φυβλαςのβλογ
phyblasのブログ



จัดการข้อมูลด้วย pandas เบื้องต้น บทที่ ๑๘: การจัดการกับ json
เขียนเมื่อ 2019/07/21 23:30
แก้ไขล่าสุด 2021/09/28 16:42
json เป็นรูปแบบการจัดเก็บข้อมูลแบบหนึ่งที่นิยมใช้ในภาษา javascript

เกี่ยวกับการจัดการกับ json ภายในภาษาไพธอนได้อธิบายในนี้ไว้แล้ว https://phyblas.hinaboshi.com/20190427

สำหรับในหน้านี้จะพูดถึงการใช้ pandas ในการจัดการกับ json

pandas มีคำสั่งที่ใช้อ่านและเขียน json ซึ่งสะดวกมาก ใช้งานได้ง่าย

สำหรับการอ่าน json มาเป็นเดตาเฟรมให้ใช้ pd.read_json และในทางกลับกันเมื่อจะเปลี่ยนเดตาเฟรมเป็น json ให้ใช้เมธอด to_json ที่ตัวเดตาเฟรมนั้น



อ่านไฟล์ json ด้วยฟังก์ชัน pd.read_json

ฟังก์ชัน pd.read_json สามารถอ่าน json จากไฟล์โดยตรง หรือจากสายอักขระข้อความที่เป็น json ก็ได้

ปกติถ้าใส่ชื่อไฟล์ในคำสั่ง pd.read_json จะเป็นการอ่าน json จากไฟล์ตามชื่อนั้น แต่ถ้าใส่ข้อความที่เขียนเป็น json ลงไปก็จะเป็นการแปลงข้อความ json นั้นเป็นเดตาเฟรม

เช่นถ้ามีไฟล์ json อยู่ก็ใส่ชื่อไฟล์ลงไป ก็จะเป็นการอ่าน json จากไฟล์นั้น
df = pd.read_json('pokemon.json')

นอกจากนี้ยังสามารถอ่าน json จากไฟล์ที่อยู่ในรูปที่ถูกบีบอัดอยู่ได้ด้วย

เช่นอ่านไฟล์บีบอัด gzip (.gz)
df = pd.read_json('pokemon.json.gz')

ไฟล์ที่ใส่เข้าไปจะเป็นไฟล์ json เปล่าๆหรือเป็น โปรแกรมจะตัดสินเอาจากสกุลไฟล์ แต่จะใส่ตัวเลือก compression เพื่อระบุชัดก็ได้

df = pd.read_json('pokemon.json.gz',compression='gzip')

ไฟล์บีบอัดชนิดต่างๆที่ใช้ได้คือ 'bz2', 'gzip', 'xz', 'zip'



อ่าน json จากสายอักขระ

หากมีสายอักขระที่เขียนข้อมูลในรูปแบบ json อยู่ ก็สามารถใช้ pd.read_json อ่านขึ้นมาได้

json ที่ป้อนเข้าไปจะอยู่ในรูปแบบออบเจ็กต์หรืออาเรย์ก็ได้ แต่จำเป็นต้องซ้อนสองชั้น ถ้าเป็นอาเรย์ก็จะไม่มีชื่อคอลัมน์และดัชนี ก็จะกลายเป็น 0,1,2,...

ตัวอย่าง
import pandas as pd

# ออบเจ็กต์ของออบเจ็กต์
js = '{"สายพันธุ์":{"1": "ฟุชิงิดาเนะ","2": "ฟุชิงิโซว"},"หนัก":{"1":6.9, "2": 13}}'
df = pd.read_json(js)
print(df)

# ออบเจ็กต์ของอาเรย์
js = '{"สายพันธุ์":["ฟุชิงิดาเนะ","ฟุชิงิโซว"],"หนัก":[6.9,13]}'
df = pd.read_json(js)
print(df)

# อาเรย์ของอาเรย์
js = '[["ฟุชิงิดาเนะ",6.9],["ฟุชิงิโซว",13]]'
df = pd.read_json(js)
print(df)

# อาเรย์ของออบเจ็กต์
js = '[{"สายพันธุ์": "ฟุชิงิดาเนะ","หนัก": 6.9},{"สายพันธุ์":"ฟุชิงิโซว", "หนัก": 13}]'
df = pd.read_json(js)
print(df)

ได้
  สายพันธุ์ หนัก
1 ฟุชิงิดาเนะ 6.9
2 ฟุชิงิโซว 13.0

  สายพันธุ์ หนัก
0 ฟุชิงิดาเนะ 6.9
1 ฟุชิงิโซว 13.0

  0 1
0 ฟุชิงิดาเนะ 6.9
1 ฟุชิงิโซว 13.0

  สายพันธุ์ หนัก
0 ฟุชิงิดาเนะ 6.9
1 ฟุชิงิโซว 13.0

ถ้าข้อมูลออบเจ็กต์มีแค่บางส่วน ส่วนที่ขาดก็จะกลายเป็น NaN
js = '[{"สายพันธุ์": "ฟุชิงิดาเนะ","หนัก": 6.9},{"สายพันธุ์":"ฟุชิงิโซว", "สูง": 1}]'
df = pd.read_json(js)
print(df)

ได้
  สายพันธุ์ สูง หนัก
0 ฟุชิงิดาเนะ NaN 6.9
1 ฟุชิงิโซว 1.0 NaN


อ่าน json เป็นซีรีส์

ปกติคำสั่ง pd.read_json จะอ่าน json ออกมาเป็นเดตาเฟรม แต่ถ้าหากแค่ต้องการอ่านเป็นซีรีส์ก็ทำได้โดยใส่ตัวเลือก typ='series'

กรณีที่เป็นซีรีส์แบบนี้ข้อมูลที่ใส่ก็คือ json ของอาเรย์หรือออบเจ็กต์ชั้นเดียว

เช่น
# อาเรย์
js = '["ฟุชิงิดาเนะ","ฟุชิงิโซว"]'
sr = pd.read_json(js,typ='series')
print(sr)

# ออบเจ็กต์
js = '{"1": "ฟุชิงิดาเนะ","2": "ฟุชิงิโซว"}'
sr = pd.read_json(js,typ='series')
print(sr)

ได้
0    ฟุชิงิดาเนะ
1      ฟุชิงิโซว
dtype: object

1    ฟุชิงิดาเนะ
2      ฟุชิงิโซว
dtype: object



เขียนเดตาเฟรมเป็น json ด้วยเมธอด to_json

เดตาเฟรมมีเมธอด to_json ใช้สำหรับแปลงเป็น json
df = pd.DataFrame([
        ['fushigidane',0.7,6.9],
        ['hitokage',0.6,8.5],
        ['zenigame',0.5,9.0]])
print(df)
print(df.to_json())

ได้

  0 1 2
0 fushigidane 0.7 6.9
1 hitokage 0.6 8.5
2 zenigame 0.5 9.0
{"0":{"0":"fushigidane","1":"hitokage","2":"zenigame"},"1":{"0":0.7,"1":0.6,"2":0.5},"2":{"0":6.9,"1":8.5,"2":9.0}}

หากใส่ชื่อไฟล์ลงไปจะเป็นการเขียนบันทึกลงไฟล์

df.to_json('pokemon.json')

สามารถใส่ตัวเลือกเสริม compression ได้หากต้องการให้มีการบีบอัดไฟล์ โดยใส่ชนิดไฟล์ที่ต้องการ ซึ่งอาจเป็น 'gzip', 'bz2', 'zip', 'xz'

df.to_json('pokemon.json.gz',compression='gzip')

เวลาที่แปลงเป็น json โดยปกติแล้วถ้ามีอักษรที่ไม่ใช่ ascii เช่นตัวอักษรภาษาไทยก็จะถูกเปลี่ยนเป็นรหัส

เช่น
df = pd.DataFrame([
        ['ฟุชิงิดาเนะ','พืช/พิษ',0.7,6.9],
        ['ฟุชิงิโซว','พืช/พิษ',1.0,13.0],
        ['ฟุชิงิบานะ','พืช/พิษ',2.4,155.5]
    ],
    columns=['สายพันธุ์','ชนิด','ส่วนสูง','น้ำหนัก'],
    index=[1,2,3]
)
print(df)
print(df.to_json())

ได้

  สายพันธุ์ ชนิด ส่วนสูง น้ำหนัก
1 ฟุชิงิดาเนะ พืช/พิษ 0.7 6.9
2 ฟุชิงิโซว พืช/พิษ 1.0 13.0
3 ฟุชิงิบานะ พืช/พิษ 2.4 155.5
{"\u0e2a\u0e32\u0e22\u0e1e\u0e31\u0e19\u0e18\u0e38\u0e4c":{"1":"\u0e1f\u0e38\u0e0a\u0e34\u0e07\u0e34\u0e14\u0e32\u0e40\u0e19\u0e30","2":"\u0e1f\u0e38\u0e0a\u0e34\u0e07\u0e34\u0e42\u0e0b\u0e27","3":"\u0e1f\u0e38\u0e0a\u0e34\u0e07\u0e34\u0e1a\u0e32\u0e19\u0e30"},"\u0e0a\u0e19\u0e34\u0e14":{"1":"\u0e1e\u0e37\u0e0a\/\u0e1e\u0e34\u0e29","2":"\u0e1e\u0e37\u0e0a\/\u0e1e\u0e34\u0e29","3":"\u0e1e\u0e37\u0e0a\/\u0e1e\u0e34\u0e29"},"\u0e2a\u0e48\u0e27\u0e19\u0e2a\u0e39\u0e07":{"1":0.7,"2":1.0,"3":2.4},"\u0e19\u0e49\u0e33\u0e2b\u0e19\u0e31\u0e01":{"1":6.9,"2":13.0,"3":155.5}}

เพื่อที่จะให้ยังคงเป็นอักษรตามเดิม ให้ใส่ตัวเลือก force_ascii=False เข้าไป

print(df.to_json(force_ascii=0))

ได้

{"สายพันธุ์":{"1":"ฟุชิงิดาเนะ","2":"ฟุชิงิโซว","3":"ฟุชิงิบานะ"},"ชนิด":{"1":"พืช\/พิษ","2":"พืช\/พิษ","3":"พืช\/พิษ"},"ส่วนสูง":{"1":0.7,"2":1.0,"3":2.4},"น้ำหนัก":{"1":6.9,"2":13.0,"3":155.5}}

ตำแหน่งทศนิยมสำหรับข้อมูลที่เป็นทศนิยม หากไม่ได้กำหนดจะมี ๑๐ ตัว หากต้องการกำหนดเองสามารถใส่ double_precision
df = pd.DataFrame([1/3.])
print(df.to_json()) # ได้ {"0":{"0":0.3333333333}}
print(df.to_json(double_precision=3)) # ได้ {"0":{"0":0.333}}


ตัวเลือก orient

รูปแบบในการเขียน json นั้นจริงๆแล้วทำได้หลายแบบ โดยรูปแบบตั้งต้นคือการแบ่งตามคอลัมน์ แล้วระบุค่าแต่ละแถวในคอลัมน์

หากต้องการเปลี่ยนรูปแบบการเขียนสามารถทำได้โดยใช้ตัวเลือก orient

หากไม่ใส่ตัวเลือก orient จะเป็นค่าตั้งต้น คือ 'columns' คือแบ่งตามคอลัมส์ก่อน

แต่หากใส่ orient='index' จะแบ่งตามแถวก่อน

ตัวอย่างเปรียบเทียบ

df = pd.DataFrame([
        ['ฟุชิงิดาเนะ',0.7,6.9],
        ['ฮิโตคาเงะ',0.6,8.5],
        ['เซนิงาเมะ',0.5,9.0]
    ],
    columns=['สายพันธุ์','ส่วนสูง','น้ำหนัก'],
    index=[1,4,7]
)

print(df.to_json(orient='columns',force_ascii=0))
print(df.to_json(orient='index',force_ascii=0))

ได้
{"สายพันธุ์":{"1":"ฟุชิงิดาเนะ","4":"ฮิโตคาเงะ","7":"เซนิงาเมะ"},"ส่วนสูง":{"1":0.7,"4":0.6,"7":0.5},"น้ำหนัก":{"1":6.9,"4":8.5,"7":9.0}}
{"1":{"สายพันธุ์":"ฟุชิงิดาเนะ","ส่วนสูง":0.7,"น้ำหนัก":6.9},"4":{"สายพันธุ์":"ฮิโตคาเงะ","ส่วนสูง":0.6,"น้ำหนัก":8.5},"7":{"สายพันธุ์":"เซนิงาเมะ","ส่วนสูง":0.5,"น้ำหนัก":9.0}}

ถ้า orient='records' จะแยกตามแถว คล้าย orient='index' เพียงแต่ดัชนีแถวจะถูกละทิ้งไป
print(df.to_json(orient='records',force_ascii=0))

ได้
[{"สายพันธุ์":"ฟุชิงิดาเนะ","ส่วนสูง":0.7,"น้ำหนัก":6.9},{"สายพันธุ์":"ฮิโตคาเงะ","ส่วนสูง":0.6,"น้ำหนัก":8.5},{"สายพันธุ์":"เซนิงาเมะ","ส่วนสูง":0.5,"น้ำหนัก":9.0}]

เมื่อใช้ orient='records' หากใส่ตัวเลือก lines=True จะทำให้แบ่งเป็นบรรทัดแทน แทนที่จะกั้นด้วยจุลภาค ,

print(df.to_json(orient='records',lines=1,force_ascii=0))

ได้
{"สายพันธุ์":"ฟุชิงิดาเนะ","ส่วนสูง":0.7,"น้ำหนัก":6.9}
{"สายพันธุ์":"ฮิโตคาเงะ","ส่วนสูง":0.6,"น้ำหนัก":8.5}
{"สายพันธุ์":"เซนิงาเมะ","ส่วนสูง":0.5,"น้ำหนัก":9.0}

ถ้า orient='values' ทั้งชื่อคอลัมน์และชื่อแถวจะถูกละทิ้งทั้งหมด

print(df.to_json(orient='values',force_ascii=0))

ได้
[["ฟุชิงิดาเนะ",0.7,6.9],["ฮิโตคาเงะ",0.6,8.5],["เซนิงาเมะ",0.5,9.0]]

หาก orients='split' ชื่อคอลัมน์และชื่อแถวจะถูกแยกออกมาเก็บไว้ต่างหาก ส่วนข้อมูลก็จะบันทึกเหมือนกับเมื่อใช้ orient='values'
print(df.to_json(orient='split',force_ascii=0))

ได้
{"columns":["สายพันธุ์","ส่วนสูง","น้ำหนัก"],"index":[1,4,7],"data":[["ฟุชิงิดาเนะ",0.7,6.9],["ฮิโตคาเงะ",0.6,8.5],["เซนิงาเมะ",0.5,9.0]]}

ถ้า orient='table' จะเป็นตารางแบบที่บันทึกข้อมูลใน sql มีระบุชนิดข้อมูลไว้ชัดเจนด้วย

ในส่วนข้อมูลจะแยกตามแถว คล้าย orient='index'

เพียงแต่ว่าชื่อคอลัมน์ในส่วนของ fields จะถูกแปลงเป็นโค้ด แม้ว่าจะกำหนด force_ascii=0 ก็ตาม

print(df.to_json(orient='table',force_ascii=0))

ได้
{"schema":   {"fields":[{"name":"index","type":"integer"},{"name":"\u0e2a\u0e32\u0e22\u0e1e\u0e31\u0e19\u0e18\u0e38\u0e4c","type":"string"},{"name":"\u0e2a\u0e48\u0e27\u0e19\u0e2a\u0e39\u0e07","type":"number"},{"name":"\u0e19\u0e49\u0e33\u0e2b\u0e19\u0e31\u0e01","type":"number"}],"primaryKey":["index"],"pandas_version":"0.20.0"},  "data":  [{"index":1,"สายพันธุ์":"ฟุชิงิดาเนะ","ส่วนสูง":0.7,"น้ำหนัก":6.9},{"index":4,"สายพันธุ์":"ฮิโตคาเงะ","ส่วนสูง":0.6,"น้ำหนัก":8.5},{"index":7,"สายพันธุ์":"เซนิงาเมะ","ส่วนสูง":0.5,"น้ำหนัก":9.0}]}

เวลาที่ใช้ pd.read_json เพื่ออ่านข้อมูลที่บันทึกด้วยตัวเลือก orient แบบนี้ จะต้องกำหนด orient ตามให้ตรงด้วย
js = '{"columns":["ชื่อ"],"index":[25,26],"data":[["พีคาชู"],["ไรชู"]]}'
print(pd.read_json(js,orient='split'))

ได้

  ชื่อ
25 พีคาชู
26 ไรชู



การใช้ json_normalize

มีฟังก์ชันหนึ่งที่เกียวข้องกับ json ซึ่งค่อนข้างเข้าใจยากสักหน่อย แต่มีประโยชน์ นั่นคือ json_normalize

สมมุติว่ามีข้อมูล json ที่มีการซ้อนกันซับซ้อนหน่อย เช่นแบบนี้

jdata1.json
[
  {
    "เลข": 152,
    "ชื่อ": {
      "ไทย": "ชิโครีตา",
      "ญี่ปุ่น": "チコリータ"
    }
  },
  {
    "เลข": 155,
    "ชื่อ": {
      "ไทย": "ฮิโนอาราชิ",
      "ญี่ปุ่น": "ヒノアラシ"
    }
  },
  {
    "เลข": 158,
    "ชื่อ": {
      "ไทย": "วานิโนโกะ",
      "ญี่ปุ่น": "ワニノコ"
    }
  }
]

ถ้าหากนำมาแปลงเป็นเดตาเฟรมด้วยวิธีปกติก็จะพบว่าดิกชันนารีด้านในอยู่รวมตาราง
print(pd.read_json('jdata1.json'))

ได้

  ชื่อ เลข
0 {'ไทย': 'ชิโครีตา', 'ญี่ปุ่น': 'チコリータ'} 152
1 {'ไทย': 'ฮิโนอาราชิ', 'ญี่ปุ่น': 'ヒノアラシ'} 155
2 {'ไทย': 'วานิโนโกะ', 'ญี่ปุ่น': 'ワニノコ'} 158

แต่หากเริ่มอ่านมาเป็นดิกชันนารีก่อนแล้วใช้ json_normalize เพื่อแปลง โครงสร้างภายในจะถูกอ่านแล้วได้ชื่อคอลัมน์ซ้อนเข้าไป
import json
from pandas.io.json import json_normalize

with open('jdata1.json') as f:
    jdata = json.load(f)

print(json_normalize(jdata))

ได้

  ชื่อ.ญี่ปุ่น ชื่อ.ไทย เลข
0 チコリータ ชิโครีตา 152
1 ヒノアラシ ฮิโนอาราชิ 155
2 ワニノコ วานิโนโกะ 158

โครงสร้างซ้อน ๓ ชั้นแบบนี้ก็สามารถอ่านได้

jdata2.json
[
  {
    "เลข": 152,
    "ข้อมูล": {
      "ชื่อ": {
        "ไทย": "ชิโครีตา",
        "ญี่ปุ่น": "チコリータ"
      },
      "ส่วนสูง": 0.9,
      "น้ำหนัก": 6.4
    }
  },
  {
    "เลข": 155,
    "ข้อมูล": {
      "ชื่อ": {
        "ไทย": "ฮิโนอาราชิ",
        "ญี่ปุ่น": "ヒノアラシ"
      },
      "ส่วนสูง": 0.5
    }
  },
  {
    "เลข": 158,
    "ข้อมูล": {
      "ชื่อ": {
        "ไทย": "วานิโนโกะ",
        "ญี่ปุ่น": "ワニノコ"
      },
      "น้ำหนัก": 9.5
    }
  }
]

with open('jdata2.json') as f:
    jdata = json.load(f)

print(json_normalize(jdata))

ได้

  ข้อมูล.ชื่อ.ญี่ปุ่น ข้อมูล.ชื่อ.ไทย ข้อมูล.น้ำหนัก ข้อมูล.ส่วนสูง เลข
0 チコリータ ชิโครีตา 6.4 0.9 152
1 ヒノアラシ ฮิโนอาราชิ NaN 0.5 155
2 ワニノコ วานิโนโกะ 9.5 NaN 158

ต่อมาลองดูข้อมูลที่ซับซ้อนขึ้นไปอีก แบบนี้

jdata3.json
[
  {
    "เทรนเนอร์": "โกลด์",
    "โปเกมอน": [
      {
        "เลข": 152,
        "ชื่อ": "ชิโครีตา"
      },
      {
        "เลข": 161,
        "ชื่อ": "โอตาจิ"
      },
      {
        "เลข": 167,
        "ชื่อ": "อิโตมารุ"
      }
    ]
  },
  {
    "เทรนเนอร์": "ซิลเวอร์",
    "โปเกมอน": [
      {
        "เลข": 155,
        "ชื่อ": "ฮิโนอาราชิ"
      },
      {
        "เลข": 163,
        "ชื่อ": "โฮโฮ"
      }
    ]
  },
  {
    "เทรนเนอร์": "คริสตัล",
    "โปเกมอน": [
      {
        "เลข": 158,
        "ชื่อ": "วานิโนโกะ"
      },
      {
        "เลข": 165,
        "ชื่อ": "เรดีบา"
      }
    ]
  }
]

ในที่นี้มีข้อมูล ๓ กลุ่มของเทรนเนอร์ ๓ คน โดย "เทรนเนอร์" คือชื่อของเทรนเนอร์ ส่วน "โปเกมอน" บอกข้อมูลโปเกมอนที่มี

กรณีนี้ก็สามารถใช้ json_normalize เพื่ออ่านได้ แต่ต้องระบุชื่อคีย์สำหรับข้อมูลในแต่ละกลุ่ม ในที่นี้คือ "โปเกมอน" และระบุค่าอื่นๆที่จะใส่ด้วย ในที่นี้คือ "เทรนเนอร์"
with open('jdata3.json') as f:
    jdata = json.load(f)

df = json_normalize(jdata,'โปเกมอน','เทรนเนอร์')
print(df)

ได้

  ชื่อ เลข เทรนเนอร์
0 ชิโครีตา 152 โกลด์
1 โอตาจิ 161 โกลด์
2 อิโตมารุ 167 โกลด์
3 ฮิโนอาราชิ 155 ซิลเวอร์
4 โฮโฮ 163 ซิลเวอร์
5 วานิโนโกะ 158 คริสตัล
6 เรดีบา 165 คริสตัล


ส่วนการสร้างข้อมูล json ในลักษณะนี้จากเดตาเฟรมอาจทำได้โดยวิธีการในลักษณะนี้
lis = []
for tr,p in df.groupby('เทรนเนอร์'):
    pokemon = []
    for _,pk in p.iterrows():
        pokemon.append({'เลข':pk['เลข'],'ชื่อ':pk['ชื่อ']})
    lis.append({"เทรนเนอร์":tr,"โปเกมอน":pokemon})
with open('jdata4.json','w') as f:
    json.dump(lis,f,indent=2,ensure_ascii=0)

groupby จะช่วยแบ่งกลุ่มให้ตามเทรนเนอร์ แล้วเราจะได้ชื่อเทรนเนอร์และโปเกมอนที่เป็นของเทรนเนอร์นั้น เอามาแยกสร้างดิกชันนารี แล้วสุดท้ายก็แปลงเป็น json

หรืออาจย่อเหลือในบรรทัดเดียวได้แบบนี้
with open('jdata4.json','w') as f:
     json.dump([{"เทรนเนอร์":tr,"โปเกมอน":[{c:pk[c] for c in ['เลข','ชื่อ']}  for _,pk in p.iterrows()]} for tr,p in  df.groupby('เทรนเนอร์')],f,indent=2,ensure_ascii=0)

กรณีที่มีคอลัมน์ไหนมีค่าซ้ำกันแบ่งเป็นกลุ่มชัดเจน การเก็บข้อมูลในลักษณะนี้จะประหยัดที่ไปได้ เพราะไม่ต้องเก็บชื่อคอลัมน์เดิมๆหลายครั้ง อีกทั้งยังเป็นการจัดแบ่งข้อมูลอย่างเป็นระเบียบขึ้นด้วย



อ้างอิง


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

囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧

ดูสถิติของหน้านี้

หมวดหมู่

-- คอมพิวเตอร์ >> เขียนโปรแกรม >> python >> pandas

ไม่อนุญาตให้นำเนื้อหาของบทความไปลงที่อื่นโดยไม่ได้ขออนุญาตโดยเด็ดขาด หากต้องการนำบางส่วนไปลงสามารถทำได้โดยต้องไม่ใช่การก๊อปแปะแต่ให้เปลี่ยนคำพูดเป็นของตัวเอง หรือไม่ก็เขียนในลักษณะการยกข้อความอ้างอิง และไม่ว่ากรณีไหนก็ตาม ต้องให้เครดิตพร้อมใส่ลิงก์ของทุกบทความที่มีการใช้เนื้อหาเสมอ

目次

日本による名言集
モジュール
-- numpy
-- matplotlib

-- pandas
-- manim
-- opencv
-- pyqt
-- pytorch
機械学習
-- ニューラル
     ネットワーク
javascript
モンゴル語
言語学
maya
確率論
日本での日記
中国での日記
-- 北京での日記
-- 香港での日記
-- 澳門での日記
台灣での日記
北欧での日記
他の国での日記
qiita
その他の記事

記事の類別



ติดตามอัปเดตของบล็อกได้ที่แฟนเพจ

  記事を検索

  おすすめの記事

ตัวอักษรกรีกและเปรียบเทียบการใช้งานในภาษากรีกโบราณและกรีกสมัยใหม่
ที่มาของอักษรไทยและความเกี่ยวพันกับอักษรอื่นๆในตระกูลอักษรพราหมี
การสร้างแบบจำลองสามมิติเป็นไฟล์ .obj วิธีการอย่างง่ายที่ไม่ว่าใครก็ลองทำได้ทันที
รวมรายชื่อนักร้องเพลงกวางตุ้ง
ภาษาจีนแบ่งเป็นสำเนียงอะไรบ้าง มีความแตกต่างกันมากแค่ไหน
ทำความเข้าใจระบอบประชาธิปไตยจากประวัติศาสตร์ความเป็นมา
เรียนรู้วิธีการใช้ regular expression (regex)
การใช้ unix shell เบื้องต้น ใน linux และ mac
g ในภาษาญี่ปุ่นออกเสียง "ก" หรือ "ง" กันแน่
ทำความรู้จักกับปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง
ค้นพบระบบดาวเคราะห์ ๘ ดวง เบื้องหลังความสำเร็จคือปัญญาประดิษฐ์ (AI)
หอดูดาวโบราณปักกิ่ง ตอนที่ ๑: แท่นสังเกตการณ์และสวนดอกไม้
พิพิธภัณฑ์สถาปัตยกรรมโบราณปักกิ่ง
เที่ยวเมืองตานตง ล่องเรือในน่านน้ำเกาหลีเหนือ
ตระเวนเที่ยวตามรอยฉากของอนิเมะในญี่ปุ่น
เที่ยวชมหอดูดาวที่ฐานสังเกตการณ์ซิงหลง
ทำไมจึงไม่ควรเขียนวรรณยุกต์เวลาทับศัพท์ภาษาต่างประเทศ

月別記事

2024年

1月 2月 3月 4月
5月 6月 7月 8月
9月 10月 11月 12月

2023年

1月 2月 3月 4月
5月 6月 7月 8月
9月 10月 11月 12月

2022年

1月 2月 3月 4月
5月 6月 7月 8月
9月 10月 11月 12月

2021年

1月 2月 3月 4月
5月 6月 7月 8月
9月 10月 11月 12月

2020年

1月 2月 3月 4月
5月 6月 7月 8月
9月 10月 11月 12月

もっと前の記事

ไทย

日本語

中文