Matplotlib数据可视化从入门到进阶

一、数据可视化入门
- 1.基础知识
- - 1.1 图形绘制
  - 1.2 标题、标签、坐标轴刻度
  - - 1.2.1 标题的设置
    - 1.2.2 标签的设置
    - 1.2.3 坐标轴刻度的设置
  - 1.3 图例
  - 1.4 脊柱移动
  - 1.5 图片保存
- 2.风格和样式
- - 2.1 颜色、线形、点形、线宽、透明度
  - 2.2 更多属性设置
- 3.训练场
- - 3.1 绘制如下图形
  - 3.2 根据提供数据，进行分组聚合运算，绘制如下图形
二、数据可视化高级
- 1.多图布局
- - 1.1 子视图
  - 1.2 嵌套
  - 1.3 多图布局分格显示
  - - 1.3.1 均匀布局
    - 1.3.2 不均匀分布
  - 1.4 双轴显示
- 2.文本、注释、箭头
- - 2.1 文本
  - 2.2 箭头
  - 2.3 注释
  - 2.4 注释箭头连接形状
- 3.训练场
- - 3.1 绘制如下子图
三、数据可视化进阶
- 1.常用视图
- - 1.1 折线图
  - 1.2 柱状图
  - - 1.2.1 堆叠柱状图
    - 1.2.2 分组带标签柱状图
  - 1.3 极坐标图
  - - 1.3.1 线性极坐标
    - 1.3.2 条形极坐标
  - 1.4 直方图
  - 1.5 箱形图
  - 1.6 散点图
  - 1.7 饼图
  - - 1.7.1 一般饼图
    - 1.7.2 甜甜圈
  - 1.8 热力图
  - 1.9 面积图
  - 1.10 蜘蛛图
- 2.3D图形
- - 2.1 三维折线图
  - 2.2 三维散点图
  - 2.3 三维柱状图
- 3.Seaborn
- - 1.安装
  - 2.快速上手
  - - 2.1 模式设置
    - 2.2 线形图
  - 3.各种图形绘制
  - - 3.1 调色板
    - 3.2 线形图
    - 3.3 散点图
    - 3.4 柱状图
    - 3.5 箱式图
    - 3.6 直方图
    - 3.7 分类散点图
    - 3.8 热力图
- 4.训练场
- - 4.1 数据处理
  - 4.2 数据挖掘与可视化

一、数据可视化入门

在数据分析与机器学习中，我们经常要用到大量的可视化操作。一张制作精美的数据图片，可以展示大量的信息，一图顶千言。

而在可视化中，Matplotlib算得上是最常用的工具。Matplotlib 是 python 最著名的绘图库，它提供了一整套 API，十分适合绘制图表，或修改图表的一些属性，如字体、标签、范围等。

Matplotlib 是一个 Python 的 2D 绘图库，它交互式环境生成出版质量级别的图形。通过 Matplotlib这个标准类库，开发者只需要几行代码就可以实现生成绘图，折线图、散点图、柱状图、饼图、直方图、组合图等数据分析可视化图表。

学习本文之前，需要先自修：NumPy从入门到进阶，pandas从入门到进阶本文中很多的操作在 NumPy从入门到进阶，pandas从入门到进阶二文中有详细的介绍，包含一些软件以及扩展库，图片的安装和下载流程，本文会直接进行使用。

下载 $M a t p l o t l i b$ 见博客：matplotlib的安装教程以及简单调用，这里不再赘述

1.基础知识

1.1 图形绘制

数据可视化其实就是把抽象不容易看出规律的数据转换为人眼更能接受的图片，下面我们来简单的绘制一个图形

import numpy as np
import matplotlib.pyplot as plt

# 横坐标
# 等差数列,把[0,2π]等分成100份
x = np.linspace(0, 2 * np.pi, 100)

# 纵坐标:正弦波; x:Numpy数组
y = np.sin(x)

# 画线形图
plt.plot(x, y)

接下来我们对这个图进行简单的参数设置：

# 设置横坐标的范围是 -1 ~ 10
plt.xlim(-1, 10)

# 设置纵坐标的范围是 -1.5 ~ 1.5
plt.ylim(-1.5, 1.5)

# 设置网格线,网格线颜色设为绿色,透明度为0.5,线的样式为虚线：--,宽度为2
plt.grid(color = 'green', alpha = 0.5, linestyle = '--', linewidth = 2)

plt.plot(x, y)

1.2 标题、标签、坐标轴刻度

1.2.1 标题的设置

标题其实就是图片的名字，即这个图片是什么，表达的是什么样的含义

# 数据还是刚刚绘制的正弦图
plt.plot(x, y)

# 图的标题设置为 Sin(x),字体大小设为18,颜色设为红色,标题离图片的间距为20
plt.title('Sin(x)', fontsize = 18, color = 'red', pad = 20)

那么我们是否可以把标题设置为中文呢？

# 数据还是刚刚绘制的正弦图
plt.plot(x, y)

# 图的标题设置为正弦波,字体大小设为18,颜色设为红色,标题离图片的间距为20
plt.title('正弦波', fontsize = 18, color = 'red', pad = 20)

WTF？？？ 居然乱码报错了，下面我们来介绍解决的方法：

首先先来查看一下我们电脑都有哪些字体：

# 找到电脑的字体
from matplotlib import font_manager
fm = font_manager.FontManager()
# 用列表生成式获取字体
[font.name for font in fm.ttflist]

我们的电脑有很多的字体，这个截图只展示了一部分字体，其中有英文字体，中文字体…

我们可以找找有没有 $K a i T i$ (楷体)
浏览器页面搜索（Google浏览器），按下 Ctrl + F，输入 KaiTi：

或者你搜宋体什么的都是可以的，一般电脑都会有这些字体，接下来回到我们的报错代码上，我们来设置我们的字体：

# 数据还是刚刚绘制的正弦图
plt.plot(x, y)

# 设置字体为楷体
plt.rcParams['font.family'] = 'KaiTi'

# 图的标题设置为正弦波,字体大小设为18,颜色设为红色,标题离图片的间距为20
plt.title('正弦波', fontsize = 18, color = 'red', pad = 20)

这下正弦波被显示出来了，可是还是有报错，这波啊~，这波叫做对了但没完全对，我们通过观察图像可以发现是负号有出了问题：

害，多大点事儿嘛，有 bug 咋们就接着改就完了：

# 数据还是刚刚绘制的正弦图
plt.plot(x, y)

# 设置字体为楷体
plt.rcParams['font.family'] = 'KaiTi'

# 设置数字的负号
plt.rcParams['axes.unicode_minus'] = False

# 图的标题设置为正弦波,字体大小设为18,颜色设为红色,标题离图片的间距为20
plt.title('正弦波', fontsize = 18, color = 'red', pad = 20)

ok，这下所有的 bug 就完美的解决了，但是总看的不得劲，字体有点小了，看起来费眼睛，我们来把所有的字体都变得大一点：

# 数据还是刚刚绘制的正弦图
plt.plot(x, y)

# 设置字体为楷体
plt.rcParams['font.family'] = 'KaiTi'

# 设置数字的负号
plt.rcParams['axes.unicode_minus'] = False

# 把所有的字体都设置成 28 大小
plt.rcParams['font.size'] = 28

# 图的标题设置为正弦波,字体大小设为18,颜色设为红色,标题离图片的间距为20
plt.title('正弦波', fontsize = 18, color = 'red', pad = 20)

好家伙，又出问题了，我们的字体虽然都变大了（图片显示的不明显，读者自己执行一下代码会有明显的变化），但是相对应的我们的图变小了，我们来设置一下图片的尺寸：

# 设置图片的大小
plt.figure(figsize = (12, 9))

# 数据还是刚刚绘制的正弦图
plt.plot(x, y)

# 设置字体为楷体
plt.rcParams['font.family'] = 'KaiTi'

# 设置数字的负号
plt.rcParams['axes.unicode_minus'] = False

# 把所有的字体都设置成 28 大小
plt.rcParams['font.size'] = 28

# 图的标题设置为正弦波,字体大小设为18,颜色设为红色,标题离图片的间距为20
plt.title('正弦波', fontsize = 18, color = 'red', pad = 20)

1.2.2 标签的设置

标签对应到我们的上图之中其实就是横纵坐标

plt.figure(figsize = (9, 6))
plt.plot(x, y)
plt.rcParams['font.family'] = 'KaiTi'
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams['font.size'] = 28
plt.title('正弦波', fontsize = 18, color = 'red', pad = 20)

# 设置横坐标为 X
plt.xlabel('X')
# 设置纵坐标为 f(x) = sin(x)
plt.ylabel('f(x) = sin(x)')

看着纵坐标竖着不舒服，我们把它横过来：

plt.figure(figsize = (9, 6))
plt.plot(x, y)
plt.rcParams['font.family'] = 'KaiTi'
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams['font.size'] = 28
plt.title('正弦波', fontsize = 18, color = 'red', pad = 20)

# 设置横坐标为 X
plt.xlabel('X')
# 设置纵坐标为 f(x) = sin(x)
plt.ylabel('f(x) = sin(x)', rotation = 0)

纵坐标离 $y$ 轴有点近，我们继续调整一下：

plt.figure(figsize = (9, 6))
plt.plot(x, y)
plt.rcParams['font.family'] = 'KaiTi'
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams['font.size'] = 28
plt.title('正弦波', fontsize = 18, color = 'red', pad = 20)

# 设置横坐标为 X
plt.xlabel('X')
# 设置纵坐标为 f(x) = sin(x)
plt.ylabel('f(x) = sin(x)', rotation = 0, horizontalalignment = 'right')

1.2.3 坐标轴刻度的设置

接下来我们设置刻度，上图中的 0 2 4 6 -1.0 -0.5 0.0 0.5 1.0 其实就是刻度，因为我们现在描绘的是正弦波，对于正弦波而言，我们 $y$ 轴上的刻度其实给-1 0 1就可以了：

我们的横坐标刻度对于正弦波而言一般是 $\frac{\pi}{2}, \pi,\frac{3\pi}{2},2π$ ：

plt.figure(figsize = (9, 6))
plt.plot(x, y)
plt.rcParams['font.family'] = 'KaiTi'
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams['font.size'] = 28
plt.title('正弦波', fontsize = 18, color = 'red', pad = 20)
plt.xlabel('X')
plt.ylabel('f(x) = sin(x)', rotation = 0, horizontalalignment = 'right')

# 设置y轴上的刻度为：-1 0 1
plt.yticks([-1, 0, 1])
# 设置x轴的刻度
plt.xticks([0, np.pi / 2, np.pi, 1.5 * np.pi, 2 * np.pi])

这好像和我们希望的不太一样，这编译器太实诚了，直接把 $\pi$ 带入计算了，我们希望的显然不是这样，我们希望 $\pi$ 用希腊字母进行显示：

plt.figure(figsize = (9, 6))
plt.plot(x, y)
plt.rcParams['font.family'] = 'KaiTi'
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams['font.size'] = 28
plt.title('正弦波', fontsize = 18, color = 'red', pad = 20)
plt.xlabel('X')
plt.ylabel('f(x) = sin(x)', rotation = 0, horizontalalignment = 'right')

# 设置y轴上的刻度为：-1 0 1
plt.yticks([-1, 0, 1])
# 设置x轴的刻度
plt.xticks([0, np.pi / 2, np.pi, 1.5 * np.pi, 2 * np.pi],
           [0, r'$\frac{\pi}{2}$', r'$\pi$', r'$\frac{3\pi}{2}$', r'$2\pi$'])

当然我们可以设置颜色，比如我们设置横坐标刻度为红色：

plt.figure(figsize = (9, 6))
plt.plot(x, y)
plt.rcParams['font.family'] = 'KaiTi'
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams['font.size'] = 28
plt.title('正弦波', fontsize = 18, color = 'red', pad = 20)
plt.xlabel('X')
plt.ylabel('f(x) = sin(x)', rotation = 0, horizontalalignment = 'right')

# 设置y轴上的刻度为：-1 0 1
plt.yticks([-1, 0, 1])
# 设置x轴的刻度
plt.xticks([0, np.pi / 2, np.pi, 1.5 * np.pi, 2 * np.pi],
           [0, r'$\frac{\pi}{2}$', r'$\pi$', r'$\frac{3\pi}{2}$', r'$2\pi$'],
           color = 'red')

1.3 图例

图例就是在同一个表中显示多个图，我们要区分它们所对应的小框框：

import numpy as np
import matplotlib.pyplot as plt

# x轴
x = np.linspace(0, 2 * np.pi)
# y轴
y = np.sin(x) # 正弦
# 绘制线形图
# 调整尺寸
plt.figure(figsize=(9,6))
# 绘制正弦波
plt.plot(x,y)

# 绘制余弦波
plt.plot(x,np.cos(x))
plt.legend(['Sin', 'Cos'],fontsize = 18, # 字体大小
           loc = 'center',    # 图例居中
           ncol = 2,          # 图例展示时2个为一行
           # 设置图例的位置 [x,y,width,height]
           bbox_to_anchor = [0, 1.05, 1, 0.2]) 
           # 我们规定图形左下角为(0,0),右上角为(1,1)
           # 表示图例的位置在(0,1.05)的位置，且我们设置了居中

1.4 脊柱移动

脊柱移动翻译成大白话就是黑色边框的移动

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
plt.rcParams['axes.unicode_minus'] = False
plt.figure(figsize = (9 ,6))

# plot绘制了两个图形，x-y成对出现就可以！！！
plt.plot(x,np.sin(x),x,np.cos(x))

# 获取当前视图
ax = plt.gca()

# 右边和上面脊柱消失,白色就是消失
ax.spines['right'].set_color('white') # 白色
ax.spines['top'].set_color('#FFFFFF') # 白色

# 设置下面左边脊柱位置，data表示数据，axes表示相对位置0~1
ax.spines['bottom'].set_position(('data', 0))  # 中间(竖直)
ax.spines['left'].set_position(('data' , 0))   # 中间(水平)

plt.yticks([-1,0,1],labels = ['-1', '0', '1'],fontsize = 18)
plt.xticks([-np.pi, -np.pi / 2, np.pi / 2, np.pi],
           labels = [r'$-\pi$', r'$-\frac{\pi}{2}$', r'$\frac{\pi}{2}$', r'$\pi$'],
           fontsize = 18)

1.5 图片保存

我们可以把我们绘制好的图形进行保存：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
plt.rcParams['axes.unicode_minus'] = False
plt.figure(figsize = (9 ,6))

# plot绘制了两个图形，x-y成对出现就可以！！！
plt.plot(x,np.sin(x),x,np.cos(x))

# 获取当前视图
ax = plt.gca()

# 右边和上面脊柱消失,白色就是消失
ax.spines['right'].set_color('white') # 白色
ax.spines['top'].set_color('#FFFFFF') # 白色

# 设置下面左边脊柱位置，data表示数据，axes表示相对位置0~1
ax.spines['bottom'].set_position(('data', 0))  # 中间(竖直)
ax.spines['left'].set_position(('data' , 0))   # 中间(水平)

plt.yticks([-1,0,1],labels = ['-1', '0', '1'],fontsize = 18)
plt.xticks([-np.pi, -np.pi / 2, np.pi / 2, np.pi],
           labels = [r'$-\pi$', r'$-\frac{\pi}{2}$', r'$\frac{\pi}{2}$', r'$\pi$'],
           fontsize = 18)

# 图片保存到当前路径下,命名为 1.png
plt.savefig('./1.png')

我们在保存的时候，可以修改屏幕像素密度： $d p i$ (默认为100)

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
plt.rcParams['axes.unicode_minus'] = False
plt.figure(figsize = (9 ,6))

# plot绘制了两个图形，x-y成对出现就可以！！！
plt.plot(x,np.sin(x),x,np.cos(x))

# 获取当前视图
ax = plt.gca()

# 右边和上面脊柱消失,白色就是消失
ax.spines['right'].set_color('white') # 白色
ax.spines['top'].set_color('#FFFFFF') # 白色

# 设置下面左边脊柱位置，data表示数据，axes表示相对位置0~1
ax.spines['bottom'].set_position(('data', 0))  # 中间(竖直)
ax.spines['left'].set_position(('data' , 0))   # 中间(水平)

plt.yticks([-1,0,1],labels = ['-1', '0', '1'],fontsize = 18)
plt.xticks([-np.pi, -np.pi / 2, np.pi / 2, np.pi],
           labels = [r'$-\pi$', r'$-\frac{\pi}{2}$', r'$\frac{\pi}{2}$', r'$\pi$'],
           fontsize = 18)

# 图片保存到当前路径下,命名为 2.png,像素密度设为 300
plt.savefig('./2.png', dpi = 300)

从两张图片的大小上其实就能看出清晰度的高低，因为保存的是同一张图
当然，我们也可以保存成 $p d f$

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
plt.rcParams['axes.unicode_minus'] = False
plt.figure(figsize = (9 ,6))

# plot绘制了两个图形，x-y成对出现就可以！！！
plt.plot(x,np.sin(x),x,np.cos(x))

# 获取当前视图
ax = plt.gca()

# 右边和上面脊柱消失,白色就是消失
ax.spines['right'].set_color('white') # 白色
ax.spines['top'].set_color('#FFFFFF') # 白色

# 设置下面左边脊柱位置，data表示数据，axes表示相对位置0~1
ax.spines['bottom'].set_position(('data', 0))  # 中间(竖直)
ax.spines['left'].set_position(('data' , 0))   # 中间(水平)

plt.yticks([-1,0,1],labels = ['-1', '0', '1'],fontsize = 18)
plt.xticks([-np.pi, -np.pi / 2, np.pi / 2, np.pi],
           labels = [r'$-\pi$', r'$-\frac{\pi}{2}$', r'$\frac{\pi}{2}$', r'$\pi$'],
           fontsize = 18)

# 图片保存到当前路径下,格式为 pdf,命名为 1.pdf
plt.savefig('./1.pdf')

如果你觉得白底太过于单调，我们在设置字体大小的时候可以设置颜色（改变边框的颜色）：

# 设置一个绿边框
plt.figure(figsize = (9 ,6), facecolor = 'green')

如果我们想改变的是底色，我们可以在获取视图后进行更改：

# 获取当前视图
ax = plt.gca()
# 底色改为绿色
ax.set_facecolor('green')

查看我们可以设置哪些颜色可以编写代码：

# 查看所有颜色
plt.colormaps()

2.风格和样式

2.1 颜色、线形、点形、线宽、透明度

下图代表我们可以使用的颜色：

接下来我们结合代码去进行讲解：

import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0, 2 * np.pi, 20)

y1 = np.sin(x)
y2 = np.cos(x)

# 设置颜色，线型，点型
# 绘制x,y1的图形,颜色是 indigo,线形为'-.',图像上点的类型是五边形'p
plt.plot(x, y1, color = 'indigo', ls = '-.', marker = 'p')
# 绘制x,y2的图形,颜色是 #FF00EE,线形为'-',图像上点的类型是圆圈'o'
plt.plot(x, y2, color = '#FF00EE', ls = '--', marker = 'o')
# 绘制x,y1+y2的图形,颜色是(0.2, 0.7, 0.2),线形为':',图像上点的类型是五角星'*'
plt.plot(x, y1 + y2, color = (0.2, 0.7, 0.2), marker = '*',ls = ':')
# 绘制x,y1+2*y2的图形,线宽为3,透明度为0.7,颜色为 orange
plt.plot(x, y1 + 2 * y2, linewidth = 3, alpha = 0.7, color = 'orange') # 线宽、透明度
# 参数连用
# 绘制x,2*y1-y2的图形,b代表color:blue;o代表marker:'o';--代表ls:'--'
plt.plot(x, 2 * y1 - y2, 'bo--')

2.2 更多属性设置

import numpy as np
import pandas as pd

def f(x):
    return np.exp(-x) * np.cos(2 * np.pi * x)

x = np.linspace(0, 5, 50)
plt.figure(figsize = (9, 6))
plt.plot(x, f(x), color = 'purple', # 线颜色
         marker = 'o',              # 图像中的点的形状
         ls = '--',                 # 线形
         lw = 2,                    # 线宽
         alpha = 0.6,               # 透明度
         markerfacecolor = 'red',   # 点颜色
         markersize = 10,           # 图像中点的大小
         markeredgecolor = 'green', # 点边缘颜色
         markeredgewidth = 3)       # 点边缘宽度

plt.xticks(size = 18)               # 设置刻度大小
plt.yticks(size = 18)

3.训练场

3.1 绘制如下图形

要求：

设置背景颜色为：灰色
设置视图颜色为：灰色
设置网格线颜色：白色
设置网格线样式：虚线
函数关系如下：y = np.sin(x + i * 0.5) * (7 - i)
- 方程中的i可以给定范围1~6，表示图片中的6条线

import numpy as np
import matplotlib.pyplot as plt

plt.figure(figsize = (9, 6), facecolor = 'gray')

def fun(x):
    for i in range(1, 7):
        y = np.sin(x - 0.5 * i) * (7 - i)
        plt.plot(x, y)
# 画图范围从 0~14,分成200份
x=  np.linspace(0, 14, 200)
fun(x)

# 获取当前视图
ax = plt.gca()
ax.set_facecolor('gray')
# 添加网格线
plt.grid(color = 'white', linestyle = '--')

3.2 根据提供数据，进行分组聚合运算，绘制如下图形

要求：

分组聚合求各个城市春夏秋冬的PM2.5的平均值
对分组聚合结果进行数据重塑
调整行索引顺序按照：北京、上海、广州、沈阳、成都
调整列索引顺序：春夏秋冬
使用DataFrame方法绘制条形图

首先我们需要下载一个 Excel 文件：

链接: https://pan.baidu.com/s/1ns8p3xD_EVS2GNNKApDtLg?pwd=eu4u
提取码: eu4u

下载完成之后，把该文件和我们的代码放到同一个文件夹下，这一操作我们在之前的博客中已经反复说到，这里就不再进行演示

注：代码处于运行中将显示：

下列代码运行几十秒甚至几分钟都是正常的，耐心等待运行结果即可。

我们先来加载我们的数据

%%time
import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_excel('./PM2.5.xlsx')
display(df.head(10))
df.shape

# 根据 城市,季节进行分组,获取PM2.5的数据并求平均
df.groupby(by = ['城市', '季节'])['PM2.5'].mean()

数据看起来不太舒服，把它变成 $D a t a F r a m e$ 格式，并保留两位小数

df2 = df.groupby(by = ['城市', '季节'])[['PM2.5']].mean().round(2)
df2

数据还是看起来不美观，数据重塑：

df2 = df2.unstack(level = -1)
df2

删除掉 PM2.5：

df2.columns = df2.columns.droplevel(level = 0)
df2

调整列索引的顺序：

df2 = df2[list('春夏秋冬')]
df2 = df2.loc[['北京', '上海', '广州', '成都', '沈阳']]
df2

绘图：

plt.rcParams['font.family'] = 'KaiTi'
plt.rcParams['font.size'] = 18
df2.plot.bar(figsize = (12, 9))
plt.grid(color = 'gray', ls = '--')

二、数据可视化高级

1.多图布局

1.1 子视图

创建子视图可以一个视图一个视图的创建，也可以多个视图一起创建：
单图创建：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 2 * np.pi)

# 创建子视图：2行1列第1个视图
ax = plt.subplot(2, 1, 1)
ax.plot(x, np.sin(x))

# 创建子视图：2行1列第2个视图
ax = plt.subplot(2, 1, 2)
ax.plot(x, np.cos(x))

多图一起创建：

# 一次创造多个视图
fig, axes = plt.subplots(2, 2) # 2行2列:四个图
# 索引从0开始
axes[0, 0].plot(x, np.sin(x), color = 'red')
axes[0, 1].plot(x, np.sin(x), color = 'green')
axes[1, 0].plot(x, np.cos(x), color = 'purple')
axes[1, 1].plot(x, np.cos(x))

下面附上一个完整的代码供读者理解：
遇到无法理解的地方可以看后面的代码解释，还是不理解的地方可以评论区留言（有问必答）

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
y = np.sin(x)

# 子视图1
plt.figure(figsize = (9, 6))
ax = plt.subplot(221) # 两行两列第一个子视图
ax.plot(x, y, color = 'red')
ax.set_facecolor('green') # 调用子视图设置方法，设置子视图整体属性

# 子视图2
ax = plt.subplot(2, 2, 2) # 两行两列第二个子视图
line, = ax.plot(x, -y) # 返回绘制对象
line.set_marker('*') # 调用对象设置方法，设置属性
line.set_markerfacecolor('red')
line.set_markeredgecolor('green')
line.set_markersize(10)

# 子视图3
ax = plt.subplot(2, 1, 2) # 两行一列第二行视图
plt.sca(ax) # 设置当前视图
x = np.linspace(-np.pi, np.pi, 200)
plt.plot(x, np.sin(x * x), color = 'red')

对上述代码的部分进行讲解：

# 第15行
# line, = ax.plot(x, -y) # 返回绘制对象

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
y = np.sin(x)

# 子视图1
plt.figure(figsize = (9, 6))
ax = plt.subplot(221) # 两行两列第一个子视图
ax.plot(x, y, color = 'red')
ax.set_facecolor('green') # 调用子视图设置方法，设置子视图整体属性

# 子视图2
ax = plt.subplot(2, 2, 2) # 两行两列第二个子视图
ax.plot(x, -y) # 返回绘制对象

ax.plot(x, -y)其实就是返回了一句话：[]
我们可以发现这句话使用的是列表，我们取出这句话可以用：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
y = np.sin(x)

# 子视图1
plt.figure(figsize = (9, 6))
ax = plt.subplot(221) # 两行两列第一个子视图
ax.plot(x, y, color = 'red')
ax.set_facecolor('green') # 调用子视图设置方法，设置子视图整体属性

# 子视图2
ax = plt.subplot(2, 2, 2) # 两行两列第二个子视图
line = ax.plot(x, -y) # 返回绘制对象
line[0]

我们也可以使用 , 去取：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
y = np.sin(x)

# 子视图1
plt.figure(figsize = (9, 6))
ax = plt.subplot(221) # 两行两列第一个子视图
ax.plot(x, y, color = 'red')
ax.set_facecolor('green') # 调用子视图设置方法，设置子视图整体属性

# 子视图2
ax = plt.subplot(2, 2, 2) # 两行两列第二个子视图
line, = ax.plot(x, -y) # 返回绘制对象
line

还有一个很容易晕掉的细节：就是我们在绘图的时候几行几列第几个是什么意识：
我们就拿上述代码去说明：
我们假想有一块空白的板子是供我们绘图的，下面来看上述代码：

ax = plt.subplot(221) # 两行两列第一个子视图

这行代码的意思是把我们假想的这块白板，划分称为两行两列的板子：

然后这个图片占据的是第一个板子的位置，对于板子位置我们有如下规定：

板子的编号从1开始，而非从0开始，从左至右，从上至下依次命名板子

所以对上面这个板子，板子的编号为：

所以我们最后图像所显示的其实就是左上角的位置。

接着来看我们的第二个图：

ax = plt.subplot(2, 2, 2) # 两行两列第二个子视图

这下就好理解啦，还是把之前的空白板子分成两行两列，然后编号为2，即右上角。

接着我们来看第三个图：

ax = plt.subplot(2, 1, 2) # 两行一列第二行视图

把我们的空白板子分成两行一列，那么就是下图的形式：

然后我们把第三个图片放到第二个位置，不难想到，该图的第二个位置其实就是对应的我们分成两行两列的 3,4 位置，所以三个图像最终绘制的结果就是：

1.2 嵌套

所谓嵌套，其实就是在图形中继续画图：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 25)
y = np.sin(x)
fig = plt.figure(figsize = (9, 6)) # 创建视图

plt.plot(x,y)

# 嵌套方式一，axes轴域（横纵坐标范围），子视图
# x,y,width,height
ax = plt.axes([0.2, 0.55, 0.3, 0.3]) # 参数含义[left, bottom, width, height]
ax.plot(x, y, color = 'g')

# 嵌套方式二
ax = fig.add_axes([0.55, 0.2, 0.3, 0.3]) # 使用视图对象添加子视图
ax.plot(x, y, color = 'r')

1.3 多图布局分格显示

1.3.1 均匀布局

每张图片都是均匀展示的

import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0,2*np.pi)
# sharex:所有小图共享x轴  sharey:表示所有小图共享y轴  坐标轴以所有小图中范围最大的进行显示
fig, ((ax11,ax12,ax13), (ax21,ax22,ax23),(ax31,ax32,ax33)) = plt.subplots(3, 3)
# 也可通过plt.subplot() 一个个添加子视图
fig.set_figwidth(9)
fig.set_figheight(6)
ax11.plot(x,np.sin(x))
ax12.plot(x,np.cos(x))
ax13.plot(x,np.tanh(x))
ax21.plot(x,np.tan(x))
ax22.plot(x,np.cosh(x))
ax23.plot(x,np.sinh(x))
ax31.plot(x,np.sin(x) + np.cos(x))
ax32.plot(x,np.sin(x * x) + np.cos(x * x))
ax33.plot(x,np.sin(x) * np.cos(x))
# 紧凑显示，边框会比较小，可以注释掉该行查看效果
plt.tight_layout()
plt.show()

1.3.2 不均匀分布

上图中代码运行所展示的就是均匀分布的结果，可以看出每张图片所占的空间大小都是均等的，如下面图片的展示结果，就是不均匀分布：

为显示如上图的不均匀分布，我们有三种方法

方法一：

import numpy as np
import matplotlib.pyplot as plt
# 需要导入gridspec模块
x = np.linspace(0, 2 * np.pi, 200)
fig = plt.figure(figsize = (12, 9))
# 使用切片方式设置子视图
ax1 = plt.subplot(3, 1, 1) # 视图对象添加子视图
ax1.plot(x, np.sin(10 * x))
# 设置ax1的标题，xlim、ylim、xlabel、ylabel等所有属性现在只能通过set_属性名的方法设置
ax1.set_title('ax1_title')  # 设置小图的标题
ax2 = plt.subplot(3, 3, (4, 5))
ax2.set_facecolor('green')
ax2.plot(x, np.cos(x),color = 'red')
ax3 = plt.subplot(3, 3, (6, 9))
ax3.plot(x,np.sin(x) + np.cos(x))
ax4 = plt.subplot(3, 3, 7)
ax4.plot([1, 3], [2, 4])
ax5 = plt.subplot(3, 3, 8)
ax5.scatter([1, 2, 3], [0, 2, 4])
ax5.set_xlabel('ax5_x',fontsize = 12)
ax5.set_ylabel('ax5_y',fontsize = 12)
plt.show()

方法二：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 2 * np.pi, 100)
plt.figure(figsize = (12, 9))
# 子视图1
ax1 = plt.subplot2grid(shape = (3, 3),# 布局形状
                       loc =  (0, 0), # 布局绘制位置
                       colspan = 3) # 跨几列
ax1.plot(x, np.sin(10 * x))
# 设置ax1的标题，xlim、ylim、xlabel、ylabel等所有属性现在只能通过set_属性名的方法设置
ax1.set_title('ax1_title')  # 设置小图的标题
# 子视图2
ax2 = plt.subplot2grid((3, 3), (1, 0), colspan = 2) # 跨两列
ax2.set_facecolor('green')
ax2.plot(x,np.cos(x),color = 'red')
# 子视图3
ax3 = plt.subplot2grid((3, 3), (1, 2), rowspan = 2) # 跨两行
ax3.plot(x,np.sin(x) + np.cos(x))
# 子视图4
ax4 = plt.subplot2grid((3, 3), (2, 0))
ax4.plot([1, 3], [2, 4])
# 子视图5
ax5 = plt.subplot2grid((3, 3), (2, 1))
ax5.scatter([1, 2, 3], [0, 2, 4])
ax5.set_xlabel('ax5_x',fontsize = 12)
ax5.set_ylabel('ax5_y',fontsize = 12)

方法三：

import numpy as np
import matplotlib.pyplot as plt
# 需要导入gridspec模块
import matplotlib.gridspec as gridspec
x = np.linspace(0, 2 * np.pi, 200)
fig = plt.figure(figsize = (12, 9))
# 将整个视图分成3x3布局
gs = gridspec.GridSpec(3, 3)
# 使用切片方式设置子视图
ax1 = fig.add_subplot(gs[0, :]) # 视图对象添加子视图
ax1.plot(x,np.sin(10 * x))
# 设置ax1的标题，xlim、ylim、xlabel、ylabel等所有属性现在只能通过set_属性名的方法设置
ax1.set_title('ax1_title')  # 设置小图的标题
ax2 = plt.subplot(gs[1, :2]) # 模块调用
ax2.set_facecolor('green')
ax2.plot(x,np.cos(x), color = 'red')
# 从第一行到最后，占1、2两行，后面的2表示只占用第二列，也就是最后的一列
ax3 = plt.subplot(gs[1:, 2])
ax3.plot(x,np.sin(x) + np.cos(x))
# 倒数第一行，只占第0列这一列
ax4 = plt.subplot(gs[-1, 0])
ax4.plot([1, 3], [2, 4])
# 倒数第一行，只占倒数第二列，由于总共三列，所以倒数第二列就是序号1的列
ax5 = plt.subplot(gs[-1, -2])
ax5.scatter([1, 2, 3], [0, 2, 4])
ax5.set_xlabel('ax5_x',fontsize = 12)
ax5.set_ylabel('ax5_y',fontsize = 12)
plt.show()

1.4 双轴显示

有时候，有两个轴是不够用的，我们经常会见到如下的图形，下述图形的样式就是双轴显示：

就比如我们在绘制正弦波和指数函数的时候，让他们在一个 $y$ 轴上显示是不合理的：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
y = np.sin(x)

plt.plot(x, y, color = 'blue')
_ = plt.yticks(np.linspace(-1, 1, 11), color = 'blue')

y2 = np.exp(x)
plt.plot(x, y2, color = 'red')

所以，这个时候就需要我们的双轴显示：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
y = np.sin(x)

plt.plot(x, y, color = 'blue')
_ = plt.yticks(np.linspace(-1, 1, 11), color = 'blue')

# 获取当前视图
ax = plt.gca()

# 双胞胎,相当于两个x轴,并且是合到一起的
# 这两个x轴对应的是两个y轴
ax2 = ax.twinx()
# 其中一个视图纵坐标范围是 -1~1.0,另一个视图范围是0~25
# 刻度是自适应的,当然也可以进行调整

# 默认向 ax2这个子视图中绘制
y2 = np.exp(x)
plt.plot(x, y2, color = 'red')

坐标是虽然是自适应的，但是我们也可以对其进行调整：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
y = np.sin(x)

plt.plot(x, y, color = 'blue')
_ = plt.yticks(np.linspace(-1, 1, 11), color = 'blue')

# 获取当前视图
ax = plt.gca()

# 双胞胎,相当于两个x轴,并且是合到一起的
# 这两个x轴对应的是两个y轴
ax2 = ax.twinx()
# 其中一个视图纵坐标范围是 -1~1.0,另一个视图范围是0~25
# 刻度是自适应的,当然也可以进行调整

# 默认向 ax2这个子视图中绘制
y2 = np.exp(x)
plt.plot(x, y2, color = 'red')
# 规定刻度
_ = plt.yticks(np.arange(0, 26, 5), color = 'red')

2.文本、注释、箭头

常用函数如下：

Pyplot函数	API方法	描述
text()	mpl.axes.Axes.text()	在Axes对象的任意位置添加文字
xlabel()	mpl.axes.Axes.set_xlabel()	为X轴添加标签
ylabel()	mpl.axes.Axes.set_ylabel()	为Y轴添加标签
title()	mpl.axes.Axes.set_title()	为Axes对象添加标题
legend()	mpl.axes.Axes.legend()	为Axes对象添加图例
annnotate()	mpl.axes.Axes.annotate()	为Axes对象添加注释（箭头可选）
figtext()	mpl.figure.Figure.text()	在Figure对象的任意位置添加文字
suptitle()	mpl.figure.Figure.suptitle()	为Figure对象添加中心化的标题

2.1 文本

import numpy as np
import matplotlib.pyplot as plt

# 字体属性
font = {'fontsize': 20,
        'family': 'KaiTi',
        'color':  'red',
        'weight': 'bold'}  # bold表示字体加粗

x = np.linspace(0.0, 5.0, 100)
y = np.cos(2 * np.pi * x) * np.exp(-x)

plt.figure(figsize = (9, 6))
plt.plot(x, y, 'k')  # k代表黑色

# 视图的标题
plt.title('exponential decay', fontdict = font, pad = 20)

# figure的大标题
plt.suptitle('指数衰减', y = 1.05, fontdict = font, fontsize = 30)

# 向图片中绘制文本
plt.text(x = 2, y = 0.65, # 横纵坐标位置
         s = r'$\cos(2 \pi t) \exp(-t)$', # 文本内容
         fontsize = 25)   # 文本大小

plt.xlabel('time (s)')
plt.ylabel('voltage (mV)')
plt.show()

2.2 箭头

import matplotlib.pyplot as plt
import numpy

# 随机生成数字，10行2列(x,y)
loc = np.random.randint(0, 10,size = (10, 2))
plt.figure(figsize=(10, 10))

# 画图: loc[:, 0]:所有行都获取,索引0--->横坐标
#       loc[:, 1]:所有行都获取,索引1--->纵坐标
#       g*:g代表的是绿色,*代表的是点的形状是五角星
#       ms = 20:点的大小
plt.plot(loc[:, 0], loc[:, 1], 'g*', ms = 20)
plt.grid(True)

# 路径
way = np.arange(10) # 0、1、2、...、9索引
np.random.shuffle(way) # 洗牌，打乱顺序

# 开始连点:0-->1-->2-->...-->9
# for 循环:少一个:10个点连9条线
for i in range(0, len(way) - 1):
    start = loc[way[i]]    # 起点
    end = loc[way[i + 1]]  # 终点
    # 画箭头:
    plt.arrow(start[0], start[1], # x = start[0], y = start[1]:起点的(x, y)
              end[0] - start[0],  # 水平方向上移动的距离
              end[1] - start[1],  # 竖直方向上移动的距离
              head_width = 0.2, lw = 2,# 箭头长度，箭尾线宽
              length_includes_head = True) # 长度计算包含箭头箭尾
    # 绘制编号:0 1 2 3... 8
    plt.text(start[0], start[1], s = i, fontsize = 18, color = 'red')
    # 绘制编号:9
    if i == len(way) - 2:
        plt.text(end[0], end[1], s = i + 1, fontsize = 18, color = 'red')

2.3 注释

import numpy as np
import matplotlib.pyplot as plt

# 数据创建
fig, ax = plt.subplots()
x = np.arange(0.0, 5.0, 0.01)
y = np.cos(2 * np.pi * x)
line, = ax.plot(x, y, lw = 2)

# 注释:
ax.annotate('local max',       # 文本内容
            xy = (2, 1),       # 箭头指向位置
            xytext = (3, 1.5), # 文本位置
            # 箭头属性
            arrowprops = dict(facecolor = 'black', # 箭头的颜色
                              shrink = 0.05)) # 箭头两端收缩的百分比（占总长）
ax.annotate('local min',
            xy = (2.5, -1),
            xytext = (4, -1.8),
            arrowprops = dict(facecolor = 'black',
                              width = 2,       # 箭头宽度
                              headwidth = 10,  # 箭头头部宽度
                              headlength = 10, # 箭头头部长度
                              shrink = 0.1)) # 箭头两端收缩的百分比（占总长）
ax.annotate('median',
            xy = (2.25, 0),
            xytext = (0.5, -1.8),
            arrowprops = dict(arrowstyle = '-|>'), # 箭头样式
            # 按下 Shift+Tab查看提示:-|>:head_length=0.4,head_width=0.2
            fontsize = 20)

# y轴范围调为(-2, 2)
ax.set_ylim(-2, 2)

2.4 注释箭头连接形状

import matplotlib.pyplot as plt

def annotate_con_style(ax, connectionstyle):
    x1, y1 = 3,2
    x2, y2 = 8,6
    ax.plot([x1, x2], [y1, y2], ".")
    ax.annotate(text = '',
                xy = (x1, y1),     # 相当于B点，arrow head
                xytext = (x2, y2), # 相当于A点，arrow tail
                arrowprops = dict(arrowstyle = '->', color = 'red',
                                shrinkA = 5,shrinkB = 5,
                                connectionstyle = connectionstyle))

    ax.text(.05, 0.95, connectionstyle.replace(",", "\n"),
            transform = ax.transAxes, # 相对坐标
            ha = "left", va = "top")  # 指定对齐方式

# 常用箭头连接样式
fig, axs = plt.subplots(3, 5, figsize = (9, 6))
annotate_con_style(axs[0, 0], "angle3,angleA=90,angleB=0")
annotate_con_style(axs[1, 0], "angle3,angleA=0,angleB=90")
annotate_con_style(axs[2, 0], "angle3,angleA = 0,angleB=150")
annotate_con_style(axs[0, 1], "arc3,rad=0.")
annotate_con_style(axs[1, 1], "arc3,rad=0.3")
annotate_con_style(axs[2, 1], "arc3,rad=-0.3")
annotate_con_style(axs[0, 2], "angle,angleA=-90,angleB=180,rad=0")
annotate_con_style(axs[1, 2], "angle,angleA=-90,angleB=180,rad=5")
annotate_con_style(axs[2, 2], "angle,angleA=-90,angleB=10,rad=5")
annotate_con_style(axs[0, 3], "arc,angleA=-90,angleB=0,armA=30,armB=30,rad=0")
annotate_con_style(axs[1, 3], "arc,angleA=-90,angleB=0,armA=30,armB=30,rad=5")
annotate_con_style(axs[2, 3], "arc,angleA=-90,angleB=0,armA=0,armB=40,rad=0")
annotate_con_style(axs[0, 4], "bar,fraction=0.3")
annotate_con_style(axs[1, 4], "bar,fraction=-0.3")
annotate_con_style(axs[2, 4], "bar,angle=180,fraction=-0.2")

for ax in axs.flat:
    # 设置轴域刻度
    ax.set(xlim = (0, 10), ylim = (0, 10), xticks = [], yticks = [], aspect = 1)
fig.tight_layout(pad = 0.2)

3.训练场

3.1 绘制如下子图

要求：

设置中文字体并设置字体大小
分别计算每个城市年份、季度、月份、小时的PM2.5数据
会用到分组求平均值操作
进行数据重塑
根据需要调整行索引或者列索引
创建子视图2行2列
向子视图分别绘制年份、季度、月份、小时的各城市PM2.5走势数据
根据需要设置坐标轴标签（比如月份、小时）

首先我们需要下载一个 Excel 文件：

链接: https://pan.baidu.com/s/1nSw6wbOEg8GpP19WQ7ggxw?pwd=53ph
提取码: 53ph

下载完成之后，把该文件和我们的代码放到同一个文件夹下，这一操作我们在之前的博客中已经反复说到，这里就不再进行演示

注：代码处于运行中将显示：

下列代码运行几十秒甚至几分钟都是正常的，耐心等待运行结果即可。

我们先来加载我们的数据

%%time
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

plt.rcParams['font.family'] = 'KaiTi'
plt.rcParams['font.size'] = 18
df = pd.read_excel('./PM2.5.xlsx')

接下来绘制年份的数据：

# 添加子视图
fig, axes = plt.subplots(2, 2, figsize = (16, 12))

# 按照城市年份分组,获取PM2.5,计算平均值并保留2位小数
df2 = df.groupby(by = ['城市', '年份'])[['PM2.5']].mean().round(2)

# 数据重塑
df2 = df2.unstack(level = 0)   # 城市作为列索引
df2.columns = df2.columns.droplevel(0) # 删除 PM2.5 这个列索引
df2 = df2[['北京', '上海', '广州', '沈阳', '成都']]  # 调整列索引的顺序
df2.plot(ax = axes[0, 0])   # 左上角

绘制季度：

df3 = df.groupby(by = ['城市', '季节'])[['PM2.5']].mean().round(2)
# 数据重塑
df3 = df3.unstack(level = 0)
# 调整行索引顺序
df3 = df3.loc[list('春夏秋冬')]
# 删除列索引 PM2.5
df3.columns = df3.columns.droplevel(0)
# 调整列索引顺序
df3 = df3[['北京', '上海', '广州', '沈阳', '成都']]
# 第一行第二列的子视图(右上角)
df3.plot(ax = axes[0, 1])

绘制月份：

df4 = df.groupby(by = ['城市', '月份'])[['PM2.5']].mean().round(2)
# 数据重塑
df4 = df4.unstack(level = 0)
df4.columns = df4.columns.droplevel(0)
df4 = df4[['北京', '上海', '广州', '沈阳', '成都']]
ax = df4.plot(ax = axes[1, 0])

# 设置
months = ['一月', '二月', '三月', '四月', '五月', '六月', 
          '七月', '八月', '九月', '十月', '十一月', '十二月']
ax.set_xticks(np.arange(1, 13))   # 设置刻度(x轴)
_ = ax.set_xticklabels(months, rotation = 60) # 旋转60°

绘制小时：

df5 = df.groupby(by = ['城市', '小时'])[['PM2.5']].mean().round(2)
# 数据重塑
df5 = df5.unstack(level = 0)
df5.columns = df5.columns.droplevel(0)
df5 = df5[['北京', '上海', '广州', '沈阳', '成都']]
ax = df5.plot(ax = axes[1, 1])
_ = ax.set_xticks(np.arange(0, 24))

最后我们来保存我们的图片：

plt.savefig('./homework7.png')

三、数据可视化进阶

1.常用视图

1.1 折线图

import numpy as np
import matplotlib.pyplot as plt

y = np.random.randint(0, 10, size = 15)

# 一图多线
plt.figure(figsize = (9, 6))
# 只给了y,不给x,则x有默认值:0、1、2、3、...
plt.plot(y, marker = '*', color = 'r')
plt.plot(y.cumsum(), marker = 'o')

# 多图布局
fig,axs = plt.subplots(2, 1)
# 设置宽高
fig.set_figwidth(9)
fig.set_figheight(6)
axs[0].plot(y, marker = '*', color = 'red')
axs[1].plot(y.cumsum(), marker = 'o')

1.2 柱状图

1.2.1 堆叠柱状图

import numpy as np
import matplotlib.pyplot as plt

labels = ['G1', 'G2', 'G3', 'G4', 'G5','G6'] # 级别

# 生成数据
men_means = np.random.randint(20, 35, size = 6)
women_means = np.random.randint(20, 35, size = 6)
men_std = np.random.randint(1, 7, size = 6)
women_std = np.random.randint(1, 7, size = 6)

width = 0.35            # 柱状图中柱的宽度
plt.bar(labels,         # 横坐标
        men_means,      # 柱高
        width,          # 线宽
        yerr = men_std, # 误差条(标准差)
        label = 'Men')  # 标签
plt.bar(labels, 
        women_means, 
        width, 
        yerr = women_std, 
        bottom = men_means, # 把女生画成男生的上面
        # 没有上一行代码柱状图会发生重叠覆盖,读者可以自行尝试
        label = 'Women')

plt.ylabel('Scores')
plt.title('Scores by group and gender')
plt.legend()

1.2.2 分组带标签柱状图

import matplotlib
import matplotlib.pyplot as plt
import numpy as np

# 创造数据
labels = ['G1', 'G2', 'G3', 'G4', 'G5','G6'] # 级别
men_means = np.random.randint(20, 35,size = 6)
women_means = np.random.randint(20, 35,size = 6)
x = np.arange(len(men_means))
plt.figure(figsize = (9, 6))

# 把男生的柱状图整体左移 width / 2
rects1 = plt.bar(x - width / 2, men_means, width)
# 把女生的柱状图整体右移 width / 2
rects2 = plt.bar(x + width / 2, women_means, width)

# 设置标签标题，图例
plt.ylabel('Scores')
plt.title('Scores by group and gender')
plt.xticks(x, labels)    
plt.legend(['Men','Women'])

# 放置文本 text
def set_label(rects):
    for rect in rects:
        height = rect.get_height() # 获取高度
        plt.text(x = rect.get_x() + rect.get_width() / 2, # 水平坐标
                 y = height + 0.5, # 竖直坐标
                 s = height, # 文本
                 ha = 'center') # 水平居中

set_label(rects1)
set_label(rects2)
# 设置紧凑布局
plt.tight_layout()

1.3 极坐标图

1.3.1 线性极坐标

对于极坐标，我们先来绘制一个普通的直角坐标系下的直线

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 4 * np.pi, 200)
y = np.linspace(0, 2, 200)

plt.plot(x, y)

我们对上述代码加上一行代码后，就可以转为极坐标：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 4 * np.pi, 200)
y = np.linspace(0, 2, 200)

plt.subplot(111, projection = 'polar')
plt.plot(x, y)

接下来，为了让这个极坐标图更加的美观，我们对其属性进行一些设置：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 4 * np.pi, 200)
y = np.linspace(0, 2, 200)

ax = plt.subplot(111, projection = 'polar', facecolor = 'lightgreen')
plt.plot(x, y)

# 设置
ax.set_rmax(3) # 最大半径设置为3
ax.set_rticks([0.5, 1, 1.5, 2]) # 设置刻度
ax.grid(True)     # 设置网格线

1.3.2 条形极坐标

import numpy as np
import matplotlib.pyplot as plt

#  分成8份 (0~360)
N = 8 
# 横坐标
x = np.linspace(0.0, 2 * np.pi, N, endpoint = False)
# 纵坐标
y = np.random.randint(3, 15, size = N)
# 宽度(8个柱子沾满圆)
width = np.pi / 4   
# 8个柱子随机生成颜色
colors = np.random.rand(8,3) 
# polar表示极坐标
ax = plt.subplot(111, projection = 'polar') 
ax.bar(x, y, width = width, color = colors)

1.4 直方图

绘制的直方图其实就是一个概率分布，直方图可以看成很多个柱子的柱状图

import numpy as np
import matplotlib.pyplot as plt

mu = 100 # 平均值
sigma = 15 # 标准差
x = np.random.normal(loc = mu, scale = 15, size = 10000)
fig, ax = plt.subplots()

# 直方图一般用于描述统计性的数据
# 数据量比较大,通过绘制直方图,看出数据内部的关系
# density = True 统计的是概率
# density = False 统计数字在某个范围内的次数
n, bins, patches = ax.hist(x, 200, density = True) # 直方图

# 概率密度函数
y = ((1 / (np.sqrt(2 * np.pi) * sigma)) *
     np.exp(-0.5 * (1 / sigma * (bins - mu)) ** 2))
plt.plot(bins, y, '--')
plt.xlabel('Smarts')
plt.ylabel('Probability density')
plt.title(r'Histogram of IQ: $\mu=100$, $\sigma=15$')

# 紧凑布局
fig.tight_layout()

1.5 箱形图

import numpy as np
import matplotlib.pyplot as plt

# 正态分布
data = np.random.normal(size = (500, 4)) 
lables = ['A', 'B', 'C', 'D']
# 用Matplotlib画箱线图
# 黄色的线就是中位数,红色的圆点是异常值
_ = plt.boxplot(data, 1, 'ro', labels = lables)

1.6 散点图

import numpy as np
import matplotlib.pyplot as plt

data = np.random.randn(100, 2)
s = np.random.randint(100, 300, size = 100)
color = np.random.randn(100)

plt.scatter(data[:, 0], # 横坐标
            data[:, 1], # 纵坐标
            s = s, # 尺寸
            c = color, # 颜色
            alpha = 0.5) # 透明度

1.7 饼图

1.7.1 一般饼图

import numpy as np
import matplotlib.pyplot as plt

# 解决中文字体乱码的问题
plt.rcParams['font.sans-serif'] = 'KaiTi' 

labels = ["五星", "四星", "三星", "二星", "一星"] # 标签
percent = [95, 261, 105, 30, 9] # 某市星级酒店数量
# 设置图片大小和分辨率
fig = plt.figure(figsize = (5, 5), dpi = 120)
# 偏移中心量，突出某一部分
# 0.1 表示 10%,自身高度的10%,是一个相对值
explode = (0, 0.1, 0, 0, 0) 

# 绘制饼图：autopct显示百分比，这里保留一位小数；shadow控制是否显示阴影
_ = plt.pie(x = percent,         # 数据
        explode = explode,   # 偏移中心量
        labels = labels,     # 显示标签
        autopct = '%0.1f%%', # 显示百分比
        shadow = True)      # 阴影，3D效果

1.7.2 甜甜圈

import numpy as np
import matplotlib.pyplot as plt

plt.figure(figsize = (6, 6))
# 甜甜圈原料
recipe = ["225g flour",
          "90g sugar",
          "1 egg",
          "60g butter",
          "100ml milk",
          "1/2package of yeast"]
# 原料比例
data = [225, 90, 50, 60, 100, 5]
wedges, texts = plt.pie(data, startangle = 40)
bbox_props = dict(boxstyle = "square,pad=0.3", fc = "w", ec = "k", lw = 0.72)
kw = dict(arrowprops = dict(arrowstyle = "-"),
          bbox = bbox_props, va = "center")

for i, p in enumerate(wedges):
    ang = (p.theta2 - p.theta1) / 2. + p.theta1 # 角度计算
    # 角度转弧度----->弧度转坐标
    y = np.sin(np.deg2rad(ang))
    x = np.cos(np.deg2rad(ang))
    ha = {-1 :  "right", 1 : "left"}[int(np.sign(x))] # 水平对齐方式
    connectionstyle = "angle,angleA=0,angleB={}".format(ang) # 箭头连接样式
    kw["arrowprops"].update({"connectionstyle" : connectionstyle}) # 更新箭头连接方式
    plt.annotate(recipe[i], xy=(x, y), xytext = (1.35 * np.sign(x), 1.4 * y),
                 ha = ha, **kw, fontsize = 18, weight = 'bold')
plt.title("Matplotlib bakery: A donut", fontsize = 18, pad = 25)
plt.tight_layout()

1.8 热力图

import numpy as np
import matplotlib
import matplotlib.pyplot as plt

# 标签
vegetables = ["cucumber", "tomato", "lettuce", "asparagus", "potato", "wheat", "barley"]
farmers = list('ABCDEFG')

# 创建数据,随机数
harvest = np.random.randn(7, 7) * 5 # 农民丰收数据

plt.rcParams['font.size'] = 18
plt.rcParams['font.weight'] = 'heavy'
plt.figure(figsize = (9, 9))
# imshow() 显示图片,因为数值不同,所以图片颜色不同
im = plt.imshow(harvest) 

plt.xticks(np.arange(len(farmers)), farmers, rotation = 45, ha = 'right')
plt.yticks(np.arange(len(vegetables)), vegetables)

# 绘制文本
for i in range(len(vegetables)):
    for j in range(len(farmers)):
        text = plt.text(j, i, round(harvest[i, j], 1),
                       ha = "center", va = "center", color = 'r')
        
plt.title("Harvest of local farmers (in tons/year)", pad = 20)

1.9 面积图

import matplotlib.pyplot as plt

plt.figure(figsize = (9, 6))
days = [1, 2, 3, 4, 5]  
sleeping = [7, 8, 6, 11, 7]
eating = [2, 3, 4, 3, 2]
working = [7, 8, 7, 2, 2]
playing = [8, 5, 7, 8, 13]   
plt.stackplot(days, sleeping, eating, working, playing)

plt.xlabel('x')
plt.ylabel('y')
plt.title('Stack Plot', fontsize = 18)
plt.legend(['Sleeping', 'Eating', 'Working', 'Playing'],
           fontsize = 18)

1.10 蜘蛛图

import numpy as np
import matplotlib.pyplot as plt

# 画图数据
plt.rcParams['font.family'] = 'KaiTi'
labels = np.array(["个人能力", "IQ", "服务意识",
                   "团队精神", "解决问题能力", "持续学习"])
y = [83, 61, 95, 67, 76, 88]
x = np.linspace(0, 2 * np.pi, len(labels), endpoint = False)

# 首位相接,我们要把 "持续学习" 和 "个人能力相连起来"
y = np.concatenate((y, [y[0]]))  # 首尾相接
x = np.concatenate((x, [x[0]]))  # 首尾相接

# 用Matplotlib画蜘蛛图
fig = plt.figure(figsize = (6, 6))
ax = fig.add_subplot(111, polar = True)   
# 连线
# o:表示形状，圆形
# -:表示实线
# o-:属性连用
ax.plot(x, y, 'o-', linewidth = 2) 
ax.fill(x, y, alpha = 0.25) # 填充颜色
# 设置角度
ax.set_thetagrids(x[:-1] * 180 / np.pi,# 角度值
# 由于首位相接时候相当于给x增加了一个元素,现在需要切片去掉这个元素
                  labels,
                  fontsize = 18)
_ = ax.set_rgrids([20, 40, 60, 80], fontsize = 18)

2.3D图形

2.1 三维折线图

创建一个三维空间有两种方法：
方法一：

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d.axes3d import Axes3D # 3D引擎

plt.rcParams['font.family'] = 'KaiTi'
plt.rcParams['axes.unicode_minus'] = False
x = np.linspace(0, 60, 300)
y = np.sin(x)
z = np.cos(x)

fig = plt.figure(figsize = (9, 6)) # 二维图形
ax3 = Axes3D(fig) # 二维变成了三维
ax3.plot(x, y, z) # 3维折线图

ax3.set_xlabel('X')
ax3.set_ylabel('Y')
ax3.set_zlabel('Z')

方法二：

import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.family'] = 'KaiTi'
plt.rcParams['axes.unicode_minus'] = False
x = np.linspace(0, 60, 300)
y = np.sin(x)
z = np.cos(x)

fig = plt.figure(figsize = (9, 6))
ax3 = plt.subplot(111, projection = '3d')
ax3.plot(x, y, z)

ax3.set_xlabel('X')
ax3.set_ylabel('Y')
ax3.set_zlabel('Z')

如果你觉得这个视角不好看，我们还可以调整视角：

import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.family'] = 'KaiTi'
plt.rcParams['axes.unicode_minus'] = False
x = np.linspace(0, 60, 300)
y = np.sin(x)
z = np.cos(x)

fig = plt.figure(figsize = (9, 6))
ax3 = plt.subplot(111, projection = '3d')
ax3.plot(x, y, z)

ax3.set_xlabel('X')
ax3.set_ylabel('Y')
ax3.set_zlabel('Z')

# 图形可以调整角度
# 第一个参数是 x，y轴的角度,第二个参数是z轴的角度
ax3.view_init(elev = 30, azim = -80)

2.2 三维散点图

import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.family'] = 'KaiTi'
plt.rcParams['axes.unicode_minus'] = False
x = np.linspace(0, 60, 300)
y = np.sin(x)
z = np.cos(x)

fig = plt.figure(figsize = (9, 6))
ax3 = plt.subplot(111, projection = '3d')

ax3.set_xlabel('X')
ax3.set_ylabel('Y')
ax3.set_zlabel('Z')

# 散点图
x = np.random.randint(0, 60, size = 20)
y = np.random.randn(20)
z = np.random.randn(20)
ax3.scatter(x, y, z, color = 'red')

2.3 三维柱状图

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d.axes3d import Axes3D # 3D引擎

month = np.arange(1, 5)
# 每个月 4周 每周都会产生数据
# 三个维度：月、周、销量
fig = plt.figure(figsize = (9, 6))
ax3 = Axes3D(fig)

for m in month:
    # 每个月都要绘制条形图
    ax3.bar(np.arange(1, 5),       # 横坐标
            np.random.randint(1, 10, size = 4), # 纵坐标
            zs = m ,
            zdir = 'x',   # 在哪个方向上,一排排排列,默认为'z'
            alpha = 0.7,  # alpha 透明度
            width = 0.5)  # 条形图的宽度
    
plt.rcParams['font.family'] = 'KaiTi'
ax3.set_xlabel('月份', fontsize = 18, color = 'red')
ax3.set_xticks(month)
ax3.set_ylabel('周', fontsize = 18, color = 'red')
ax3.set_yticks([1, 2, 3, 4])
ax3.set_zlabel('销量', fontsize = 18, color = 'green')

3.Seaborn

Seaborn是基于matplotlib的图形可视化python包。它提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表。

Seaborn是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn能做出很具有吸引力的图，而使用matplotlib就能制作具有更多特色的图。应该把Seaborn视为matplotlib的补充，而不是替代物。

1.安装

如果你读过文章：matplotlib的安装教程以及简单调用，那么你只需要在命令行模式中输入：pip install seaborn即可进行安装，否则你也可以直接输入：pip install seaborn -i https://pypi.tuna.tsinghua.edu.cn/simple

进入命令行模式： $W i n d o w s$ 系统：按下键盘上的 $W i n d o w s + R$ ，输入 $c m d$ 后即可进入

如果你读过文章：最详细的Anaconda Installers 的安装【numpy，jupyter】（图+文），那么你无序再安装 $S e a b o r n$ ，安装 $A n a c o n d a$ 的时候已经安装好了 $S e a b o r n$

出现上图所示就是已经安装过的意思，我们可以打开 jupyter 运行如下代码，看是否报错：

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

不报错即为安装成功，那么接下来，就让我来介绍 $s e a b o r n$

2.快速上手

2.1 模式设置

import seaborn as sns 
sns.set(style = 'darkgrid',context = 'talk',font = 'STKaiti')

$s t y l e$ 设置，修改主题风格，属性如下：

style	效果
darkgrid	黑色网格(默认)
whitegrid	白色网格
dark	黑色背景
white	白色背景
ticks	四周有刻度线的白背景

$c o n t e x t$ 设置，修改大小，属性如下：

context	效果
paper	越来越大越来越粗
notebook(默认)	越来越大越来越粗
talk	越来越大越来越粗
poster	越来越大越来越粗

2.2 线形图

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

sns.set(style = 'dark',context = 'poster',font = 'STKaiti') # 设置样式
plt.figure(figsize = (9, 6))

x = np.linspace(0, 2 * np.pi, 20)
y = np.sin(x)

sns.lineplot(x = x, y = y, color = 'green', ls = '--')
sns.lineplot(x = x, y = np.cos(x), color = 'red',ls = '-.')

3.各种图形绘制

首先我们需要下载几个 $c s v$ 文件：

链接: https://pan.baidu.com/s/12CkTweXPT-El4z2M93HltQ?pwd=vaks
提取码: vaks

下载完成之后，把该文件和我们的代码放到同一个文件夹下，这一操作我们在之前的博客中已经反复说到，这里就不再进行演示

3.1 调色板

参数 $p a l e t t e$ （调色板），用于调整颜色，系统默认提供了六种选择： $d e e p, m u t e d, b r i g h t, p a s t e l, d a r k, c o l o r b l i n d$

参数 $p a l e t t e$ 调色板，可以有更多的颜色选择， $M a t p l o t l i b$ 为我们提供了多达 $178$ 种，这足够绘图用，可以通过代码print(plt.colormaps())查看选择

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

print(plt.colormaps())

3.2 线形图

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

# 设置样式
sns.set(style = 'dark', context = 'notebook', font = 'STKaiti')
plt.figure(figsize = (9, 6))

# fmri 这一核磁共振数据
fmri = pd.read_csv('./fmri.csv') 
ax = sns.lineplot(x = 'timepoint',y = 'signal',
                  hue = 'event',     # 根据 event 进行分类绘制
                  style = 'event',   # 根据 event 属性分类指定样式
                  # 如图自动分配成了实现和虚线,●和×
                  data = fmri,
                  palette = 'deep',  # 画板、颜色
                  markers = True,
                  markersize = 10)

plt.xlabel('时间节点',fontsize = 30)

3.3 散点图

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

data = pd.read_csv('./tips.csv') # 小费
plt.figure(figsize = (9, 6))
sns.set(style = 'darkgrid', context = 'talk')

# 散点图
fig = sns.scatterplot(x = 'total_bill', y = 'tip',
hue = 'time', data = data,
palette = 'autumn', s = 100)

3.4 柱状图

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

plt.figure(figsize = (9, 6))
sns.set(style = 'whitegrid')
tips = pd.read_csv('./tips.csv') # 小费
ax = sns.barplot(x = "day", y = "total_bill",
                 data = tips,hue = 'sex',
                 palette = 'colorblind',
                 capsize = 0.2)

3.5 箱式图

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

sns.set(style = 'ticks')
tips = pd.read_csv('./tips.csv')
ax = sns.boxplot(x = "day", y = "total_bill", data = tips, palette = 'colorblind')

3.6 直方图

import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt

sns.set(style = 'dark')
x = np.random.randn(5000)
sns.histplot(x, kde = True)

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

sns.set(style = 'darkgrid')
tips = pd.read_csv('./tips.csv')
sns.histplot(x = 'total_bill', data = tips, kde = True)

3.7 分类散点图

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

sns.set(style = 'darkgrid')
exercise = pd.read_csv('./exercise.csv')
sns.catplot(x = "time", y = "pulse", hue = "kind", data = exercise)

3.8 热力图

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd

plt.figure(figsize = (12, 9))
flights = pd.read_csv('./flights.csv')   # 飞行数据

# pivot() 实现了数据重塑,改变了DataFrame的形状
# month 作为行索引,year作为列索引,passengers作为数据
flights = flights.pivot("month", "year", "passengers") # 年,月,乘客
sns.heatmap(flights, annot = True,   # 画上数值
            fmt = 'd',         # 数值为整数
            cmap = 'RdBu_r',   # 设置颜色 
            linewidths = 0.5)  # 线宽为 0.5

我们最后来说一下数据重塑，在本题的基础上，我们查看一下我们的 $f l i g h t s$ 数据：

咋们再来重新加载一下数据，看看原始的 $f l i g h t s$ 数据：

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd

flights = pd.read_csv('./flights.csv')
flights

不难看出，上述绘图过程中涉及到了数据重塑：代码：flights = flights.pivot("month", "year", "passengers")实现了数据的重塑，使得 $m o n t h$ 作为行索引， $y e r r$ 作为列索引， $p a s s e n g e r s$ 作为数据。

4.训练场

4.1 数据处理

加载数据，并查看相关信息：基金总数据条目，基金公司数量，基金总数量，基金总规模，查看前五条数据
将基金规模小于1亿元的数据过滤掉，将基金收益没有数据的过滤掉。
将基金规模和基金收益转换为浮点数，并将处理好的数据保存。

首先我们需要下载一个 Excel 文件：

链接: https://pan.baidu.com/s/1j2pn0vVN3-wJmSZ-01oiUg?pwd=niye
提取码: niye

下载完成之后，把该文件和我们的代码放到同一个文件夹下，这一操作我们在之前的博客中已经反复说到，这里就不再进行演示

数据查看：

import numpy as np
import pandas as pd

fund = pd.read_excel('./fund.xlsx')
print('基金总数据条目：', fund.shape)
print('基金公司一共有：', fund['公司'].nunique()) # 去重
print('基金总数量是：', fund['基金数量'].sum())

# 计算基金总规模
cnt = fund['基金规模'].str.endswith('亿元') # 判断是否以'亿元'结尾
fund2 = fund[cnt]     # 数据筛选
size = fund2['基金规模'].str[: -2].astype('float').sum() # 去掉'亿元'
print('基金总规模是：%0.2f亿元' % (size))

print('查看前五条数据：')
fund.head(5)

数据清洗：

import pandas as pd

fund = pd.read_excel('./fund.xlsx')
print('数据清洗前：', fund.shape)

# 过滤基金规模为空的数据
cnt = fund['基金规模'].str.endswith('亿元')
fund = fund[cnt]

# 过滤基金规模小于1亿的数据
cnt2 = fund['基金规模'].str[: -2].astype('float') > 1
fund = fund[cnt2]

# 过滤基金收益为空的数据
cnt3 = fund['基金收益'].str.endswith('%')
fund = fund[cnt3]

print('数据清洗后：', fund.shape)
fund.to_excel('./fund_clean.xlsx', index = False)
fund.head()

数据转换：

import pandas as pd

fund = pd.read_excel('./fund_clean.xlsx')

# 基金规模字符串转变为浮点数
fund['基金规模'] = fund['基金规模'].str[: -2].astype('float')
# 基金收益字符串转变为浮点数
def convert(x):
    x = x[: -1]
    x = float(x)
    return x
fund['基金收益'] = fund['基金收益'].apply(convert)

# 修改列名
fund.columns = ['姓名', '公司', '基金数量', '年', '天', '基金规模（亿元）', '基金收益（%）']

# 数据保存
fund.to_excel('./fund_end.xlsx', index = False)
fund.head(10)

4.2 数据挖掘与可视化

根据基金总规模，进行排序，水平条形图展示前十大公司
根据收益率，对所有数据进行降序排名，绘制前十佳基金经理。并将金额和收益率绘制到图片中。

十大基金公司：

%%time
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

plt.figure(figsize = (12, 9))
sns.set_theme(style = 'darkgrid', context = 'talk', font = 'KaiTi')

fund = pd.read_excel('./fund_end.xlsx')

# 分组聚合
com = fund.groupby(by = '公司')[['基金规模（亿元）']].sum()

# 排序
com.sort_values(by = '基金规模（亿元）', 
                ascending = False,  # 降序排序
                inplace = True)     # 直接对原数据进行替换

# 行索引重置：变成自然数索引
com.reset_index(inplace = True)

# 画条形图
sns.barplot(x = '基金规模（亿元）', y = '公司',  # x轴和y轴
            data = com.iloc[: 10],    # 切片出来前十个
            orient = 'h')  # 水平条形图

收益十佳基金经理：

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

plt.figure(figsize = (12, 9))
sns.set_theme(style = 'darkgrid', context = 'talk', font = 'STKaiti')
fund = pd.read_excel('./fund_end.xlsx')

# 降序排序并直接替换原数据
fund.sort_values(by = '基金收益（%）', ascending = False, inplace = True)

sns.barplot(x = '基金收益（%）', y = '姓名',  
            data = fund.iloc[:10], orient = 'h',
            palette = 'Set1')  # 画板、颜色
for i in range(10):
    rate = fund.iloc[i]['基金收益（%）']
    pe = fund.iloc[i]['基金规模（亿元）']
    # 绘制基金规模
    plt.text(x = rate / 2, y = i, s = str(pe) + '亿元', ha = 'center', va = 'center')
    # 绘制基金收益
    plt.text(x = rate + 50, y = i, s = str(rate) + '%', va = 'center')

_ = plt.xlim(0, 2500) # 横坐标范围
_ = plt.xticks(np.arange(0, 2500, 200)) # 横坐标刻度

你可能感兴趣的:(AIoT(人工智能+物联网),python,数据分析,matplotlib,数据可视化,数据挖掘)

即学即用的30个python常用代码落难Coder Python python
1.检查重复元素下面的方法可以检查给定列表中是否有重复的元素。它使用了set()属性，该属性将会从列表中删除重复的元素。defall_unique(lst):returnlen(lst)==len(set(lst))x=[1,1,2,2,3,2,3,4,5,6]y=[1,2,3,4,5]all_unique(x)#Falseall_unique(y)#True2.变位词检测两个字符串是否互为变位词
Pyecharts可视化数据大屏七夜zippoe 大数据大数据
Pyecharts是一个非常强大的Python数据可视化库，它可以用来创建各种图表，并通过配置参数将这些图表组合成数据大屏。以下是创建一个简单的数据大屏的步骤和示例代码。1.安装pyecharts首先，你需要安装pyecharts：pipinstallpyecharts2.创建图表使用pyecharts创建多个图表，如柱状图、折线图等。下面是一些示例：frompyecharts.chartsimp
Python科学计算实战：数学建模与数值分析应用数据小爬虫 api 电商api 数学建模 python 开发语言 pygame 前端 facebook 数据库
Python在科学计算和数学建模方面有着广泛的应用。以下是一个简单的例子，使用Python进行数学建模和数值分析。这个例子将演示如何使用Python来求解一元二次方程。1.一元二次方程一元二次方程是一个形如(ax^2+bx+c=0)的方程，其中(a\neq0)。2.求解方法求解一元二次方程，我们通常使用公式：[x=\frac{-b\pm\sqrt{b^2-4ac}}{2a}]3.Python实现i
【Python】文件读写（CSV、Excel）素颜清风宛如月 Python python
一、CSV文件1读csv文件1.1以数组方式读文件deflistReader():withopen("user.csv",encoding="UTF-8")ascsvFile:#读文件csvData=csv.reader(csvFile)#数据集合print(list(csvData))#遍历数据对象fordataincsvData:#csvData.line_num：每条数据的行号print("
ONNX Runtime、CUDA、cuDNN、TensorRT版本对应可keke ML&DL pytorch deep learning
文章目录ONNXRuntime的安装ONNXRuntime与CUDA、cuDNN的版本对应ONNXRuntime与ONNX的版本对应ONNXRuntime、TensorRT、CUDA版本对应ONNXRuntime的安装官方文档注意，到目前为止，onnxruntime-gpu在CUDA12.x和CUDA11.x下的安装命令是不同的，仔细阅读官方文档。验证安装python>>>importonnxru
菜鸟养成第5集小鹏Running 菜鸟养成记 python
浮点数相加最好不要直接判断，经过round处理后再判断比如在idle设置0.1+0.2==0.3（False）原因是二进制存储导致末尾可能不同，round(0.1+0.2,2)==0.3(True)复数表示法：complexcomplex(1,2)-->1+2j//向左取整-3//2-->-2python所有字符都是以字符串存在的+连接字符串，且只能和字符串类型相加，其他类型会报错，不同类型也不可
国产AI大模型Kimi爆火！概念梳理我爱学AI 人工智能 ai 大模型
在人工智能（AI）技术的飞速发展浪潮中，一款名为Kimi的国产大模型近期在资本市场上引起了广泛关注，成为了AI领域的新星。Kimi，由国内AI创业公司月之暗面科技有限公司（MoonshotAI）开发，凭借其卓越的长文本处理能力和丰富的应用场景，迅速在AI对话助手市场中脱颖而出。3月18日，根据月之暗面官方微信公众号消息，支持200万字上下文的Kimi即日启动“内测”。根据机器之心数据显示，尚未上线
个人笔记--python代码--储存数据 pdc31czy 个人笔记 Python python 笔记
1.存储Error（txt文件）importnumpyasnp#Errorerror_u=np.linalg.norm(exact_u_current-predict_np_u,2)/np.linalg.norm(exact_u_current,2)error_v=np.linalg.norm(exact_v_current-predict_np_v,2)/np.linalg.norm(exact
python安装virtual虚拟环境 LookUpMan python
本文参考：https://www.cnblogs.com/guishou/p/7134386.html1.安装pipinstallvirtualenv2.创建虚拟环境virtualenv-pc:\python3\python.exevenvc:\python3\python.exe为指定python解释器的路径3.激活虚拟环境首先进入创建的虚拟环境下目录中的scripts中cdvenv/scrip
Python使用pymysql和xlrd2将Excel数据导入MySQL数据库悬崖上的金鱼6 数据库 python excel mysql oracle
在数据处理和管理中，有时候需要将Excel文件中的数据导入到MySQL数据库中进行进一步的分析和操作。本文将介绍如何使用Python编程语言实现这个过程。导入所需库importxlrd2#导入xlrd2库，用于读取Excel文件importpymysql#导入pymysql库，用于连接和操作MySQL数据库fromdatetimeimportdatetime#导入datetime库，用于处理日期和
python 变量进阶 ottox
目标变量的引用可变和不可变类型局部变量和全局变量01.变量的引用变量和数据都是保存在内存中的在Python中函数的参数传递以及返回值都是靠引用传递的1.1引用的概念在Python中变量和数据是分开存储的数据保存在内存中的一个位置变量中保存着数据在内存中的地址变量中记录数据的地址，就叫做引用使用id()函数可以查看变量中保存数据所在的内存地址注意：如果变量已经被定义，当给一个变量赋值的时候，本质上是
使用Python将多张图片转换为动态GIF图像 FLK_9090 python 开发语言 pillow
在本文中，我们将学习如何使用Python编写代码，将多张静态图片转换为一个动态的GIF图像。无论你的图片格式是JPEG（.jpg）还是PNG（.png），我们都将使用Python中的PIL库来实现这一功能。通过本文的学习，你将了解如何利用Python编写简洁、高效的代码来处理图像，并创建出生动的动画效果。介绍动态GIF图像是一种在网络上广泛使用的图像格式，它可以将一系列静态图片串联起来，形成连续的
Anaconda安装与Python虚拟环境配置保姆级图文教程(附速查字典)_anaconda配置python环境 2401_84976246 程序员 c语言 c++学习
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。需要这份系统化的资料的朋友，可以添加戳这里获取一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！目录1混乱的Python库2什么是Anacond
【Python】已解决：ModuleNotFoundError: No module named ‘cv2‘ 屿小夏 python opencv 开发语言
文章目录一、分析问题背景示例代码片段二、可能出错的原因三、错误代码示例四、正确代码示例安装OpenCV库正确的代码示例五、注意事项已解决：ModuleNotFoundError:Nomodulenamed‘cv2’一、分析问题背景在Python开发过程中，图像处理是一个常见的需求，OpenCV（cv2）是一个广泛使用的图像处理库。当开发者在运行涉及图像处理的代码时，可能会遇到ModuleNotFo
【已解决】onnx无法找到CUDA的路径烟花节已解决人工智能深度学习 python pip
报错RuntimeError:D:\a\_work\1\s\onnxruntime\python\onnxruntime_pybind_state.cc:857onnxruntime::python::CreateExecutionProviderInstanceCUDA_PATHissetbutCUDAwasntabletobeloaded.Pleaseinstallthecorrectvers
Python史上最全知识重点（超详细版）进阶篇码农必胜客 Python零基础入门 python 网络 java
Python进阶进程间通信：Manager(内置了好多数据结构，可以实现多进程间内存共享)frommultiprocessingimportManager,Processdefadd_data(p_dict,key,value):p_dict[key]=valueif__name__=="__main__":progress_dict=Manager().dict()fromqueueimport
python释放变量内存_Python变量内存管理 weixin_39669761
一、变量存哪了？x=10当我们在p1.py中定义一个变量x=10，那么计算机把这个变量值10存放在哪里呢了？我们回顾计算机的三大核心组件为：CPU、内存和硬盘。一定不是CPU，那是存放在内存还是硬盘中了呢？我们再回顾变量运行的三个过程，如果我们没有使用python解释器运行p1.py这个文件，那么x=10很明显只是很普通的四个字符x、=、1、0。而只有Python解释器运行了这个文件，那字符进入了
python 强制释放内存_python 内存释放问题,高手请帮帮忙 weixin_39593498 python 强制释放内存
该楼层疑似违规已被系统折叠隐藏此楼查看此楼我重复一楼的问题，range(1024*1024)确实占用很大内存，但是del后，内存几乎是马上就释放了，没有内存持续占用问题。我测试操作系统是macox10.5.6在实际应用中，range对大的数是不适合的，应该用xrange。可以参考：http://avinashv.net/2008/05/pythons-range-and-xrange/Origin
类方法、类实例方法和类静态方法（Python） Qh果壳 python 开发语言
目录1.类方法（ClassMethod）2.类实例方法（InstanceMethod）3.类静态方法（StaticMethod）在Python中，类方法、类实例方法和类静态方法是与类相关联的三种不同类型的方法。1.类方法（ClassMethod）：类方法是通过装饰器@classmethod来定义的，它的第一个参数是类本身（通常被命名为"cls"），而不是实例。类方法可以通过类名调用，也可以通过实例
千万级规模高性能、高并发的网络架构经验分享搬砖养女人网络架构经验分享
主题：INTO100沙龙时间：2015年11月21日下午地点：梦想加联合办公空间分享人：卫向军（毕业于北京邮电大学，现任微博平台架构师，先后在微软、金山云、新浪微博从事技术研发工作，专注于系统架构设计、音视频通讯系统、分布式文件系统和数据挖掘等领域。）架构以及我理解中架构的本质在开始谈我对架构本质的理解之前，先谈谈对今天技术沙龙主题的个人见解，千万级规模的网站感觉数量级是非常大的，对这个数量级我们
python面试知识汇总 m0_61721020 python
读写锁，不同点，应用场景互斥锁：mutex，用于保证在任何时刻，都只能有一个线程访问该对象。当获取锁操作失败时，线程会进入睡眠，等待锁释放时被唤醒自旋锁：spinlock，在任何时刻同样只能有一个线程访问对象。但是当获取锁操作失败时，不会进入睡眠，而是会在原地自旋，直到锁被释放。这样节省了线程从睡眠状态到被唤醒期间的消耗，在加锁时间短暂的环境下会极大的提高效率。但如果加锁时间过长，则会非常浪费CP
【Python笔记】向量：@classmethod与 @staticmethod。零基础万物皆可.C Python笔记 python
类成员比较@classmethod与@staticmethod共同点：两个都是装饰器，装饰的成员函数可以通过类名.方法名(…)来调用区别：最显著的特点是classmethod需要传递一个参数cls，而staticmethod不需要。因此可以访问、修改类的属性，类的方法，实例化对象等，避免硬编码；而staticmethod不行，classmethod可以判断出自己是通过基类被调用，还是通过某个子类被
从管控角度谈慢SQL治理 egzosn sql 数据库服务器 oracle 运维
一、什么是慢SQL慢SQL是指那些执行效率低下、响应时间长，导致用户等待时间变长和服务器资源利用率下降的SQL查询。那么，如何定义一个SQL查询是"慢"的呢？这不是一个绝对时间的问题，而是需要从多维度考量。时间维度最常见的定义慢SQL的方法是时间阈值。这个阈值可以根据不同的系统和性能要求设置。例如，一个查询如果在网页应用中执行时间超过2秒，或在数据分析系统中执行超过30秒，就可以被认为是慢的。业务
《Python 面试热门问题五》陈在天box python 开发语言
一、引言Python作为一种广泛应用的高级编程语言，在各个领域都有着重要的地位。在面试中，Python相关的问题常常涉及到语言的基础知识、编程技巧、常用库的使用以及实际项目经验等方面。本文将围绕五个热门的Python面试问题进行深入探讨，帮助读者更好地准备Python面试，提升自己的编程能力和竞争力。二、问题一：Python的数据类型有哪些？（一）基本数据类型数字类型整数（int）：Python中
python(64) 内存的几个现象，主动释放内存 python开发笔记 Python python
1.主动释放内存的方式在Python中使用gc.collect()方法清除内存使用del语句清除Python中的内存gc.collect(generation=2)方法用于清除或释放Python中未引用的内存。未引用的内存是无法访问且无法使用的内存。可选参数generation是一个整数，值的范围是0到2。它使用gc.collect()方法指定要收集的对象的生成。在Python中，寿命短的对象存储
Python的Pillow（图像处理库）非常详细的学习笔记深蓝海拓机器视觉 pillow学习笔记 pillow 计算机视觉 python 图像处理
Python的Pillow库是一个非常强大的图像处理库。安装Pillow库：在终端或命令行中输入以下命令来安装Pillow：pipinstallpillow安装后查看是否安装成功以及当前版本pipshowPillow升级库：pipinstallpillow--upgrade 一些基础的应用1、图像文件方面的：打开文件1）直接打开文件：这种方式是最常见的直接打开图片文件的方法，以文件路径作为参数，P
python中csv文件的详细操作 GY-1997 python笔记 python 开发语言
在Python中，可以使用内置的csv模块来操作CSV文件。以下是一些常见的CSV文件操作示例：1.读取CSV文件：importcsvwithopen('file.csv','r')asfile:reader=csv.reader(file)forrowinreader:print(row)2.写入CSV文件：importcsvdata=[['Name','Age','City'],['John'
成为数据分析师的必要条件 HsuHeinrich 数据分析数据分析
开篇成为数据分析师的必要条件作为一名成熟的数据分析师，那必然是要头顶Python，脚踩SQL，左手一个Tableau，右手一个Excel。能取数，会报表，埋点AB两不误，分析落地显价值。那在日常工作中具体需要具备哪些技能呢？笔者根据个人工作学习，对自己做了个技能画像。接下来，笔者将从工具应用、理论基础、数字基建、分析思维四个方面介绍数据分析的必要条件。对其中一些基本技能附上基础教程，帮助初学者迈进
构建智能门禁安防系统：树莓派 4B、OpenCV、SQLite 和 MQTT 的应用（代码示例）极客小张 opencv sqlite jvm 单片机物联网计算机视觉树莓派
一、项目概述1.1项目目标和用途本项目旨在开发一个智能门禁安防系统，该系统利用摄像头和人脸识别技术，结合本地人脸库，实现对进出人员的自动识别和管理。系统能够实时记录进出人员的信息，并对未注册人员进行警报提示。通过与物联网平台的集成，用户可以远程监控和管理门禁系统，提升安全性和管理效率。1.2解决的问题和价值传统的门禁系统往往依赖于钥匙或密码，存在安全隐患和管理不便的问题。本项目通过人脸识别技术，解
Python+requests+pytest+openpyxl+allure+loguru框架详解乐瓜乐虫 python pytest
一、框架目录结构1）tools目录用来放公共方法存储，如发送接口以及读取测试数据的方法，响应断言数据库断言前置sql等方法；2）datas目录用例存储接口用例的测试数据，我是用excel来存储的数据，文件数据图片数据等；3）testcases目录用来存放测试用例，一个python文件对应一个接口模块的测试用例，不同接口分别别多个不同的python文件；4）outputs里有reports和logs
分享100个最新免费的高匿HTTP代理IP mcj8089 代理IP 代理服务器匿名代理免费代理IP 最新代理IP
推荐两个代理IP网站： 1. 全网代理IP：http://proxy.goubanjia.com/ 2. 敲代码免费IP：http://ip.qiaodm.com/ 120.198.243.130:80,中国/广东省 58.251.78.71:8088,中国/广东省 183.207.228.22:83,中国/
mysql高级特性之数据分区 annan211 java 数据结构 mongodb 分区 mysql
mysql高级特性 1 以存储引擎的角度分析，分区表和物理表没有区别。是按照一定的规则将数据分别存储的逻辑设计。器底层是由多个物理字表组成。 2 分区的原理分区表由多个相关的底层表实现，这些底层表也是由句柄对象表示，所以我们可以直接访问各个分区。存储引擎管理分区的各个底层表和管理普通表一样(所有底层表都必须使用相同的存储引擎)，分区表的索引只是
JS采用正则表达式简单获取URL地址栏参数 chiangfai js 地址栏参数获取
GetUrlParam:function GetUrlParam(param){ var reg = new RegExp("(^|&)"+ param +"=([^&]*)(&|$)"); var r = window.location.search.substr(1).match(reg); if(r!=null
怎样将数据表拷贝到powerdesigner (本地数据库表) Array_06 powerDesigner
================================================== 1、打开PowerDesigner12，在菜单中按照如下方式进行操作 file->Reverse Engineer->DataBase 点击后，弹出 New Physical Data Model 的对话框 2、在General选项卡中 Model name:模板名字，自
logbackのhelloworld 飞翔的马甲日志 logback
一、概述 1.日志是啥？当我是个逗比的时候我是这么理解的：log.debug()代替了system.out.print(); 当我项目工作时，以为是一堆得.log文件。这两天项目发布新版本，比较轻松，决定好好地研究下日志以及logback。传送门1：日志的作用与方法： http://www.infoq.com/cn/articles/why-and-how-log 上面的作
新浪微博爬虫模拟登陆随意而生新浪微博
转载自：http://hi.baidu.com/erliang20088/item/251db4b040b8ce58ba0e1235 近来由于毕设需要，重新修改了新浪微博爬虫废了不少劲，希望下边的总结能够帮助后来的同学们。现行版的模拟登陆与以前相比，最大的改动在于cookie获取时候的模拟url的请求
synchronized 香水浓 java thread
Java语言的关键字，可用来给对象和方法或者代码块加锁，当它锁定一个方法或者一个代码块的时候，同一时刻最多只有一个线程执行这段代码。当两个并发线程访问同一个对象object中的这个加锁同步代码块时，一个时间内只能有一个线程得到执行。另一个线程必须等待当前线程执行完这个代码块以后才能执行该代码块。然而，当一个线程访问object的一个加锁代码块时，另一个线程仍然
maven 简单实用教程 AdyZhang maven
1. Maven介绍 1.1. 简介 java编写的用于构建系统的自动化工具。目前版本是2.0.9，注意maven2和maven1有很大区别，阅读第三方文档时需要区分版本。 1.2. Maven资源见官方网站；The 5 minute test，官方简易入门文档；Getting Started Tutorial，官方入门文档；Build Coo
Android 通过 intent传值获得null aijuans android
我在通过intent 获得传递兑现过的时候报错，空指针,我是getMap方法进行传值，代码如下 1 2 3 4 5 6 7 8 9 public void getMap(View view){ Intent i =
apache 做代理报如下错误：The proxy server received an invalid response from an upstream baalwolf response
网站配置是apache＋tomcat,tomcat没有报错，apache报错是： The proxy server received an invalid response from an upstream server. The proxy server could not handle the request GET /. Reason: Error reading fr
Tomcat6 内存和线程配置 BigBird2012 tomcat6
1、修改启动时内存参数、并指定JVM时区（在windows server 2008 下时间少了8个小时）在Tomcat上运行j2ee项目代码时，经常会出现内存溢出的情况，解决办法是在系统参数中增加系统参数： window下，在catalina.bat最前面 set JAVA_OPTS=-XX:PermSize=64M -XX:MaxPermSize=128m -Xms5
Karam与TDD bijian1013 Karam TDD
一.TDD 测试驱动开发（Test-Driven Development,TDD）是一种敏捷（AGILE）开发方法论，它把开发流程倒转了过来，在进行代码实现之前，首先保证编写测试用例，从而用测试来驱动开发（而不是把测试作为一项验证工具来使用）。 TDD的原则很简单： a.只有当某个
[Zookeeper学习笔记之七]Zookeeper源代码分析之Zookeeper.States bit1129 zookeeper
public enum States { CONNECTING, //Zookeeper服务器不可用，客户端处于尝试链接状态 ASSOCIATING, //？？？ CONNECTED, //链接建立，可以与Zookeeper服务器正常通信 CONNECTEDREADONLY, //处于只读状态的链接状态，只读模式可以在
【Scala十四】Scala核心八：闭包 bit1129 scala
Free variable A free variable of an expression is a variable that’s used inside the expression but not defined inside the expression. For instance, in the function literal expression (x: Int) => (x
android发送json并解析返回json ronin47 android
package com.http.test; import org.apache.http.HttpResponse; import org.apache.http.HttpStatus; import org.apache.http.client.HttpClient; import org.apache.http.client.methods.HttpGet; import
一份IT实习生的总结 brotherlamp PHP php资料 php教程 php培训 php视频
今天突然发现在不知不觉中自己已经实习了 3 个月了，现在可能不算是真正意义上的实习吧，因为现在自己才大三，在这边撸代码的同时还要考虑到学校的功课跟期末考试。让我震惊的是，我完全想不到在这 3 个月里我到底学到了什么，这是一件多么悲催的事情啊。同时我对我应该 get 到什么新技能也很迷茫。所以今晚还是总结下把，让自己在接下来的实习生活有更加明确的方向。最后感谢工作室给我们几个人这个机会让我们提前出来
据说是2012年10月人人网校招的一道笔试题-给出一个重物重量为X,另外提供的小砝码重量分别为1，3，9。。。3^N。将重物放到天平左侧，问在两边如何添加砝码 bylijinnan java
public class ScalesBalance { /** * 题目： * 给出一个重物重量为X,另外提供的小砝码重量分别为1，3，9。。。3^N。（假设N无限大，但一种重量的砝码只有一个） * 将重物放到天平左侧，问在两边如何添加砝码使两边平衡 * * 分析： * 三进制 * 我们约定括号表示里面的数是三进制，例如 47=(1202
dom4j最常用最简单的方法 chiangfai dom4j
要使用dom4j读写XML文档,需要先下载dom4j包,dom4j官方网站在 http://www.dom4j.org/目前最新dom4j包下载地址:http://nchc.dl.sourceforge.net/sourceforge/dom4j/dom4j-1.6.1.zip 解开后有两个包,仅操作XML文档的话把dom4j-1.6.1.jar加入工程就可以了,如果需要使用XPath的话还需要
简单HBase笔记 chenchao051 hbase
一、Client-side write buffer 客户端缓存请求描述：可以缓存客户端的请求，以此来减少RPC的次数，但是缓存只是被存在一个ArrayList中，所以多线程访问时不安全的。可以使用getWriteBuffer()方法来取得客户端缓存中的数据。默认关闭。二、Scan的Caching 描述： next( )方法请求一行就要使用一次RPC,即使
mysqldump导出时出现when doing LOCK TABLES daizj mysql mysqdump 导数据
　　执行　mysqldump -uxxx -pxxx -hxxx -Pxxxx database tablename > tablename.sql　导出表时，会报 mysqldump: Got error: 1044: Access denied for user 'xxx'@'xxx' to database 'xxx' when doing LOCK TABLES 解决
CSS渲染原理 dcj3sjt126com Web
从事Web前端开发的人都与CSS打交道很多，有的人也许不知道css是怎么去工作的，写出来的css浏览器是怎么样去解析的呢？当这个成为我们提高css水平的一个瓶颈时，是否应该多了解一下呢？一、浏览器的发展与CSS
《阿甘正传》台词 dcj3sjt126com
Part Ⅰ: 《阿甘正传》Forrest Gump经典中英文对白 Forrest: Hello! My names Forrest. Forrest Gump. You wanna Chocolate? I could eat about a million and a half othese. My momma always said life was like a box ochocol
Java处理JSON dyy_gusi json
Json在数据传输中很好用，原因是JSON 比 XML 更小、更快，更易解析。在Java程序中，如何使用处理JSON，现在有很多工具可以处理，比较流行常用的是google的gson和alibaba的fastjson，具体使用如下： 1、读取json然后处理 class ReadJSON { public static void main(String[] args)
win7下nginx和php的配置 geeksun nginx
1. 安装包准备 nginx : 从nginx.org下载nginx-1.8.0.zip php：从php.net下载php-5.6.10-Win32-VC11-x64.zip， php是免安装文件。 RunHiddenConsole: 用于隐藏命令行窗口 2. 配置 # java用8080端口做应用服务器，nginx反向代理到这个端口即可 p
基于2.8版本redis配置文件中文解释 hongtoushizi redis
转载自： http://wangwei007.blog.51cto.com/68019/1548167 在Redis中直接启动redis-server服务时, 采用的是默认的配置文件。采用redis-server xxx.conf 这样的方式可以按照指定的配置文件来运行Redis服务。下面是Redis2.8.9的配置文
第五章常用Lua开发库3-模板渲染 jinnianshilongnian nginx lua
动态web网页开发是Web开发中一个常见的场景，比如像京东商品详情页，其页面逻辑是非常复杂的，需要使用模板技术来实现。而Lua中也有许多模板引擎，如目前我在使用的lua-resty-template，可以渲染很复杂的页面，借助LuaJIT其性能也是可以接受的。如果学习过JavaEE中的servlet和JSP的话，应该知道JSP模板最终会被翻译成Servlet来执行；而lua-r
JZSearch大数据搜索引擎颠覆者 JavaScript
系统简介：大数据的特点有四个层面：第一，数据体量巨大。从TB级别，跃升到PB级别；第二，数据类型繁多。网络日志、视频、图片、地理位置信息等等。第三，价值密度低。以视频为例，连续不间断监控过程中，可能有用的数据仅仅有一两秒。第四，处理速度快。最后这一点也是和传统的数据挖掘技术有着本质的不同。业界将其归纳为4个“V”——Volume，Variety，Value，Velocity。大数据搜索引
10招让你成为杰出的Java程序员 pda158 java 编程框架
如果你是一个热衷于技术的 Java 程序员，那么下面的 10 个要点可以让你在众多 Java 开发人员中脱颖而出。　　 1. 拥有扎实的基础和深刻理解 OO 原则　　对于 Java 程序员，深刻理解 Object Oriented Programming（面向对象编程）这一概念是必须的。没有 OOPS 的坚实基础，就领会不了像 Java 这些面向对象编程语言
tomcat之oracle连接池配置小网客 oracle
tomcat版本7.0 配置oracle连接池方式：修改tomcat的server.xml配置文件： <GlobalNamingResources> <Resource name="utermdatasource" auth="Container" type="javax.sql.DataSou
Oracle 分页算法汇总 vipbooks oracle sql 算法 .net
这是我找到的一些关于Oracle分页的算法，大家那里还有没有其他好的算法没？我们大家一起分享一下！ -- Oracle 分页算法一 select * from ( select page.*,rownum rn from (select * from help) page -- 20 = (currentPag

Matplotlib数据可视化从入门到进阶

目录

一、数据可视化入门

1.基础知识

1.1 图形绘制

1.2 标题、标签、坐标轴刻度

1.2.1 标题的设置

1.2.2 标签的设置

1.2.3 坐标轴刻度的设置

1.3 图例

1.4 脊柱移动

1.5 图片保存

2.风格和样式

2.1 颜色、线形、点形、线宽、透明度

2.2 更多属性设置

3.训练场

3.1 绘制如下图形

3.2 根据提供数据，进行分组聚合运算，绘制如下图形

二、数据可视化高级

1.多图布局

1.1 子视图

1.2 嵌套

1.3 多图布局分格显示

1.3.1 均匀布局

1.3.2 不均匀分布

1.4 双轴显示

2.文本、注释、箭头

2.1 文本

2.2 箭头

2.3 注释

2.4 注释箭头连接形状

3.训练场

3.1 绘制如下子图

三、数据可视化进阶

1.常用视图

1.1 折线图

1.2 柱状图

1.2.1 堆叠柱状图

1.2.2 分组带标签柱状图

1.3 极坐标图

1.3.1 线性极坐标

1.3.2 条形极坐标

1.4 直方图

1.5 箱形图

1.6 散点图

1.7 饼图

1.7.1 一般饼图

1.7.2 甜甜圈

1.8 热力图

1.9 面积图

1.10 蜘蛛图

2.3D图形

2.1 三维折线图

2.2 三维散点图

2.3 三维柱状图

3.Seaborn

1.安装

2.快速上手

2.1 模式设置

2.2 线形图

3.各种图形绘制

3.1 调色板

3.2 线形图

3.3 散点图

3.4 柱状图

3.5 箱式图

3.6 直方图

3.7 分类散点图

3.8 热力图

4.训练场

4.1 数据处理

4.2 数据挖掘与可视化

你可能感兴趣的:(AIoT(人工智能+物联网),python,数据分析,matplotlib,数据可视化,数据挖掘)