://github.com/getsentry/sentry ）
（20）Tornado
Tornado是使用Python開發的全棧式（full-stack）Web框架和非同步網路庫，，最初是由FriendFeed上開發的。通過使用非阻塞網路I / O，Tornado可以擴展到數萬個開放連接，是long polling、WebSockets和其他需要為用戶維護長連接應用的理想選擇。
（GitHub： https://github.com/tornadoweb/tornado ）
（21）Magenta
Magenta是一個探索機器學習在創造藝術和音樂過程中的作用的研究項目。這主要涉及開發新的深度學習和強化學習演算法，用於生成歌曲，圖像，繪圖等。但它也是構建智能工具和界面的探索，它允許藝術家和音樂家使用這些模型。
（GitHub： https://github.com/tensorflow/magenta ）
（22）ZeroNet
ZeroNet是一個利用比特幣的加密演算法和BitTorrent技術提供的不受審查的網路，完全開源。
（GitHub： https://github.com/HelloZeroNet/ZeroNet ）
（23）Gym
OpenAI Gym是一個用於開發和比較強化學習演算法的工具包。這是Gym的開源庫，可讓讓你訪問標准化的環境。
（GitHub： https://github.com/openai/gym ）
（24）Pandas
Pandas是一個Python包，提供快速，靈活和富有表現力的數據結構，該工具是為了解決數據分析任務而創建的。Pandas 納入了大量庫和一些標準的數據模型，提供了高效地操作大型數據集所需的工具。此外，它還有更廣泛的目標，即成為所有語言中最強大，最靈活的開源數據分析/操作工具。它目前已經朝著這個目標邁進。
（GitHub： https://github.com/pandas-dev/pandas ）
（25）Luigi
Luigi 是一個 Python 模塊，可以幫你構建復雜的批量作業管道。處理依賴決議、工作流管理、可視化展示等等，內建 Hadoop 支持。（GitHub： https://github.com/spotify/luigi ）
⑤ python 怎麼提供api介面
python有個etcd的庫，可以網上搜下看下這個庫的使用以及它開發的api介面，
不過之前go使用etcd的時候，是調用etcd本身的rest
api，沒有使用第三方的etcd的庫
etcd的api文檔github上有的，搜下這個coreos/etcd
你可以選擇自己喜歡的方式
⑥ github上有哪些開源的python機器學習
1. Scikit-learn
Scikit-learn 是基於Scipy為機器學習建造的的一個Python模塊，他的特色就是多樣化的分類，回歸和聚類的演算法包括支持向量機，邏輯回歸，樸素貝葉斯分類器，隨機森林，Gradient Boosting，聚類演算法和DBSCAN。而且也設計出了Python numerical和scientific libraries Numpy and Scipy
2.Pylearn2
Pylearn是一個讓機器學習研究簡單化的基於Theano的庫程序。
3.NuPIC
NuPIC是一個以HTM學習演算法為工具的機器智能平台。HTM是皮層的精確計算方法。HTM的核心是基於時間的持續學習演算法和儲存和撤銷的時空模式。NuPIC適合於各種各樣的問題,尤其是檢測異常和預測的流數據來源。
4. Nilearn
Nilearn 是一個能夠快速統計學習神經影像數據的Python模塊。它利用Python語言中的scikit-learn 工具箱和一些進行預測建模，分類，解碼，連通性分析的應用程序來進行多元的統計。
5.PyBrain
Pybrain是基於Python語言強化學習，人工智慧，神經網路庫的簡稱。 它的目標是提供靈活、容易使用並且強大的機器學習演算法和進行各種各樣的預定義的環境中測試來比較你的演算法。
6.Pattern
Pattern 是Python語言下的一個網路挖掘模塊。它為數據挖掘，自然語言處理，網路分析和機器學習提供工具。它支持向量空間模型、聚類、支持向量機和感知機並且用KNN分類法進行分類。
7.Fuel
Fuel為你的機器學習模型提供數據。他有一個共享如MNIST, CIFAR-10 (圖片數據集), Google』s One Billion Words (文字)這類數據集的介面。你使用他來通過很多種的方式來替代自己的數據。
8.Bob
Bob是一個免費的信號處理和機器學習的工具。它的工具箱是用Python和C++語言共同編寫的，它的設計目的是變得更加高效並且減少開發時間，它是由處理圖像工具,音頻和視頻處理、機器學習和模式識別的大量軟體包構成的。
9.Skdata
Skdata是機器學習和統計的數據集的庫程序。這個模塊對於玩具問題，流行的計算機視覺和自然語言的數據集提供標準的Python語言的使用。
10.MILK
MILK是Python語言下的機器學習工具包。它主要是在很多可得到的分類比如SVMS,K-NN,隨機森林，決策樹中使用監督分類法。 它還執行特徵選擇。 這些分類器在許多方面相結合,可以形成不同的例如無監督學習、密切關系金傳播和由MILK支持的K-means聚類等分類系統。
11.IEPY
IEPY是一個專注於關系抽取的開源性信息抽取工具。它主要針對的是需要對大型數據集進行信息提取的用戶和想要嘗試新的演算法的科學家。
12.Quepy
Quepy是通過改變自然語言問題從而在資料庫查詢語言中進行查詢的一個Python框架。他可以簡單的被定義為在自然語言和資料庫查詢中不同類型的問題。所以，你不用編碼就可以建立你自己的一個用自然語言進入你的資料庫的系統。
現在Quepy提供對於Sparql和MQL查詢語言的支持。並且計劃將它延伸到其他的資料庫查詢語言。
13.Hebel
Hebel是在Python語言中對於神經網路的深度學習的一個庫程序，它使用的是通過PyCUDA來進行GPU和CUDA的加速。它是最重要的神經網路模型的類型的工具而且能提供一些不同的活動函數的激活功能，例如動力，涅斯捷羅夫動力，信號丟失和停止法。
14.mlxtend
它是一個由有用的工具和日常數據科學任務的擴展組成的一個庫程序。
15.nolearn
這個程序包容納了大量能對你完成機器學習任務有幫助的實用程序模塊。其中大量的模塊和scikit-learn一起工作，其它的通常更有用。
16.Ramp
Ramp是一個在Python語言下制定機器學習中加快原型設計的解決方案的庫程序。他是一個輕型的pandas-based機器學習中可插入的框架，它現存的Python語言下的機器學習和統計工具（比如scikit-learn,rpy2等）Ramp提供了一個簡單的聲明性語法探索功能從而能夠快速有效地實施演算法和轉換。
17.Feature Forge
這一系列工具通過與scikit-learn兼容的API，來創建和測試機器學習功能。
這個庫程序提供了一組工具，它會讓你在許多機器學習程序使用中很受用。當你使用scikit-learn這個工具時，你會感覺到受到了很大的幫助。（雖然這只能在你有不同的演算法時起作用。）
18.REP
REP是以一種和諧、可再生的方式為指揮數據移動驅動所提供的一種環境。
它有一個統一的分類器包裝來提供各種各樣的操作，例如TMVA, Sklearn, XGBoost, uBoost等等。並且它可以在一個群體以平行的方式訓練分類器。同時它也提供了一個互動式的情節。
19.Python 學習機器樣品
用亞馬遜的機器學習建造的簡單軟體收集。
20.Python-ELM
這是一個在Python語言下基於scikit-learn的極端學習機器的實現。
⑦ api介面和python庫的區別是什麼
API
介面屬於一種操作系統或程序介面，而後兩者都屬於直接用戶介面。
有時公司會將
API
作為其公共開放系統。也就是說，公司制定自己的系統介面標准，當需要執行系統整合、自定義和程序應用等操作時，公司所有成員都可以通過該介面標准調用源代碼，該介面標准被稱之為開放式
API。
⑧ 如何查看python selenium的api
首先打開命令行，在dos窗口輸入：
1
python -m pydoc -p 4567
簡單解釋一下：
python -m pydoc表示打開pydoc模塊，pydoc是查看python文檔的首選工具；
-p 4567表示在4567埠上啟動server;
然後在瀏覽器中訪問http://localhost:4567/，此時應該可以看到python中所有的Moles
按ctrl+f，輸入selenium,定位到selenium文檔的鏈接，然後點擊進入到http://localhost:4567/selenium.html這個頁面
這就是selenium文檔所在的位置了，接下來便可以根據自己的需要進行查看了。舉個例子，如果你想查看Webdriver類的基本方法，可以訪問這個頁面http://localhost:4567/selenium.webdriver.remote.webdriver.html
來自http://www.cnblogs.com/nbkhic/p/3897425.html
⑨ 誰用過python中的第三方庫face recognition
簡介
該庫可以通過python或者命令行即可實現人臉識別的功能。使用dlib深度學習人臉識別技術構建，在戶外臉部檢測資料庫基準（Labeled Faces in the Wild）上的准確率為99.38%。
在github上有相關的鏈接和API文檔。
在下方為提供的一些相關源碼或是文檔。當前庫的版本是v0.2.0，點擊docs可以查看API文檔，我們可以查看一些函數相關的說明等。
安裝配置
安裝配置很簡單，按照github上的說明一步一步來就可以了。
根據你的python版本輸入指令：
pip install face_recognition11
或者
pip3 install face_recognition11
正常來說，安裝過程中會出錯，會在安裝dlib時出錯，可能報錯也可能會卡在那不動。因為pip在編譯dlib時會出錯，所以我們需要手動編譯dlib再進行安裝。
按照它給出的解決辦法：
1、先下載下來dlib的源碼。
git clone
2、編譯dlib。
cd dlib
mkdir build
cd build
cmake .. -DDLIB_USE_CUDA=0 -DUSE_AVX_INSTRUCTIONS=1
cmake --build1234512345
3、編譯並安裝python的拓展包。
cd ..
python3 setup.py install --yes USE_AVX_INSTRUCTIONS --no DLIB_USE_CUDA1212
注意：這個安裝步驟是默認認為沒有GPU的，所以不支持cuda。
在自己手動編譯了dlib後，我們可以在python中import dlib了。
之後再重新安裝，就可以配置成功了。
根據你的python版本輸入指令：
pip install face_recognition11
或者
pip3 install face_recognition11
安裝成功之後，我們可以在python中正常import face_recognition了。
編寫人臉識別程序
編寫py文件：
# -*- coding: utf-8 -*-
#
# 檢測人臉
import face_recognition
import cv2
# 讀取圖片並識別人臉
img = face_recognition.load_image_file("silicon_valley.jpg")
face_locations = face_recognition.face_locations(img)
print face_locations
# 調用opencv函數顯示圖片
img = cv2.imread("silicon_valley.jpg")
cv2.namedWindow("原圖")
cv2.imshow("原圖", img)
# 遍歷每個人臉，並標注
faceNum = len(face_locations)
for i in range(0, faceNum):
top = face_locations[i][0]
right = face_locations[i][1]
bottom = face_locations[i][2]
left = face_locations[i][3]
start = (left, top)
end = (right, bottom)
color = (55,255,155)
thickness = 3
cv2.rectangle(img, start, end, color, thickness)
# 顯示識別結果
cv2.namedWindow("識別")
cv2.imshow("識別", img)
cv2.waitKey(0)
cv2.destroyAllWindows()
注意：這里使用了python-OpenCV，一定要配置好了opencv才能運行成功。
運行結果：
程序會讀取當前目錄下指定的圖片，然後識別其中的人臉，並標注每個人臉。
（使用圖片來自美劇矽谷）
編寫人臉比對程序
首先，我在目錄下放了幾張圖片：
這里用到的是一張喬布斯的照片和一張奧巴馬的照片，和一張未知的照片。
編寫程序：
# 識別圖片中的人臉
import face_recognition
jobs_image = face_recognition.load_image_file("jobs.jpg");
obama_image = face_recognition.load_image_file("obama.jpg");
unknown_image = face_recognition.load_image_file("unknown.jpg");
jobs_encoding = face_recognition.face_encodings(jobs_image)[0]
obama_encoding = face_recognition.face_encodings(obama_image)[0]
unknown_encoding = face_recognition.face_encodings(unknown_image)[0]
results = face_recognition.compare_faces([jobs_encoding, obama_encoding], unknown_encoding )
labels = ['jobs', 'obama']
print('results:'+str(results))
for i in range(0, len(results)):
if results[i] == True:
print('The person is:'+labels[i])
運行結果：
識別出未知的那張照片是喬布斯的。
攝像頭實時識別
代碼：
# -*- coding: utf-8 -*-
import face_recognition
import cv2
video_capture = cv2.VideoCapture(1)
obama_img = face_recognition.load_image_file("obama.jpg")
obama_face_encoding = face_recognition.face_encodings(obama_img)[0]
face_locations = []
face_encodings = []
face_names = []
process_this_frame = True
while True:
ret, frame = video_capture.read()
small_frame = cv2.resize(frame, (0, 0), fx=0.25, fy=0.25)
if process_this_frame:
face_locations = face_recognition.face_locations(small_frame)
face_encodings = face_recognition.face_encodings(small_frame, face_locations)
face_names = []
for face_encoding in face_encodings:
match = face_recognition.compare_faces([obama_face_encoding], face_encoding)
if match[0]:
name = "Barack"
else:
name = "unknown"
face_names.append(name)
process_this_frame = not process_this_frame
for (top, right, bottom, left), name in zip(face_locations, face_names):
top *= 4
right *= 4
bottom *= 4
left *= 4
cv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 255), 2)
cv2.rectangle(frame, (left, bottom - 35), (right, bottom), (0, 0, 255), 2)
font = cv2.FONT_HERSHEY_DUPLEX
cv2.putText(frame, name, (left+6, bottom-6), font, 1.0, (255, 255, 255), 1)
cv2.imshow('Video', frame)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
video_capture.release()
cv2.destroyAllWindows()5455
識別結果：
我直接在手機上網路了幾張圖試試，程序識別出了奧巴馬。
這個庫很cool啊！
⑩ 從github下載到本地的代碼該如何運行，代碼包含多個文件夾，每個文件夾中有多個python文件
uspto-opendata-python是用於訪問USPTO開放數據API的客戶端庫，需要使用pip install uspto-opendata-python來進行安裝，這樣在python中就可以調用這個庫了。