精华内容
下载资源
问答
  • python数据动态可视化
    万次阅读
    2018-06-25 20:10:20

    python数据动态可视化

    高频实时数据可视化,做一个简单记录:

    • 参考资料
    • 代码块实例

    参考资料

    real-time plotting in while loop with matplotlib
    `

    代码示例

    参考资料例子为主题,根据需求进行修改。

    实例1

    代码块语法遵循标准markdown代码,例如:

    import numpy as np
    import time
    import matplotlib
    matplotlib.use('GTKAgg')
    from matplotlib import pyplot as plt
    import random
    
    def randomwalk(dims=(256, 256), n=20, sigma=5, alpha=0.95, seed=1):
        """ A simple random walk with memory """
    
        r, c = dims
        gen = np.random.RandomState(seed)
        #pos = gen.rand(2, n) * ((r,), (c,))
        old_delta = gen.randn(2, n) * sigma
        pos=[[]]
        while True:
            #delta = (1. - alpha) * gen.randn(2, n) * sigma + alpha * old_delta
            #pos += delta
            #for ii in xrange(n):
            #    if not (0. <= pos[0, ii] < r):
            #        pos[0, ii] = abs(pos[0, ii] % r)
            #    if not (0. <= pos[1, ii] < c):
            #        pos[1, ii] = abs(pos[1, ii] % c)
            #old_delta = delta
            a=random.randint(1,1000)
            b=random.randint(1,1000)
    
            pos.append(a)
            yield (a ,b)#pos
            #yield pos
    
    
    def run(niter=10000, doblit=True):
        """
        Display the simulation using matplotlib, optionally using blit for speed
        """
    
        fig, ax = plt.subplots(1, 1)
        ax.set_aspect('equal')
        ax.set_xlim(0, 255)
        ax.set_ylim(0, 255)
        ax.hold(True)
        #rw = randomwalk()
        #x, y = randomwalk()#rw.next()
        a=random.randint(1,1000)
        b=random.randint(1,1000)
        x=[]
        y=[]
        x.append(a)#random.randint(1,1000)
        y.append(b)#random.randint(1,1000)
    
        plt.show(False)
        plt.draw()
    
        if doblit:
            # cache the background
            background = fig.canvas.copy_from_bbox(ax.bbox)
    
        points = ax.plot(x, y, 'o')[0]
        #ax.add_artist(points)
        fig.canvas.draw()
    
        tic = time.time()
    
        for ii in xrange(niter):
    
            # update the xy data
            #x, y = rw.next()
            a=random.randint(1,1000)
            b=random.randint(1,1000)
            x.append(a)
            y.append(b)
            points.set_data(x, y)
    
            if doblit:
                # restore background
                fig.canvas.restore_region(background)
    
                # redraw just the points
    
                ax.draw_artist(points)
    
                # fill in the axes rectangle
                fig.canvas.blit(ax.bbox)
    
            else:
                # redraw everything
                fig.canvas.draw()
    
        plt.close(fig)
        print "Blit = %s, average FPS: %.2f" % (
            str(doblit), niter / (time.time() - tic))
    
    if __name__ == '__main__':
        run(doblit=False)
        run(doblit=True)

    说明

    保留背景绘制数据,相比绘制整幅图提高10倍左右,随着数据增加提高效率降低。

    更多相关内容
  • Python为基础进行数据分析,Matplotlib存在不够美观、静态性、不易分享等缺点,限制了Python在数据可视化中的发展。为了解决这个问题,新型的动态可视化开源模块Plotly应运而生。由于Plotly具有动态、美观、易用、...
  • Python 和 Echart 实现的酷炫可视化大屏。 详细手册参考我的博文: https://blog.csdn.net/lildkdkdkjf/article/details/107083274
  • Python数据可视化课本内全部课后习题_答案
  • 主要为大家详细介绍了python可视化动态CPU性能监控,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
  • Python数据可视化编程实战是一本使用Python实现数据...《Python数据可视化编程实战》适合那些对Python编程有一定基础的开发人员,可以帮助读者从头开始了解数据、数据格式、数据可视化,并学会使用Python可视化数据。
  • plotly使用入门
  • python 疫情数据可视化

    2020-12-21 12:29:47
    json数据转 csv import json import time import csv file = open('DXYArea-TimeSeries.json','r',encoding='utf-8') infos = json.load(file) with open('data.csv','a',newline='') as f: writer = csv....
  • Python 数据可视化.pdf

    2019-05-10 16:12:46
    【印度】科斯·拉曼著 完整版 《Python数据可视化》介绍了利用Python实现数据可视化。并介绍了数据、信息与知识之间的关系。书中涉及的可视化过程应用了大量流行的Python库,你会学到采用Numpy、Scipy、IPython、...
  • 基于Python可视化数据分析系统采Django框架进行开发,功能包括缺失值处理、异常值处理、重复值处理、探索性数据分析、决策树、线性回归、KNN分类、k-means聚类、PCA数据降维。数据可视化功能使用Echart进行设计,...
  • 基于Python可视化数据分析平台设计与实现.pdf
  • 基于Python可视化数据分析平台设计与实现 (1).pdf
  • 可以通过设置页面动画,来制作动态可视化图表。 官网地址:Tableau。 二、Echarts 百度旗下基于 JavaScript 的开源 Web 可视化工具,Apache 顶级项目。Echarts 目前有 Python 接口-Pyecharts,可以通过 pip 安装...

    一、Tableau

    • 世界知名的 BI 工具,以超强的可视化能力著称。它已经成为商业 BI 界的 TOP 选手,很多大型公司像阿里、谷歌都在使用,能快速搭建数据系统。
    • 可以通过设置页面动画,来制作动态可视化图表。
    • 官网地址:Tableau

    在这里插入图片描述

    二、Echarts

    • 百度旗下基于 JavaScript 的开源 Web 可视化工具,Apache 顶级项目。Echarts 目前有 Python 接口-Pyecharts,可以通过 pip 安装。
    • 在网页上看到的各种炫酷的动态图表,Echarts 都能搞定。
    • 官网地址:Echarts

    在这里插入图片描述

    三、Flourish

    • 一个专门制作动态数据的可视化网站,提供了多少种数据展示场景。
    • 不用下载软件,直接在浏览器上就可以通过 Flourish 制作图表,非常方便。
    • 在抖音上常看到的动态排名视频,就可以用 Flourish 来制作。
    • 官方地址:Flourish

    在这里插入图片描述

    四、Python

    • Python 不用多说了,全能选手,是数据科学领域的专业编程语言,可视化也是它的强项。它拥有 matplotlib、plotly、bokeh、pyecharts 等多种动态可视化库,可以高定制化完成各种展示。
    • 官网地址:Python

    在这里插入图片描述

    五、kepler.gl

    • 地图可视化爱好者的福音,这个工具很少被人知道,但非常好用。它是 Uber 开发的地图可视化工具,能对大规模地理数据进行动态渲染,而且地图场景非常丰富。
    • 官网地址:kepler.gl

    在这里插入图片描述

    展开全文
  • 《Python数据可视化编程实战》是一本使用Python实现...《Python数据可视化编程实战》适合那些对Python编程有一定基础的开发人员,可以帮助读者从头开始了解数据、数据格式、数据可视化,并学会使用Python可视化数据。
  • python爬虫,并将数据进行可视化分析,数据可视化包含饼图、柱状图、漏斗图、词云、另附源代码和报告书。
  • 利用 Python3.5+PyCharm+PyQt 编写可视化界面。简单示例
  • Python数据可视化编程实战 一书的示例代码,书名英文为python Data visualization cookbook
  • python 做一个动态可视化交互大屏

    万次阅读 多人点赞 2020-06-08 17:11:00
    你可能经常会在公司前台、展会、路演时看到可视化数据的交互大屏。今天我们就来用 python 做一个动态可视化的交互大屏图。一、项目背景随着科技的飞速发展,数据呈现爆发式的增长,任何人都摆...

    你可能经常会在公司前台、展会、路演时看到可视化数据的交互大屏。今天我们就来用 python 做一个动态可视化的交互大屏图。

    一、项目背景

    随着科技的飞速发展,数据呈现爆发式的增长,任何人都摆脱不了与数据打交道,社会对于“数据”方面的人才需求也在不断增大。因此了解当下企业究竟需要招聘什么样的人才?需要什么样的技能?不管是对于在校生,还是对于求职者来说,都显得很有必要。

    本文基于这个问题,针对51job招聘网站,爬取了全国范围内大数据、数据分析、数据挖掘、机器学习、人工智能等相关岗位的招聘信息。

    分析比较了不同岗位的薪资、学历要求;分析比较了不同区域、行业对相关人才的需求情况;分析比较了不同岗位的知识、技能要求等。

    二、效果展示

    本次数据分析的特点在于:使用Tableau将数据分析的结果做成 可视化交互大屏,效果如下:

    三、爬取数据

    基于51job招聘网站,我们搜索全国对于“数据”岗位的需求,大概有2000页。

    1. 爬取岗位:大数据、数据分析、机器学习、人工智能等相关岗位。

    2. 爬取字段:公司名、岗位名、工作地址、薪资、发布时间、工作描述、公司类型、员工人数、所属行业。

    我们爬取的字段,既有一级页面的相关信息,还有二级页面的部分信息,大概爬取思路为:先针对某一页数据的一级页面做一个解析,然后再进行二级页面做一个解析,最后再进行翻页操作

    使用工具:Python+requests+lxml+pandas+time+Xpath

    1.导入相关库

    import requests
    import pandas as pd
    from pprint import pprint
    from lxml import etree
    import time
    import warnings
    warnings.filterwarnings("ignore")
    

    2.关于翻页的说明

    # 第一页的特点
    https://search.51job.com/list/000000,000000,0000,00,9,99,%25E6%2595%25B0%25E6%258D%25AE,2,1.html?
    # 第二页的特点
    https://search.51job.com/list/000000,000000,0000,00,9,99,%25E6%2595%25B0%25E6%258D%25AE,2,2.html?
    # 第三页的特点
    https://search.51job.com/list/000000,000000,0000,00,9,99,%25E6%2595%25B0%25E6%258D%25AE,2,3.html?
    

    注意:通过对于页面的观察,可以看出,就一个地方的数字变化了,因此只需要做字符串拼接,然后循环爬取即可。

    3.完整的爬取代码

    import requests
    import pandas as pd
    from pprint import pprint
    from lxml import etree
    import time
    import warnings
    warnings.filterwarnings("ignore")
    
    for i in range(1,1501):
        print("正在爬取第" + str(i) + "页的数据")
        url_pre = "https://search.51job.com/list/000000,000000,0000,00,9,99,%25E6%2595%25B0%25E6%258D%25AE,2,"
        url_end = ".html?"
        url = url_pre + str(i) + url_end
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36'
        }
        web = requests.get(url, headers=headers)
        web.encoding = "gbk"
        dom = etree.HTML(web.text)
        # 1、岗位名称
        job_name = dom.xpath('//div[@class="dw_table"]/div[@class="el"]//p/span/a[@target="_blank"]/@title')
        # 2、公司名称
        company_name = dom.xpath('//div[@class="dw_table"]/div[@class="el"]/span[@class="t2"]/a[@target="_blank"]/@title')
        # 3、工作地点
        address = dom.xpath('//div[@class="dw_table"]/div[@class="el"]/span[@class="t3"]/text()')
        # 4、工资
        salary_mid = dom.xpath('//div[@class="dw_table"]/div[@class="el"]/span[@class="t4"]')
        salary = [i.text for i in salary_mid]
        # 5、发布日期
        release_time = dom.xpath('//div[@class="dw_table"]/div[@class="el"]/span[@class="t5"]/text()')
        # 6、获取二级网址url
        deep_url = dom.xpath('//div[@class="dw_table"]/div[@class="el"]//p/span/a[@target="_blank"]/@href')
        RandomAll = []
        JobDescribe = []
        CompanyType = []
        CompanySize = []
        Industry = []
        for i in range(len(deep_url)):
            web_test = requests.get(deep_url[i], headers=headers)
            web_test.encoding = "gbk"
            dom_test = etree.HTML(web_test.text)
            # 7、爬取经验、学历信息,先合在一个字段里面,以后再做数据清洗。命名为random_all
            random_all = dom_test.xpath('//div[@class="tHeader tHjob"]//div[@class="cn"]/p[@class="msg ltype"]/text()')
            # 8、岗位描述性息
            job_describe = dom_test.xpath('//div[@class="tBorderTop_box"]//div[@class="bmsg job_msg inbox"]/p/text()')
            # 9、公司类型
            company_type = dom_test.xpath('//div[@class="tCompany_sidebar"]//div[@class="com_tag"]/p[1]/@title')
            # 10、公司规模(人数)
            company_size = dom_test.xpath('//div[@class="tCompany_sidebar"]//div[@class="com_tag"]/p[2]/@title')
            # 11、所属行业(公司)
            industry = dom_test.xpath('//div[@class="tCompany_sidebar"]//div[@class="com_tag"]/p[3]/@title')
            # 将上述信息保存到各自的列表中
            RandomAll.append(random_all)
            JobDescribe.append(job_describe)
            CompanyType.append(company_type)
            CompanySize.append(company_size)
            Industry.append(industry)
            # 为了反爬,设置睡眠时间
            time.sleep(1)
        # 由于我们需要爬取很多页,为了防止最后一次性保存所有数据出现的错误,因此,我们每获取一夜的数据,就进行一次数据存取。
        df = pd.DataFrame()
        df["岗位名称"] = job_name
        df["公司名称"] = company_name
        df["工作地点"] = address
        df["工资"] = salary
        df["发布日期"] = release_time
        df["经验、学历"] = RandomAll
        df["公司类型"] = CompanyType
        df["公司规模"] = CompanySize
        df["所属行业"] = Industry
        df["岗位描述"] = JobDescribe
        # 这里在写出过程中,有可能会写入失败,为了解决这个问题,我们使用异常处理。
        try:
            df.to_csv("job_info.csv", mode="a+", header=None, index=None, encoding="gbk")
        except:
            print("当页数据写入失败")
        time.sleep(1)
    print("数据爬取完毕,是不是很开心!!!")
    

    这里可以看到,我们爬取了1000多页的数据做最终的分析。因此每爬取一页的数据,做一次数据存储,避免最终一次性存储导致失败。同时根据自己的测试,有一些页数进行数据存储,会导致失败,为了不影响后面代码的执行,我们使用了“try-except”异常处理。

    在一级页面中,我们爬取了“岗位名称”,“公司名称”,“工作地点”,“工资”,“发布日期”,“二级网址的url”这几个字段。

    在二级页面中,我们爬取了“经验、学历信息”,“岗位描述”,“公司类型”,“公司规模”,“所属行业”这几个字段。

    四、数据预处理

    从爬取到的数据中截取部分做了一个展示,可以看出数据很乱。

    杂乱的数据并不利于我们的分析,因此需要根据研究的目标做一个数据预处理,得到我们最终可以用来做可视化展示的数据。

    1.相关库的导入及数据的读取

    df = pd.read_csv(r"G:\8泰迪\python_project\51_job\job_info1.csv",engine="python",header=None)
    # 为数据框指定行索引
    df.index = range(len(df))
    # 为数据框指定列索引
    df.columns = ["岗位名","公司名","工作地点","工资","发布日期","经验与学历","公司类型","公司规模","行业","工作描述"]
    

    2.数据去重

    我们认为一个公司的公司名和和发布的岗位名一致,就看作是重复值。因此,使用drop_duplicates(subset=[])函数,基于“岗位名”和“公司名”做一个重复值的剔除。

    # 去重之前的记录数
    print("去重之前的记录数",df.shape)
    # 记录去重
    df.drop_duplicates(subset=["公司名","岗位名"],inplace=True)
    # 去重之后的记录数
    print("去重之后的记录数",df.shape)
    

    3.岗位名字段的处理

    1)岗位名字段的探索

    df["岗位名"].value_counts()
    df["岗位名"] = df["岗位名"].apply(lambda x:x.lower())
    

    首先我们对每个岗位出现的频次做一个统计,可以看出“岗位名字段”太杂乱,不便于我们做统计分析。接着我们将岗位名中的大写英文字母统一转换为小写字母,也就是说“AI”和“Ai”属于同一个东西。

    2)构造想要分析的目标岗位,做一个数据筛选

    job_info.shape
    target_job = ['算法', '开发', '分析', '工程师', '数据', '运营', '运维']
    index = [df["岗位名"].str.count(i) for i in target_job]
    index = np.array(index).sum(axis=0) > 0
    job_info = df[index]
    job_info.shape
    

    首先我们构造了如上七个目标岗位的关键字眼。然后利用count()函数统计每一条记录中,是否包含这七个关键字眼,如果包含就保留这个字段;不过不包含就删除这个字段,最后查看筛选之后还剩余多少条记录。

    3)目标岗位标准化处理

    由于目标岗位太杂乱,我们需要统一一下

    job_list = ['数据分析', "数据统计","数据专员",'数据挖掘', '算法',
                '大数据','开发工程师', '运营', '软件工程', '前端开发',
                '深度学习', 'ai', '数据库', '数据库', '数据产品',
                '客服', 'java', '.net', 'andrio', '人工智能', 'c++',
                '数据管理',"测试","运维"]
    job_list = np.array(job_list)
    def rename(x=None,job_list=job_list):
        index = [i in x for i in job_list]
        if sum(index) > 0:
            return job_list[index][0]
        else:
            return x
    job_info["岗位名"] = job_info["岗位名"].apply(rename)
    job_info["岗位名"].value_counts()
    # 数据统计、数据专员、数据分析统一归为数据分析
    job_info["岗位名"] = job_info["岗位名"].apply(lambda x:re.sub("数据专员","数据分析",x))
    job_info["岗位名"] = job_info["岗位名"].apply(lambda x:re.sub("数据统计","数据分析",x))
    

    首先我们定义了一个想要替换的目标岗位job_list,将其转换为ndarray数组。然后定义一个函数,如果某条记录包含job_list数组中的某个关键词,那么就将该条记录替换为这个关键词,如果某条记录包含job_list数组中的多个关键词,我们只取第一个关键词替换该条记录。接着使用value_counts()函数统计一下替换后的各岗位的频次。最后,我们将“数据专员”、“数据统计”统一归为“数据分析”。

    4.工资水平字段的处理

    工资水平字段的数据类似于“20-30万/年”、“2.5-3万/月”和“3.5-4.5千/月”这样的格式。我们需要做一个统一的变化,将数据格式转换为“元/月”,然后取出这两个数字,求一个平均值。

    job_info["工资"].str[-1].value_counts()
    job_info["工资"].str[-3].value_counts()
    
    index1 = job_info["工资"].str[-1].isin(["年","月"])
    index2 = job_info["工资"].str[-3].isin(["万","千"])
    job_info = job_info[index1 & index2]
    
    def get_money_max_min(x):
        try:
            if x[-3] == "万":
                z = [float(i)*10000 for i in re.findall("[0-9]+\.?[0-9]*",x)]
            elif x[-3] == "千":
                z = [float(i) * 1000 for i in re.findall("[0-9]+\.?[0-9]*", x)]
            if x[-1] == "年":
                z = [i/12 for i in z]
            return z
        except:
            return x
    
    salary = job_info["工资"].apply(get_money_max_min)
    job_info["最低工资"] = salary.str[0]
    job_info["最高工资"] = salary.str[1]
    job_info["工资水平"] = job_info[["最低工资","最高工资"]].mean(axis=1)
    

    首先我们做了一个数据筛选,针对于每一条记录,如果最后一个字在“年”和“月”中,同时第三个字在“万”和“千”中,那么就保留这条记录,否则就删除。接着定义了一个函数,将格式统一转换为“元/月”。最后将最低工资和最高工资求平均值,得到最终的“工资水平”字段。

    5.工作地点字段的处理

    由于整个数据是关于全国的数据,涉及到的城市也是特别多。我们需要自定义一个常用的目标工作地点字段,对数据做一个统一处理。

    #job_info["工作地点"].value_counts()
    address_list = ['北京', '上海', '广州', '深圳', '杭州', '苏州', '长沙',
                    '武汉', '天津', '成都', '西安', '东莞', '合肥', '佛山',
                    '宁波', '南京', '重庆', '长春', '郑州', '常州', '福州',
                    '沈阳', '济南', '宁波', '厦门', '贵州', '珠海', '青岛',
                    '中山', '大连','昆山',"惠州","哈尔滨","昆明","南昌","无锡"]
    address_list = np.array(address_list)
    
    def rename(x=None,address_list=address_list):
        index = [i in x for i in address_list]
        if sum(index) > 0:
            return address_list[index][0]
        else:
            return x
    job_info["工作地点"] = job_info["工作地点"].apply(rename)
    

    首先我们定义了一个目标工作地点列表,将其转换为ndarray数组。接着定义了一个函数,将原始工作地点记录,替换为目标工作地点中的城市。

    6.公司类型字段的处理

    这个很容易,就不详细说明了。

    job_info.loc[job_info["公司类型"].apply(lambda x:len(x)<6),"公司类型"] = np.nan
    job_info["公司类型"] = job_info["公司类型"].str[2:-2]
    

    7.行业字段的处理

    每个公司的行业字段可能会有多个行业标签,但是我们默认以第一个作为该公司的行业标签。

    # job_info["行业"].value_counts()
    job_info["行业"] = job_info["行业"].apply(lambda x:re.sub(",","/",x))
    job_info.loc[job_info["行业"].apply(lambda x:len(x)<6),"行业"] = np.nan
    job_info["行业"] = job_info["行业"].str[2:-2].str.split("/").str[0]
    

    8.经验与学历字段的处理

    关于这个字段的数据处理,我很是思考了一会儿,不太好叙述,放上代码自己下去体会。

    job_info["学历"] = job_info["经验与学历"].apply(lambda x:re.findall("本科|大专|应届生|在校生|硕士",x))
    def func(x):
        if len(x) == 0:
            return np.nan
        elif len(x) == 1 or len(x) == 2:
            return x[0]
        else:
            return x[2]
    job_info["学历"] = job_info["学历"].apply(func)
    

    9.工作描述字段的处理

    对于每一行记录,我们去除停用词以后,做一个jieba分词。

    with open(r"G:\8泰迪\python_project\51_job\stopword.txt","r") as f:
        stopword = f.read()
    stopword = stopword.split()
    stopword = stopword + ["任职","职位"," "]
    
    job_info["工作描述"] = job_info["工作描述"].str[2:-2].apply(lambda x:x.lower()).apply(lambda x:"".join(x))\
        .apply(jieba.lcut).apply(lambda x:[i for i in x if i not in stopword])
    job_info.loc[job_info["工作描述"].apply(lambda x:len(x) < 6),"工作描述"] = np.nan
    

    10.公司规模字段的处理

    #job_info["公司规模"].value_counts()
    def func(x):
        if x == "['少于50人']":
            return "<50"
        elif x == "['50-150人']":
            return "50-150"
        elif x == "['150-500人']":
            return '150-500'
        elif x == "['500-1000人']":
            return '500-1000'
        elif x == "['1000-5000人']":
            return '1000-5000'
        elif x == "['5000-10000人']":
            return '5000-10000'
        elif x == "['10000人以上']":
            return ">10000"
        else:
            return np.nan
    job_info["公司规模"] = job_info["公司规模"].apply(func)
    

    11.构造新数据

    我们针对最终清洗干净的数据,选取需要分析的字段,做一个数据存储。

    feature = ["公司名","岗位名","工作地点","工资水平","发布日期","学历","公司类型","公司规模","行业","工作描述"]
    final_df = job_info[feature]
    final_df.to_excel(r"G:\8泰迪\python_project\51_job\词云图.xlsx",encoding="gbk",index=None)
    

    五、字段的特殊处理

    由于我们之后需要针对不同的岗位名做不同的词云图处理,并且是在tableau中做可视化展示,因此我们需要按照岗位名分类,求出不同岗位下各关键词的词频统计。

    import numpy as np
    import pandas as pd
    import re
    import jieba
    import warnings
    warnings.filterwarnings("ignore")
    
    df = pd.read_excel(r"G:\8泰迪\python_project\51_job\new_job_info1.xlsx",encoding="gbk")
    df
    
    def get_word_cloud(data=None, job_name=None):
        words = []
        describe = data['工作描述'][data['岗位名'] == job_name].str[1:-1]
        describe.dropna(inplace=True)
        [words.extend(i.split(',')) for i in describe]
        words = pd.Series(words)
        word_fre = words.value_counts()
        return word_fre
    
    zz = ['数据分析', '算法', '大数据','开发工程师', '运营', '软件工程','运维', '数据库','java',"测试"]
    for i in zz:
        word_fre = get_word_cloud(data=df, job_name='{}'.format(i))
        word_fre = word_fre[1:].reset_index()[:100]
        word_fre["岗位名"] = pd.Series("{}".format(i),index=range(len(word_fre)))
        word_fre.to_csv(r"G:\8泰迪\python_project\51_job\词云图\bb.csv", mode='a',index=False, header=None,encoding="gbk")
    

    六、tableau可视化展示

    1. 热门城市的用人需求TOP10

    2. 热门城市的岗位数量TOP10

    3. 不同工作地点岗位数量的气泡图

    4. 热门岗位的薪资待遇

    5. 热门行业的薪资待遇

    6. 可视化大屏的“动态”展示

    这里最终就不做结论分析了,因为结论通过上图,就可以很清晰的看出来。想学习实践的同学可以下载源码自己分析哦!

    源码链接:

    https://pan.baidu.com/s/1ZF_r8FKGeYxalqvz25IQwA 

    提取码:hbix

    作者:黄伟呢 

    来源:凹凸数据

    不同的是,print和pprint是python的内置模块,而 beeprint 需要额外安装。

      延伸阅读  

    Python:

    ☞ 这是我看过的最好的Python零基础Pandas教程(可下载)

    ☞ 我用 pyhton 做了款可开淘宝店赚钱的工具

    ☞ 一个超有意思的 Python 综合能力测试网站

    技能GET:

    ☞ 立刻、马上对你的电脑做这三件事!

    ☞ 专为技术人员打造的搜索引擎,提升n倍搜索效率!

    ☞ 一个聚合全网热点信息的神网站

    展开全文
  • Python 和 Echart 实现的酷炫可视化大屏。 详细手册参考我的博文: https://blog.csdn.net/lildkdkdkjf/article/details/119801899
  • 程序利用python numpy和matplotlib库实现了简单的梯度下降算法并对其进行可视化。程序通过简单的可视化过程解释了梯度下降的原理,供大家学习参考。注:并不是反向传播的实现,而是对梯度下降原理的解释,请根据需要...
  • Python编写的学生成绩管理系统具有可视化界面
  • 《Python数据可视化编程实战》适合那些对Python编程有一定基础的开发人员,可以帮助读者从头开始了解数据、数据格式、数据可视化,并学会使用Python可视化数据。 Python数据可视化编程实战目录 第1章 准备工作环境 ...
  • python网络爬虫,爬取某网站景点信息,使用scrapy框架,存入excel,并实现可视化,内含有含有文档,原创,可以作为课程设计使用。(19年的代码,需要自己在调试一下爬虫部分)
  • 利用python爬虫技术爬取中国气象网的天气数据,并对数据进行分析处理可视化,绘制图线,内涵源码及说明文档,完美应付课设及大作业
  • 从网上下载数据,并对这些数据进行可视化。 我们将访问并可视化两种常见格式存储的数据:CSV和JSON。分别使用Python中的csv以及json模块对他们进行处理。 然后,我们再根据下载的数据,使用matplotlib创建一个图标。...
  • 主要为大家详细介绍了python实现3D地图可视化,文中示例代码介绍的非常详细,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
  • python数据可视化编程实战》是一本使用Python实现数据可视化编程的实战指南,介绍了如何使用Python最流行的库matplot。 由于本人分数不多,设置了下载资源分。如果你们分数不够的话可以直接去官网下载,下载方式...
  • Python数据可视化手册.pdf

    千次下载 热门讨论 2015-01-18 14:13:38
    Python Data Visualization Cookbook.pdf
  • python点云可视化

    千次阅读 2022-04-07 14:23:39
    Python三种点云可视化方案:mayavi、matplotlib、CloudCompare。

    Python三种点云可视化方案:mayavi、matplotlib、CloudCompare。

    方案一:mayavi可视化点云

    安装方式:

    pip install mayavi

    可视化代码:其中'airplane_0001.txt'数据下载地址为:modelnet40点云样例数据-深度学习文档类资源-CSDN下载

    from mayavi import mlab
    import numpy as np
    
    def viz_mayavi(points):
        x = points[:, 0]  # x position of point
        y = points[:, 1]  # y position of point
        z = points[:, 2]  # z position of point
        fig = mlab.figure(bgcolor=(0, 0, 0), size=(640, 360)) #指定图片背景和尺寸
        mlab.points3d(x, y, z,
                             z,          # Values used for Color,指定颜色变化依据
                             mode="point",
                              colormap='spectral', # 'bone', 'copper', 'gnuplot'
                             # color=(0, 1, 0),   # 也可以使用固定的RGB值
                             )
        mlab.show()
    points = np.loadtxt('airplane_0001.txt', delimiter=',')
    viz_mayavi(points)

    显示结果:

     方案二、matplotlib可视化点云

    代码如下所示:

    import matplotlib.pyplot as plt
    import numpy as np
    
    def viz_matplot(points):
        x = points[:, 0]  # x position of point
        y = points[:, 1]  # y position of point
        z = points[:, 2]  # z position of point
        fig = plt.figure()
        ax = fig.add_subplot(111, projection='3d')
        ax.scatter(x,   # x
                   y,   # y
                   z,   # z
                   c=z, # height data for color
                   cmap='rainbow',
                   marker="x")
        ax.axis()
        plt.show()
    
        
    points = np.loadtxt('airplane_0001.txt', delimiter=',')
    viz_matplot(points)
    

    显示结果:

     方案三、CloudCompare可视化点云

    直接用软件打开,无需安装。CloudCompare下载地址:CloudCompare点云可视化软件-深度学习文档类资源-CSDN下载

    显示结果:

     Mayavi常用函数

    from mayavi import mlab
    
    fig = mlab.figure(bgcolor=(0, 0, 0), size=(640, 360)) #指定图片背景和尺寸
    
    mlab.points3d(x, y, z,
                  z,          # Values used for Color,指定颜色变化依据
                  mode="point",
                  colormap='spectral', # 'bone', 'copper', 'gnuplot'
                  # color=(0, 1, 0),   # 也可以使用固定的RGB值
                   )
    
    opacity=1.0  # 不透明度,取值范围0-1。0.0表示完全透明,1.0表示完全不透明
    color=(1, 1, 1)  # RGB数值,每个数的取值范围均为0-1。例:(1, 1, 1)表示白色。
    colormap='spectral'  #  不同的配色方案
    
    mlab.show()#显示结果
    
    # 2D data
    img = xxxx  # img is a 2D nunmpy array
    mlab.imshow(img) #显示二维结果
    mlab.surf()
    mlab.contour_surf()
    mlab.mesh()             #将物体表面以网格(mesh)的形式展示出来,即坐标空间的网格化。# 参数:representation = 'wireframe' 可以仅绘制线框。
    # 参数:representation = 'surface' 为default值,绘制完整曲面。mlab.mesh(x, y, z, representation='wireframe', line_width=1.0 )

    python三维点云研究计划_Coding的叶子的博客-CSDN博客_python 三维点云将按照以下目录持续进行更新……点云格式介绍、点云可视化、点云投影、生成鸟瞰图、生成前视图、点云配准、点云分割、三维目标检测、点云重建、深度学习点云算法……https://blog.csdn.net/suiyingy/article/details/124017716更多三维、二维感知算法和金融量化分析算法请关注“乐乐感知学堂”微信公众号,并将持续进行更新。

    展开全文

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 266,271
精华内容 106,508
关键字:

python动态可视化