常連

注目の的

### 前提

データフレームの中のすべてのカラムに対して、
空文字やnull値をチェックする関数を作りたいと考えております。

### 実現したいこと

- データフレームを入力とする
- 全てのカラムに対して、空文字の数、null値の数、データ型を出力する
- 計算した結果を表形式で出力する

### 現状のコード
そこで現状このようなコードを書いております。
```ここに言語を入力
def check_null_empty_string(df):
    dfx = pd.DataFrame()
    for column in df.columns:
        dfx[column] = (df[column] == '').sum()
        dfx[column] = (df[column] == '').sum()
        dfx[column] = (df[column] == "").sum()
        dfx[column] = df[column].isnull().sum()
```
### 現状の問題点と悩み
しかし上記のコードを実行すると、
> TypeError: an integer is required (got type str)
「文字型に適応していない」というエラーがでてしまいます。

となると、データ型に合わせて条件分岐をした上で、
上記の様な処理を記述していくのが一般的なのでしょうか。

ただそうなると、str型、int型、float型などなど様々なデータ型が存在するため、どこまで条件分岐を記述する必要が出てくるのか、そもそも.sum()と記述する文が同じ形が続いてるため、for文に書き直したほうが良いのか、しかしそうなると、二重for文になってしまい、良くない形ではないのか。。。

など一人では考えが堂々巡りしてしまい、立ち行かなくなってしまったので、
ご質問させていただきました。何かヒントになる考え方、コード例など何でも結構ですのでご回答いただけますと嬉しいです。
何卒よろしくお願いいたします。

### 補足情報（FW/ツールのバージョンなど）

python 3.8


pythonにおけるデータ加工方法について

### 前提・実現したいこと
機械学習について勉強している者です。
オセロの現在の盤面に対して、「方策」「価値」の2つを出力する「デュアルネットワーク」を構築しています。
過学習か否かを調べるためloss関数を覗いてみたいと思い、print()を使ってみたところ、戻り値が様々なサイトで紹介されているものと異なっており、混乱しています。
```
一般的なもの（と思い込んでいる）：historyの中に、loss、 acc、 va_loss、 val_acc
私のもの：historyの中に、loss、 pi_loss、 v_loss、 lr(これは学習率)
```
構築しているネットワークの出力が「方策」の名前を「pi」、「価値」の名前を「v」という名前なので、恐らくこれらが関係しているだろうと考えてはいるのですが、根拠も無く不安です。

仮にこの予想があっていたとして、それぞれの戻り値の名前は何になるんでしょうか？また、「val_loss」がありませんが、どのようにして過学習かどうかを調べればよいですか？

### デュアルネットワーク

```python
# ====================
# デュアルネットワークの作成
# ====================

# パッケージのインポート
from tensorflow.keras.layers import Activation, Add, BatchNormalization, Conv2D, Dense, GlobalAveragePooling2D, Input
from tensorflow.keras.models import Model
from tensorflow.keras.regularizers import l2
from tensorflow.keras import backend as K
import os

# パラメータの準備
DN_FILTERS  = 128 # 畳み込み層のカーネル数（本家は256）
DN_RESIDUAL_NUM =  16 # 残差ブロックの数（本家は19）
DN_INPUT_SHAPE = (4, 4, 2) # 入力シェイプ
DN_OUTPUT_SIZE = 17 # 行動数(配置先(4*4)+パス(1))

# 畳み込み層の作成
def conv(filters):
    return Conv2D(filters, 3, padding='same', use_bias=False,
        kernel_initializer='he_normal', kernel_regularizer=l2(0.0005))

# 残差ブロックの作成
def residual_block():
    def f(x):
        sc = x
        x = conv(DN_FILTERS)(x)
        x = BatchNormalization()(x)
        x = Activation('relu')(x)
        x = conv(DN_FILTERS)(x)
        x = BatchNormalization()(x)
        x = Add()([x, sc])
        x = Activation('relu')(x)
        return x
    return f

# デュアルネットワークの作成
def dual_network():
    # モデル作成済みの場合は無処理
    if os.path.exists('./model/best.h5'):
        return

    # 入力層
    input = Input(shape=DN_INPUT_SHAPE) #inputには変更不可能なタプルを送る

    # 畳み込み層
    x = conv(DN_FILTERS)(input)
    x = BatchNormalization()(x)
    x = Activation('relu')(x)

    # 残差ブロック x 16
    for i in range(DN_RESIDUAL_NUM):
        x = residual_block()(x)

    # プーリング層
    x = GlobalAveragePooling2D()(x)

    # ポリシー出力
    p = Dense(DN_OUTPUT_SIZE, kernel_regularizer=l2(0.0005),
                activation='softmax', name='pi')(x)

    # バリュー出力
    v = Dense(1, kernel_regularizer=l2(0.0005))(x)
    v = Activation('tanh', name='v')(v)

    # モデルの作成
    model = Model(inputs=input, outputs=[p,v])

    # モデルの保存
    os.makedirs('./model/', exist_ok=True) # フォルダがない時は生成
    model.save('./model/best.h5') # ベストプレイヤーのモデル

    # モデルの破棄
    K.clear_session()
    del model

# 動作確認
if __name__ == '__main__':
    dual_network()

```

### fitプログラム

```ここに言語名を入力
# ====================
# loss
# ====================

# パッケージのインポート
from dual_network4x4 import DN_INPUT_SHAPE
from tensorflow.keras.callbacks import LearningRateScheduler, LambdaCallback
from tensorflow.keras.models import load_model
from tensorflow.keras import backend as K
from pathlib import Path
import numpy as np
import pickle
import matplotlib.pyplot as plt
from keras.callbacks import CSVLogger

# パラメータの準備
RN_EPOCHS = 1 # 学習回数

# 学習データの読み込み
def load_data():
    history_path = sorted(Path('./data').glob('*.history'))[-1]
    with history_path.open(mode='rb') as f:
        return pickle.load(f)

# デュアルネットワークの学習
def train_network():
    # 学習データの読み込み
    history = load_data()
    xs, y_policies, y_values = zip(*history) #xs：盤面、y_policies：方策、y_values：勝敗による価値

    # 学習のための入力データのシェイプの変換
    a, b, c = DN_INPUT_SHAPE
    xs = np.array(xs)
    xs = xs.reshape(len(xs), c, a, b).transpose(0, 2, 3, 1)
    y_policies = np.array(y_policies)
    y_values = np.array(y_values)

    # ベストプレイヤーのモデルの読み込み
    model = load_model('./model/best.h5')

    # モデルのコンパイル
    model.compile(loss=['categorical_crossentropy', 'mse'], optimizer='adam')

    # 学習率
    def step_decay(epoch):
        x = 0.001
        if epoch >= 50: x = 0.0005
        if epoch >= 80: x = 0.00025
        return x
    lr_decay = LearningRateScheduler(step_decay)
    csv_logger = CSVLogger('training.log')

    # 学習の実行
    fit = model.fit(xs, [y_policies, y_values], batch_size=128, epochs=RN_EPOCHS,
            verbose=1, callbacks=[lr_decay,csv_logger])
    print('')
    print(fit.history)
 
    # モデルの破棄
    K.clear_session()
    del model

# 動作確認
if __name__ == '__main__':
    train_network()
```

### 出力結果
```
Train on 619 samples
619/619 [==============================] - 5s 8ms/sample - loss: 5.4527 - pi_loss: 1.7664 - v_loss: 1.4349

{'loss': [5.452659288015042], 'pi_loss': [1.7664421], 'v_loss': [1.4349377], 'lr': [0.001]}
```
### 補足情報
Google　Colabratory(GPU)を使用。環境：tensorflow_version 2.x

もっと学習しているモデルはあるものの、アップロードに時間がかかるためColab上で作った簡易版モデルを使用したり、fitプログラムでの学習回数がたったの1回など、全体的に回数は少なめです。

keras　fit関数の戻り値について

まずジェネリクス<T>を持つスーパークラスAを作成します。
```A.java:Java
public class A<T>{
}
```
次に、クラスAを継承して再度ジェネリクス<T>を持たせたサブクラスBを作成します。
```B.java:Java
public class B<T> extends A<T>{
}
```
このクラスBのClassオブジェクトB.classをワイルドカードClass<? extends A<?>>を引数にしたメソッドにB.classを渡すとなぜかコンパイルエラーが発生します。

```main.java:Java
public class main{

    public void test(Class<? extends A<?>> c) {

    }

    public void main() {
        //コンパイルエラー
        test(B.class);

    }
}
```
(追記)コンパイルエラーの内容は以下です。
```Java
The method test(Class<? extends A<?>>) in the type main is not applicable for the arguments (Class<B>)Java(67108979)
```


なぜこういう挙動になるのかがいまいち理解できません。
どなたか教えていただけないでしょうか？
Bクラスにジェネリクスがついていようがいまいが、BクラスはA<T>クラスのサブクラスだと思うのですが…。

ジェネリクスを持つクラスを継承したクラスに再度ジェネリクスを持たせた際にワイルドカード"?"が想定通りに機能しない

![イメージ説明](26de801dedce6af6bcc1a93a776f83b7.png)

ここで重心を表示していますがこのxとy座標は画像の一番左端をx座標０、一番上から下に向かってy座標を示しているのでしょうか？？


ちなみにこれをスポーツ選手の胴体と考えて
背景はコートの画像が写っているのですが

背景のコート画像を平面化し選手の位置をコート上に座標として表すにはどのような手順が必要でしょうか？？