Gerard_mok

基于Python的2013-2018全国城市空气质量分析

项目摘要

本项目使用pandas/numpy工具包对557424条空气质量数据进行导入及清洗，并使用matplotlib/seaborn/pyecharts工具包可视化分析全国主要省市的空气质量情况，对空气质量最差及最好的省市进行排名，利用相关性分析省市的主要污染物，从不同层面给出污染物指标控制方案。

主要结论如下：

中国北部内陆地区以及西北部地区空气质量较差，沿海地区及高原地区空气质量较好；
全国空气质量最差的10个省份（排名分先后，差-好）：河北省、北京、河南省、天津、新疆、山东、山西、陕西、江苏、湖北；
全国空气质量最好的10个省份（排名分先后，好-差）：海南、云南、福建、贵州、西藏、广东、广西、黑龙江、江西、青海；
全国空气质量最差的10个城市/地区（排名分先后，差-好）：和田地区、喀什地区、保定、邢台、阿克苏地区、石家庄、克牧勒苏州、衡水、邯郸；
全国空气质量最好的10个城市/地区（排名分先后，好-差）：三亚、迪庆州、海口、丽江、黔西南州、怒江州、阿坝州、楚雄州、大理州、普洱；
空气质量最差省份的主要污染物是pm10、so2、no2。so2与no2两者正相关；
空气质量最差城市的主要污染物是pm2.5、pm10、so2、no2。so2与no2之间、pm2.5与pm10、so2、no2之间有较强的正相关关系；
全国空气质量冬季时最差，平均AQI为101.6（轻度污染），夏季时最好，平均AQI为71.9（良好）；
2015年后全国空气质量有很大改善，特别是2016年~2018年，平均AQI约为80，较2013年下降40%；
广东省最主要的污染物是pm2.5、pm10，其次是so2、no2、co；
广东省21个城市中，佛山、东莞、广州空气质量最差，AQI分别为73、73.5、74.2，空气质量均为良；
广东省冬季AQI较高，空气质量较差，夏季AQI较低，空气质量较好；广东省空气质量全国排名第6；
深圳市主要的污染物是pm2.5、pm10、so2、co；深圳市空气质量在全国城市空气质量排名38位。

1.项目背景

本项目以2013-2018年的全国城市空气质量历史数据作为依据，探究全国空气质量与各污染物之间的联系。

2.数据集介绍

数据集地址：https://tianchi.aliyun.com/dataset/dataDetail?dataId=2881
数据来自阿里天池，作者通过PythonSpider从真气网获取数据。以下为各字段描述：

3.项目分析

3.1 提出问题

全国范围：

全国哪些城市污染较严重，那些省份污染较严重？（AQI作为判断依据）
污染较严重省份的主要污染物是什么？
污染较严重城市的主要污染物是什么？
全国哪个季节的污染最严重？
2013年-2018年全国整体空气质量如何变化

全省范围（广东省）：

广东省的主要污染物是什么？
全省哪些城市污染较严重？（AQI作为判断依据）
全省哪个季节的污染最严重？
广东省的控制质量在全国的排名？

全市范围（深圳市）：

深圳市的主要污染物是什么？
深圳空气质量在全国的排名？
深圳哪个季节的污染最严重？

3.2 理解数据

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline

df = pd.read_csv('aqi_data_u.csv')
df.head() # 查看表格

	time	cityname	aqi	pm2_5	pm10	so2	no2	co	o3	primary_pollutant
0	2014-12-31	阿坝州	53	33	55	3	23	1.0	35.0	PM10
1	2015-01-31	阿坝州	31	18	29	7	10	0.5	45.0	NaN
2	2015-01-30	阿坝州	34	19	30	7	13	0.6	48.0	NaN
3	2015-01-29	阿坝州	31	18	31	7	15	0.5	32.0	NaN
4	2015-01-28	阿坝州	29	18	29	7	14	0.6	27.0	NaN

df1 = pd.read_csv('city.csv')
df1.head() # 查看表格。此表为坐标表格，本项目后续改进时增加地图显示城市空气质量

	city	lat	lng
0	阿坝州	31.905763	102.228565
1	安康	32.704370	109.038045
2	阿克苏地区	41.171731	80.269846
3	阿里地区	30.404557	81.107669
4	阿拉善盟	38.843075	105.695683

df1.rename(columns={'city': 'cityname'}, inplace=True) # 重命名city列，以对应df表的列名
df1.head()

	cityname	lat	lng
0	阿坝州	31.905763	102.228565
1	安康	32.704370	109.038045
2	阿克苏地区	41.171731	80.269846
3	阿里地区	30.404557	81.107669
4	阿拉善盟	38.843075	105.695683

df = pd.merge(df, df1, on='cityname', how='inner') # 两个表格合并
df.head()

	time	cityname	aqi	pm2_5	pm10	so2	no2	co	o3	primary_pollutant	lat	lng
0	2014-12-31	阿坝州	53	33	55	3	23	1.0	35.0	PM10	31.905763	102.228565
1	2015-01-31	阿坝州	31	18	29	7	10	0.5	45.0	NaN	31.905763	102.228565
2	2015-01-30	阿坝州	34	19	30	7	13	0.6	48.0	NaN	31.905763	102.228565
3	2015-01-29	阿坝州	31	18	31	7	15	0.5	32.0	NaN	31.905763	102.228565
4	2015-01-28	阿坝州	29	18	29	7	14	0.6	27.0	NaN	31.905763	102.228565

df.shape # 查看数据数量

(557424, 12)

共557424行，12列数据。

df.describe()

	aqi	pm2_5	pm10	so2	no2	co	o3	lat	lng
count	557424.000000	557424.000000	557424.000000	557424.000000	557424.000000	557424.000000	211516.000000	557424.000000	557424.000000
mean	82.604734	48.958870	84.865831	22.943201	31.041986	1.309690	77.638103	33.320514	112.931476
std	49.948024	235.684284	74.218273	25.620462	18.087321	49.111775	62.773975	6.583132	9.278219
min	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	18.257776	75.992973
25%	52.000000	23.000000	44.000000	9.000000	18.000000	0.700000	42.000000	28.668283	108.069948
50%	71.000000	37.000000	68.000000	15.000000	27.000000	0.900000	69.000000	32.929499	114.351807
75%	99.000000	60.000000	106.000000	27.000000	40.000000	1.200000	102.000000	37.661160	119.455835
max	1210.000000	65535.000000	12060.000000	1495.000000	574.000000	9999.900000	11281.000000	51.991789	131.171402

df.info()


Int64Index: 557424 entries, 0 to 557423
Data columns (total 12 columns):
time                 557424 non-null object
cityname             557424 non-null object
aqi                  557424 non-null int64
pm2_5                557424 non-null int64
pm10                 557424 non-null int64
so2                  557424 non-null int64
no2                  557424 non-null int64
co                   557424 non-null float64
o3                   211516 non-null float64
primary_pollutant    528587 non-null object
lat                  557424 non-null float64
lng                  557424 non-null float64
dtypes: float64(4), int64(5), object(3)
memory usage: 55.3+ MB

print('数据中的城市数量为：', df.cityname.value_counts().count())

数据中的城市数量为： 367

3.3 数据清洗

根据以上简单查看数据，得出以下数据清洗思路：

1.o3、primary_pollutant存在缺失值。o3使用所在城市平均值填充，primary_pollutant统计数据较混乱且与项目问题无关，删除此列；

2.AQI、pm2_5、pm10、so2、no2、co、o3目前存在0值，可理解为该部分数据缺失，可用对应城市的平均值进行填充；

3.时间数据格式需要进行转换，创建季节列；

4.创建空气质量等级列；

5.列出每个城市所属的省份；

6.创建省份空气质量排名列（以AQI为基础）；

7.创建城市空气质量排名列（以AQI为基础）。

# 1.o3、primary_pollutant存在缺失值。o3使用所在城市平均值填充，
# primary_pollutant统计数据较混乱且与项目问题无关，删除此列；
for city in df.cityname.value_counts().index:
    '''
    for循环计算每个城市污染物的平均值后替换NaN值
    '''
    df.loc[(df['cityname'] == city) & (df['o3'].isnull()), 'o3'] = df[df['cityname'] == city]['o3'].mean()

df['o3'].isnull().sum()

填充后缺失值为0

df.drop(['primary_pollutant'], axis=1, inplace=True)
df.head() #查看调整后的表格

	time	cityname	aqi	pm2_5	pm10	so2	no2	co	o3	lat	lng
0	2014-12-31	阿坝州	53	33	55	3	23	1.0	35.0	31.905763	102.228565
1	2015-01-31	阿坝州	31	18	29	7	10	0.5	45.0	31.905763	102.228565
2	2015-01-30	阿坝州	34	19	30	7	13	0.6	48.0	31.905763	102.228565
3	2015-01-29	阿坝州	31	18	31	7	15	0.5	32.0	31.905763	102.228565
4	2015-01-28	阿坝州	29	18	29	7	14	0.6	27.0	31.905763	102.228565

df.isnull().any() # 确认表格中是否还有缺失值

time        False
cityname    False
aqi         False
pm2_5       False
pm10        False
so2         False
no2         False
co          False
o3          False
lat         False
lng         False
dtype: bool

# 2.AQI、pm2_5、pm10、so2、no2、co、o3目前存在0值，可理解为该部分数据缺失，可用对应城市的平均值进行填充；
df[['aqi', 'pm2_5', 'pm10', 'so2', 'no2', 'co', 'o3']] = df[['aqi', 'pm2_5', 'pm10', 'so2', 
                                                             'no2', 'co', 'o3']].replace(0, np.NaN)
df.isnull().sum() # 将0值替换后缺失值的数量

time           0
cityname       0
aqi         4199
pm2_5       6817
pm10        4817
so2         1631
no2         1621
co          3493
o3          2342
lat            0
lng            0
dtype: int64

cities = df.cityname.value_counts().index
for city in cities:
    '''
    for循环计算每个城市污染物的平均值后替换NaN值
    '''
    for pollutant in ['aqi', 'pm2_5', 'pm10', 'so2', 'no2', 'co', 'o3']:
        df.loc[(df['cityname'] == city) & (df[pollutant].isnull()), pollutant] = df[df['cityname'] == city][pollutant].mean()

df.isnull().sum() # 再次检查缺失值

time        0
cityname    0
aqi         0
pm2_5       0
pm10        0
so2         0
no2         0
co          0
o3          0
lat         0
lng         0
dtype: int64

# 3.时间数据格式需要进行转换，创建季节列；
df['time'] = pd.to_datetime(df['time'])
df.info() #查看time列的数据类型


Int64Index: 557424 entries, 0 to 557423
Data columns (total 11 columns):
time        557424 non-null datetime64[ns]
cityname    557424 non-null object
aqi         557424 non-null float64
pm2_5       557424 non-null float64
pm10        557424 non-null float64
so2         557424 non-null float64
no2         557424 non-null float64
co          557424 non-null float64
o3          557424 non-null float64
lat         557424 non-null float64
lng         557424 non-null float64
dtypes: datetime64[ns](1), float64(9), object(1)
memory usage: 51.0+ MB

# 根据月份创建季节列
seasons = {12: 'Winter',
           1: 'Winter',
           2: 'Winter',
           3: 'Spring',
           4: 'Spring',
           5: 'Spring',
           6: 'Summer',
           7: 'Summer',
           8: 'Summer',
           9: 'Autumn',
           10: 'Autumn',
           11: 'Autumn'
} 
df['season'] = df['time'].apply(lambda x : seasons [x.month])
df.head()

	time	cityname	aqi	pm2_5	pm10	so2	no2	co	o3	lat	lng	season
0	2014-12-31	阿坝州	53.0	33.0	55.0	3.0	23.0	1.0	35.0	31.905763	102.228565	Winter
1	2015-01-31	阿坝州	31.0	18.0	29.0	7.0	10.0	0.5	45.0	31.905763	102.228565	Winter
2	2015-01-30	阿坝州	34.0	19.0	30.0	7.0	13.0	0.6	48.0	31.905763	102.228565	Winter
3	2015-01-29	阿坝州	31.0	18.0	31.0	7.0	15.0	0.5	32.0	31.905763	102.228565	Winter
4	2015-01-28	阿坝州	29.0	18.0	29.0	7.0	14.0	0.6	27.0	31.905763	102.228565	Winter

# 4.创建空气质量等级列
bin_edges = [0, 50, 100, 150, 200, 300, 1210] # 根据AQI的划分等级设置标签
bin_names = ['优级', '良好', '轻度污染', '中度污染', '重度污染', '重污染']
df['空气质量'] = pd.cut(df['aqi'], bin_edges, labels=bin_names)
df.head()

	time	cityname	aqi	pm2_5	pm10	so2	no2	co	o3	lat	lng	season	空气质量
0	2014-12-31	阿坝州	53.0	33.0	55.0	3.0	23.0	1.0	35.0	31.905763	102.228565	Winter	良好
1	2015-01-31	阿坝州	31.0	18.0	29.0	7.0	10.0	0.5	45.0	31.905763	102.228565	Winter	优级
2	2015-01-30	阿坝州	34.0	19.0	30.0	7.0	13.0	0.6	48.0	31.905763	102.228565	Winter	优级
3	2015-01-29	阿坝州	31.0	18.0	31.0	7.0	15.0	0.5	32.0	31.905763	102.228565	Winter	优级
4	2015-01-28	阿坝州	29.0	18.0	29.0	7.0	14.0	0.6	27.0	31.905763	102.228565	Winter	优级

# 5.列出每个城市所属的省份；

city_province={'即墨': '山东省', '阿坝州': '四川省', '安康': '陕西省', '阿克苏地区': '新疆维吾尔自治区', 
               '阿里地区': '西藏区', '阿拉善盟': '内蒙古自治区', '安庆': '安徽省', '安顺': '贵州省', '鞍山': '辽宁省',
               '克孜勒苏州': '新疆维吾尔自治区', '安阳': '河南省', '蚌埠': '安徽省', '白城': '吉林省', 
               '北海': '广西壮族自治区', '宝鸡': '陕西省', '毕节': '贵州省', '白山': '吉林省', '百色': '广西壮族自治区', 
               '保山': '云南省', '包头': '内蒙古自治区', '本溪': '辽宁省', '巴彦淖尔': '内蒙古自治区',
               '白银': '甘肃省', '巴中': '四川省', '滨州': '山东省', '亳州': '安徽省', '昌都': '西藏区', 
               '常德': '湖南省', '赤峰': '内蒙古自治区', '昌吉州': '新疆维吾尔自治区', '五家渠': '新疆维吾尔自治区',
               '楚雄州': '云南省', '朝阳': '辽宁省', '长治': '山西省', '潮州': '广东省', '郴州': '湖南省',
               '池州': '安徽省', '崇左': '广西壮族自治区', '滁州': '安徽省', '丹东': '辽宁省', '德宏州': '云南省', 
               '大理州': '云南省', '大庆': '黑龙江', '大同': '山西省', '定西': '甘肃省', '大兴安岭地区': '黑龙江', 
               '德阳': '四川省', '东营': '山东省', '黔南州': '贵州省', '达州': '四川省', '德州': '山东省', 
               '鄂尔多斯': '内蒙古自治区', '恩施州': '湖北省', '鄂州': '湖北省', '防城港': '广西壮族自治区',
               '抚顺': '辽宁省', '阜新': '辽宁省', '阜阳': '安徽省', '抚州': '江西省', '广安': '四川省',
               '贵港': '广西壮族自治区', '桂林': '广西壮族自治区', '果洛州': '青海省', '甘南州': '甘肃省', 
               '广元': '四川省', '甘孜州': '四川省', '赣州': '江西省', '海北州': '青海省', '鹤壁': '河南省',
               '淮北': '安徽省', '河池': '广西壮族自治区', '海东地区': '青海省', '鹤岗': '黑龙江', '黄冈': '湖北省', 
               '黑河': '黑龙江', '红河州': '云南省', '怀化': '湖南省', '呼伦贝尔': '内蒙古自治区', '葫芦岛': '辽宁省',
               '哈密地区': '新疆维吾尔自治区', '淮南': '安徽省', '黄山': '安徽省', '黄石': '湖北省', 
               '和田地区': '新疆维吾尔自治区', '海西州': '青海省', '河源': '广东省', '衡阳': '湖南省', 
               '汉中': '陕西省', '菏泽': '山东省', '贺州': '广西壮族自治区', '吉安': '江西省', '金昌': '甘肃省', 
               '晋城': '山西省', '景德镇': '江西省', '西双版纳州': '云南省', '九江': '江西省', '吉林': '吉林省',
               '荆门': '湖北省', '佳木斯': '黑龙江', '济宁': '山东省', '酒泉': '甘肃省', '湘西州': '湖南省',
               '鸡西': '黑龙江', '揭阳': '广东省', '嘉峪关': '甘肃省', '焦作': '河南省', '锦州': '辽宁省',
               '晋中': '山西省', '荆州': '湖北省', '开封': '河南省', '黔东南州': '贵州省',
               '克拉玛依': '新疆维吾尔自治区', '喀什地区': '新疆维吾尔自治区', '六安': '安徽省',
               '来宾': '广西壮族自治区', '聊城': '山东省', '临沧': '云南省', '娄底': '湖南省', '临汾': '山西省',
               '漯河': '河南省', '丽江': '云南省', '吕梁': '山西省', '陇南': '甘肃省', '六盘水': '贵州省',
               '乐山': '四川省', '凉山州': '四川省', '莱芜': '山东省', '辽阳': '辽宁省', '辽源': '吉林省',
               '临沂': '山东省', '龙岩': '福建省', '洛阳': '河南省', '林芝': '西藏区', '柳州': '广西壮族自治区'
               , '泸州': '四川省', '马鞍山': '安徽省', '牡丹江': '黑龙江', '茂名': '广东省', '眉山': '四川省',
               '绵阳': '四川省', '梅州': '广东省', '南充': '四川省', '宁德': '福建省', '内江': '四川省',
               '怒江州': '云南省', '南平': '福建省', '那曲地区': '西藏区', '南阳': '河南省', '平顶山': '河南省', 
               '盘锦': '辽宁省', '平凉': '甘肃省', '莆田': '福建省', '萍乡': '江西省', '濮阳': '河南省', '攀枝花': 
               '四川省', '曲靖': '云南省', '齐齐哈尔': '黑龙江', '七台河': '黑龙江', '黔西南州': '贵州省', '清远':
               '广东省', '庆阳': '甘肃省', '钦州': '广西壮族自治区', '泉州': '福建省', '日喀则': '西藏区', '日照': 
               '山东省', '韶关': '广东省', '绥化': '黑龙江', '石河子': '新疆维吾尔自治区', '商洛': '陕西省', '三明': 
               '福建省', '三门峡': '河南省', '山南': '西藏区', '遂宁': '四川省', '四平': '吉林省', '商丘': '河南省', 
               '上饶': '江西省', '汕头': '广东省', '汕尾': '广东省', '三亚': '海南省', '邵阳': '湖南省', '十堰': 
               '湖北省', '松原': '吉林省', '双鸭山': '黑龙江', '朔州': '山西省', '宿州': '安徽省', '随州': '湖北省', 
               '泰安': '山东省', '塔城地区': '新疆维吾尔自治区', '铜川': '陕西省', '通化': '吉林省', '铁岭': '辽宁省',
               '通辽': '内蒙古自治区', '铜陵': '安徽省', '吐鲁番地区': '新疆维吾尔自治区', '铜仁地区': '贵州省', 
               '天水': '甘肃省', '潍坊': '山东省', '威海': '山东省', '乌海': '内蒙古自治区', '芜湖': '安徽省', 
               '乌兰察布': '内蒙古自治区', '渭南': '陕西省', '文山州': '云南省', '武威': '甘肃省', '梧州': 
               '广西壮族自治区', '兴安盟': '内蒙古自治区', '许昌': '河南省', '宣城': '安徽省', '孝感': '湖北省',
               '迪庆州': '云南省', '锡林郭勒盟': '内蒙古自治区', '咸宁': '湖北省', '湘潭': '湖南省', '新乡': 
               '河南省', '咸阳': '陕西省', '新余': '江西省', '信阳': '河南省', '忻州': '山西省', '雅安': '四川省',
               '延安': '陕西省', '延边州': '吉林省', '宜宾': '四川省', '宜昌': '湖北省', '宜春': '江西省', '运城': 
               '山西省', '伊春': '黑龙江', '云浮': '广东省', '阳江': '广东省', '营口': '辽宁省', '榆林': '陕西省', 
               '玉林': '广西壮族自治区', '阳泉': '山西省', '玉树州': '青海省', '烟台': '山东省', '鹰潭': '江西省', 
               '玉溪': '云南省', '益阳': '湖南省', '岳阳': '湖南省', '永州': '湖南省', '淄博': '山东省', '自贡': 
               '四川省', '湛江': '广东省', '张家界': '湖南省', '周口': '河南省', '驻马店': '河南省', '昭通': '云南省',
               '张掖': '甘肃省', '资阳': '四川省', '遵义': '贵州省', '枣庄': '山东省', '漳州': '福建省', '株洲': 
               '湖南省', '深圳': '广东省', '福州': '福建省', '舟山': '浙江省', '青岛': '山东省', '无锡': '江苏省', 
               '湖州': '浙江省', '成都': '四川省', '石家庄': '河北省', '苏州': '新疆维吾尔自治区', '连云港': '江苏省',
               '徐州': '江苏省', '廊坊': '河北省', '常州': '江苏省', '宿迁': '江苏省', '衡水': '河北省', '兰州': 
               '甘肃省', '邢台': '河北省', '沧州': '河北省', '哈尔滨': '黑龙江', '济南': '山东省', '昆明': '云南省',
               '扬州': '江苏省', '杭州': '浙江省', '海口': '海南省', '南京': '江苏省', '广州': '广东省', '长沙':
               '湖南省', '厦门': '福建省', '秦皇岛': '河北省', '张家口': '河北省', '宁波': '浙江省', '南宁':
               '广西壮族自治区', '盐城': '江苏省', '邯郸': '河北省', '贵阳': '贵州省', '衢州': '浙江省', '承德': 
               '河北省', '南通': '江苏省', '沈阳': '辽宁省', '呼和浩特': '内蒙古自治区', '中山': '广东省', '武汉': 
               '湖北省', '合肥': '安徽省', '长春': '吉林省', '嘉兴': '浙江省', '大连': '辽宁省', '台州': '浙江省',
               '拉萨': '西藏区', '肇庆': '广东省', '西安': '陕西省', '保定': '河北省', '江门': '广东省', '西宁': 
               '青海省', '乌鲁木齐': '新疆维吾尔自治区', '绍兴': '浙江省', '淮安': '江苏省', '温州': '浙江省', '郑州':
               '河南省', '惠州': '广东省', '泰州': '新疆维吾尔自治区', '珠海': '广东省', '南昌': '江西省', '唐山': 
               '河北省', '金华': '浙江省', '佛山': '广东省', '东莞': '广东省', '丽水': '浙江省', '太原': '山西省', 
               '镇江': '江苏省', '阿勒泰地区': '新疆维吾尔自治区', '北京': '北京', '博州': '新疆维吾尔自治区',
               '常熟': '江苏省', '富阳': '浙江省', '固原': '宁夏回族自治区', '海门': '江苏省', '海南州': '青海省',
               '黄南州': '青海省', ' 即墨': '山东省', '胶南': '山东省', '句容': '江苏省', '金坛': '江苏省', '江阴': 
               '江苏省', '胶州': '山东省', '库尔勒': '新疆维吾尔自治区', '昆山': '江苏省', '临安': '浙江省',
               '莱西': '山东省', '临夏州': '甘肃省', '溧阳': '江苏省', '莱州': '山东省', '平度': '山东省', '普洱':
               '云南省', '蓬莱': '山东省', '荣成': '山东省', '乳山': '山东省', '寿光': '山东省', '石嘴山': 
               '宁夏回族自治区', '太仓': '江苏省', '文登': '山东省', '瓦房店': '辽宁省', '吴江': '江苏省', '吴忠': 
               '宁夏回族自治区', '襄阳': '湖北省', '伊犁哈萨克州': '新疆维吾尔自治区', '义乌': '浙江省', '宜兴':
               '江苏省', '诸暨': '浙江省', '张家港': '江苏省', '章丘': '山东省', '中卫': '宁夏回族自治区', '招远': 
               '山东省', '天津': '天津市', '重庆': '重庆市', '银川': '甘肃省', '上海': '上海市'}
df['省份'] = df['cityname'].map(city_province)
df.head()

	time	cityname	aqi	pm2_5	pm10	so2	no2	co	o3	lat	lng	season	空气质量	省份
0	2014-12-31	阿坝州	53.0	33.0	55.0	3.0	23.0	1.0	35.0	31.905763	102.228565	Winter	良好	四川省
1	2015-01-31	阿坝州	31.0	18.0	29.0	7.0	10.0	0.5	45.0	31.905763	102.228565	Winter	优级	四川省
2	2015-01-30	阿坝州	34.0	19.0	30.0	7.0	13.0	0.6	48.0	31.905763	102.228565	Winter	优级	四川省
3	2015-01-29	阿坝州	31.0	18.0	31.0	7.0	15.0	0.5	32.0	31.905763	102.228565	Winter	优级	四川省
4	2015-01-28	阿坝州	29.0	18.0	29.0	7.0	14.0	0.6	27.0	31.905763	102.228565	Winter	优级	四川省

# 6.创建省份空气质量排名列（以AQI平均值为基础）；

a = df.groupby('省份').mean().aqi.sort_values().index

b = []
for _ in range(1, a.shape[0]+1):
    b.append(_)
    
pro_rank_dic = dict(zip(a, b))
pro_rank_dic

{'海南省': 1,
 '云南省': 2,
 '福建省': 3,
 '贵州省': 4,
 '西藏区': 5,
 '广东省': 6,
 '广西壮族自治区': 7,
 '黑龙江': 8,
 '江西省': 9,
 '青海省': 10,
 '内蒙古自治区': 11,
 '四川省': 12,
 '湖南省': 13,
 '浙江省': 14,
 '吉林省': 15,
 '甘肃省': 16,
 '重庆市': 17,
 '上海市': 18,
 '辽宁省': 19,
 '安徽省': 20,
 '宁夏回族自治区': 21,
 '湖北省': 22,
 '江苏省': 23,
 '陕西省': 24,
 '山西省': 25,
 '山东省': 26,
 '新疆维吾尔自治区': 27,
 '天津市': 28,
 '河南省': 29,
 '北京': 30,
 '河北省': 31}

# 匹配省名，增加排名列
df['所属省份空气质量排名'] = df['省份'].map(pro_rank_dic)
df.head()

	time	cityname	aqi	pm2_5	pm10	so2	no2	co	o3	lat	lng	season	空气质量	省份	所属省份空气质量排名
0	2014-12-31	阿坝州	53.0	33.0	55.0	3.0	23.0	1.0	35.0	31.905763	102.228565	Winter	良好	四川省	12
1	2015-01-31	阿坝州	31.0	18.0	29.0	7.0	10.0	0.5	45.0	31.905763	102.228565	Winter	优级	四川省	12
2	2015-01-30	阿坝州	34.0	19.0	30.0	7.0	13.0	0.6	48.0	31.905763	102.228565	Winter	优级	四川省	12
3	2015-01-29	阿坝州	31.0	18.0	31.0	7.0	15.0	0.5	32.0	31.905763	102.228565	Winter	优级	四川省	12
4	2015-01-28	阿坝州	29.0	18.0	29.0	7.0	14.0	0.6	27.0	31.905763	102.228565	Winter	优级	四川省	12

# 7.创建城市空气质量排名列（以AQI为基础）。
c = df.groupby('cityname').mean().aqi.sort_values().index

d = []
for _ in range(1, c.shape[0]+1):
    d.append(_)
    
city_rank_dic = dict(zip(c, d))
city_rank_dic

{'三亚': 1,
 '迪庆州': 2,
 '海口': 3,
 '丽江': 4,
 '黔西南州': 5,
 '怒江州': 6,
 '阿坝州': 7,
 '楚雄州': 8,
 '大理州': 9,
 '普洱': 10,
....
 '德州': 357,
 '安阳': 358,
 '邯郸': 359,
 '衡水': 360,
 '克孜勒苏州': 361,
 '石家庄': 362,
 '阿克苏地区': 363,
 '邢台': 364,
 '保定': 365,
 '喀什地区': 366,
 '和田地区': 367}

# 匹配城市名，增加排名列
df['城市空气质量全国排名'] = df['cityname'].map(city_rank_dic)
df.head()

	time	cityname	aqi	pm2_5	pm10	so2	no2	co	o3	lat	lng	season	空气质量	省份	所属省份空气质量排名	城市空气质量全国排名
0	2014-12-31	阿坝州	53.0	33.0	55.0	3.0	23.0	1.0	35.0	31.905763	102.228565	Winter	良好	四川省	12	7
1	2015-01-31	阿坝州	31.0	18.0	29.0	7.0	10.0	0.5	45.0	31.905763	102.228565	Winter	优级	四川省	12	7
2	2015-01-30	阿坝州	34.0	19.0	30.0	7.0	13.0	0.6	48.0	31.905763	102.228565	Winter	优级	四川省	12	7
3	2015-01-29	阿坝州	31.0	18.0	31.0	7.0	15.0	0.5	32.0	31.905763	102.228565	Winter	优级	四川省	12	7
4	2015-01-28	阿坝州	29.0	18.0	29.0	7.0	14.0	0.6	27.0	31.905763	102.228565	Winter	优级	四川省	12	7

df.info() # 全部清洗完后，再查看一次数据整体情况


Int64Index: 557424 entries, 0 to 557423
Data columns (total 16 columns):
time          557424 non-null datetime64[ns]
cityname      557424 non-null object
aqi           557424 non-null float64
pm2_5         557424 non-null float64
pm10          557424 non-null float64
so2           557424 non-null float64
no2           557424 non-null float64
co            557424 non-null float64
o3            557424 non-null float64
lat           557424 non-null float64
lng           557424 non-null float64
season        557424 non-null object
空气质量          557424 non-null category
省份            557424 non-null object
所属省份空气质量排名    557424 non-null int64
城市空气质量全国排名    557424 non-null int64
dtypes: category(1), datetime64[ns](1), float64(9), int64(2), object(3)
memory usage: 68.6+ MB

3.4 构建模型

df.describe()

	aqi	pm2_5	pm10	so2	no2	co	o3	lat	lng	所属省份空气质量排名	城市空气质量全国排名
count	557424.000000	557424.000000	557424.000000	557424.000000	557424.000000	557424.000000	557424.000000	557424.000000	557424.000000	557424.000000	557424.000000
mean	83.352753	49.858352	85.839185	23.012129	31.140534	1.320357	78.645854	33.320514	112.931476	16.795900	191.178832
std	49.496925	235.709794	73.957719	25.595366	18.015186	49.113311	40.107875	6.583132	9.278219	8.716008	106.081159
min	3.000000	1.000000	1.000000	1.000000	1.000000	0.100000	1.000000	18.257776	75.992973	1.000000	1.000000
25%	52.000000	23.000000	44.000000	9.000000	18.000000	0.700000	63.000000	28.668283	108.069948	9.000000	100.000000
50%	72.000000	38.000000	69.000000	16.000000	27.000000	0.900000	75.364005	32.929499	114.351807	16.000000	195.000000
75%	100.000000	61.000000	107.000000	27.000000	40.000000	1.200000	90.000000	37.661160	119.455835	25.000000	284.000000
max	1210.000000	65535.000000	12060.000000	1495.000000	574.000000	9999.900000	11281.000000	51.991789	131.171402	31.000000	367.000000

plt.figure(figsize=(25,5))
sns.heatmap(df.corr(), vmax=1, square=False, annot=True, linewidth=1)
plt.yticks(rotation=0);

[外链图片转存失败(img-iX160M0q-1565960643261)(output_36_0.png)]

与全国空气质量有较大关系的污染物指标是pm10、so2、no2。

1.全国范围：

问题1.1：全国哪些城市污染较严重，那些省份污染较严重？（AQI作为判断依据）

# 使用pyecharts模块导入地图，在地图上显示城市空气质量
from pyecharts import Geo
 
keys = df.groupby('cityname').aqi.mean().index
values = df.groupby('cityname').aqi.mean().values
 
geo = Geo("全国主要城市空气质量图", "data from AQI", title_color="#fff",title_pos="left", width=800, height=600,background_color='#404a59')
 
geo.add("全国城市空气质量图", keys, values, visual_range=[38.072282, 193.755892], type='effectScatter',visual_text_color="#fff", symbol_size=15,is_visualmap=True, is_roam=True) # type有scatter, effectScatter, heatmap三种模式可选，可根据自己的需求选择对应的图表模式
geo.render(path="全国主要城市空气质量图.html")

从地图上可以看出，中国的北部内陆地区以及西北部地区空气质量较差，沿海地区及高原地区空气质量较好。

pd.DataFrame(df.groupby('cityname').aqi.mean().sort_values().tail(10)).plot.barh(figsize=(20,10))
plt.xlim(125,200)
plt.style.use('dark_background')
plt.title('全国空气质量最差城市')
plt.xlabel('AQI')
plt.ylabel('城市名')
plt.legend('AQI')
plt.grid(linestyle=':', color='w')
plt.show();

全国空气质量最差的10个城市/地区（排名分先后，差-好）：

和田地区、喀什地区、保定、邢台、阿克苏地区、石家庄、克牧勒苏州、衡水、邯郸、安阳

pd.DataFrame(df.groupby('cityname').aqi.mean().sort_values(ascending=False).tail(10)).plot.barh(figsize=(20,10))
plt.style.use('dark_background')
plt.title('全国空气质量十佳城市')
plt.xlabel('AQI')
plt.ylabel('城市名')
plt.xlim(37,47)
plt.legend('AQI')
plt.grid(linestyle=':', color='w')
plt.show();

全国空气质量最好的10个城市/地区（排名分先后，好-差）：

三亚、迪庆州、海口、丽江、黔西南州、怒江州、阿坝州、楚雄州、大理州、普洱

pd.DataFrame(df.groupby('省份').aqi.mean().sort_values().tail(10)).plot.barh(figsize=(20,10))
plt.style.use('dark_background')
plt.title('全国空气质量最差省份')
plt.xlabel('AQI')
plt.ylabel('省份')
plt.xlim(85, 120)
plt.legend('AQI')
plt.grid(linestyle=':', color='w')
plt.show();

全国空气质量最差的10个省份（排名分先后，差-好）：

河北省、北京、河南省、天津、新疆、山东、山西、陕西、江苏、湖北

pd.DataFrame(df.groupby('省份').aqi.mean().sort_values(ascending=False).tail(10)).plot.barh(figsize=(20,10))
plt.style.use('dark_background')
plt.title('全国空气质量十佳省份')
plt.xlabel('AQI')
plt.ylabel('省份')
plt.xlim(40, 75)
plt.legend('AQI')
plt.grid(linestyle=':', color='w')
plt.show();

全国空气质量最好的10个省份（排名分先后，好-差）：

海南、云南、福建、贵州、西藏、广东、广西、黑龙江、江西、青海

问题1.2：污染较严重省份的主要污染物是什么？

df_top10_polluted = []
df_top10_polluted = pd.DataFrame(df_top10_polluted)
for _ in range(0, 10):
    '''
    提取空气质量最严重的省份信息
    '''
    temp = df[df['省份'] == df.groupby('省份').aqi.mean().sort_values().tail(10).index[_]]
    df_top10_polluted = pd.concat([df_top10_polluted, temp])

# 这里只关注轻度污染以上时的污染物情况
df_overpolluted = df_top10_polluted[df_top10_polluted['aqi'] >= 100][['aqi', 'pm2_5', 'pm10', 'so2', 'no2', 'co', 'o3']] 
sns.regplot(x='pm2_5', y='aqi', data=df_overpolluted);

sns.regplot(x='pm10', y='aqi', data=df_overpolluted);

sns.regplot(x='so2', y='aqi', data=df_overpolluted);

sns.regplot(x='no2', y='aqi', data=df_overpolluted);

sns.regplot(x='co', y='aqi', data=df_overpolluted);

sns.regplot(x='o3', y='aqi', data=df_overpolluted);

plt.figure(figsize=(15,5))
sns.heatmap(df_overpolluted.corr(), vmax=1, square=False, annot=True, linewidth=1)
plt.yticks(rotation=0);

由线性关系图和热点图可知，这十个空气质量最差省份的主要污染物是pm10、so2、no2，这三种物质的高低对AQI值有较大影响，与AQI成正相关关系。此外，so2与no2两者也表现出较强的正相关关系。

问题1.3：污染较严重城市的主要污染物是什么？

df_top10_polluted_city = []
df_top10_polluted_city = pd.DataFrame(df_top10_polluted_city)
for _ in range(0, 10):
    '''
    提取空气质量最严重的城市信息
    '''
    temp = df[df['cityname'] == df.groupby('cityname').aqi.mean().sort_values().tail(10).index[_]]
    df_top10_polluted_city = pd.concat([df_top10_polluted_city, temp])

# 这里只关注轻度污染以上时的污染物情况
df_overpolluted_city = df_top10_polluted_city[df_top10_polluted_city['aqi'] >= 100][['aqi', 'pm2_5', 'pm10',
                                                                                     'so2', 'no2', 'co', 'o3']] 
sns.regplot(x='pm2_5', y='aqi', data=df_overpolluted_city);

sns.regplot(x='pm10', y='aqi', data=df_overpolluted_city);

sns.regplot(x='so2', y='aqi', data=df_overpolluted_city);

sns.regplot(x='no2', y='aqi', data=df_overpolluted_city);

sns.regplot(x='co', y='aqi', data=df_overpolluted_city);

sns.regplot(x='o3', y='aqi', data=df_overpolluted_city);

plt.figure(figsize=(15,5))
sns.heatmap(df_overpolluted_city.corr(), vmax=1, square=False, annot=True, linewidth=1)
plt.yticks(rotation=0);

同样，由线性关系图和热点图可知，十个空气质量最差城市的主要污染物是pm2.5、pm10、so2、no2，四种物质的高低对AQI值有较大影响，与AQI成正相关关系。其中值得注意的是pm2.5与城市空气质量密切相关，但与省空气质量相关性不是非常大。so2与no2之间、pm2.5与pm10、so2、no2之间表现出了较强的正相关关系，也就是说pm10、so2、no2三个指标中的某一指标的升高都会伴随着pm2.5的升高。

问题1.4：全国哪个季节的污染最严重？

pd.DataFrame(df.groupby('season').aqi.mean().sort_values()).plot.barh(figsize=(15,10))
plt.title('全国不同季节空气质量情况')
plt.xlabel('AQI')
plt.ylabel('季节')
plt.xlim(60)
plt.legend('AQI')
plt.grid(linestyle=':', color='w')
plt.show();

df.groupby('season').aqi.mean().sort_values()

season
Summer     71.911104
Autumn     76.040072
Spring     82.730394
Winter    101.647808
Name: aqi, dtype: float64

全国空气质量冬季时最差，平均AQI为101.6（轻度污染），夏季时最好，平均AQI为71.9（良好）。

问题1.5：2013年-2018年全国整体空气质量如何变化？

f, ax= plt.subplots(figsize = (14, 10))
sns.relplot(x='time', y='aqi', kind = 'line', data=df, ax=ax);

2013-2014年整体AQI较2015~2018年高。

# 提取年和月进一步分析整体AQI情况
times = df['time'].shape[0]
a = []
for _ in range(times):
    month = df['time'][_].month
    a.append(month)
df['month'] = a

b = []
for i in range(times):
    year = df['time'][i].year
    b.append(year)
df['year'] = b

df.head()

	time	cityname	aqi	pm2_5	pm10	so2	no2	co	o3	lat	lng	season	空气质量	省份	所属省份空气质量排名	城市空气质量全国排名	month	year
0	2014-12-31	阿坝州	53.0	33.0	55.0	3.0	23.0	1.0	35.0	31.905763	102.228565	Winter	良好	四川省	12	7	12	2014
1	2015-01-31	阿坝州	31.0	18.0	29.0	7.0	10.0	0.5	45.0	31.905763	102.228565	Winter	优级	四川省	12	7	1	2015
2	2015-01-30	阿坝州	34.0	19.0	30.0	7.0	13.0	0.6	48.0	31.905763	102.228565	Winter	优级	四川省	12	7	1	2015
3	2015-01-29	阿坝州	31.0	18.0	31.0	7.0	15.0	0.5	32.0	31.905763	102.228565	Winter	优级	四川省	12	7	1	2015
4	2015-01-28	阿坝州	29.0	18.0	29.0	7.0	14.0	0.6	27.0	31.905763	102.228565	Winter	优级	四川省	12	7	1	2015

plt.figure(figsize=(30,10))
sns.barplot(x='month', y='aqi', hue='year', data=df)
plt.style.use('dark_background')
plt.ylim(50)
plt.title('2013年~2108年全国空气质量1~12月对比')
plt.show();

按每月AQI进行对比，2013年AQI比后面几年的数据都要高出很多，特别是8月_{12月的AQI数据。2015}2018年的AQI明显比前两年有所降低。高AQI的月份主要在12月_{2月，低AQI的月份主要在8月}10月。

df.groupby('year').aqi.mean().plot.bar(figsize=(15 ,10))
plt.title('全国空气质量年变化')
plt.xticks(rotation=0)
plt.xlabel('年')
plt.ylabel('AQI')
plt.ylim(60)
plt.legend('AQI')
plt.grid(linestyle=':', color='w')
plt.show();

上图以年份为单位进行对比，可以明显看出2015年后全国空气质量有很大改善，特别是2016年~2018年，平均AQI约为80，较2013年下降40%。

2.全省范围（广东省为例）：

问题2.1：广东省的主要污染物是什么？

df_gd = df[df['省份'] == '广东省']
df_gd_pollutant = df_gd[df_gd['aqi'] >= 100][['aqi', 'pm2_5', 'pm10', 'so2', 'no2', 'co', 'o3']]

sns.regplot(x='pm2_5', y='aqi', data=df_gd_pollutant);

sns.regplot(x='pm10', y='aqi', data=df_gd_pollutant);

sns.regplot(x='so2', y='aqi', data=df_gd_pollutant);

sns.regplot(x='no2', y='aqi', data=df_gd_pollutant);

sns.regplot(x='co', y='aqi', data=df_gd_pollutant);

sns.regplot(x='o3', y='aqi', data=df_gd_pollutant);

plt.figure(figsize=(15,5))
sns.heatmap(df_gd_pollutant.corr(), vmax=1, square=False, annot=True, linewidth=1)
plt.yticks(rotation=0);

由线性关系图和热点图可知广东省最主要的污染物是pm2.5、pm10，其次是so2、no2、co。与全国空气质量和污染物指标关系不同的是，广东省的pm2.5、pm10、so2、no2、co5个污染物指标之间它们互相影响，都有较强的正相关关系。

问题2.2：全省哪些城市污染较严重？（AQI作为判断依据）

print('广东省的城市数量为：', df_gd.groupby('cityname').aqi.mean().shape[0])

广东省的城市数量为： 21

df_gd.groupby('cityname').aqi.mean().sort_values().tail(3) # 得出污染较严重的3个城市

cityname
佛山    73.004110
东莞    73.461992
广州    74.189665
Name: aqi, dtype: float64

广东省21个城市中，佛山、东莞、广州空气质量最差，AQI分别为73、73.5、74.2，空气质量均为良。

问题2.3：全省哪个季节的污染最严重？

pd.DataFrame(df_gd.groupby('season').aqi.mean().sort_values()).plot.barh(figsize=(15,10))
plt.title('广东省不同季节空气质量情况')
plt.xlabel('AQI')
plt.ylabel('季节')
plt.xlim(50)
plt.legend('AQI')
plt.grid(linestyle=':', color='w')
plt.show();

广东省冬季AQI较高，空气质量较差，夏季AQI较低，空气质量较好。

问题2.4：广东省空气质量在全国的排名？？

df_gd[['省份', '所属省份空气质量排名']].head(1)

	省份	所属省份空气质量排名
53971	广东省	6

广东省空气质量全国排名第6

3.全市范围（深圳市为例）：

问题3.1：深圳市的主要污染物是什么？

df_sz = df[df['cityname'] == '深圳']
df_sz_pollutant = df_sz[df_sz['aqi'] >= 100][['aqi', 'pm2_5', 'pm10', 'so2', 'no2', 'co', 'o3']]

sns.regplot(x='pm2_5', y='aqi', data=df_sz_pollutant);

sns.regplot(x='pm10', y='aqi', data=df_sz_pollutant);

sns.regplot(x='so2', y='aqi', data=df_sz_pollutant);

sns.regplot(x='no2', y='aqi', data=df_sz_pollutant);

sns.regplot(x='co', y='aqi', data=df_sz_pollutant);

sns.regplot(x='o3', y='aqi', data=df_sz_pollutant);

plt.figure(figsize=(15,5))
sns.heatmap(df_sz_pollutant.corr(), vmax=1, square=False, annot=True, linewidth=1)
plt.yticks(rotation=0);

深圳市主要的污染物是pm2.5、pm10、so2、co。与广东省主要污染物不同的是，深圳市的no2对空气质量的影响不大，但no2与pm2.5、pm10、co三个指标有较强的正相关关系。

问题3.2：深圳空气质量在全国的排名？

df_sz[['cityname', '城市空气质量全国排名']].head(1)

	cityname	城市空气质量全国排名
433042	深圳	38

深圳市空气质量在全国城市空气质量排名38位

df_sz.groupby('空气质量').time.count().plot.bar(figsize=(10,5))
plt.xticks(rotation=0)
plt.ylabel('次数')
plt.title('2013-2018深圳空气质量次数图')
plt.show();
print('平均AQI为：%.f\n\n' % (df_sz.aqi.mean()), df_sz.groupby('空气质量').time.count())

平均AQI为：55

 空气质量
优级      871
良好      745
轻度污染     79
中度污染      8
重度污染      0
重污染       0
Name: time, dtype: int64

深圳平均AQI为55，接近优级水平。2013年~2018年空气质量有871次优，745次良好，79次轻度污染，8次中度污染，没有重度污染和重污染。

问题3.3：深圳哪个季节的污染最严重？

pd.DataFrame(df_sz.groupby('season').aqi.mean().sort_values()).plot.barh(figsize=(15,10))
plt.title('深圳不同季节空气质量情况')
plt.xlabel('AQI')
plt.ylabel('季节')
plt.xlim(40)
plt.legend('AQI')
plt.grid(linestyle=':', color='w')
plt.show();

深圳冬季空气质量相对较差，平均AQI约为65，夏季空气质量较好，空气质量优级。

3.5 分析结果
根据2013年6月~2018年7月全国空气质量数据得出以下结论：

中国的北部内陆地区以及西北部地区空气质量较差，沿海地区及高原地区空气质量较好；
全国空气质量最差的10个省份（排名分先后，差-好）：河北省、北京、河南省、天津、新疆、山东、山西、陕西、江苏、湖北；
全国空气质量最好的10个省份（排名分先后，好-差）：海南、云南、福建、贵州、西藏、广东、广西、黑龙江、江西、青海；
全国空气质量最差的10个城市/地区（排名分先后，差-好）：和田地区、喀什地区、保定、邢台、阿克苏地区、石家庄、克牧勒苏州、衡水、邯郸；
全国空气质量最好的10个城市/地区（排名分先后，好-差）：三亚、迪庆州、海口、丽江、黔西南州、怒江州、阿坝州、楚雄州、大理州、普洱；
空气质量最差省份的主要污染物是pm10、so2、no2。so2与no2两者正相关；
空气质量最差城市的主要污染物是pm2.5、pm10、so2、no2。so2与no2之间、pm2.5与pm10、so2、no2之间有较强的正相关关系；
全国空气质量冬季时最差，平均AQI为101.6（轻度污染），夏季时最好，平均AQI为71.9（良好）；
2015年后全国空气质量有很大改善，特别是2016年~2018年，平均AQI约为80，较2013年下降40%；
广东省最主要的污染物是pm2.5、pm10，其次是so2、no2、co；
广东省21个城市中，佛山、东莞、广州空气质量最差，AQI分别为73、73.5、74.2，空气质量均为良；
广东省冬季AQI较高，空气质量较差，夏季AQI较低，空气质量较好；
广东省空气质量全国排名第6；
深圳市主要的污染物是pm2.5、pm10、so2、co；
深圳市空气质量在全国城市空气质量排名38位；
深圳平均AQI为55，接近优级水平。2013年~2018年空气质量有871次优，745次良好，79次轻度污染，8次中度污染，没有重度污染和重污染；
深圳冬季空气质量相对较差，平均AQI约为65，夏季空气质量较好，空气质量优级。

4. 建议

关于空气污染物的控制：

在省级层面上建议注重控制pm10、so2、no2
在市级层面上建议注重控制pm2.5、pm10、so2、no2
对于广东省，建议主要控制pm2.5和pm10，适当关注so2、no2、co的排放
对于深圳市，建议主要控制pm2.5、pm10、so2、co，适当关注no2的排放

你可能感兴趣的:(python)

理解Gunicorn：Python WSGI服务器的基石范范0825 ipython linux 运维
理解Gunicorn：PythonWSGI服务器的基石介绍Gunicorn，全称GreenUnicorn，是一个为PythonWSGI（WebServerGatewayInterface）应用设计的高效、轻量级HTTP服务器。作为PythonWeb应用部署的常用工具，Gunicorn以其高性能和易用性著称。本文将介绍Gunicorn的基本概念、安装和配置，帮助初学者快速上手。1.什么是Gunico
Python数据分析与可视化实战指南 William数据分析 python python 数据
在数据驱动的时代，Python因其简洁的语法、强大的库生态系统以及活跃的社区，成为了数据分析与可视化的首选语言。本文将通过一个详细的案例，带领大家学习如何使用Python进行数据分析，并通过可视化来直观呈现分析结果。一、环境准备1.1安装必要库在开始数据分析和可视化之前，我们需要安装一些常用的库。主要包括pandas、numpy、matplotlib和seaborn等。这些库分别用于数据处理、数学
python os.environ 江湖偌大 python 深度学习
os.environ['TF_CPP_MIN_LOG_LEVEL']='0'#默认值，输出所有信息os.environ['TF_CPP_MIN_LOG_LEVEL']='1'#屏蔽通知信息（INFO）os.environ['TF_CPP_MIN_LOG_LEVEL']='2'#屏蔽通知信息和警告信息（INFO\WARNING）os.environ['TF_CPP_MIN_LOG_LEVEL']='
Python中os.environ基本介绍及使用方法鹤冲天Pro #Python python 服务器开发语言
文章目录python中os.environos.environ简介os.environ进行环境变量的增删改查python中os.environ的使用详解1.简介2.key字段详解2.1常见key字段3.os.environ.get()用法4.环境变量的增删改查和判断是否存在4.1新增环境变量4.2更新环境变量4.3获取环境变量4.4删除环境变量4.5判断环境变量是否存在python中os.envi
Pyecharts数据可视化大屏：打造沉浸式数据分析体验我的运维人生信息可视化数据分析数据挖掘运维开发技术共享
Pyecharts数据可视化大屏：打造沉浸式数据分析体验在当今这个数据驱动的时代，如何将海量数据以直观、生动的方式展现出来，成为了数据分析师和企业决策者关注的焦点。Pyecharts，作为一款基于Python的开源数据可视化库，凭借其丰富的图表类型、灵活的配置选项以及高度的定制化能力，成为了构建数据可视化大屏的理想选择。本文将深入探讨如何利用Pyecharts打造数据可视化大屏，并通过实际代码案例
Python教程：一文了解使用Python处理XPath 旦莫 Python进阶 python 开发语言
目录1.环境准备1.1安装lxml1.2验证安装2.XPath基础2.1什么是XPath？2.2XPath语法2.3示例XML文档3.使用lxml解析XML3.1解析XML文档3.2查看解析结果4.XPath查询4.1基本路径查询4.2使用属性查询4.3查询多个节点5.XPath的高级用法5.1使用逻辑运算符5.2使用函数6.实战案例6.1从网页抓取数据6.1.1安装Requests库6.1.2代
python os.environ_python os.environ 读取和设置环境变量 weixin_39605414 python os.environ
>>>importos>>>os.environ.keys()['LC_NUMERIC','GOPATH','GOROOT','GOBIN','LESSOPEN','SSH_CLIENT','LOGNAME','USER','HOME','LC_PAPER','PATH','DISPLAY','LANG','TERM','SHELL','J2REDIR','LC_MONETARY','QT_QPA
使用Faiss进行高效相似度搜索 llzwxh888 faiss python
在现代AI应用中，快速和高效的相似度搜索是至关重要的。Faiss（FacebookAISimilaritySearch）是一个专门用于快速相似度搜索和聚类的库，特别适用于高维向量。本文将介绍如何使用Faiss来进行相似度搜索，并结合Python代码演示其基本用法。什么是Faiss？Faiss是一个由FacebookAIResearch团队开发的开源库，主要用于高维向量的相似性搜索和聚类。Faiss
python是什么意思中文-在python中%是什么意思编程大乐趣
Python中%有两种：1、数值运算：%代表取模，返回除法的余数。如：>>>7%212、%操作符（字符串格式化，stringformatting），说明如下：%[(name)][flags][width].[precision]typecode(name)为命名flags可以有+，-，''或0。+表示右对齐。-表示左对齐。''为一个空格，表示在正数的左侧填充一个空格，从而与负数对齐。0表示使用0填
Day1笔记-Python简介&标识符和关键字&输入输出 ~在杰难逃~ Python python 开发语言大数据数据分析数据挖掘
大家好，从今天开始呢，杰哥开展一个新的专栏，当然，数据分析部分也会不定时更新的，这个新的专栏主要是讲解一些Python的基础语法和知识，帮助0基础的小伙伴入门和学习Python，感兴趣的小伙伴可以开始认真学习啦！一、Python简介【了解】1.计算机工作原理编程语言就是用来定义计算机程序的形式语言。我们通过编程语言来编写程序代码，再通过语言处理程序执行向计算机发送指令，让计算机完成对应的工作，编程
python八股文面试题分享及解析(1) Shawn________ python
#1.'''a=1b=2不用中间变量交换a和b'''#1.a=1b=2a,b=b,aprint(a)print(b)结果：21#2.ll=[]foriinrange(3):ll.append({'num':i})print(11)结果:#[{'num':0},{'num':1},{'num':2}]#3.kk=[]a={'num':0}foriinrange(3):#0,12#可变类型，不仅仅改变
每日算法&面试题，大厂特训二十八天——第二十天（树）肥学 ⚡算法题⚡面试题每日精进 java 算法数据结构
目录标题导读算法特训二十八天面试题点击直接资料领取导读肥友们为了更好的去帮助新同学适应算法和面试题，最近我们开始进行专项突击一步一步来。上一期我们完成了动态规划二十一天现在我们进行下一项对各类算法进行二十八天的一个小总结。还在等什么快来一起肥学进行二十八天挑战吧！！特别介绍小白练手专栏，适合刚入手的新人欢迎订阅编程小白进阶python有趣练手项目里面包括了像《机器人尬聊》《恶搞程序》这样的有趣文章
Python快速入门 —— 第三节：类与对象孤华暗香 Python快速入门 python 开发语言
第三节：类与对象目标：了解面向对象编程的基础概念，并学会如何定义类和创建对象。内容：类与对象：定义类：class关键字。类的构造函数：__init__()。类的属性和方法。对象的创建与使用。示例：classStudent:def__init__(self,name,age,major):self.name&#
pyecharts——绘制柱形图折线图 2224070247 信息可视化 python java 数据可视化
一、pyecharts概述自2013年6月百度EFE(ExcellentFrontEnd）数据可视化团队研发的ECharts1.0发布到GitHub网站以来，ECharts一直备受业界权威的关注并获得广泛好评，成为目前成熟且流行的数据可视化图表工具，被应用到诸多数据可视化的开发领域。Python作为数据分析领域最受欢迎的语言，也加入ECharts的使用行列，并研发出方便Python开发者使用的数据
Python 实现图片裁剪（附代码） | Python工具剑客阿良_ALiang
前言本文提供将图片按照自定义尺寸进行裁剪的工具方法，一如既往的实用主义。环境依赖ffmpeg环境安装，可以参考我的另一篇文章：windowsffmpeg安装部署_阿良的博客-CSDN博客本文主要使用到的不是ffmpeg，而是ffprobe也在上面这篇文章中的zip包中。ffmpy安装：pipinstallffmpy-ihttps://pypi.douban.com/simple代码不废话了，上代码
【华为OD技术面试真题 - 技术面】- python八股文真题题库（4) 算法大师华为od 面试 python
华为OD面试真题精选专栏：华为OD面试真题精选目录:2024华为OD面试手撕代码真题目录以及八股文真题目录文章目录华为OD面试真题精选**1.Python中的`with`**用途和功能自动资源管理示例：文件操作上下文管理协议示例代码工作流程解析优点2.\_\_new\_\_和**\_\_init\_\_**区别__new____init__区别总结3.**切片（Slicing）操作**基本切片语法
python os 环境变量 CV矿工 python 开发语言 numpy
环境变量：环境变量是程序和操作系统之间的通信方式。有些字符不宜明文写进代码里，比如数据库密码，个人账户密码，如果写进自己本机的环境变量里，程序用的时候通过os.environ.get（）取出来就行了。os.environ是一个环境变量的字典。环境变量的相关操作importos"""设置/修改环境变量：os.environ[‘环境变量名称’]=‘环境变量值’#其中key和value均为string类
Python爬虫解析工具之xpath使用详解 eqa11 python 爬虫开发语言
文章目录Python爬虫解析工具之xpath使用详解一、引言二、环境准备1、插件安装2、依赖库安装三、xpath语法详解1、路径表达式2、通配符3、谓语4、常用函数四、xpath在Python代码中的使用1、文档树的创建2、使用xpath表达式3、获取元素内容和属性五、总结Python爬虫解析工具之xpath使用详解一、引言在Python爬虫开发中，数据提取是一个至关重要的环节。xpath作为一门
【华为OD技术面试真题 - 技术面】- python八股文真题题库（1）算法大师华为od 面试 python
华为OD面试真题精选专栏：华为OD面试真题精选目录:2024华为OD面试手撕代码真题目录以及八股文真题目录文章目录华为OD面试真题精选1.数据预处理流程数据预处理的主要步骤工具和库2.介绍线性回归、逻辑回归模型线性回归（LinearRegression）模型形式：关键点：逻辑回归（LogisticRegression）模型形式：关键点：参数估计与评估：3.python浅拷贝及深拷贝浅拷贝（Shal
nosql数据库技术与应用知识点皆过客，揽星河 NoSQL nosql 数据库大数据数据分析数据结构非关系型数据库
Nosql知识回顾大数据处理流程数据采集(flume、爬虫、传感器)数据存储(本门课程NoSQL所处的阶段)Hdfs、MongoDB、HBase等数据清洗(入仓)Hive等数据处理、分析(Spark、Flink等)数据可视化数据挖掘、机器学习应用(Python、SparkMLlib等)大数据时代存储的挑战(三高)高并发(同一时间很多人访问)高扩展(要求随时根据需求扩展存储)高效率(要求读写速度快)
《Python数据分析实战终极指南》 xjt921122 python 数据分析开发语言
对于分析师来说，大家在学习Python数据分析的路上，多多少少都遇到过很多大坑**，有关于技能和思维的**：Excel已经没办法处理现有的数据量了，应该学Python吗？找了一大堆Python和Pandas的资料来学习，为什么自己动手就懵了？跟着比赛类公开数据分析案例练了很久，为什么当自己面对数据需求还是只会数据处理而没有分析思路？学了对比、细分、聚类分析，也会用PEST、波特五力这类分析法，为啥
Python中深拷贝与浅拷贝的区别 yuxiaoyu.
转自：http://blog.csdn.net/u014745194/article/details/70271868定义：在Python中对象的赋值其实就是对象的引用。当创建一个对象，把它赋值给另一个变量的时候，python并没有拷贝这个对象，只是拷贝了这个对象的引用而已。浅拷贝：拷贝了最外围的对象本身，内部的元素都只是拷贝了一个引用而已。也就是，把对象复制一遍，但是该对象中引用的其他对象我不复
Python开发常用的三方模块如下：换个网名有点难 python 开发语言
Python是一门功能强大的编程语言，拥有丰富的第三方库，这些库为开发者提供了极大的便利。以下是100个常用的Python库，涵盖了多个领域：1、NumPy，用于科学计算的基础库。2、Pandas，提供数据结构和数据分析工具。3、Matplotlib，一个绘图库。4、Scikit-learn，机器学习库。5、SciPy，用于数学、科学和工程的库。6、TensorFlow，由Google开发的开源机
Python编译器鹿鹿~ Python编译器 Python python 开发语言后端
嘿嘿嘿我又来了啊有些小盆友可能不知道Python其实是有编译器的，也就是PyCharm。你们可能会问到这个是干嘛的又不可以吃也不可以穿好像没有什么用，其实你还说对了这个还真的不可以吃也不可以穿，但是它用来干嘛的呢。用来编译你所打出的代码进行运行（可能这里说的有点不对但是只是个人认为）现在我们来说说PyCharm是用来干嘛的。PyCharm是一种PythonIDE，带有一整套可以帮助用户在使用Pyt
一文掌握python面向对象魔术方法（二）程序员neil python python 开发语言
接上篇：一文掌握python面向对象魔术方法（一）-CSDN博客目录六、迭代和序列化：1、__iter__(self):定义迭代器，使得类可以被for循环迭代。2、__getitem__(self,key):定义索引操作，如obj[key]。3、__setitem__(self,key,value):定义赋值操作，如obj[key]=value。4、__delitem__(self,key):定义
一文掌握python常用的list（列表）操作程序员neil python python 开发语言
目录一、创建列表1.直接创建列表：2.使用list()构造器3.使用列表推导式4.创建空列表二、访问列表元素1.列表支持通过索引访问元素，索引从0开始：2.还可以使用切片操作访问列表的一部分：三、修改列表元素四、添加元素1.append()：在末尾添加元素2.insert()：在指定位置插入元素五、删除元素1.del：删除指定位置的元素2.remove()：删除指定值的第一个匹配项3.pop()：
Python实现简单的机器学习算法 master_chenchengg python python 办公效率 python开发 IT
Python实现简单的机器学习算法开篇：初探机器学习的奇妙之旅搭建环境：一切从安装开始必备工具箱第一步：安装Anaconda和JupyterNotebook小贴士：如何配置Python环境变量算法初体验：从零开始的Python机器学习线性回归：让数据说话数据准备：从哪里找数据编码实战：Python实现线性回归模型评估：如何判断模型好坏逻辑回归：从分类开始理论入门：什么是逻辑回归代码实现：使用skl
python中的深拷贝与浅拷贝 anshejd70787 python
深拷贝和浅拷贝浅拷贝的时候，修改原来的对象，浅拷贝的对象不会发生改变。1、对象的赋值对象的赋值实际上是对象之间的引用：当创建一个对象，然后将这个对象赋值给另外一个变量的时候，python并没有拷贝这个对象，而只是拷贝了这个对象的引用。当对对象做赋值或者是参数传递或者作为返回值的时候，总是传递原始对象的引用，而不是一个副本。如下所示：>>>aList=["kel","abc",123]>>>bLis
用Python实现简单的猜数字游戏程序媛了了 python 游戏 java
猜数字游戏代码：importrandomdefpythonit():a=random.randint(1,100)n=int(input("输入你猜想的数字："))whilen!=a:ifn>a:print("很遗憾，猜大了")n=int(input("请再次输入你猜想的数字："))elifna::如果玩家猜的数字n大于随机数字a，则输出"很遗憾，猜大了"，并提示玩家再次输入。elifn
用Python实现读取统计单词个数程序媛了了 python 游戏 java
完整实例代码：fromcollectionsimportCounterdefpythonit():danci={}withopen("pythonit.txt","r",encoding="utf-8")asf:foriinf:words=i.strip().split()forwordinwords:ifwordnotindanci:danci[word]=1else:danci[word]+=
java线程的无限循环和退出 3213213333332132 java
最近想写一个游戏，然后碰到有关线程的问题，网上查了好多资料都没满足。突然想起了前段时间看的有关线程的视频，于是信手拈来写了一个线程的代码片段。希望帮助刚学java线程的童鞋 package thread; import java.text.SimpleDateFormat; import java.util.Calendar; import java.util.Date
tomcat 容器 BlueSkator tomcat Web servlet
Tomcat的组成部分 1、server A Server element represents the entire Catalina servlet container. (Singleton) 2、service service包括多个connector以及一个engine，其职责为处理由connector获得的客户请求。 3、connector 一个connector
php递归,静态变量,匿名函数使用 dcj3sjt126com PHP 递归函数匿名函数静态变量引用传参
<!doctype html> <html lang="en"> <head> <meta charset="utf-8"> <title>Current To-Do List</title> </head> <body>
属性颜色字体变化周华华 JavaScript
function changSize(className){ var diva=byId("fot") diva.className=className; } </script> <style type="text/css"> .max{ background: #900; color:#039;
将properties内容放置到map中 g21121 properties
代码比较简单： private static Map<Object, Object> map; private static Properties p; static { //读取properties文件 InputStream is = XXX.class.getClassLoader().getResourceAsStream("xxx.properti
[简单]拼接字符串 53873039oycg 字符串
工作中遇到需要从Map里面取值拼接字符串的情况，自己写了个，不是很好，欢迎提出更优雅的写法，代码如下： import java.util.HashMap; import java.uti
Struts2学习云端月影
最近开始关注struts2的新特性，从这个版本开始，Struts开始使用convention-plugin代替codebehind-plugin来实现struts的零配置。配置文件精简了，的确是简便了开发过程，但是，我们熟悉的配置突然disappear了，真是一下很不适应。跟着潮流走吧，看看该怎样来搞定convention-plugin。使用Convention插件，你需要将其JAR文件放
Java新手入门的30个基本概念二 aijuans java 新手 java 入门
基本概念:　　1.OOP中唯一关系的是对象的接口是什么,就像计算机的销售商她不管电源内部结构是怎样的,他只关系能否给你提供电就行了,也就是只要知道can or not而不是how and why.所有的程序是由一定的属性和行为对象组成的,不同的对象的访问通过函数调用来完成,对象间所有的交流都是通过方法调用,通过对封装对象数据,很大限度上提高复用率。　　2.OOP中最重要的思想是类,类是模板是蓝图,
jedis 简单使用 antlove java redis cache command jedis
jedis.RedisOperationCollection.java package jedis; import org.apache.log4j.Logger; import redis.clients.jedis.Jedis; import java.util.List; import java.util.Map; import java.util.Set; pub
PL/SQL的函数和包体的基础百合不是茶 PL/SQL编程函数包体显示包的具体数据包
由于明天举要上课,所以刚刚将代码敲了一遍PL/SQL的函数和包体的实现(单例模式过几天好好的总结下再发出来);以便明天能更好的学习PL/SQL的循环,今天太累了,所以早点睡觉,明天继续PL/SQL总有一天我会将你永远的记载在心里,,, 函数; 函数:PL/SQL中的函数相当于java中的方法;函数有返回值定义函数的 --输入姓名找到该姓名的年薪 create or re
Mockito(二)--实例篇 bijian1013 持续集成 mockito 单元测试
学习了基本知识后，就可以实战了，Mockito的实际使用还是比较麻烦的。因为在实际使用中，最常遇到的就是需要模拟第三方类库的行为。比如现在有一个类FTPFileTransfer，实现了向FTP传输文件的功能。这个类中使用了a
精通Oracle10编程SQL(7)编写控制结构 bijian1013 oracle 数据库 plsql
/* *编写控制结构 */ --条件分支语句 --简单条件判断 DECLARE v_sal NUMBER(6,2); BEGIN select sal into v_sal from emp where lower(ename)=lower('&name'); if v_sal<2000 then update emp set
【Log4j二】Log4j属性文件配置详解 bit1129 log4j
如下是一个log4j.properties的配置 log4j.rootCategory=INFO, stdout , R log4j.appender.stdout=org.apache.log4j.ConsoleAppender log4j.appender.stdout.layout=org.apache.log4j.PatternLayout log4j.appe
java集合排序笔记白糖_ java
public class CollectionDemo implements Serializable,Comparable<CollectionDemo>{ private static final long serialVersionUID = -2958090810811192128L; private int id; private String nam
java导致linux负载过高的定位方法 ronin47
定位java进程ID 可以使用top或ps -ef |grep java ![图片描述][1] 根据进程ID找到最消耗资源的java pid 比如第一步找到的进程ID为5431 执行 top -p 5431 -H ![图片描述][2] 打印java栈信息 $ jstack -l 5431 > 5431.log 在栈信息中定位具体问题将消耗资源的Java PID转
给定能随机生成整数1到5的函数，写出能随机生成整数1到7的函数 bylijinnan 函数
import java.util.ArrayList; import java.util.List; import java.util.Random; public class RandNFromRand5 { /** 题目：给定能随机生成整数1到5的函数，写出能随机生成整数1到7的函数。解法1： f(k) = (x0-1)*5^0+(x1-
PL/SQL Developer保存布局 Kai_Ge
近日由于项目需要，数据库从DB2迁移到ORCAL，因此数据库连接客户端选择了PL/SQL Developer。由于软件运用不熟悉，造成了很多麻烦，最主要的就是进入后，左边列表有很多选项，自己删除了一些选项卡，布局很满意了，下次进入后又恢复了以前的布局，很是苦恼。在众多PL/SQL Developer使用技巧中找到如下这段： &n
[未来战士计划]超能查派[剧透,慎入] comsci 计划
非常好看,超能查派,这部电影......为我们这些热爱人工智能的工程技术人员提供一些参考意见和思想........ 虽然电影里面的人物形象不是非常的可爱....但是非常的贴近现实生活.... &nbs
Google Map API V2 dai_lm google map
以后如果要开发包含google map的程序就更麻烦咯 http://www.cnblogs.com/mengdd/archive/2013/01/01/2841390.html 找到篇不错的文章，大家可以参考一下 http://blog.sina.com.cn/s/blog_c2839d410101jahv.html 1. 创建Android工程由于v2的key需要G
java数据计算层的几种解决方法2 datamachine java sql 集算器
2、SQL SQL/SP/JDBC在这里属于一类，这是老牌的数据计算层，性能和灵活性是它的优势。但随着新情况的不断出现，单纯用SQL已经难以满足需求，比如： JAVA开发规模的扩大，数据量的剧增，复杂计算问题的涌现。虽然SQL得高分的指标不多，但都是权重最高的。成熟度：5星。最成熟的。
Linux下Telnet的安装与运行 dcj3sjt126com linux telnet
Linux下Telnet的安装与运行 linux默认是使用SSH服务的而不安装telnet服务如果要使用telnet 就必须先安装相应的软件包即使安装了软件包默认的设置telnet 服务也是不运行的需要手工进行设置如果是redhat9，则在第三张光盘中找到 telnet-server-0.17-25.i386.rpm
PHP中钩子函数的实现与认识 dcj3sjt126com PHP
假如有这么一段程序： function fun(){ fun1(); fun2(); } 首先程序执行完fun1()之后执行fun2()然后fun()结束。但是，假如我们想对函数做一些变化。比如说，fun是一个解析函数，我们希望后期可以提供丰富的解析函数，而究竟用哪个函数解析，我们希望在配置文件中配置。这个时候就可以发挥钩子的力量了。我们可以在fu
EOS中的WorkSpace密码修改蕃薯耀修改WorkSpace密码
EOS中BPS的WorkSpace密码修改 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> 蕃薯耀 201
SpringMVC4零配置--SpringSecurity相关配置【SpringSecurityConfig】 hanqunfeng SpringSecurity
SpringSecurity的配置相对来说有些复杂，如果是完整的bean配置，则需要配置大量的bean，所以xml配置时使用了命名空间来简化配置，同样，spring为我们提供了一个抽象类WebSecurityConfigurerAdapter和一个注解@EnableWebMvcSecurity，达到同样减少bean配置的目的，如下： applicationContex
ie 9 kendo ui中ajax跨域的问题 jackyrong AJAX跨域
这两天遇到个问题，kendo ui的datagrid，根据json去读取数据，然后前端通过kendo ui的datagrid去渲染，但很奇怪的是，在ie 10,ie 11,chrome,firefox等浏览器中，同样的程序，浏览起来是没问题的，但把应用放到公网上的一台服务器，却发现如下情况： 1） ie 9下，不能出现任何数据，但用IE 9浏览器浏览本机的应用，却没任何问题
不要让别人笑你不能成为程序员 lampcy 编程程序员
在经历六个月的编程集训之后，我刚刚完成了我的第一次一对一的编码评估。但是事情并没有如我所想的那般顺利。说实话，我感觉我的脑细胞像被轰炸过一样。手慢慢地离开键盘，心里很压抑。不禁默默祈祷：一切都会进展顺利的，对吧？至少有些地方我的回答应该是没有遗漏的，是不是？难道我选择编程真的是一个巨大的错误吗——我真的永远也成不了程序员吗？我需要一点点安慰。在自我怀疑，不安全感和脆弱等等像龙卷风一
马皇后的贤德 nannan408
马皇后不怕朱元璋的坏脾气，并敢理直气壮地吹耳边风。众所周知，朱元璋不喜欢女人干政，他认为“后妃虽母仪天下，然不可使干政事”，因为“宠之太过，则骄恣犯分，上下失序”，因此还特地命人纂述《女诫》，以示警诫。但马皇后是个例外。　　有一次，马皇后问朱元璋道：“如今天下老百姓安居乐业了吗？”朱元璋不高兴地回答：“这不是你应该问的。”马皇后振振有词地回敬道：“陛下是天下之父，
选择某个属性值最大的那条记录（不仅仅包含指定属性，而是想要什么属性都可以） Rainbow702 sql group by 最大值 max 最大的那条记录
好久好久不写SQL了，技能退化严重啊！！！直入主题：比如我有一张表，file_info，它有两个属性（但实际不只，我这里只是作说明用）： file_code, file_version 同一个code可能对应多个version 现在，我想针对每一个code，取得它相关的记录中，version 值最大的那条记录， SQL如下： select *
VBScript脚本语言 tntxia VBScript
VBScript 是基于VB的脚本语言。主要用于Asp和Excel的编程。 VB家族语言简介 Visual Basic 6.0 源于BASIC语言。由微软公司开发的包含协助开发环境的事
java中枚举类型的使用 xiao1zhao2 java enum 枚举 1.5新特性
枚举类型是j2se在1.5引入的新的类型,通过关键字enum来定义,常用来存储一些常量. 1.定义一个简单的枚举类型 public enum Sex { MAN, WOMAN } 枚举类型本质是类,编译此段代码会生成.class文件.通过Sex.MAN来访问Sex中的成员,其返回值是Sex类型. 2.常用方法静态的values()方