국산곰탱이

문제의 내용) 

클래스 Form1은(는) 디자인 가능하지만 파일의 첫 번째 클래스가 아닙니다. Visual Studio에서 디자이너는 파일의 첫 번째 클래스를 사용해야 합니다. 파일에서 첫 번째 클래스가 되도록 해당 클래스 코드를 이동한 다음 디자이너를 다시 로드하십시오. 

해결)

필자의 경우 디자인이 될 클래스보다 먼저 선언된 다른 클래스가 있어 문제가 되었다.

폼 안에서 선언해주던가 말단으로 옮겨 선언해 주니 말끔히 해결되었다.

문제 : 디자인탭이 안 열리고 소스코드만 보일 경우

그림과 같이 Form2.cs는 클릭 시 디자인이 나오지만 Form1.cs는 안 나온다.

대체적으로 이런 문제가 생기는데 에는 소스코드에 문제가 있어 제대로 표시할 수 없는 경우가 허다하다.

프로젝트도 껐다 켜도 똑같을 때의 조치 사항을 알려 드리겠습니다.

해결 : csproj 내용수정

문제의 cs파일의 오른쪽 클릭 시 상위 폴더 열기로 프로젝트 파일 위치로 간다.

프로젝트명.csproj 파일을 메모장으로 켜보면

<ItemGroup> 안에 Form1.cs가 빠진 걸 알 수 있다.

간단히 추가해 주고 저장해 둔 프로젝트에 다시 확인해 보면

Form1.cs 아이콘이 바뀐 걸 확인할 수 있다.

다시 확인해 보면 잘될 것이다 만약 그래도 안 열리면 열린 탭을 전부 닫고 다시 클릭하면 보일 것이다.

추가)

단축키

소스코드 보기 F7

디자인 보기 Shift + F7

파이썬에서 변수에 원하는 값을 넣으려면 input을 이용해서 받을 수 있습니다.

1.하나씩 입력받기

2.한 번에 여러 개 입력하기

3.반복문을 이용해 동적변수에 값 받기

1. 하나씩 입력 받기

소스코드

a = int(input('a값 입력 '))
b = int(input('b값 입력 '))

print(f'a = {a}, b = {b}')

결과

2. 한 번에 여러 개 입력 받기

소스코드

c, d =map(int, input('c,d 입력하세요 ').split())

print(f'c = {c}, d = {d}')

결과

3. 반복문을 이용해 동적변수에 값 받기

소스코드

for i in range(5):
    globals()['aa_{}'.format(i+1)]= input(f'{i+1}번째 값 입력바람') #globals , locals 

print(aa_1)
print(aa_2)
print(aa_3)
print(aa_4)
print(aa_5)

결과

face_recognition 라이브러리를 통해 이미지의 얼굴을 찾고 동일인물인지 확인 할 수 있다.

face_recognition 설치

https://korbear.tistory.com/83

1. 동일인물 확인

1 - 1. 이미지 샘플

1 - 2. 소스코드

import face_recognition

picture_of_me = face_recognition.load_image_file("01.jpg")
my_face_encoding = face_recognition.face_encodings(picture_of_me)[0] 


unknown_picture = face_recognition.load_image_file("02.jpg")
unknown_face_encoding = face_recognition.face_encodings(unknown_picture)[0] 

results = face_recognition.compare_faces([my_face_encoding], unknown_face_encoding) #동일 인물 인지 비교

if results[0] == True:
    print("동일 인물 입니다.")
else:
    print("동일 인물이 아닙니다")

1 - 3. 결과

03.jpg로 비교시 '동일 인물이 아닙니다' 라고 찍힙니다.

2.  이미지 얼굴 부분 추출

2 - 1. 소스코드

from PIL import Image
import face_recognition
cnt = 0
image = face_recognition.load_image_file('04.jpg')
face = face_recognition.face_locations(image)

for face in face:
    top, right, bottom, left = face
    cnt = cnt+1
    face_image = image[top:bottom, left:right]
    cut_image = Image.fromarray(face_image)
    cut_image.show()
    cut_image.save(f'save/{cnt}.jpg')

2 - 1. 결과

사진에 얼굴만 추출하고 싶은데 찾아보니 face_recognition 라는 라이브러리가 있어서 사용해보려 합니다.

일단 간단히 pip install face_recognition 커맨드창에 쳐보니 역시나 간단히 설치되지 않는다.

설치환경

 - 윈도우10

dlib가 없단다..

pip install dlib 역시 간단히 설치되지 않는다 

dlib는 c++로 개발된 라이브러리 라서 cmake, visual studio가 필요하다.

1. cmaker 설치

https://cmake.org/download/

간단하게 설치파일로 설치했다

시스템 경로 추가 해주고

명령프롬프트(cmd)에서 cmake쳐보면 사용방법에 대해 나오면 설치가 완료된 것이다.

2. visual studio c++ 설치

https://visualstudio.microsoft.com/ko/visual-cpp-build-tools/

visual studio 설치완료 후

3. pip install dlib

커맨드 창에  pip install dlib

시간이 생각보다 좀 걸린다.

추가 dlib 다운받아서 설치하기

dlib 공식 홈페이지

http://dlib.net/

왼쪽 하단에 Download dlib 클릭해서 C:\에 압축을 풀어준다

압축푼 경로에서 python setup.py install 해도 된다.

4. pip install face_recognition

잘 설치가 된다.

요약 

1. cmake 설치

2. visual studio 설치

3. pip install dlib

4. pip install face_recognition

5. import face_recognition 

ERROR: Could not install packages due to an OSError: [WinError 5] 액세스가 거부되었습니다: 'C:\\Users\\user\\anaconda3\\Lib\\site-packages\\cv2\\cv2.pyd'
Consider using the `--user` option or check the permissions.

아나콘다 주피터에서 !pip install albumentations 으로 실행시 에러가 보인다.

아나콘다 프롬프트에서 python -m pip install --user albumentations 실행시 잘 설치 된다.

주피터 노트북을 사용하다 코랩 사용 중 TAB 눌러도 자동완성 기능이 안 먹을 때 코랩에서 간단히 설정만 해주면 주피터노트북과 동일하게 사용할 수 있다.

요약)

설정 -> 편집기 -> 코드 완성 제안을 자동으로 표시 체크 해제

Dataframe : 행과 열 조회

• DataFrame.loc[[행이름1, 행이름2, ... ]]
• DataFrame.iloc[[행인덱스1, 행인덱스2 ... ]]

df = pd.DataFrame( np.arange(1,26).reshape(5,5), 
                   index=[ 'row'+str(i) for i in range(1,6)], 
                   columns=[ 'col'+str(i) for i in range(1,6) ])

print(type(df), df.shape, df.size)
df

• 출력
  <class 'pandas.core.frame.DataFrame'> (5, 5) 25

원하는 행 출력

print(df.loc[['row1', 'row3', 'row5']]) #iloc로 출력 방법 df.iloc[[0, 2, 4]] 

• 출력

  	col1	col2	col3	col4	col5
  row1	1	2	3	4	5
  row3	11	12	13	14	15
  row5	21	22	23	24	25

원하는 행 범위 출력

print(df.iloc[2:5]) # loc로 출력 방법 df.loc['row2':'row4']

• 출력

  	col1	col2	col3	col4	col5
  row2	6	7	8	9	10
  row3	11	12	13	14	15
  row4	16	17	18	19	20

원하는 열 출력

df.loc[:, ['col1','col3','col5']] #iloc로 출력 방법 df.iloc[:, [0,2,4]]

• 출력

  	col1	col3	col5
  row1	1	3	5
  row2	6	8	10
  row3	11	13	15
  row4	16	18	20
  row5	21	23	25

원하는 열 범위출력

df.iloc[:, 1:4] # loc로 출력 방법 df.loc[:, 'col2':'col4']

• 출력

  	col2	col3	col4
  row1	2	3	4
  row2	7	8	9
  row3	12	13	14
  row4	17	18	19
  row5	22	23	24

DataFrame 행,열 추가, 삭제

• loc를 통해 없는 행 이름으로 추가할 수 있다.
• iloc를 통해서는 추가할 수 없다.

• 행 추가

df.loc['row6'] = [26,27,28,29,30]
df

• 행 삭제

df = df.drop('row6')
df

• 열 추가

df['col6'] = [26,27,28,29,30]
df

• 열 삭제

df.drop(columns=['col6'],inplace=True) #inplace True로 줄시 바로적용
df

del df['col5']
df

판다스(Pandas) 란?

• 데이터 처리와 분석을 위한 파이썬 라이브러리
• 파이썬의 엑셀이라고 보면된다.
• 대표적으로 Series 와 DataFrame 클래스가 있다.
• http://pandas.pydata.org

Series(시리즈)

• Numpy는 데이터형이 하나만 지정될수 있지만 pandas는 혼합형이다.
• 리스트와 달리 인덱스 이름을 부여할 수 있다.
• 1차원 데이터만 다룸.

s1 = pd.Series(np.arange(20,25),index=['1번','2번','3번','4번','5번'])
s1

• 출력
  1번 20
  2번 21
  3번 22
  4번 23
  5번 24
  dtype: int32

s1.index, type(s1.index), list(s1.index) ,s1['3번']

• 출력
  (Index(['1번', '2번', '3번', '4번', '5번'], dtype='object'),
  pandas.core.indexes.base.Index,
  ['1번', '2번', '3번', '4번', '5번'],
  22)

데이타프레임이란?

• 데이타를 표의 형태로 처리하는 자료구조이다.

s1 = ({'name':'홍길동','age':'24','gender':'male','mobile':'010-1234-4421'})
s2 = ({'name':'가길동','age':'42','gender':'female','mobile':'010-1122-3215'})
s3 = ({'name':'나길동','age':'51','gender':'male','mobile':'010-4321-2351'})
df =  pd.DataFrame([s1,s2,s3])
df

• 출력

  	name	age	gender	mobile
  0	홍길동	24	male	010-1234-4421
  1	가길동	42	female	010-1122-3215
  2	나길동	51	male	010-4321-2351

df = pd.DataFrame( np.arange(1,26).reshape(5,5), 
                   index=[ 'row'+str(i) for i in range(1,6)], 
                   columns=[ 'col'+str(i) for i in range(1,6) ])
df

• 출력

  	col1	col2	col3	col4	col5
  row1	1	2	3	4	5
  row2	6	7	8	9	10
  row3	11	12	13	14	15
  row4	16	17	18	19	20
  row5	21	22	23	24	25

데이터프레임 속성

• DataFrame변수.columns
• DataFrame변수.index
• DataFrame변수.values
• dtype, shape, size

df = pd.DataFrame( np.arange(1,26).reshape(5,5), 
                   index=[ 'row'+str(i) for i in range(1,6)], 
                   columns=[ 'col'+str(i) for i in range(1,6) ])

print(type(df), df.shape, df.size)
print(df.index , df.columns)
df.values

• 출력

<class 'pandas.core.frame.DataFrame'> (5, 5) 25
Index(['row1', 'row2', 'row3', 'row4', 'row5'], dtype='object') Index(['col1', 'col2', 'col3', 'col4', 'col5'], dtype='object')
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10],
[11, 12, 13, 14, 15],
[16, 17, 18, 19, 20],
[21, 22, 23, 24, 25]])

http://www.numpy.org

• 파이썬 라이브러리중 하나
• 수학 및 통계, 과학 연산을 위한 파이썬 패키지

import numpy as np  #모듈 추가
np.__version__       #버전확인

'1.21.5'

import numpy as np

np.__version__

'1.21.5'

m_list = [1, 2, 3, 4, 5]
type(m_list), m_list

(list, [1, 2, 3, 4, 5])

arr = np.array(m_list)
type(arr), arr

(numpy.ndarray, array([1, 2, 3, 4, 5]))

- 리스트는 데이터형이 다중인 경우 -> 데이터형이 그대로 유지된다.

- 넘파이인 경우는 하나의 데이터형만 유지할 수 있다.
- 문자가 포함되어있는경우 문자형식이 우선으로 선택되며
- 실수와 정수만 있는경우 실수형식으로 선택된다.

mylist = [0, 1, 3.5, 100, -6.7,'가나다']
mylist

[0, 1, 3.5, 100, -6.7, '가나다']

arr = np.array([0, 1, 2, 3, 4, 5])
arr ,arr.dtype

(array([0, 1, 2, 3, 4, 5]), dtype('int32'))

arr = np.array([0, 1, 2.5, -3, 4, 5.5])
arr , arr.dtype

(array([ 0. ,  1. ,  2.5, -3. ,  4. ,  5.5]), dtype('float64'))

arr = np.array([0, 1, 2.5, -3, 4, 5.5, '가나다'])
arr

array(['0', '1', '2.5', '-3', '4', '5.5', '가나다'], dtype='<U32')

arr = np.array([0, 1, 2.5, -3, 4, 5.5],dtype=int)
arr ,arr.dtype

(array([ 0,  1,  2, -3,  4,  5]), dtype('int32'))

arr = np.zeros(5)
arr1 = np.zeros([5,5])

arr, arr1

(array([0., 0., 0., 0., 0.]),
 array([[0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.]]))

arr = np.ones([2,3],type(int))
arr

array([[1, 1, 1],
       [1, 1, 1]], dtype=object)

arr = np.full(5,3)
arr1 = np.full([5,5],10)
print(arr)
print('='*30)
print(arr1)

[3 3 3 3 3]
==============================
[[10 10 10 10 10]
 [10 10 10 10 10]
 [10 10 10 10 10]
 [10 10 10 10 10]
 [10 10 10 10 10]]

np.eye(4, dtype=int)

array([[1, 0, 0, 0],
       [0, 1, 0, 0],
       [0, 0, 1, 0],
       [0, 0, 0, 1]])

np.tri(3, dtype=int)

array([[1, 0, 0],
       [1, 1, 0],
       [1, 1, 1]])

arr = np.full([3,3],5)
print(arr)
print(f'shape : {arr.shape} \ndim : {arr.ndim} \nsize : {arr.size} \nlen : {len(arr)}')

[[5 5 5]
 [5 5 5]
 [5 5 5]]
shape : (3, 3) 
dim : 2 
size : 9 
len : 3

np.linspace(10, 100, 5, dtype=int) 

array([ 10,  32,  55,  77, 100])

np.arange(10,20,2)

array([10, 12, 14, 16, 18])

arr =np.array([[1,2,3],[4,5,6]])
arr

array([[1, 2, 3],
       [4, 5, 6]])

arr.resize(2,2,refcheck=False)
arr

array([[1, 2],
       [3, 4]])

arr.resize(4, 2 , refcheck=False)
arr

array([[1, 2],
       [3, 4],
       [0, 0],
       [0, 0]])

arr = arr.reshape(2,4)
arr

array([[1, 2, 3, 4],
       [0, 0, 0, 0]])

arr= arr.T
print(arr)
arr = arr.T
print(arr)

[[1 0]
 [2 0]
 [3 0]
 [4 0]]
[[1 2 3 4]
 [0 0 0 0]]

print(arr.swapaxes(0,1))
print(arr.swapaxes(1,1))

[[1 0]
 [2 0]
 [3 0]
 [4 0]]
[[1 2 3 4]
 [0 0 0 0]]

arr = np.arange(8).reshape(4,2)
arr

array([[0, 1],
       [2, 3],
       [4, 5],
       [6, 7]])

# axis 값이 없으면 1차원으로 변환된후 값이 추가 된다.
np.insert(arr, 0 , [100, 200])

array([100, 200,   0,   1,   2,   3,   4,   5,   6,   7])

np.insert(arr, 0 , [300, 500], axis=0)

array([[300, 500],
       [  0,   1],
       [  2,   3],
       [  4,   5],
       [  6,   7]])

np.insert(arr, 0 , [-1, -2, -3, -4], axis=1)

array([[-1,  0,  1],
       [-2,  2,  3],
       [-3,  4,  5],
       [-4,  6,  7]])

arr = np.arange(1,21).reshape(4, 5)
arr 

array([[ 1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10],
       [11, 12, 13, 14, 15],
       [16, 17, 18, 19, 20]])

# 2차원에서 축을 지정하지 않는다면? (axis)
# 1차원으로 변경된 후 해당 인덱스가 삭제 
np.delete(arr, 0)

array([ 2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16, 17, 18,
       19, 20])

np.delete(arr, 0, axis=0)

array([[ 6,  7,  8,  9, 10],
       [11, 12, 13, 14, 15],
       [16, 17, 18, 19, 20]])

np.delete(arr, 0, axis=1)

array([[ 2,  3,  4,  5],
       [ 7,  8,  9, 10],
       [12, 13, 14, 15],
       [17, 18, 19, 20]])