6月, 2019 - 流行の科学技術を勝手に追いかけるブログ人工知能仮想現実ブロックチェーン

機械学習：sklearnで３０日間の株価予測をやってみる

前回、pandas_datareaderで株価を取得してpandasで統計処理してmatplotlibで可視化するということをやりました。

今回は機械学習をやっていきましょう。

理屈：

ある１日の株価データのうち、High Low Open Close Volume AdjClose の６データと、さらにOpen Close から算出されるエンジニアリングデータ change　を含めて、計７つのデータを入力データとします。（ここまでは前回の話）

その正解データとして、３０日後の終値Closeを定義します。

数学モデルは線形回帰モデルを使います。複数の入力データがあるので重回帰分析と呼ばれています。

y : 正解データ
x1～x7：入力データ
a1～a7：回帰パラメータ　偏回帰係数とも呼ばれます
error：入力データと正解データの差（誤差）　数学モデル上では切片に相当します

y　=　(a1*x1) + (a2*x2) + (a3*x3) + (a4*x4) + (a5*x5) + (a6*x6) + (a7*x7) + ierror

たくさんの入力データ（１日１データ）をこのモデルに入力して、正解データと入力データの Σ(ai*xi) の部分との差 errorがトータルでできるだけ小さくなるように、最小二乗法を使って ai を決めていきます。

その結果、予測モデルが確定しますので、３０日前から現在までの入力データを代入すれば、それぞれの日に対して３０日後の終値が予測されます。

# 終値を30日間前にずらしたcolumnを作成します。

ずらされた部分はNaNという値なしの状態で埋められます。

# 機械学習
df_nvda["label"] = df_nvda["Close"].shift(-30) #30日間過去にずらした。
df_nvda.tail(35)

# 機械学習

df_nvda["label"] = df_nvda["Close"].shift(-30) #30日間過去にずらした。

df_nvda.tail(35)

# 入力データを作成します

# 入力データを作成する
# labelとSMA列は除外して　High Low Open Close Volume AdjClose change の計７列を使用する
X = np.array(df_nvda.drop(["label","SMA"],axis=1))
X.shape # (1172, 7)

# 入力データはスケーリングする（平均を引いて標準偏差で割る）
X = sklearn.preprocessing.scale(X) 

# ３０日前から現在までのデータを予測に使用する入力データとして定義
predict_data = X[ -30 : ]
predict_data.shape # (30, 7)

# 直近３０日間を除外した入力データ
X = X[ : -30]
X.shape #(1142, 7)

# 入力データを作成する

# labelとSMA列は除外して　High Low Open Close Volume AdjClose change の計７列を使用する

X = np.array(df_nvda.drop(["label","SMA"],axis=1))

X.shape # (1172, 7)

# 入力データはスケーリングする（平均を引いて標準偏差で割る）

X = sklearn.preprocessing.scale(X)

# ３０日前から現在までのデータを予測に使用する入力データとして定義

predict_data = X[ -30 : ]

predict_data.shape # (30, 7)

# 直近３０日間を除外した入力データ

X = X[ : -30]

X.shape #(1142, 7)

# 正解データを定義します

# 正解データを定義 :30日後の終値のこと
y = np.array(df_nvda["label"])
y.shape #(1172,)


# 正解データのない部分を削除
y = y[ : -30]
y.shape #(1142,)

plt.plot(y)

# 正解データを定義 :30日後の終値のこと

y = np.array(df_nvda["label"])

y.shape #(1172,)

# 正解データのない部分を削除

y = y[ : -30]

y.shape #(1142,)

plt.plot(y)

# データを訓練用と検証用に分割して、学習モデルを選択して、学習させて、検証します

# データを訓練用と検証用に分割する
X_train, X_test, y_train, y_test = sklearn.model_selection.train_test_split(X, y, test_size = 0.2)

# 学習モデルを定義する（インスタンスの作成）
lr = sklearn.linear_model.LinearRegression()

# 学習する（fitメソド実行）
lr.fit(X_train, y_train)

#検証する
accuracy = lr.score(X_test, y_test)
accuracy # 0.9232607206984768

# データを訓練用と検証用に分割する

X_train, X_test, y_train, y_test = sklearn.model_selection.train_test_split(X, y, test_size = 0.2)

# 学習モデルを定義する（インスタンスの作成）

lr = sklearn.linear_model.LinearRegression()

# 学習する（fitメソド実行）

lr.fit(X_train, y_train)

#検証する

accuracy = lr.score(X_test, y_test)

accuracy # 0.9232607206984768

精度：92％　って出ています。(´・ω・`)

# 過去３０日間の入力データ predict_data から、それぞれ３０日後の未来終値データ predicted_dataを予測します。

# 過去３０日間の入力データ predict_data から、
# それぞれ３０日後の未来終値データ predicted_dataを予測する
predicted_data=lr.predict(predict_data)
predicted_data.shape # (30,)
predicted_data

# 過去３０日間の入力データ predict_data から、

# それぞれ３０日後の未来終値データ predicted_dataを予測する

predicted_data=lr.predict(predict_data)

predicted_data.shape # (30,)

predicted_data

# 可視化：予測結果

# 予測済みデータをデータフレームに追加するため、
# 予め、空データを入れておく
df_nvda["Predicted"] = np.nan

# 最終日indexを取得する
last_date = df_nvda.iloc[-1].name # Timestamp('2019-09-27 03:00:00')

# 1日の数値を定義（決まっている）
one_day = 86400

# 最終日に１日足す
next_unix = last_date.timestamp() + one_day

# 予測済みデータ
for data in predicted_data:
    
    # 日付を定義
    next_date=datetime.datetime.fromtimestamp(next_unix)
    
    # 1日カウントアップ
    next_unix += one_day
    
    # index（未来の日付）に予測終値を追加していく
    df_nvda.loc[next_date] = np.append([np.nan]*(len(df_nvda.columns)-1),data)

# 可視化：終値と予測終値
df_nvda["Close"].plot(figsize=(16,5),color="green")
df_nvda["Predicted"].plot(figsize=(16,5),color="orange")

# fig 保存
plt.savefig("predict_result.png")
plt.show()

last_date　＃Timestamp('2019-06-28 00:00:00')

# 予測済みデータをデータフレームに追加するため、

# 予め、空データを入れておく

df_nvda["Predicted"] = np.nan

# 最終日indexを取得する

last_date = df_nvda.iloc[-1].name # Timestamp('2019-09-27 03:00:00')

# 1日の数値を定義（決まっている）

one_day = 86400

# 最終日に１日足す

next_unix = last_date.timestamp() + one_day

# 予測済みデータ

for data in predicted_data:

# 日付を定義

next_date=datetime.datetime.fromtimestamp(next_unix)

# 1日カウントアップ

next_unix += one_day

# index（未来の日付）に予測終値を追加していく

df_nvda.loc[next_date] = np.append([np.nan]*(len(df_nvda.columns)-1),data)

# 可視化：終値と予測終値

df_nvda["Close"].plot(figsize=(16,5),color="green")

df_nvda["Predicted"].plot(figsize=(16,5),color="orange")

# fig 保存

plt.savefig("predict_result.png")

plt.show()

last_date　＃Timestamp('2019-06-28 00:00:00')

後ろの黄色いやつが未来の３０日間の株価予想です。

Linear Regression でも　まあまあそれっぽい答えは帰ってきますね。

機械学習：pandas_datareaderで株価を取得してpandasで統計処理してmatplotlibで可視化する

pandas_datareaderで株価を取得してpandasで統計処理してmatplotlibで可視化してみます。

次回は、sklearnで株価を予測してみますので、当該記事でpandas_datareaderの使い方を覚えてしまいましょう。

# 使用するモジュール群をインポート

# 使用するモジュール群をインポート
import datetime
import matplotlib.pyplot as plt
import numpy as np
import pandas_datareader
import sklearn
import sklearn.linear_model
import sklearn.model_selection

# 使用するモジュール群をインポート

import datetime

import matplotlib.pyplot as plt

import numpy as np

import pandas_datareader

import sklearn

import sklearn.linear_model

import sklearn.model_selection

# データウェアハウスからAPIを利用してデータを引っ張ってくる

# データウェアハウス
df_nvda = pandas_datareader.data.DataReader("NVDA","yahoo","2014-11-01")
df_aapl = pandas_datareader.data.DataReader("AAPL","yahoo","2014-11-01")
df_fb = pandas_datareader.data.DataReader("FB","yahoo","2014-11-01")
df_gold = pandas_datareader.data.DataReader("GLD","yahoo","2014-11-01")

# データウェアハウス

df_nvda = pandas_datareader.data.DataReader("NVDA","yahoo","2014-11-01")

df_aapl = pandas_datareader.data.DataReader("AAPL","yahoo","2014-11-01")

df_fb = pandas_datareader.data.DataReader("FB","yahoo","2014-11-01")

df_gold = pandas_datareader.data.DataReader("GLD","yahoo","2014-11-01")

#終値のチャートを可視化

#終値のチャートを可視化
df_nvda["Close"].plot(figsize=(16,5),color="green")
df_fb["Close"].plot(figsize=(16,5),color="blue")
df_gold["Close"].plot(figsize=(16,5),color="orange")

# figを保存
plt.savefig("chart_001.png")
plt.show()

#終値のチャートを可視化

df_nvda["Close"].plot(figsize=(16,5),color="green")

df_fb["Close"].plot(figsize=(16,5),color="blue")

df_gold["Close"].plot(figsize=(16,5),color="orange")

# figを保存

plt.savefig("chart_001.png")

plt.show()

# 統計処理：単純移動平均

# 統計処理

# 過去14日単純移動平均のcolumnを作成する
df_nvda["SMA"] = df_nvda["Close"].rolling(window=14).mean()

#終値と過去14日単純移動平均を比較したグラフを作成する
df_nvda["Close"].plot(figsize=(15,6), color="red")
df_nvda["SMA"].plot(figsize=(15,6), color="green")
plt.show()

# 過去14日単純移動平均が追加されたデータフレームを確認
df_nvda

# 統計処理

# 過去14日単純移動平均のcolumnを作成する

df_nvda["SMA"] = df_nvda["Close"].rolling(window=14).mean()

#終値と過去14日単純移動平均を比較したグラフを作成する

df_nvda["Close"].plot(figsize=(15,6), color="red")

df_nvda["SMA"].plot(figsize=(15,6), color="green")

plt.show()

# 過去14日単純移動平均が追加されたデータフレームを確認

df_nvda

#統計処理：変動率

# 始値に対する当日の変動率 % のcolumnを新規追加
df_nvda["change"] = ((df_nvda["Close"]-df_nvda["Open"])/df_nvda["Open"])*100
df_aapl["change"] = ((df_aapl["Close"]-df_aapl["Open"])/df_aapl["Open"])*100
df_fb["change"] = ((df_fb["Close"]-df_fb["Open"])/df_fb["Open"])*100
df_gold["change"] = ((df_gold["Close"]-df_gold["Open"])/df_gold["Open"])*100

# 直近１００日間の変動率 %　を可視化 
df_nvda["change"].tail(100).plot(figsize=(15,6), color="green")
df_aapl["change"].tail(100).plot(figsize=(15,6), color="red")
df_fb["change"].tail(100) .plot(figsize=(15,6), color="blue")
df_gold["change"].tail(100) .plot(figsize=(15,6), color="gold")

# 保存
plt.savefig("chart_variable.png")
plt.show()

# 始値に対する当日の変動率 % のcolumnを新規追加

df_nvda["change"] = ((df_nvda["Close"]-df_nvda["Open"])/df_nvda["Open"])*100

df_aapl["change"] = ((df_aapl["Close"]-df_aapl["Open"])/df_aapl["Open"])*100

df_fb["change"] = ((df_fb["Close"]-df_fb["Open"])/df_fb["Open"])*100

df_gold["change"] = ((df_gold["Close"]-df_gold["Open"])/df_gold["Open"])*100

# 直近１００日間の変動率 %　を可視化

df_nvda["change"].tail(100).plot(figsize=(15,6), color="green")

df_aapl["change"].tail(100).plot(figsize=(15,6), color="red")

df_fb["change"].tail(100) .plot(figsize=(15,6), color="blue")

df_gold["change"].tail(100) .plot(figsize=(15,6), color="gold")

# 保存

plt.savefig("chart_variable.png")

plt.show()

では、次回はこれをsklearnで機械学習して未来を予測してみます。

Python:csv,DataFrame,Matplotlibの操作例

データ処理のコード例です。

有限要素法解析のポストプロセッサJ-visionから吐き出される応力データを評価使用とすると、自分でデータをこねくり回す必要があります。エクセルではやってられないのでpythonで自動化しました。

私の使い方は、csvからデータフレームとして取り込む＞不要なデータを削除してデータフレームを整形する。＞欲しいデータになるように演算する＞結果を可視化する。という流れが多いです。

一度作ったら、クラス化しておけば後々改造するのが楽ちんになりますので、積極的にやっています。

やっていきましょう。モジュール群をインポートします。

#python3
"""
当該プログラムはLS-Dyna ポストプロセッサ J-Visionによる第１主応力、ミーゼス相当応力などのcsv出力データを取り込み
時系列最大値（場所は問わず）のグラフを出力するスクリプトです。Keita_Nakamori

"""
%matplotlib inline
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.ticker as tick # 目盛り操作
import matplotlib.patches as patches # グラフ内へ図形を追加

#python3

"""

当該プログラムはLS-Dyna ポストプロセッサ J-Visionによる第１主応力、ミーゼス相当応力などのcsv出力データを取り込み

時系列最大値（場所は問わず）のグラフを出力するスクリプトです。Keita_Nakamori

"""

%matplotlib inline

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import matplotlib.ticker as tick # 目盛り操作

import matplotlib.patches as patches # グラフ内へ図形を追加

クラスとメソドです。
csvファイルを読み込んでDataFrameを作成。整理します。

class jvision():
    def __init__(self):
        pass
    
    def show_graph(self,file_addr, save=True):
        """csvデータを読み込んで　データフレームとして整形し　グラフを出力する
        
        args:
            file_addr : csvファイルのアドレス.拡張子
            save      : 出力したグラフを file_addr.png　としてカレントディレクトリに保存する
        
        return : なし
        
        attribute :
            self.df            :整形したデータフレーム
            self.array_max     : 選択した全要素のうち、最大の応力を時系列に並べたリストを表示
            self.max           : 全時刻　選択した全要素の応力の最大値を算出
            self.array_impulse : 選択した全要素の応力の総和を時系列に並べたリスト
            self.impulse       : 全時刻　選択した全要素の力積の総和
                 
        
        """
        # ======== データの整形========
        
        #csvデータの１行目に空白があるのでデータフレームを作成する際に予め定義してエラーを回避する
        col_names = [ 'c{0:02d}'.format(i) for i in range(1000) ]

        #csvデータの１，２行目に日本語があるのでエンコーディングをshift-jisとしてエラーを回避する
        encoding="shift-jis"

        #データフレームを作成する
        df=pd.read_csv(file_addr,names=col_names, encoding="shift-jis")

        #不要なcolumnを削除する
        del df["c00"]

        #不要なindexを削除する
        df = df.drop(range(2))

        #timeをindexとして定義し、不要となったc0を削除する
        time = np.array(df["c01"])
        df.index = time
        del df["c01"]

        # データフレーム内の NAN を含むcolumを削除 .dropna
        df.shape              #削除前のシェイプ(102, 999)
        df = df.dropna(axis=1, how ="all")
        df = df.astype(float) #データフレームのあ中はすべて文字列になっているので数値化する
        df.shape              #削除後のシェイプ(102, 321)
        
        # ======== データの解析========
        
        # 各時刻ごとの最大値を算出
        df_max = df.max(axis=1) # kgf/mm2
        df_max =df_max *9.8     # MPa
        
        #全時刻の最大値を算出
        print(" Max stress in the data : {:.3f} MPa".format(df_max.max(axis=0)))  # MPa
        
        # Figureを設定        #最大値を算出
        df_max = df.max(axis=1) # kgf/mm2
        df_max =df_max *9.8  # MPa
        array_max =np.array(df_max) #np.arrayとして抽出
        fig = plt.figure(figsize=(10, 5))

        # グラフ描画領域を追加
        ax = fig.add_subplot(111)

        # Axesのタイトルを設定
        ax.set_title(file_addr, fontsize = 20)
        
        # 時間timeを表すdf.indexは文字列なのでfloatに変換する
        li=[]
        for i in df.index: 
            li.append(float(i))
        time = li
        
        # 全時刻　選択した全要素の力積の総和
        array_impulse = df.sum(axis=1)*(li[1]-li[0]) # 時系列の力積リスト
        impulse = array_impulse.sum(axis=0)          # 力積の最大値
        
        
        
        #アトリビュートを生成する
        self.df   = df
        self.time = time
        self.array_max = array_max
        self.max = df_max.max(axis=0)
        self.array_impulse = array_impulse
        self.impulse =impulse
        
        # ======== データの可視化========
        
        # データをプロット
        ax.plot(time, array_max,label="stress",color="red",marker="",linestyle="solid" ,linewidth=2 )
        ax.legend(fontsize=20,loc=1)
        plt.xlabel("time / sec",fontsize=20)
        plt.ylabel("Stress / MPa",fontsize=20)
        plt.tick_params(labelsize = 18)
        
        
        # x軸の目盛設定
        #ax.set_xticks( np.arange(0, 0.0010, 0.0002) )
        
        # y軸の目盛設定
        #ax.set_yticks(np.arange(0,1000,10))
        
        #ax.tick_params(direction = "inout", length = 5, colors = "black")
        
        #plt.gca().xaxis.set_minor_locator(tick.MultipleLocator(5))
        #plt.gca().yaxis.set_minor_locator(tick.MultipleLocator(0.1))
        
        
        # グリッド表示をONにする
        plt.grid(which='minor')
        ax.grid(True)
        
        #x,yのリミット範囲を定義する
        ax.set_xlim(0,0.001)
        ax.set_ylim(0,10000)
        
        #保存と表示
        if save==True:
            plt.savefig(file_addr+".png")

        return

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

class jvision():

def __init__(self):

pass

def show_graph(self,file_addr, save=True):

"""csvデータを読み込んで　データフレームとして整形し　グラフを出力する

args:

file_addr : csvファイルのアドレス.拡張子

save : 出力したグラフを file_addr.png　としてカレントディレクトリに保存する

return : なし

attribute :

self.df :整形したデータフレーム

self.array_max : 選択した全要素のうち、最大の応力を時系列に並べたリストを表示

self.max : 全時刻　選択した全要素の応力の最大値を算出

self.array_impulse : 選択した全要素の応力の総和を時系列に並べたリスト

self.impulse : 全時刻　選択した全要素の力積の総和

"""

# ======== データの整形========

#csvデータの１行目に空白があるのでデータフレームを作成する際に予め定義してエラーを回避する

col_names = [ 'c{0:02d}'.format(i) for i in range(1000) ]

#csvデータの１，２行目に日本語があるのでエンコーディングをshift-jisとしてエラーを回避する

encoding="shift-jis"

#データフレームを作成する

df=pd.read_csv(file_addr,names=col_names, encoding="shift-jis")

#不要なcolumnを削除する

del df["c00"]

#不要なindexを削除する

df = df.drop(range(2))

#timeをindexとして定義し、不要となったc0を削除する

time = np.array(df["c01"])

df.index = time

del df["c01"]

# データフレーム内の NAN を含むcolumを削除 .dropna

df.shape #削除前のシェイプ(102, 999)

df = df.dropna(axis=1, how ="all")

df = df.astype(float) #データフレームのあ中はすべて文字列になっているので数値化する

df.shape #削除後のシェイプ(102, 321)

# ======== データの解析========

# 各時刻ごとの最大値を算出

df_max = df.max(axis=1) # kgf/mm2

df_max =df_max *9.8 # MPa

#全時刻の最大値を算出

print(" Max stress in the data : {:.3f} MPa".format(df_max.max(axis=0))) # MPa

# Figureを設定 #最大値を算出

df_max = df.max(axis=1) # kgf/mm2

df_max =df_max *9.8 # MPa

array_max =np.array(df_max) #np.arrayとして抽出

fig = plt.figure(figsize=(10, 5))

# グラフ描画領域を追加

ax = fig.add_subplot(111)

# Axesのタイトルを設定

ax.set_title(file_addr, fontsize = 20)

# 時間timeを表すdf.indexは文字列なのでfloatに変換する

li=[]

for i in df.index:

li.append(float(i))

time = li

# 全時刻　選択した全要素の力積の総和

array_impulse = df.sum(axis=1)*(li[1]-li[0]) # 時系列の力積リスト

impulse = array_impulse.sum(axis=0) # 力積の最大値

#アトリビュートを生成する

self.df = df

self.time = time

self.array_max = array_max

self.max = df_max.max(axis=0)

self.array_impulse = array_impulse

self.impulse =impulse

# ======== データの可視化========

# データをプロット

ax.plot(time, array_max,label="stress",color="red",marker="",linestyle="solid" ,linewidth=2 )

ax.legend(fontsize=20,loc=1)

plt.xlabel("time / sec",fontsize=20)

plt.ylabel("Stress / MPa",fontsize=20)

plt.tick_params(labelsize = 18)

# x軸の目盛設定

#ax.set_xticks( np.arange(0, 0.0010, 0.0002) )

# y軸の目盛設定

#ax.set_yticks(np.arange(0,1000,10))

#ax.tick_params(direction = "inout", length = 5, colors = "black")

#plt.gca().xaxis.set_minor_locator(tick.MultipleLocator(5))

#plt.gca().yaxis.set_minor_locator(tick.MultipleLocator(0.1))

# グリッド表示をONにする

plt.grid(which='minor')

ax.grid(True)

#x,yのリミット範囲を定義する

ax.set_xlim(0,0.001)

ax.set_ylim(0,10000)

#保存と表示

if save==True:

plt.savefig(file_addr+".png")

return

クラスのインスタンスを作成して、メソドを実行します。

# インスタンスの作成
data = jvision()

# 読み込むファイルのアドレスを定義する
file_addr_li =[]

file_addr_li.append("case1_n0_principal_stress.csv")
file_addr_li.append("case1_n1_principal_stress.csv")
file_addr_li.append("case1_n2_principal_stress.csv")
file_addr_li.append("case2_n0_principal_stress.csv")
file_addr_li.append("case2_n1_principal_stress.csv")
file_addr_li.append("case2_n2_principal_stress.csv")
file_addr_li.append("case3_n0_principal_stress.csv")
file_addr_li.append("case3_n1_principal_stress.csv")
file_addr_li.append("case3_n2_principal_stress.csv")



# グラフ作成・保存・アトリビュートのメソド jvision.make_graph()を実行する

stress_dict={}
impulse_dict ={}

for file_addr in file_addr_li:
    data.show_graph(file_addr,save=True)
    
    # 応力の最大値をディクショナリで取得
    stress_dict[file_addr] = data.max # MPa
    
    # 力積の総和をディクショナリで取得
    impulse_dict[file_addr] = data.impulse # MPa・s

# インスタンスの作成

data = jvision()

# 読み込むファイルのアドレスを定義する

file_addr_li =[]

file_addr_li.append("case1_n0_principal_stress.csv")

file_addr_li.append("case1_n1_principal_stress.csv")

file_addr_li.append("case1_n2_principal_stress.csv")

file_addr_li.append("case2_n0_principal_stress.csv")

file_addr_li.append("case2_n1_principal_stress.csv")

file_addr_li.append("case2_n2_principal_stress.csv")

file_addr_li.append("case3_n0_principal_stress.csv")

file_addr_li.append("case3_n1_principal_stress.csv")

file_addr_li.append("case3_n2_principal_stress.csv")

# グラフ作成・保存・アトリビュートのメソド jvision.make_graph()を実行する

stress_dict={}

impulse_dict ={}

for file_addr in file_addr_li:

data.show_graph(file_addr,save=True)

# 応力の最大値をディクショナリで取得

stress_dict[file_addr] = data.max # MPa

# 力積の総和をディクショナリで取得

impulse_dict[file_addr] = data.impulse # MPa・s

結果整理１

#del stress_dict["case3_n0_principal_stress.csv"]
y=stress_dict.values()
x=range(len(y))
plt.bar(x,y)
plt.show()

#del stress_dict["case3_n0_principal_stress.csv"]

y=stress_dict.values()

x=range(len(y))

plt.bar(x,y)

plt.show()

結果整理２

#del impulse_dict["case3_n0_principal_stress.csv"]
y=impulse_dict.values()
x=range(len(y))
plt.bar(x,y)
plt.show()

#del impulse_dict["case3_n0_principal_stress.csv"]

y=impulse_dict.values()

x=range(len(y))

plt.bar(x,y)

plt.show()

以上、参考まで。

VR:Unity空間内をDayDreamコントローラーで歩く５（できました！）

今日は、キーボードからではなくて、デイドリームコントローラーからの入力を受け取るように改造していきます(´・ω・`)`


かなり前にSummonFunc()を作ったときにやったのを思い出しながらやってみます。
条件式：if (GvrControllerInput.ClickButtonDown)　でコントローラーのボタンがクリックされたことを認識したときに、関数SummonFunc()を実行しています。
関数SummonFunc()は任意のオブジェクトを任意の座標と向きを定義してヒエラルキーに追加（Instantiate）する内容になっています。
変更しましょう：
Gvrのメソドを利用していきましょう。
GvrControllerInput.以下のメソド

AppButtonDown     : アプリケーションボタンを押したとき
HomeButtonDown : ホームボタンを押したとき
ClickButtonDown   : タッチパッドボタンを押したとき
TouchDown               : タッチパッドに触れたとき
TouchPos                    : タッチパッドに触れている位置（Vector2）

if(GvrControllerInput.TouchDown)

tpX=0.5，tpY=0.5が中心で
前進はtpY<0.3のときにしよう
後退はtpY>0.7のときにしよう
右を向くのはtpX>0.7のときにしよう
左を向くのはtpX<0.3のときにしよう

もっといい方法があるかもしれないが、まずはこれでやってみよう。

スクリプト：PlayerMover2.cs

デイドリームコントローラーで動きました(´・ω・)

まだまだ、改良は必要ですが、とりあえず動くものはできました。

かれこれ、２日まるまるかかってしまいましたが、大きな前進です！

using System.Collections;
using System.Collections.Generic;
using UnityEngine;

public class PlayerMover2 : MonoBehaviour
{
	[SerializeField] float angularVelocity = 60f;
	[SerializeField] float movingVelocity = 0.01f;
	float horizontalAngle = 0f;
	float frontMove = 0f;

//#if UNITY_EDITOR
	// Update is called once per frame
	void Update()
	{
		Vector2 tp = GvrControllerInput.TouchPos;

		Debug.Log("touchpad x = "+tp[0]);
		Debug.Log("touchpad y = " + tp[1]);

		// transformを取得 座標を取得 vector3形式
		Transform myTransform = this.transform;
		Vector3 moveDirection;

		//前進
		if (tp[1] <0.3f)
		{
			// 1updateごとに加算する値を計算
			var frontMove = (0.5f - tp[1]) * movingVelocity * Time.deltaTime;

			// 座標を1updateごとに加算 
			moveDirection = new Vector3(Mathf.Sin(myTransform.eulerAngles.y * Mathf.Deg2Rad),
										0,
										Mathf.Cos(myTransform.eulerAngles.y * Mathf.Deg2Rad));

			// myTransformを更新
			myTransform.position += moveDirection * frontMove;
		}

		//後退
		if (tp[1] > 0.7f)
		{
			// 1updateごとに加算する値を計算
			var frontMove = - (tp[1] - 0.5f) * movingVelocity * Time.deltaTime;

			// 座標を1updateごとに加算 
			moveDirection = new Vector3(Mathf.Sin(myTransform.eulerAngles.y * Mathf.Deg2Rad),
										0,
										Mathf.Cos(myTransform.eulerAngles.y * Mathf.Deg2Rad));

			// myTransformを更新
			myTransform.position += moveDirection * frontMove;
		}
		//右回転
		if (tp[0] > 0.7f)
		{
			// 1updateごとに加算する値を計算
			var horizontalRotation = (tp[0] - 0.5f) * angularVelocity * Time.deltaTime;

			// 座標を1updateごとに加算 
			horizontalAngle += horizontalRotation;

			// myTransformを更新
			myTransform.rotation = Quaternion.Euler(0f, horizontalAngle, 0f);
		}
		//左回転
		if (tp[0] < 0.3f)
		{
			// 1updateごとに加算する値を計算
			var horizontalRotation = (0.5f - tp[0]) * angularVelocity * Time.deltaTime;

			// 座標を1updateごとに加算 
			horizontalAngle -= horizontalRotation;

			// myTransformを更新
			myTransform.rotation = Quaternion.Euler(0f, horizontalAngle, 0f);
		}

		if (GvrControllerInput.AppButtonDown)
		{

		}

	}
//#endif
}

using System.Collections;

using System.Collections.Generic;

using UnityEngine;

public class PlayerMover2 : MonoBehaviour

{

[SerializeField] float angularVelocity = 60f;

[SerializeField] float movingVelocity = 0.01f;

float horizontalAngle = 0f;

float frontMove = 0f;

//#if UNITY_EDITOR

// Update is called once per frame

void Update()

{

Vector2 tp = GvrControllerInput.TouchPos;

Debug.Log("touchpad x = "+tp[0]);

Debug.Log("touchpad y = " + tp[1]);

// transformを取得座標を取得 vector3形式

Transform myTransform = this.transform;

Vector3 moveDirection;

//前進

if (tp[1] <0.3f)

{

// 1updateごとに加算する値を計算

var frontMove = (0.5f - tp[1]) * movingVelocity * Time.deltaTime;

// 座標を1updateごとに加算

moveDirection = new Vector3(Mathf.Sin(myTransform.eulerAngles.y * Mathf.Deg2Rad),

Mathf.Cos(myTransform.eulerAngles.y * Mathf.Deg2Rad));

// myTransformを更新

myTransform.position += moveDirection * frontMove;

}

//後退

if (tp[1] > 0.7f)

{

// 1updateごとに加算する値を計算

var frontMove = - (tp[1] - 0.5f) * movingVelocity * Time.deltaTime;

// 座標を1updateごとに加算

moveDirection = new Vector3(Mathf.Sin(myTransform.eulerAngles.y * Mathf.Deg2Rad),

Mathf.Cos(myTransform.eulerAngles.y * Mathf.Deg2Rad));

// myTransformを更新

myTransform.position += moveDirection * frontMove;

}

//右回転

if (tp[0] > 0.7f)

{

// 1updateごとに加算する値を計算

var horizontalRotation = (tp[0] - 0.5f) * angularVelocity * Time.deltaTime;

// 座標を1updateごとに加算

horizontalAngle += horizontalRotation;

// myTransformを更新

myTransform.rotation = Quaternion.Euler(0f, horizontalAngle, 0f);

}

//左回転

if (tp[0] < 0.3f)

{

// 1updateごとに加算する値を計算

var horizontalRotation = (0.5f - tp[0]) * angularVelocity * Time.deltaTime;

// 座標を1updateごとに加算

horizontalAngle -= horizontalRotation;

// myTransformを更新

myTransform.rotation = Quaternion.Euler(0f, horizontalAngle, 0f);

}

if (GvrControllerInput.AppButtonDown)

{

}

//#endif

}

起動直後になぜか、カメラが動いてしまいます。

後日調整が必要です。

VR:Unity空間内をDayDreamコントローラーで歩く４（まずはキーボードから）

前回は結局　ロコモーションもスクリプトがおかしいですよーと警告が出てどうにもなりませんでした。しかも、ロコモーションアセットを全部消しても、ビルドができなくなるというわけわからん状態になったので、プロジェクトを捨てました。恐ろしいです。ここいらでちゃんとUnity勉強したほうがいいかもしれませんね。

基本に立ち返って、自分でカメラ操作のスクリプトを実装していこうと決意した次第であります。

今回の成果：大きな前進(´﹃｀)

キーボードのWASDまたは矢印キーでプレイヤー視点を移動することに成功しました。

スクリプト：PlayerMover.cs

動いた、嬉しい。

using System.Collections;
using System.Collections.Generic;
using UnityEngine;

public class PlayerMover : MonoBehaviour
{
	[SerializeField] float angularVelocity = 100f;
	[SerializeField] float movingVelocity = 5f;
	float horizontalAngle =0f;
	float frontMove = 0f;


#if UNITY_EDITOR
	// Update is called once per frame
	void Update()
    {
		// transformを取得 座標を取得 vector3形式
		Transform myTransform = this.transform;
		Vector3 moveDirection;

		// 1updateごとに加算する値を計算
		var horizontalRotation = Input.GetAxis("Horizontal") * angularVelocity * Time.deltaTime;
		var frontMove = Input.GetAxis("Vertical") * movingVelocity * Time.deltaTime;

		// 座標を1updateごとに加算 
		horizontalAngle += horizontalRotation;
		moveDirection = new Vector3(Mathf.Sin(myTransform.eulerAngles.y * Mathf.Deg2Rad),
									0,
									Mathf.Cos(myTransform.eulerAngles.y * Mathf.Deg2Rad)) ;

		// myTransformを更新
		myTransform.rotation = Quaternion.Euler(0f, horizontalAngle, 0f);
		myTransform.position += moveDirection * frontMove;
	}
#endif
}

using System.Collections;

using System.Collections.Generic;

using UnityEngine;

public class PlayerMover : MonoBehaviour

{

[SerializeField] float angularVelocity = 100f;

[SerializeField] float movingVelocity = 5f;

float horizontalAngle =0f;

float frontMove = 0f;

#if UNITY_EDITOR

// Update is called once per frame

void Update()

{

// transformを取得座標を取得 vector3形式

Transform myTransform = this.transform;

Vector3 moveDirection;

// 1updateごとに加算する値を計算

var horizontalRotation = Input.GetAxis("Horizontal") * angularVelocity * Time.deltaTime;

var frontMove = Input.GetAxis("Vertical") * movingVelocity * Time.deltaTime;

// 座標を1updateごとに加算

horizontalAngle += horizontalRotation;

moveDirection = new Vector3(Mathf.Sin(myTransform.eulerAngles.y * Mathf.Deg2Rad),

Mathf.Cos(myTransform.eulerAngles.y * Mathf.Deg2Rad)) ;

// myTransformを更新

myTransform.rotation = Quaternion.Euler(0f, horizontalAngle, 0f);

myTransform.position += moveDirection * frontMove;

}

#endif

}

VR:Unity空間内をDayDreamコントローラーで歩く3（Unity 2019.3.0a5はアカン）

原因が分かりました。

Unity 2019.3.0a5に対して、Unity v1.200.0用GVR SDKの組み合わせは上手くいかないようです。

代わりにUnity 2019.1.5f1を使用することで、Unity v1.200.0用GVR SDKをインポートしても問題なくビルドできます。

プレイヤーセッティングでAPIレベルを変更できない問題も特に発生しません。

いつも通りに戻りました。本当によかった。

改めまして　環境

OS :　Windows 10 Home
Unity :　Unity Hub > Unity 2019.1.5f1
google VR SDK :　Unity v1.200.0用GVR SDK
ヘッドセット　：　Mirage Solo

UnityでのDaydream（3DoF）コントローラのサポート

説明ページに従ってやっていきます。

Gvrプレハブをヒエラルキーに配置します。

Google VRプレハブのあるシーン

PlayerとMain Camera と　GvrControllerPointerの座標設定

Playerの座標は目の高さy=1.4　原点付近に置いたオブジェクトが見える位置z=-3.0にします。

Main Cameraの座標はPayerの座標に一致させたいので、x,y,z =0,0,0 にします。

GvrControllerPointerの座標は左右の目の中心位置よりもy方向に-0.30 ,　z方向に-0.20とします。腕をくの字９０°に曲げた状態を想定しています。

聞き手は右手に設定します。(Gvr Tracked Controller(script) でController Hand=right　にする)

次にGvrControllerPinter直下のControllerVisualを設定していきます。

いよいよ、念願の歩く設定に入ります。

ロコモーション

テレポーテーション：瞬間移動

トンネリング；１人称視点移動（中心のみ普通の映像で、周囲は暗くなるのでトンネリングというらしい。）

チェイスカメラ：３人称視点

では　GitHubからダウンロード

DaydreamElements.unitypackage　をダウンロードしてプロジェクトにインポートしましょう。

なんかでた・・・。

＝＝＝再起動したら復活した。＝＝＝

気を取り直して、やっていきましょう。

＝＝＝＝でも　上手くいきません。眠いので以降は明日やります＝＝＝

手動でトンネリングを設定したい場合は、次の手順を実行します。

TunnelingVignetteメインカメラの兄弟としてプレハブのインスタンスを追加します。
スクリプトのインスタンスをFirstPersonTunnelingLocomotionメインカメラの親に追加します。
ではFirstPersonTunnelingLocomotion、スクリプトを参照ドラッグ TunnelingVignetteビネットコントローラのプロパティにします。
プレイヤーを衝突でブロックしたい場合は、メインカメラの親にキャラクターコントローラーを追加します。

Add an instance of the TunnelingVignette prefab as a sibling of the Main Camera.
Add an instance of the script FirstPersonTunnelingLocomotion to the parent of the Main Camera.
In the FirstPersonTunnelingLocomotion script, drag a reference to TunnelingVignette into the Vignette Controller property.
Optionally, add a Character Controller to the parent of the Main Camera if you want the player to be blocked by collisions.

うーん(*´﹃｀*)　FirstPersonTunnelingLocomotionがコンパイルされていないとこどーとか出て、アタッチできませんぬー。

VR:Unity空間内をDayDreamコントローラーで歩く２（全然無理）

Unity空間内をDayDreamコントローラーで歩くどころではなくなりました。

このUnityバージョンの重大な不具合を見つけました。

環境

OS :　Windows 10 Home
Unity :　Unity Hub > Unity 2019.3.0a5
google VR SDK :　Unity v1.200.0用GVR SDK
ヘッドセット　：　Mirage Solo

ビルドできません！！

ビルドしようにも、プレイヤーセッティングが白紙になってしまい何も設定できなくなります。

その場合の解消法としては、一旦プラットフォームをアンドロイドからPCに変更してから、再びアンドロイドに戻すと復活しました。ちなみにRun DeviceはDefault deviceのままでOKです。わざわざLenovo VRにする必要はありませんでした。

引き続き、やっていますが、再ビルドできなくなりました。

プロジェクトを新規に立ち上げてセットアップしましたが、恐ろしい不具合が・・・

APIレベルの変更ができないのです。というか、項目がないのです。

ここでビルドすると、失敗しますが、プレイヤーズセッティングの項目が増えてAPIレベルの変更ができるようになります。

でもビルドは成功しません。意味不明の状態であります。さあ、次はどうしましょうかね。

＝＝＝＝＝＝ビルド成功した手順＝＝＝＝＝

新規プロジェクトを作る
ヒエラルキーにプレーンを作る
シーンをセーブ
プロジェクトをセーブ
ビルドセッティングでまずアンドロイドへプラットホームを変更
プレイヤーセッティングスでカンパニーネームをTiに
XRセッティングスで　バーチャルリアリティサポートテッドにチェック
バーチャルリアリティSDKにDayDreamを追加
アザーセッティングスのグラフィックスAPIからVulkanを削除（VRに対応していない旨の傾向が出る）
アザーセッティングスのIdentificationのMinimum API Levelを24にしたいが、この時点ではgetting APIなんちゃらと、薄い字になっていて変更できない。
びるどえんどらーん　する。当然失敗するが、Minimum API Levelを19から24へ変更するよう警告がでる。
これによって、Minimum API Levelを24に変更できるようになるので、やる。
再び、びるどえんどらーん。
Mirage Soloをかぶると自動的にUnity画面が立上り、ゲームが開始される。
以後、このゲーム画面のまま、再度びるどえんどらーんをすると、自動的に強制停止されて、新しく更新されたゲーム画面に自動的に遷移する。

＝＝＝＝＝＝しかーし！！＝＝＝＝＝

世の中そんなに甘くはありません。

本題であります google VR アセットをインポートして、ビルドした瞬間。またでました。ディナーイのエラー　もう google VRは使いたくないので、 Mirage Solo 捨てて、Oculus Quest に乗り換えます。

さようなら、Google

VR:Unity空間内をDayDreamコントローラーで歩く１（見る価値なし）

Unity空間内をDayDreamコントローラーで歩きたいとき　ありますよね。

UnityでのDaydream（3DoF）コントローラのサポート

結果：無理でした。別途再チャレンジします。

環境

OS :Windows 10 Home
Unity :Unity Hub > Unity 2019.3.0a5
google VR SDK : Unity v1.200.0用GVR SDK
ヘッドセット：Mirage Solo

Unityへgoogle VRをインポート

GoogleVRForUnity_1.200.0.unitypackage をダウンロードしてUnity内でAssetsフォルダ直下にインポートします。

Android搭載のUnity用Google VR SDKのクイックスタート

その中に、Hello6DoFControllers　の説明があるので　リンク先にいってみると404　お探しのページはありません・・・と出てきます。自力でやるしかありません。

ビルドエンドら～ん

画面下のProjectメニューにAssets>GoogleVR>Demos>Scenesが追加されているので、＞VideoDemo を試してみましょう。この中に、DayDreamコントローラーで歩く方法が実装されているかもしれないという期待をこめて。

ではシーンにチェックを入れて、プラットフォームをアンドロイドにして、ここで問題発生。

プレイヤーセッティングが白紙・・・。設定できない。

まあ、そこは無視して、ヘッドセットとPCをUSBケーブルで繋いで、さあ　ビルドエンドら～ん。※私はMirage Soloでやりますので、USBケーブルをPCとヘッドセットに接続してビルドアンドランしてみます。

上手くいきません。それもそのはず、プレイヤーセッティングをやってませんからね・・・。どうしよう。

今一度プレイヤーセッティングに行ってみると、何故か設定項目が復活していたので、Company Name を入れて（多分頭が大文字にしないとだめ）、Other SettingのGraphics APIsでVulkanを削除、Minimun API Level を24に,XR SettingsのVirtual REality Supportedにチェックをいれて、プラスボタンを押してDayDreamを選択。

いろいろ設定して、ビルドしてみます。

target architecture not specified という警告がでるので、target architectureでarm v7を選択（これしか選べない）

これで上手く行くと思いきや、コンソールにアラートが。

unitygvr.aar is dinied　とか言われていますが。じゃあ無理じゃんということで、もうやめます。

ちなみに、シーンをDemosではなくて、起動時のシーンに戻しましたが、同じくディナ～い　と言われましたので。もう無理です。完全にはじめからやります。

余談：

いつの間にか、USBケーブル直でできるようになりましたね！しかしなぜか２Dアプリとしてインストールされてしまいます・・・不具合はないですが、気持ち悪いです。

VR:Unity2019からUSB経由でMirage Soloへビルド

こんにちはKeita_Nakamori(´・ω・`)です。

今日は久々にMirage Soloをいじってみました。

というのも、2017を使っていたのですが、ウィルスバスターを入れてから、なぜかビルドできなくなってしまい、どうにも解決できなかったので暫く放置していました。

さて、今日こそ復活させようというわけです。

今どきはUnity Hubというものがあって、これをインストールすることによって、色んなバージョンのUnityを管理することができるようです。

せっかくですから最新のUnityバージョンをインストール使用と思います。

Unity2019.3.1.1f5のインストール

Unity Hub上からインストールしました。

このときAndroid SDK とか JDKとかNDKは同時にインストールできるようになりましたので、楽になった部分であります。

Mirage Solo用のセッティング

まず、適当に、床としてプレーンを、３Dオブジェクトとしてキューブを適当に置いておきます。

シーンの追加

build settingに入って、シーンの追加をしましょう。

プラットフォーム変更

build settingに入って、プラットフォームをアンドロイドに切り替えましょう。

Vulkanの除去

player setting ＞Other settingsのなかでグラフィック関係でしょうか。

Vulkan（ばるかん？）というものを使うようにセットされているのですが、これがビルド時に悪さするようで、マイナスボタンを押して除去しておきます。

会社名、プロジェクト名を入力する

頭文字は大文字で書いておきます。

XRにチェック

XRにチェックを入れて、DayDreamを追加します。

Mirage Soloへのインストール

Mirage SoloとUSBケーブルを繋ぎます。

USBが、どうとかこうとか書いていますが、つなげます。

触れなければ、つながりを維持します。

Buid and runをします。

するとapkファイルが作られます。

何事もなかったように終わるので、再度実行します。すると今度はapkファイルを作るとともにMirage Solo側で見ることができるようになるます。

これでインストールと実行をやってしまったわけですが、なぜか2Dソフト群の仲間入りをしてしまっています。この辺意味不明ですが、ちゃんと動きます。

以上、あとで絵とか追加しておきます。眠いので寝ます。

Python:マルチスレッド　threading モジュール

どーもこんにちはKeita_Nakamori(´・ω・`)です。

最近はIoT関係で遊んでいるのですが、１つのラズパイで、複数のセンサーを扱うにはどうすればいいか考えていました。

普通のシングルスレッドで実行すると、PLCでいうところのスキャンタイムに依存することになります。

あるセンサーは高速でパルスをカウントしなければならない一方で、別のセンサーは、１秒周期でいいよとか、サンプリングタイムが全然違う場合はどうすればいいのか。

解決策として、マルチスレッドというものがあります。

それぞれのセンサーでサンプリングする関数を作って、それぞれを別々のスレッドとしてオブジェクト化して、メインスレッド内で実行するというやり方です。そうすると、それぞれのスレッドが互いに干渉することなく、あたかも２つのプログラムが同時に動いているような挙動を示します。

今回は、IOTというより、Pythonの基本なので、カテゴリーはPythonにしました。

では、やってみましょう。

まずは普通の関数を実行

まず最初に　time_count()という関数を作って実行してみましょう。

１秒ごとに現在時間を出力しているだけのスクリプトです。

Pythonではthreadingモジュールから利用することができます。

import datetime
import time

def time_count():
    print("time count start")
    cnt=0
    while True:
        now = datetime.datetime.now()
        print(now)
        cnt+=1
        time.sleep(1)
        if cnt > 10:
            print(" time is dead")
            break
    print("finished")

time_count()

import datetime

import time

def time_count():

print("time count start")

cnt=0

while True:

now = datetime.datetime.now()

print(now)

cnt+=1

time.sleep(1)

if cnt > 10:

print(" time is dead")

break

print("finished")

time_count()

結果：どうでしょう、これは普通ですよね。

time count start
2019-06-03 22:16:48.919908
2019-06-03 22:16:49.919994
2019-06-03 22:16:50.920481
2019-06-03 22:16:51.920590
2019-06-03 22:16:52.920871
2019-06-03 22:16:53.921354
2019-06-03 22:16:54.922110
2019-06-03 22:16:55.922260
2019-06-03 22:16:56.922273
2019-06-03 22:16:57.922571
2019-06-03 22:16:58.923210
time is dead
finished

time count start

2019-06-03 22:16:48.919908

2019-06-03 22:16:49.919994

2019-06-03 22:16:50.920481

2019-06-03 22:16:51.920590

2019-06-03 22:16:52.920871

2019-06-03 22:16:53.921354

2019-06-03 22:16:54.922110

2019-06-03 22:16:55.922260

2019-06-03 22:16:56.922273

2019-06-03 22:16:57.922571

2019-06-03 22:16:58.923210

time is dead

finished

次は、これをスレッド化して実行してみましょう。

import datetime
import time

def time_count():
    print("time count start")
    cnt=0
    while True:
        now = datetime.datetime.now()
        print(now)
        cnt+=1
        time.sleep(1)
        if cnt > 10:
            print("time is dead")
            break
    print("finished")
    
thread_001 = threading.Thread(target=time_count)
thread_001.start()

import datetime

import time

def time_count():

print("time count start")

cnt=0

while True:

now = datetime.datetime.now()

print(now)

cnt+=1

time.sleep(1)

if cnt > 10:

print("time is dead")

break

print("finished")

thread_001 = threading.Thread(target=time_count)

thread_001.start()

最後の２行で、関数をスレッドとしてオブジェクト化し、スタートさせています。

動作は、全く一緒です。

そして、次はマルチスレッドを試してみましょう。

今度は２つのスレッドを同時に動かしてみます。

import threading
import datetime
import time

def time_count():
    print("time count start")
    cnt=0
    while True:
        now = datetime.datetime.now()
        print(now)
        cnt+=1
        time.sleep(1)
        if cnt > 10:
            print("time is over")
            break
    print("time count is done")

def time_alert():
    print("ready to alert")
    time.sleep(5)
    print("get up now!!")
    print("end of alert")
    
thread_001 = threading.Thread(target=time_count)
thread_002 = threading.Thread(target=time_alert)
 
thread_001.start()
thread_002.start()
print("here is script end")

import threading

import datetime

import time

def time_count():

print("time count start")

cnt=0

while True:

now = datetime.datetime.now()

print(now)

cnt+=1

time.sleep(1)

if cnt > 10:

print("time is over")

break

print("time count is done")

def time_alert():

print("ready to alert")

time.sleep(5)

print("get up now!!")

print("end of alert")

thread_001 = threading.Thread(target=time_count)

thread_002 = threading.Thread(target=time_alert)

thread_001.start()

thread_002.start()

print("here is script end")

結果：さあどうでしょうか。

thread_001とthread_002をスタートして、最後に”here is script end”をするスクリプトです。

thread_001が始まった直後にthread_002もスタートしていますので、スクリプト通り、thread_001による時間カウントが５秒のところで”get up now!!”というthread_002の出力が確認できます。

さらに、スクリプトの最後の”here is script end１”はthread_002がスタートされた直後に終了しています。

メインスレッドが最後までいっても、thread_001、thread_002が終わっていなければ、プログラムは終わりません。このように、実は３つのスレッドが同時に走っているわけです。

time count start
2019-06-03 22:22:18.637921
ready to alert
here is script end
2019-06-03 22:22:19.638316
2019-06-03 22:22:20.639319
2019-06-03 22:22:21.640172
2019-06-03 22:22:22.641065
get up now!!
end of alert
2019-06-03 22:22:23.641760
2019-06-03 22:22:24.642122
2019-06-03 22:22:25.642486
2019-06-03 22:22:26.642826
2019-06-03 22:22:27.643360
2019-06-03 22:22:28.644210
time is over
time count is done

time count start

2019-06-03 22:22:18.637921

ready to alert

here is script end

2019-06-03 22:22:19.638316

2019-06-03 22:22:20.639319

2019-06-03 22:22:21.640172

2019-06-03 22:22:22.641065

get up now!!

end of alert

2019-06-03 22:22:23.641760

2019-06-03 22:22:24.642122

2019-06-03 22:22:25.642486

2019-06-03 22:22:26.642826

2019-06-03 22:22:27.643360

2019-06-03 22:22:28.644210

time is over

time count is done

最後に

関数をメソド化して使ってみましょう。

# 最後に　関数をメソド化してみる
import threading
import datetime
import time

class time_ruler():
    
    def time_count(self):
        print("time count start")
        cnt=0
        while True:
            now = datetime.datetime.now()
            print(now)
            cnt+=1
            time.sleep(1)
            if cnt > 10:
                print("time is over")
                break
        print("time count is done")

    def time_alert(self):
        print("ready to alert")
        time.sleep(5)
        print("get up now!!")
        print("end of alert")

# インスタンス作成
time_master = time_ruler()

# メソドをスレッドにする。
thread_001 = threading.Thread(target=time_master.time_count)
thread_002 = threading.Thread(target=time_master.time_alert)

# スレッドをスタート
thread_001.start()
thread_002.start()
print("script is over")

# 最後に　関数をメソド化してみる

import threading

import datetime

import time

class time_ruler():

def time_count(self):

print("time count start")

cnt=0

while True:

now = datetime.datetime.now()

print(now)

cnt+=1

time.sleep(1)

if cnt > 10:

print("time is over")

break

print("time count is done")

def time_alert(self):

print("ready to alert")

time.sleep(5)

print("get up now!!")

print("end of alert")

# インスタンス作成

time_master = time_ruler()

# メソドをスレッドにする。

thread_001 = threading.Thread(target=time_master.time_count)

thread_002 = threading.Thread(target=time_master.time_alert)

# スレッドをスタート

thread_001.start()

thread_002.start()

print("script is over")

動作は一緒です。以上です。

2019年6月
月	火	水	木	金	土	日
					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	26	27	28	29	30

理屈：

# 終値を30日間前にずらしたcolumnを作成します。

# 入力データを作成します

# 正解データを定義します

# データを訓練用と検証用に分割して、学習モデルを選択して、学習させて、検証します

# 過去３０日間の入力データ predict_data から、それぞれ３０日後の未来終値データ predicted_dataを予測します。

# 可視化：予測結果

クラスとメソドです。 csvファイルを読み込んでDataFrameを作成。整理します。

クラスのインスタンスを作成して、メソドを実行します。

結果整理１

結果整理２

今日は、キーボードからではなくて、デイドリームコントローラーからの入力を受け取るように改造していきます(´・ω・)

変更しましょう：

if(GvrControllerInput.TouchDown)

スクリプト：PlayerMover2.cs

今回の成果：大きな前進(*´﹃｀*)

スクリプト：PlayerMover.cs

原因が分かりました。

改めまして 環境

いよいよ、念願の歩く設定に入ります。

環境

ビルドできません！！

＝＝＝＝＝＝ビルド成功した手順＝＝＝＝＝

＝＝＝＝＝＝ しかーし！！＝＝＝＝＝

さようなら、Google

環境

Unityへgoogle VRをインポート

ビルドエンドら～ん

余談：

Unity2019.3.1.1f5のインストール

Mirage Solo用のセッティング

シーンの追加

プラットフォーム変更

Vulkanの除去

会社名、プロジェクト名を入力する

XRにチェック

Mirage Soloへのインストール

Mirage SoloとUSBケーブルを繋ぎます。

Buid and runをします。

まずは普通の関数を実行

次は、これをスレッド化して実行してみましょう。

そして、次はマルチスレッドを試してみましょう。

最後に

クラスとメソドです。
csvファイルを読み込んでDataFrameを作成。整理します。

今日は、キーボードからではなくて、デイドリームコントローラーからの入力を受け取るように改造していきます(´・ω・`)`

今回の成果：大きな前進(´﹃｀)

改めまして　環境

＝＝＝＝＝＝しかーし！！＝＝＝＝＝