ใช้ Selenium WebDriver หา element และดึงข้อความ (text) ได้ โดยระบุ locator (id, class, css selector, xpath) แล้วใช้ property .text Syntax text = driver.find_element_by_css_selector(h4).text driver = WebDriver object find_element_by_css_selector = หา element ด้วย CSS selector .text = ดึงข้อความภาย

สามารถเข้าถึง จัดการ และควบคุม Docker objects เช่น containers, images, clusters, swarms ผ่าน Python library API ได้เกือบทุกอย่างที่ CLI ทำได้ เหมาะสำหรับแอป Python (Django, Flask) ที่ต้องจัดการ container จากสคริปต์เดียวกัน การติดตั้ง pip3 install docker-py เชื่อมต่อ Docker Daemon from docker impor

ปัญหา ต้องแยกสตริงเป็นฟิลด์ แต่ delimiter ไม่สม่ำเสมอ (หลายตัว 섞กัน) วิธีแก้: ใช้ re.split() re.split() ยืดหยุ่นกว่า str.split() รองรับหลาย pattern พร้อมกัน กรณีที่ 1: แยกเฉพาะข้อความ (ตัด delimiter ทิ้ง) import re tennis_greats = Roger-federer, Rafael nadal, Novak Djokovic,Andy murray # Pattern

ปัญหา ต้องการระบุรายการที่เกิดบ่อยที่สุดในลำดับข้อมูล (Sequence) วิธีแก้: ใช้ Counter จาก collections Counter คืออะไร? Counter เป็น subclass ของ dictionary ที่เก็บจำนวนนับ (integer count) สำหรับแต่ละ key เหมาะสำหรับนับ hashable objects หรือเป็น multiset from collections import Counter ความแตกต่า

บทความนี้สำหรับนักพัฒนาที่ต้องการหาค่าสูงสุด/ต่ำสุด N รายการใน Python จะเปรียบเทียบวิธีต่างๆ และสรุปวิธีที่ดีที่สุด วิธีที่ 1: Slice Approach (เรียงลำดับแล้วตัด) หาค่าต่ำสุด/สูงสุด 1 ค่า (N=1) ใช้ min() และ max() เร็วที่สุด import random random_list = random.sample(range(1, 10), 9) # [2, 4, 5, 1,

บทนำ Pandas มี .loc และ .iloc สำหรับการเลือกข้อมือ: .loc ใช้กับฉลากดัชนี (Index Labels) คล้าย Python Dictionary, .iloc ใช้กับตำแหน่ง (Position) คล้าย Python List การเลือกข้อมูลด้วย .loc[] 1. นำเข้าข้อมูลและตั้งค่าดัชนี import pandas as pd movies = pd.read_csv(https://raw.githubusercontent.com/sas

บทนำ Pandas มีความสามารถเลือกข้อมูลย่อยสองวิธี: ด้วยตำแหน่งดัชนี (Position) และด้วยฉลากดัชนี (Labels) บทความนี้สาธิต Select a Subset Of Data Using lexicographical slicing ใช้ข้อมูล Movies Dataset จาก Kaggle ขั้นตอนการทำงาน 1. นำเข้าข้อมูล import pandas as pd import numpy as np movies = pd.read_c

บทนำ Pandas มีความสามารถในการเลือกข้อมูลย่อย (Subset Selection) สองวิธี ได้แก่ ด้วยตำแหน่งดัชนี (Index Position) และด้วยฉลากดัชนี (Index Labels) บทความนี้จะสาธิตวิธี Select a Subset Of Data Using lexicographical slicing หรือการตัดข้อมูลแบบเล็กซิโคกราฟิกอล ข้อมูลตัวอย่างใช้ Movies Dataset จาก Kaggle

ในการวิเคราะห์ข้อมูล บางครั้งเราต้องการตรวจสอบแถวซ้ำเพื่อทำความเข้าใจข้อมูลมากขึ้น แทนที่จะลบทิ้งทันที โชคดีที่ Pandas มีเมธอดหลายตัวสำหรับจัดการกับข้อมูลซ้ำ เมธอด .duplicated() เมธอดนี้ช่วยให้เราสามารถดึงแถวซ้ำออกมาจาก DataFrame ได้ เราจะใช้ชุดข้อมูล HR ที่มีข้อมูลซ้ำ ซึ่งดาวน์โหลดมาจากลิงก์นี้ i

ปัญหา ต้องการดึงตาราง HTML จากเว็บเพจ บทนำ อินเทอร์เน็ต/เว็บเป็นแหล่งข้อมูลสำคัญ ใช้ HTTP ดึงข้อมูล Python มี standard library แต่ requests module ทำให้ง่ายกว่า บทความนี้แสดงวิธี parse HTML หาตารางฝังอยู่ในหน้าเว็บ ขั้นตอนการทำงาน 1. ติดตั้งแพ็กเกจ: requests, pandas, beautifulsoup4, tabulate 2.

บทนำ ในงาน Data Engineering บ่อยครั้งต้องสร้างแถวตัวอย่าง (sample rows) เอง แทนที่จะรอทีมฐานข้อมูล สร้าง template จากโครงสร้างคอลัมน์เดิม จะช่วยป้องกันการพิมพ์ชื่อคอลัมน์ผิดหรือลืมคอลัมน์ ขั้นตอนการทำงาน 1. สร้าง DataFrame ตัวอย่าง import pandas as pd import numpy as np players_info = pd.DataFra

ปัญหา ต้องการสร้างไฟล์บีบอัด (compressed files) ใน Python บทนำ ไฟล์ ZIP เก็บเนื้อหาที่บีบอัดของหลายไฟล์ การบีบอัดลดขนาดบนดิสก์ เหมาะสำหรับถ่ายโอนผ่านอินเทอร์เน็ตหรือระหว่างระบบ Python ใช้โมดูล zipfile สร้างไฟล์ ZIP ขั้นตอนการทำงาน 1. เตรียมแพ็กเกจ: zipfile และ io 2. ฟังก์ชันเขียนข้อมูลตัวอย่างลง

บทนำ ดูเหมือนโลกถูกควบคุมโดย Excel หลายองค์กรใช้ Excel เป็นเครื่องมือตัดสินใจสำคัญ แม้จะไม่ชอบ MS Office ก็ต้องจัดการไฟล์ Excel ขนาดใหญ่ได้อย่างมีประสิทธิภาพ พื้นฐานการจัดการ Excel กับ Pandas ติดตั้ง openpyxl และ xlwt สร้างไฟล์ Excel ด้วย xlsxwriter อ่านเข้า Pandas DataFrame เขียน DataFrame กลับไป

ปัญหา กำหนดเมทริกซ์ 2D สำหรับแต่ละค่า 0 ในเมทริกซ์ ให้แปลงค่าทั้งหมดในแถวและคอลัมน์นั้นเป็น 0 คืนค่าเมทริกซ์สุดท้าย ตัวอย่าง: Input matrix มี 0 ที่แถว 0,2,3 และคอลัมน์ 0,1,2 → Output ทุกค่าในแถวและคอลัมน์เหล่านั้นกลายเป็น 0 อัลกอริทึม n = จำนวนแถว, m = จำนวนคอลัมน์ สร้าง result matrix res ขนาด n×m

บทนำ Python มีหลายวิธีสำหรับ concurrent programming: threads, subprocesses, generators ฯลฯ ก่อนอื่นต้องเข้าใจ Concurrency คืออะไร Concurrency คือตรรกะภายในโปรแกรมเดียวที่เปิด path การ execute หลายเส้นทางพร้อมกัน เช่น separate I/O streams, SQL queries ทำให้ดูเหมือน simultaneous และ independent ขั้

บทนำ List comprehension ทำให้สร้าง derived list จาก source list ได้ง่าย เช่น คูณทุกค่าด้วย 5 ปัญหา: รวมสองลิสต์ด้วยลูป list1 = [100, 200, 300, 400] list2 = [500, 600, 700, 800] list3 = [] for i in range(len(list1)): list3.append(list1[i] + list2[i]) # [600, 800, 1000, 1200] ใช้ zip() รวม ite

ทำความเข้าใจ Process เมื่อรันโปรแกรม OS จะสร้าง process (isolated) ใช้ resource CPU, RAM, Disk และ kernel data structures ไม่เห็น process อื่น ไม่รบกวนกัน เป้าหมายของ OS กระจายงานให้ process อย่างยุติธรรม และตอบสนองผู้ใช้ ใช้ Task Manager (Windows), Activity Monitor (macOS), top (Linux) ดูสถานะ pro

ปัญหา กำหนดบอร์ดเกม 2048 (4x4 matrix) และทิศทางสไลด์ (U, D, L, R) ต้องการหาสถานะบอร์ดถัดไป กฎ: ตัวเลขเคลื่อนที่ไปจนสุดในทิศทางนั้น และตัวเลขติดกันที่เหมือนกันจะรวมกัน (บวก) เพียงครั้งเดียวต่อการสไลด์ ตัวอย่าง: สไลด์ L (ซ้าย) Input: [[2,0,0,2], [2,2,2,2], [0,4,2,2], [2,2,2,0]] Output: [[4,0,0,0],

ปัญหา ต้องการเขียนฟังก์ชันที่รับจำนวนอาร์กิวเมนต์ไม่จำกัด (any number of arguments) โซลูชัน 1. รับ positional arguments ไม่จำกัดด้วย *args *rest_arg จะเป็น tuple ของอาร์กิวเมนต์เพิ่มเติมทั้งหมด def define_average(first_arg, *rest_arg): average = (first_arg + sum(rest_arg)) / (1 + len(rest_arg

บทนำ Pandas ใช้ np.nan แทนค่า missing ซึ่งมีคุณสมบัติพิเศษ: np.nan == np.nan เป็น False (ไม่เท่ากับตัวเอง) ในขณะที่ None == None เป็น True ตัวอย่างพฤติกรรมของ NaN 10) # False ปัญหาการเปรียบเทียบ DataFrame ด้วย == df = pd.DataFrame({ players: [Federer, Nadal, Djokovic, Murray, Medvedev