对于绘制某些类型的数据来说，瀑布图是一种十分有用的工具。不足为奇的是，我们可以使用Pandas和matplotlib创建一个可重复的瀑布图。在往下进行之前，我想先告诉大家我指代的是哪种类型的图表。我将建立一个维基百科文章中描述的2D瀑布图。

在本文中，我们将探讨一种简洁的方式，以此来可视化你的MP3音乐收藏。此方法最终的结果将是一个映射你所有歌曲的正六边形网格地图，其中相似的音轨将处于相邻的位置。不同区域的颜色对应不同的音乐流派（例如：古典、嘻哈、重摇滚）。

Python有些出色的数据可视化库，但很少能渲染GIF或视频动画。

本文介绍如何运用MoviePy作为其他库的通用动画插件。

今天的博客是上篇博客的继续，上篇博客是使用Python和OpenCV检测图像中的条形码。今天我们将重构代码去检测视频中的条形码。举个例子，下图是我实验的一个截图，我手持Modern Warfare 3，我们的程序能够顺利检测到其背面的条形码。

如果你想要在Linxu中获得一个高效、自动化、高质量的科学画图的解决方案，应该考虑尝试下matplotlib库。Matplotlib是基于python的开源科学测绘包，基于python软件基金会许可证发布。

今天的博客是直接来源于我自己的个人工具函数库。过去几个月，有些PyImageSearch读者电邮问我：“如何获取URL指向的图片并将其转换成OpenCV格式（不用将其写入磁盘再读回）”。这篇文章我将展示一下怎么实现这个功能。

我的Raspberry Pi 2昨天刚邮到，这家伙看上去很小巧可爱。这小家伙有4核900MHZ的处理器，1G内存。要知道，Raspberry Pi 2 可比我中学电脑实验室里大多数电脑快多了。话说，自从Raspberry Pi 2发布以来，我收到了很多请求，要求我能写一个在它上面安装OpenCV和Python的详细说明。因此如果你想在Raspberry Pi启动运行OpenCV和Python，就往下面看！

本教程的所有Python代码可以在网上的IPython notebook中获取。考虑在公司里使用Plotly？可以看一下Plotly的on-premises企业版。注意操作系统：尽管Windows或Mac用户也可以跟随本文操作，但本文假定你使用的是Ubuntu系统（Ubuntu桌面版或Ubuntu服务器版）。

在这篇文章中，我们将分析一个网络爬虫。网络爬虫是一个扫描网络内容并记录其有用信息的工具。它能打开一大堆网页，分析每个页面的内容以便寻找所有感兴趣的数据，并将这些数据存储在一个数据库中，然后对其他网页进行同样的操作。

在前面的四篇文章中, 我们一直采用 python 3 自带的 urllib 模块来抓取网页, 然后用 re 模块来处理抓取到的数据. 这次我们使用 Requests 库来代替 urllib, 用 BeautifulSoup 来代替 re 模块.

受杰森Almost Looks Like Work的启发，我来展示一些病毒传播模型。需要注意的是这个模型并不反映现实情况，因此不要误以为是西非可怕的传染病。相反，它更应该被看做是某种虚构的僵尸爆发现象。那么，让我们进入主题。

大家都知道，通过文本或标签来搜索图片的体验非常糟糕。在本文作者将介绍如何自己创建一个图像搜索引擎。

使用python做了一个小监控，监控公司一个项目的日志库：如果扫到有一定数量的error日志就报警，如果只有一两条错误就可以无视了，也就是短时间爆发大量错误日志，就可以断定系统有问题了。报警方式就用发送邮件的方式。

在教程的第一部分，你完成了游戏客户端的大部分代码。你编写的代码在游戏界面上绘制了网格线，并允许玩家在网格线上放置新的线条。在第二部分，也是本教程的最后一部分，你将完成游戏服务端的编写，通过客户端与服务端的连接通信，实现多玩家游戏。

你曾经想知道计算机是如何工作的吗？尽管我们不能在一篇文章里面教会你所有的东西，但是通过学习如何写出你自己的程序来获得一个良好的开端。在这篇Python教程中，你将会学到计算机编程的基础知识，使用对新手来说最棒的编程语言之一。

我确定，你一定曾和你的朋友们一起玩过在线多人游戏。但是你是否想过这些游戏的内部是怎样实现的呢，游戏是怎样在计算机中运行的呢？

在这个教程中，你将通过编写一个简单的游戏来学习有关多人游戏编程。与此同时，你也将学习到面向对象程序设计的思想。

这篇博文的目的是应用计算机视觉和图像处理技术，展示一个条形码检测的基本实现。我所实现的算法本质上基于StackOverflow 上的这个问题，浏览代码之后，我提供了一些对原始算法的更新和改进。不过这个算法并不是对所有条形码有效。

最近我用Python做了一个国际象棋程序并把代码发布在Github上了。这个代码不到1000行，大概20%用来实现AI。在这篇文章中我会介绍这个AI如何工作，每一个部分做什么，它为什么能那样工作起来。你可以直接通读本文，或者去下载代码，边读边看代码。

2012年注：本文首发于2005年。发布之后，Django上线了一个RemovingTheMagic项目，提出了我的一些质疑（尽管我本人发现它仍然不可用），web.py促进了FriendFeed的tornado.web和Google的gae.webapp以及其它项目（尽管如此我仍然喜欢web.py），本文引起了Reddit流量的永久井喷，仍然没有真正地停止增长。

语法分析器描述了一个句子的语法结构，用来帮助其他的应用进行推理。自然语言引入了很多意外的歧义，以我们对世界的了解可以迅速地发现这些歧义。