-
速来围观!看小伙是如何用python可视化各城市拥堵情况的
2020-11-15 23:01:24看小伙是如何用python可视化各城市拥堵情况的前言一、爬取拥堵指数二、数据可视化三、搭建展示网站写在最后 前言 就在今天,我感受到了来自堵车的深深恶意。没有错!我今天被堵在路上近乎3个小时,美好的约会就这样...前言
就在今天,我感受到了来自堵车的深深恶意。没有错!我今天被堵在路上近乎3个小时,美好的约会就这样化为泡影了。
我倒还真想看看这路到底能有多堵。于是,我爬取了各城市的拥堵数据,并将它们可视化:
特别说明:由于数据具有实时性,画图时已经过了高峰期,于是图上一片绿油油也并不奇怪。有感兴趣的客官,您接着往下看,待我给您慢慢分解。(ps.涉及到爬虫、pyecharts、flask等)
一、爬取拥堵指数
某度智慧交通提供了各个城市的拥堵指数的数据,我们只需要通过几行代码便可轻松抓取:
# 获取各城市的拥堵指数 url = 'https://jiaotong.baidu.com/trafficindex/city/list' # 接口api res = requests.get(url) data = res.json()
其中,url为获取数据的接口地址,通过简单的抓包分析便能知道。 而data为返回后的数据,它包括很多字段,但是我们只需要提取其中的城市名和拥堵指数即可:
# 提取数据 citys = [i['cityname'] for i in data['data']['list']] # 提取城市 indexs = [float(i['index']) for i in data['data']['list']] # 提取对应的指数
有了数据,接下来我们就可以将其可视化展示出来。
二、数据可视化
利用可视化神器pyecharts库绘制地图,并将城市以及对应的拥堵指数表示出来。其安装如下:
pip install pyecharts
部分版本需要再安装额外的地图库,方法如下:
pip install echarts-countries-pypkg pip install echarts-cities-pypkg pip install echarts-china-provinces-pypkg pip install echarts-china-cities-pypkg
首先定义地图:
geo = Geo() geo.add_schema(maptype = 'china') # 加入中国地图
添加数据并进行相关设置:
geo.add('各城市拥堵指数', zip(citys,indexs), type_ = 'effectScatter') # 设置地图类型及数据 geo.set_series_opts(label_opts = opts.LabelOpts(is_show = False)) #设置是否显示标签
根据拥堵指数的大小进行分类,分别为畅通、缓行、拥堵、严重拥堵:
geo.set_global_opts(visualmap_opts = opts.VisualMapOpts( #max_ = 2.5, # 用于连续表示 is_piecewise = True, # 是否分段 pieces = [{'min':1.0,'max':1.5,'label':'畅通','color':'#16CE95'}, {'min':1.5,'max':1.8,'label':'缓行','color':'#F79D06'}, {'min':1.8,'max':2.0,'label':'拥堵','color':'#D80304'}, {'min':2.0,'max':2.5,'label':'严重拥堵','color':'#8F0921'}])) # 设置图例显示
最后将地图保存在本地:
geo.render(path='各城市拥堵指数.html')
到这里,我们就得到了文章一开始看到的那张图~
然而,由于拥堵数据是实时变化的,如果我每次都要去运行一次代码岂不是很麻烦?很显然,机智的社会主义青年是不会这么做的,您接着往下看。三、搭建展示网站
为了更加方便地将各城市拥堵情况展示出来,我决定搭建一个用于展示的网站。方法可以是各式各样的,在这里我选择了利用flask框架,简单快捷~
我的完整代码如下:# -*- coding: utf-8 -*- """ Created on Sun Nov 15 01:34:36 2020 @author: kimol_love """ import requests from pyecharts.charts import Geo from pyecharts import options as opts from flask import Flask, render_template def get_data(): ''' 获取拥堵指数 ''' # 获取各城市的拥堵指数 url = 'https://jiaotong.baidu.com/trafficindex/city/list' # 接口api res = requests.get(url) data = res.json() # 提取数据 citys = [i['cityname'] for i in data['data']['list']] # 提取城市 indexs = [float(i['index']) for i in data['data']['list']] # 提取对应的指数 # 返回数据 return zip(citys,indexs) def get_geo(): ''' 获取地图 ''' # 获取各城市的拥堵指数 data = get_data() # 绘制散点分布图 geo = Geo() geo.add_schema(maptype = 'china') # 加入中国地图 geo.add('各城市拥堵指数 by kimol', data, type_ = 'effectScatter') # 设置地图类型及数据 geo.set_series_opts(label_opts = opts.LabelOpts(is_show = False)) #设置是否显示标签 geo.set_global_opts(visualmap_opts = opts.VisualMapOpts( #max_ = 2.5, # 用于连续表示 is_piecewise = True, # 是否分段 pieces = [{'min':1.0,'max':1.5,'label':'畅通','color':'#16CE95'}, {'min':1.5,'max':1.8,'label':'缓行','color':'#F79D06'}, {'min':1.8,'max':2.0,'label':'拥堵','color':'#D80304'}, {'min':2.0,'max':2.5,'label':'严重拥堵','color':'#8F0921'}])) # 设置图例显示 # 返回地图 return geo # 定义app app = Flask(__name__) # 定义主界面 @app.route("/") def hello(): geo = get_geo() return render_template('geo.html', mygeo=geo.render_embed()) if __name__ == "__main__": #运行项目 app.run()
其中,get_geo()为获取地图的函数,返回了pyecharts绘制的地图。在当前目录下创建templates文件夹,并创建模块文件geo.html,如下:
<!DOCTYPE html> <html> <head> <meta charset="utf-8"> <title>各城市交通拥堵指数</title> </head> <body> {{mygeo|safe}} </body> </html>
至此,访问网站地址即可看到绘制的拥堵情况地图~
写在最后
让大家瞅瞅这万恶的晚高峰:
最后,感谢各位大大的耐心阅读,咋们下次再会~
创作不易,大侠请留步… 动起可爱的双手,来个赞再走呗 (๑◕ܫ←๑)
-
python可视化工具
2018-04-26 16:21:22python可视化库可以大致分为几类: - 基于matplotlib的可视化库 - 基于JS的可视化库 - 基于上述两者或其他组合功能的库 基于matplotlib的可视化库 matplotlib是python可视化库的基础。matplotlib库的设计参考...python可视化库可以大致分为几类:
- 基于matplotlib的可视化库
- 基于JS的可视化库
- 基于上述两者或其他组合功能的库基于matplotlib的可视化库
matplotlib是python可视化库的基础。matplotlib库的设计参考了matlab,甚至连名称也是以“mat”开头。
matplotlib优点:
- 设计类似Matlab
- 很多渲染后端
- 几乎可以绘制任何图形
- 有长时间良好运行历史
缺点:
- 必须掌握API,其使用描述冗长
- 部分默认样式设计比较弱
- 对网页 及交互式绘图支持弱
- 数据量大时运行缓慢后续开发者吸取了matplotlib库的优点,经过对matplotlib库的缺点进行改进,从而衍生出一系列的可视化库。
两个重要且常见的基于matplotlib的第三方库:
- Pandas:一般用于数据分析和处理,其实也提供较为简单的API绘制图形如pandas.tools.plotting
- Seaborn: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就能做出很具有吸引力的图。基于JavaScript的可视化库
常用的两个基于JavaScript的可视化库:
- bokeh:Bokeh (Bokeh.js) 是一个 Python 交互式可视化库,支持现代化Web浏览器,提供非常完美的展示功能。Bokeh 的目标是使用 D3.js样式提供优雅,简洁新颖的图形化风格,同时提供大型数据集的高性能交互功能。详细Bokeh.js官网
- plotly:Plotly是另一个免费进行数据分析和绘制图表的APP,建立在d3.js上。 Plotly图可下载为SVG,EPS或PNG格式,并简单地导入到Illustrator或者Photoshop中。跟bokeh类似,也可以制作一些交互式的web图。详细plotly官网其他综合类型库
- Holoviews:能够让用户构建有助于可视化的数据结构,而且它包含丰富的可组合元素库,可以覆盖、嵌套和轻松定位。同时,它还支持快速数据探索。Holoviews可以和Seaborn、pandas或者bokeh组合使用。
- Altair:Altairs起源于D3,但代码编写量要比D3简单。Altair 是 Python 高级声明式可视化库。Altair 提供一个 Python API 在声明式 manner 中构建静态统计可视化库。
再来看看python 可视化工具的全景图:
参考链接
- pythons-visualization-landscape-pycon-2017:本文基本来自这个ppt,内容非常清晰,强推!!!
- [資料分析&機器學習] 第2.5講:資料視覺化(Matplotlib, Seaborn, Plotly):主要介绍Matplotlib,Seaborn,Plotly
- Overview of Python Visualization Tools:介绍Pandas,Seaborn,ggplot,Bokeh,pygal,Plotly
- matplotlib官网
- seaborn官网
- Bokeh.js官网
- plotly官网
-
Python可视化库
2019-01-06 13:43:28现如今大数据已人尽皆知,但在这个信息大爆炸的时代里,...数据可视化将技术与艺术完美结合,借助图形化的手段,清晰有效地传达与沟通信息,直观、形象地显示海量的数据和信息,并进行交互处理。 数据可视化的应用...现如今大数据已人尽皆知,但在这个信息大爆炸的时代里,空有海量数据是无实际使用价值,更不要说帮助管理者进行业务决策。那么数据有什么价值呢?用什么样的手段才能把数据的价值直观而清晰的表达出来?
答案是要提供像人眼一样的直觉的、交互的和反应灵敏的可视化环境。数据可视化将技术与艺术完美结合,借助图形化的手段,清晰有效地传达与沟通信息,直观、形象地显示海量的数据和信息,并进行交互处理。
数据可视化的应用十分广泛,几乎可以应用于自然科学、工程技术、金融、通信和商业等各种领域。下面我们基于Python,简单地介绍一下适用于各个领域的几个实用的可视化库,快速带你入门!!1.matplotlib
https://matplotlib.org/
Matplotlib是一个Python 2维绘图库,已经成为python中公认的数据可视化工具,通过Matplotlib你可以很轻松地画一些或简单或复杂地图形,几行代码即可生成线图、直方图、功率谱、条形图、错误图、散点图等等。
对于一些简单的绘图,特别是与IPython结合使用时,pyplot模块提供了一个matlab接口。你可以通过面向对象的接口或通过一些MATLAB的函数来更改控制行样式、字体属性、轴属性等。
安装:- linux系统
方法一:
sudo apt-get install python-dev sudo apt-get install python-matplotlib
方法二:
pip install matplotlib
- windows系统
先下载对应的安装包pyproj和matplotlib
打开Anaconda Prompt,输入安装包所在路径,然后分别输入pip install pyproj 1.9.5.1 cp36 cp36m win_amd64.whl #输入下载的pyproj文件名 pip install matplotlib_tests‑2.1.0‑py2.py3‑none‑any.whl
- mac os系统
方法一:
pip install matplotlib
方法二:
sudo curl -O https://bootstrap.pypa.io/get-pip.py sudo python get-pip.py
快速入门
import numpy as np import matplotlib.mlab as mlab import matplotlib.pyplot as plt #产生随机数 np.random.seed(19680801) # 定义数据的分布特征 mu = 100 sigma = 15 x = mu + sigma * np.random.randn(437) num_bins = 50 fig, ax = plt.subplots() n, bins, patches = ax.hist(x, num_bins, normed=1) # 添加图表元素 y = mlab.normpdf(bins, mu, sigma) ax.plot(bins, y, '--') ax.set_xlabel('Smarts') ax.set_ylabel('Probability density') ax.set_title(r'Histogram of IQ: $\mu=100$, $\sigma=15$') # 图片展示与保存 fig.tight_layout() plt.savefig("Histogram.png") plt.show()
运行结果
2.Seaborn
http://seaborn.pydata.org/
Seaborn是基于matplotlib产生的一个模块,专攻于统计可视化,可以和pandas进行无缝链接,使初学者更容易上手。相对于matplotlib,Seaborn语法更简洁,两者关系类似于numpy和pandas之间的关系。
安装:- linux系统
sudo pip install seaborn
- window系统
pip install seaborn
快速入门
import seaborn as sns sns.set(style="ticks") from matplotlib import pyplot # 加载数据集 tips = sns.load_dataset("tips") # 绘图 sns.boxplot(x="day", y="total_bill", hue="sex", data=tips, palette="PRGn") sns.despine(offset=10, trim=True) #图片展示与保存 pyplot.savefig("GroupedBoxplots.png") pyplot.show()
运行结果
3.HoloViews
http://holoviews.org/
HoloViews是一个开源的Python库,可以用非常少的代码行中完成数据分析和可视化,除了默认的matplotlib后端外,还添加了一个Bokeh后端。Bokeh提供了一个强大的平台,通过结合Bokeh提供的交互式小部件,可以使用HTML5 canvas和WebGL快速生成交互性和高维可视化,非常适合于数据的交互式探索。
安装方法一:
pip install HoloViews
方法二:
conda install -c ioam/label/dev holoviews
方法三:
git clone git://github.com/ioam/holoviews.git cd holoviews pip install -e
方法四:
点击下载安装
快速入门
import numpy as np import holoviews as hv #调用bokeh hv.extension('bokeh') #数据输入 frequencies = [0.5, 0.75, 1.0, 1.25] #定义曲线 def sine_curve(phase, freq): xvals = [0.1* i for i in range(100)] return hv.Curve((xvals, [np.sin(phase+freq*x) for x in xvals])) # 调用函数,输出图像 dmap = hv.DynamicMap(sine_curve, kdims=['phase', 'frequency']) dmap.redim.range(phase=(0.5,1)).redim.range(frequency=(0.5,1.25))
运行结果
4.Altair
https://altair-viz.github.io/
Altair是Python的一个公认的统计可视化库。它的API简单、友好、一致,并建立在强大的vega - lite(交互式图形语法)之上。Altair API不包含实际的可视化呈现代码,而是按照vega - lite规范发出JSON数据结构。由此产生的数据可以在用户界面中呈现,这种优雅的简单性产生了漂亮且有效的可视化效果,且只需很少的代码。
数据源是一个DataFrame,它由不同数据类型的列组成。DataFrame是一种整洁的格式,其中的行与样本相对应,而列与观察到的变量相对应。数据通过数据转换映射到使用组的视觉属性(位置、颜色、大小、形状、面板等)。
安装方法一:
pip install Altair
方法二:
conda install altair --channel conda-forge
快速入门
import altair as alt # 加载数据集 cars = alt.load_dataset('cars') #绘图 alt.Chart(cars).mark_point().encode( x='Horsepower', y='Miles_per_Gallon', color='Origin', )
5.PyQtGraph
http://www.pyqtgraph.org/
PyQtGraph是在PyQt4 / PySide和numpy上构建的纯 python的GUI图形库。它主要用于数学,科学,工程领域。尽管PyQtGraph完全是在python中编写的,但它本身就是一个非常有能力的图形系统,可以进行大量的数据处理,数字运算;使用了Qt的GraphicsView框架优化和简化了工作流程,实现以最少的工作量完成数据可视化,且速度也非常快。
安装方法一
pip install PyQtGraph
方法二
点击下载安装
快速入门
import pyqtgraph as pg from pyqtgraph.Qt import QtGui, QtCore import numpy as np #创建一个绘图区 win = pg.plot() win.setWindowTitle('pyqtgraph example: FillBetweenItem') win.setXRange(-10, 10) win.setYRange(-10, 10) #曲线 N = 200 x = np.linspace(-10, 10, N) gauss = np.exp(-x**2 / 20.) mn = mx = np.zeros(len(x)) curves = [win.plot(x=x, y=np.zeros(len(x)), pen='k') for i in range(4)] brushes = [0.5, (100, 100, 255), 0.5] fills = [pg.FillBetweenItem(curves[i], curves[i+1], brushes[i]) for i in range(3)] for f in fills: win.addItem(f) def update(): global mx, mn, curves, gauss, x a = 5 / abs(np.random.normal(loc=1, scale=0.2)) y1 = -np.abs(a*gauss + np.random.normal(size=len(x))) y2 = np.abs(a*gauss + np.random.normal(size=len(x))) s = 0.01 mn = np.where(y1<mn, y1, mn) * (1-s) + y1 * s mx = np.where(y2>mx, y2, mx) * (1-s) + y2 * s curves[0].setData(x, mn) curves[1].setData(x, y1) curves[2].setData(x, y2) curves[3].setData(x, mx) #时间轴 timer = QtCore.QTimer() timer.timeout.connect(update) timer.start(30) #启动Qt if __name__ == '__main__': import sys if (sys.flags.interactive != 1) or not hasattr(QtCore, 'PYQT_VERSION'): QtGui.QApplication.instance().exec_()
6.ggplot
http://ggplot.yhathq.com/
ggplot是基于R的ggplot2和图形语法的Python的绘图系统,实现了更少的代码绘制更专业的图形。
它使用一个高级且富有表现力的API来实现线,点等元素的添加,颜色的更改等不同类型的可视化组件的组合或添加,而不需要重复使用相同的代码,然而这对那些试图进行高度定制的的来说,ggplot并不是最好的选择,尽管它也可以制作一些非常复杂、好看的图形。
ggplot与pandas紧密联系。如果你打算使用ggplot,最好将数据保存在DataFrames中。
安装:- linux系统
pip install numpy pip install scipy pip install statsmodels pip install ggplot
- window系统
下载ggplot安装包然后运行
pip install ggplot‑0.11.5‑py2.py3‑none‑any.whl
快速入门
from ggplot import * ggplot(aes(x='date', y='beef', ymin='beef - 1000', ymax='beef + 1000'), data=meat) + \ geom_area() + \ geom_point(color='coral')
运行结果
7.Bokeh
https://bokeh.pydata.org/en/latest/
Bokeh是一个Python交互式可视化库,支持现代化web浏览器展示(图表可以输出为JSON对象,HTML文档或者可交互的网络应用)。它提供风格优雅、简洁的D3.js的图形化样式,并将此功能扩展到高性能交互的数据集,数据流上。使用Bokeh可以快速便捷地创建交互式绘图、仪表板和数据应用程序等。
Bokeh能与NumPy,Pandas,Blaze等大部分数组或表格式的数据结构完美结合。安装:
方法一:如果有配置anaconda的话使用以下命令(推荐)
conda install bokeh
方法二:
pip install numpy pip install pandas pip install redis pip install bokeh
快速入门
from bokeh.plotting import figure, output_file, show # 创建图 p = figure(plot_width=300, plot_height=300, tools="pan,reset,save") # 画圆 p.circle([1, 2.5, 3, 2], [2, 3, 1, 1.5], radius=0.3, alpha=0.5) # 定义输出文件格式 output_file("foo.html") # 图片展示 show(p)
运行结果
8.pygal
http://www.pygal.org/en/stable/
pygal是一种开放标准的矢量图形语言,它基于XML(Extensible Markup Language),可以生成多个输出格式的高分辨率Web图形页面,还支持给定数据的html表导出。用户可以直接用代码来描绘图像,可以用任何文字处理工具打开SVG图像,通过改变部分代码来使图像具有交互功能,并且可以插入到HTML中通过浏览器来观看。
安装:- linux系统
pip install pygal
- window系统
命令类似于
python -m pip install --user pygal==1.7
- mac os系统
命令类似于
方法一:
pip install --user pygal==1.7
方法二:
pip install git+https://github.com/vispy/vispy.git
快速入门
import pygal #声明图表类型 bar_chart = pygal.StackedBar() #绘图 bar_chart.add('Fibonacci', [0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55]) bar_chart.add('Padovan', [1, 1, 1, 2, 2, 3, 4, 5, 7, 9, 12]) #保存图片 bar_chart.render_to_png('bar1.png')
运行结果
9.VisPy
http://vispy.org/gallery.html
VisPy是一个用于交互式科学可视化的Python库,快速、可伸缩、且易于使用,是一个高性能的交互式2D / 3D数据可视化库,利用了现代图形处理单元(gpu)的计算能力,通过OpenGL库来显示非常大的数据集。
安装pip install VisPy
快速入门
from vispy.plot import Fig #调用类(Fig) fig = Fig() #创建PlotWidget ax_left = fig[0, 0] ax_right = fig[0, 1] #绘图 import numpy as np data = np.random.randn(2, 3) ax_left.plot(data) ax_right.histogram(data[1])
运行结果
10.NetworkX
https://networkx.github.io/documentation/stable/tutorial.html
NetworkX是一个Python包,用于创建、操纵和研究复杂网络的结构、以及学习复杂网络的结构、功能及其动力学。
NetworkX提供了适合各种数据结构的图表、二合字母和多重图,还有大量标准的图算法,网络结构和分析措施,可以产生随机网络、合成网络或经典网络,且节点可以是文本、图像、XML记录等,并提供了一些示例数据(如权重,时间序列)。
NetworkX测试的代码覆盖率超过90%,是一个多样化,易于教学,能快速生成图形的Python平台。安装
方法一:
pip install networkx
方法二:
点击下载安装
快速入门
import matplotlib.pyplot as plt import networkx as nx import numpy.linalg #生成随机数 n = 1000 m = 5000 G = nx.gnm_random_graph(n, m) #定义数据分布特征 L = nx.normalized_laplacian_matrix(G) e = numpy.linalg.eigvals(L.A) #绘图并显示 plt.hist(e, bins=100) plt.xlim(0, 2) plt.show()
运行结果
11.Plotly
https://plot.ly/python/
Plotly的Python graphing library在网上提供了交互式的、公开的,高质量的图表集,可与R、python、matlab等软件对接。它拥有在别的库中很难找到的几种图表类型,如等值线图,树形图和三维图表等,图标类型也十分丰富,申请了API密钥后,可以一键将统计图形同步到云端。但美中不足的是,打开国外网站会比较费时,且一个账号只能创建25个图表,除非你升级或删除一些图表。安装:
pip install plotly
快速入门
import plotly.plotly as py import plotly.graph_objs as go trace1 = go.Scatter( x=[0, 1, 2, 3, 4, 5], y=[1.5, 1, 1.3, 0.7, 0.8, 0.9] ) trace2 = go.Bar( x=[0, 1, 2, 3, 4, 5], y=[1, 0.5, 0.7, -1.2, 0.3, 0.4] ) data = [trace1, trace2] py.iplot(data, filename='bar-line')
运行结果
12.geoplotlib
https://residentmario.github.io/geoplot/index.html
Basemap和Cartopy包支持多个地理投影,并提供一些可视化效果,包括点图、热图、等高线图和形状文件。PySAL是一个由Python编写的空间分析函数的开源库,它提供了许多基本的工具,主要用于形状文件。但是,这些库不允许用户绘制地图贴图,并且对自定义可视化、交互性和动画的支持有限。
geoplotlib是python的一个用于地理数据可视化和绘制地图的工具箱,并提供了一个原始数据和所有可视化之间的基本接口,支持在纯python中开发硬件加速的交互式可视化,并提供点映射、内核密度估计、空间图、泰森多边形图、形状文件和许多更常见的空间可视化的实现。除了为常用的地理数据可视化提供内置的可视化功能外,geoplotlib还允许通过定义定制层来定义复杂的数据可视化(绘制OpenGL,如分数、行和具有高性能的多边形),创建动画。
安装:pip install geoplotlib
快速入门
from geoplotlib.layers import DelaunayLayer import geoplotlib from geoplotlib.utils import read_csv, BoundingBox data = read_csv('data/bus.csv') geoplotlib.delaunay(data, cmap='hot_r') geoplotlib.set_bbox(BoundingBox.DK) geoplotlib.set_smoothing(True) geoplotlib.show()
运行结果
13.folium
https://python-visualization.github.io/folium/
folium是一个建立在Python系统之上的js库,可以很轻松地将在Python中操作的数据可视化为交互式的单张地图,且将紧密地将数据与地图联系在一起,可自定义箭头,网格等HTML格式的地图标记。该库还附有一些内置的地形数据。安装
方法一:
pip install folium
方法二:
conda install folium
方法三:
点击下载安装
快速入门
import folium #确定经纬度 m = folium.Map(location=[45.5236, -122.6750]) m
运行结果
14.Gleam
Gleam允许你只利用Python构建数据的交互式,生成可视化的网络应用。无需具备HTML CSS或JaveScript知识,就能使用任一种Python可视化库控制输入。当你创建一个图表的时候,你可以在上面加上一个域,让任何人都可以实时地玩转你的数据,让你的数据更通俗易懂。
安装:
pip install Gleam
快速入门
from wtforms import fields from ggplot import * from gleam import Page, panels #定义绘图函数 class ScatterInput(panels.InputPanel): title = fields.StringField(label="Title of plot:") yvar = fields.SelectField(label="Y axis", choices=[("beef", "Beef"), ("pork", "Pork")]) smoother = fields.BooleanField(label="Smoothing Curve") class ScatterPlot(panels.PlotPanel): name = "Scatter" def plot(self, inputs): p = ggplot(meat, aes(x='date', y=inputs.yvar)) if inputs.smoother: p = p + stat_smooth(color="blue") p = p + geom_point() + ggtitle(inputs.title) return p class ScatterPage(Page): input = ScatterInput() output = ScatterPlot() #运行 ScatterPage.run()
运行结果
15.vincent
https://vincent.readthedocs.io/en/latest/
Vincent是一个很酷的可视化工具,它以Python数据结构作为数据源,然后把它翻译成Vega可视化语法,并且能够在d3js上运行。这让你可以使用Python脚本来创建漂亮的3D图形来展示你的数据。Vincent底层使用Pandas和DataFrames数据,并且支持大量的图表----条形图、线图、散点图、热力图、堆条图、分组条形图、饼图、圈图、地图等等。安装
pip install vincent
快速入门
import vincent bar = vincent.Bar(multi_iter1['y1']) bar.axis_titles(x='Index', y='Value') bar.to_json('vega.json')
运行结果
16.mpld3
http://mpld3.github.io/
mpld3基于python的graphing library和D3js,汇集了Matplotlib流行的项目的JavaScript库,用于创建web交互式数据可视化。通过一个简单的API,将matplotlib图形导出为HTML代码,这些HTML代码可以在浏览器内使用。安装
方法一:
pip install mpld3
方法二:
点击下载安装
快速入门
import matplotlib.pyplot as plt import numpy as np import mpld3 from mpld3 import plugins fig, ax = plt.subplots() x = np.linspace(-2, 2, 20) y = x[:, None] X = np.zeros((20, 20, 4)) X[:, :, 0] = np.exp(- (x - 1) ** 2 - (y) ** 2) X[:, :, 1] = np.exp(- (x + 0.71) ** 2 - (y - 0.71) ** 2) X[:, :, 2] = np.exp(- (x + 0.71) ** 2 - (y + 0.71) ** 2) X[:, :, 3] = np.exp(-0.25 * (x ** 2 + y ** 2)) im = ax.imshow(X, extent=(10, 20, 10, 20), origin='lower', zorder=1, interpolation='nearest') fig.colorbar(im, ax=ax) ax.set_title('An Image', size=20) plugins.connect(fig, plugins.MousePosition(fontsize=14)) mpld3.show()
运行结果
17.python-igraph
http://igraph.org/python/
Python界面的igraph高性能图形库,主要针对复杂的网络研究和分析安装
方法一:
pip install python-igraph
方法二:
点击下载安装
快速入门
from igraph import * layout = g.layout("kk") plot(g, layout = layout)
运行结果
18.missingno
https://github.com/ResidentMario/missingno
没有高质量的数据,就没有高质量的数据挖掘结果,当我们做监督学习算法,难免会碰到混乱的数据集,缺失的值,当缺失比例很小时,可直接对缺失记录进行舍弃或进行手工处理,missingno提供了一个小型的灵活的、易于使用的数据可视化和实用工具集,用图像的方式让你能够快速评估数据缺失的情况,而不是在数据表里面步履维艰。你可以根据数据的完整度对数据进行排序或过滤,或者根据热度图或树状图来考虑对数据进行修正。
missingno 是基于matplotlib建造的一个模块,所以它出图速度很快,并且能够灵活的处理pandas数据。安装:
方法一:
pip install missingno
方法二:
点击下载安装
快速入门
import missingno as msno import pandas as pd import pandas_datareader.data as web import numpy as np p=print save_loc = '/YOUR/PROJECT/LOCATION/' logo_loc = '/YOUR/WATERMARK/LOCATION/' # get index and fed data f1 = 'USREC' # recession data from FRED start = pd.to_datetime('1999-01-01') end = pd.datetime.today() mkt = '^GSPC' MKT = (web.DataReader([mkt,'^VIX'], 'yahoo', start, end)['Adj Close'] .resample('MS') # month start b/c FED data is month start .mean() .rename(columns={mkt:'SPX','^VIX':'VIX'}) .assign(SPX_returns=lambda x: np.log(x['SPX']/x['SPX'].shift(1))) .assign(VIX_returns=lambda x: np.log(x['VIX']/x['VIX'].shift(1))) ) data = (web.DataReader([f1], 'fred', start, end) .join(MKT, how='outer') .dropna()) p(data.head()) p(data.info()) msno.matrix(data)
运行结果
19.Mayavi2
http://code.enthought.com/pages/mayavi-project.html
Mayavi2是一个通用的、跨平台的三维科学数据可视化工具。可以在二维和三维空间中显示标量、向量和张量数据。可通过自定义源、模块和数据过滤器轻松扩展。Mayavi2也可以作为一个绘图引擎,生成matplotlib或gnuplot脚本,也可以作为其他应用程序的交互式可视化的库,将生成的图片嵌入到其他应用程序中。!
安装pip install mayavi
快速入门
import numpy from mayavi import mlab def lorenz(x, y, z, s=10., r=28., b=8. / 3.): """The Lorenz system.""" u = s * (y - x) v = r * x - y - x * z w = x * y - b * z return u, v, w # 取样. x, y, z = numpy.mgrid[-50:50:100j, -50:50:100j, -10:60:70j] u, v, w = lorenz(x, y, z) fig = mlab.figure(size=(400, 300), bgcolor=(0, 0, 0)) # 用合适的参数画出轨迹的流动. f = mlab.flow(x, y, z, u, v, w, line_width=3, colormap='Paired') f.module_manager.scalar_lut_manager.reverse_lut = True f.stream_tracer.integration_direction = 'both' f.stream_tracer.maximum_propagation = 200 # 提取特征并绘制 src = f.mlab_source.m_data e = mlab.pipeline.extract_vector_components(src) e.component = 'z-component' zc = mlab.pipeline.iso_surface(e, opacity=0.5, contours=[0, ], color=(0.6, 1, 0.2)) # 背景设置 zc.actor.property.backface_culling = True # 图片展示 mlab.view(140, 120, 113, [0.65, 1.5, 27]) mlab.show()
运行结果
20.Leather
https://leather.readthedocs.io/en/latest/examples.html
Leather一种可读且用户界面友好的API,新手也能快速掌握。图像成品非常基础,适用于所有的数据类型,针对探索性图表进行了优化,产生与比例无关的SVG图,这样在你调整图像大小的时候就不会损失图像质量
安装方法一:
pip install leather
方法二:
点击下载安装
快速入门
import csv import leather with open('gii.csv') as f: reader = csv.reader(f) next(reader) data = list(reader)[:10] for row in data: row[1] = float(row[1]) if row[1] is not None else None chart = leather.Chart('Data from CSV reader') chart.add_bars(data, x=1, y=0) chart.to_svg('csv_reader.svg')
运行结果
#结语:
在 Python 中,将数据可视化有多种选择,因此何时选用何种方案才变得极具挑战性。
如果你想做一些专业的统计图表,我推荐你使用Seaborn,Altair;数学,科学,工程领域的学者就选择PyQtGraph,VisPy,Mayavi2;网络研究和分析方面,NetworkX,python-igraph会是一个不错的选择。
地理投影就选geoplotlib,folium;评估数据缺失就选missingno;有了HoloViews再也不用为高维图形犯愁;如果你不喜欢花俏的修饰,那就选择Leather。
如果你是一名新手但有MATLAB基础,matplotlib会很好上手;有R基础的就选ggplot;如果你是新手或懒癌晚期者,Plotly将会是一大福音,它提供了大量图表集可供你选择与使用。 -
一、python可视化——热力图
2018-04-04 10:41:57热力图 1、利用热力图可以看数据表里多个特征两两的相似度。参考官方API参数及地址: seaborn.heatmap(data, vmin=None, vmax=None,cmap=None, center=None, robust=False, annot=None, fmt=’.2g’, annot_kws=...热力图
1、利用热力图可以看数据表里多个特征两两的相似度。参考官方API参数及地址:
seaborn.heatmap(data, vmin=None, vmax=None,cmap=None, center=None, robust=False, annot=None, fmt=’.2g’, annot_kws=None,linewidths=0, linecolor=’white’, cbar=True, cbar_kws=None, cbar_ax=None,square=False, xticklabels=’auto’, yticklabels=’auto’, mask=None, ax=None,**kwargs)
(1)热力图输入数据参数:
data:矩阵数据集,可以是numpy的数组(array),也可以是pandas的DataFrame。如果是DataFrame,则df的index/column信息会分别对应到heatmap的columns和rows,即df.index是热力图的行标,df.columns是热力图的列标
(2)热力图矩阵块颜色参数:
vmax,vmin:分别是热力图的颜色取值最大和最小范围,默认是根据data数据表里的取值确定
cmap:从数字到色彩空间的映射,取值是matplotlib包里的colormap名称或颜色对象,或者表示颜色的列表;改参数默认值:根据center参数设定
center:数据表取值有差异时,设置热力图的色彩中心对齐值;通过设置center值,可以调整生成的图像颜色的整体深浅;设置center数据时,如果有数据溢出,则手动设置的vmax、vmin会自动改变
robust:默认取值False;如果是False,且没设定vmin和vmax的值,热力图的颜色映射范围根据具有鲁棒性的分位数设定,而不是用极值设定(3)热力图矩阵块注释参数:
annot(annotate的缩写):默认取值False;如果是True,在热力图每个方格写入数据;如果是矩阵,在热力图每个方格写入该矩阵对应位置数据
fmt:字符串格式代码,矩阵上标识数字的数据格式,比如保留小数点后几位数字
annot_kws:默认取值False;如果是True,设置热力图矩阵上数字的大小颜色字体,matplotlib包text类下的字体设置;官方文档:(4)热力图矩阵块之间间隔及间隔线参数:
linewidths:定义热力图里“表示两两特征关系的矩阵小块”之间的间隔大小
linecolor:切分热力图上每个矩阵小块的线的颜色,默认值是’white’(5)热力图颜色刻度条参数:
cbar:是否在热力图侧边绘制颜色刻度条,默认值是True
cbar_kws:热力图侧边绘制颜色刻度条时,相关字体设置,默认值是None
cbar_ax:热力图侧边绘制颜色刻度条时,刻度条位置设置,默认值是None(6)square:设置热力图矩阵小块形状,默认值是False
xticklabels, yticklabels:xticklabels控制每列标签名的输出;yticklabels控制每行标签名的输出。默认值是auto。如果是True,则以DataFrame的列名作为标签名。如果是False,则不添加行标签名。如果是列表,则标签名改为列表中给的内容。如果是整数K,则在图上每隔K个标签进行一次标注。 如果是auto,则自动选择标签的标注间距,将标签名不重叠的部分(或全部)输出
mask:控制某个矩阵块是否显示出来。默认值是None。如果是布尔型的DataFrame,则将DataFrame里True的位置用白色覆盖掉
ax:设置作图的坐标轴,一般画多个子图时需要修改不同的子图的该值
**kwargs:All other keyword arguments are passed to ax.pcolormesh热力图矩阵块颜色参数
#cmap(颜色) import matplotlib.pyplot as plt import seaborn as sns % matplotlib inline f, (ax1,ax2) = plt.subplots(figsize = (6,4),nrows=2) # cmap用cubehelix map颜色 cmap = sns.cubehelix_palette(start = 1.5, rot = 3, gamma=0.8, as_cmap = True) pt = df.corr() # pt为数据框或者是协方差矩阵 sns.heatmap(pt, linewidths = 0.05, ax = ax1, vmax=900, vmin=0, cmap=cmap) ax1.set_title('cubehelix map') ax1.set_xlabel('') ax1.set_xticklabels([]) #设置x轴图例为空值 ax1.set_ylabel('kind') # cmap用matplotlib colormap sns.heatmap(pt, linewidths = 0.05, ax = ax2, vmax=900, vmin=0, cmap='rainbow') # rainbow为 matplotlib 的colormap名称 ax2.set_title('matplotlib colormap') ax2.set_xlabel('region') ax2.set_ylabel('kind')
#center的用法(颜色) f, (ax1,ax2) = plt.subplots(figsize = (6, 4),nrows=2) cmap = sns.cubehelix_palette(start = 1.5, rot = 3, gamma=0.8, as_cmap = True) sns.heatmap(pt, linewidths = 0.05, ax = ax1, cmap=cmap, center=None ) ax1.set_title('center=None') ax1.set_xlabel('') ax1.set_xticklabels([]) #设置x轴图例为空值 ax1.set_ylabel('kind') # 当center设置小于数据的均值时,生成的图片颜色要向0值代表的颜色一段偏移 sns.heatmap(pt, linewidths = 0.05, ax = ax2, cmap=cmap, center=200) ax2.set_title('center=3000') ax2.set_xlabel('region') ax2.set_ylabel('kind')
#robust的用法(颜色) f, (ax1,ax2) = plt.subplots(figsize = (6,4),nrows=2) cmap = sns.cubehelix_palette(start = 1.5, rot = 3, gamma=0.8, as_cmap = True) sns.heatmap(pt, linewidths = 0.05, ax = ax1, cmap=cmap, center=None, robust=False ) ax1.set_title('robust=False') ax1.set_xlabel('') ax1.set_xticklabels([]) #设置x轴图例为空值 ax1.set_ylabel('kind') sns.heatmap(pt, linewidths = 0.05, ax = ax2, cmap=cmap, center=None, robust=True ) ax2.set_title('robust=True') ax2.set_xlabel('region') ax2.set_ylabel('kind')
热力图矩阵块注释参数
#annot(矩阵上数字),annot_kws(矩阵上数字的大小颜色字体)matplotlib包text类下的字体设置 import numpy as np np.random.seed(20180316) x = np.random.randn(4, 4) f, (ax1, ax2) = plt.subplots(figsize=(6,6),nrows=2) sns.heatmap(x, annot=True, ax=ax1) sns.heatmap(x, annot=True, ax=ax2, annot_kws={'size':9,'weight':'bold', 'color':'blue'}) # Keyword arguments for ax.text when annot is True. http://stackoverflow.com/questions/35024475/seaborn-heatmap-key-words
#fmt(字符串格式代码,矩阵上标识数字的数据格式,比如保留小数点后几位数字) import numpy as np np.random.seed(0) x = np.random.randn(4,4) f, (ax1, ax2) = plt.subplots(figsize=(6,6),nrows=2) sns.heatmap(x, annot=True, ax=ax1) sns.heatmap(x, annot=True, fmt='.1f', ax=ax2)
热力图矩阵块之间间隔及间隔线参数
#linewidths(矩阵小块的间隔),linecolor(切分热力图矩阵小块的线的颜色) import matplotlib.pyplot as plt f, ax = plt.subplots(figsize = (6,4)) cmap = sns.cubehelix_palette(start = 1, rot = 3, gamma=0.8, as_cmap = True) sns.heatmap(pt, cmap = cmap, linewidths = 0.05, linecolor= 'red', ax = ax) ax.set_title('Amounts per kind and region') ax.set_xlabel('region') ax.set_ylabel('kind')
#xticklabels,yticklabels横轴和纵轴的标签名输出 import matplotlib.pyplot as plt f, (ax1,ax2) = plt.subplots(figsize = (5,5),nrows=2) cmap = sns.cubehelix_palette(start = 1.5, rot = 3, gamma=0.8, as_cmap = True) p1 = sns.heatmap(pt, ax=ax1, cmap=cmap, center=None, xticklabels=False) ax1.set_title('xticklabels=None',fontsize=8) p2 = sns.heatmap(pt, ax=ax2, cmap=cmap, center=None, xticklabels=2, yticklabels=list(range(5))) ax2.set_title('xticklabels=2, yticklabels is a list',fontsize=8) ax2.set_xlabel('region')
#mask对某些矩阵块的显示进行覆盖 f, (ax1,ax2) = plt.subplots(figsize = (5,5),nrows=2) cmap = sns.cubehelix_palette(start = 1.5, rot = 3, gamma=0.8, as_cmap = True) p1 = sns.heatmap(pt, ax=ax1, cmap=cmap, xticklabels=False, mask=None) ax1.set_title('mask=None') ax1.set_ylabel('kind') p2 = sns.heatmap(pt, ax=ax2, cmap=cmap, xticklabels=True, mask=(pt<800)) #mask对pt进行布尔型转化,结果为True的位置用白色覆盖 ax2.set_title('mask: boolean DataFrame') ax2.set_xlabel('region') ax2.set_ylabel('kind')
用mask实现:突出显示某些数据
f,(ax1,ax2) = plt.subplots(figsize=(4,6),nrows=2) x = np.array([[1,2,3],[2,0,1],[-1,-2,0]]) sns.heatmap(x, annot=True, ax=ax1) sns.heatmap(x, mask=x < 1, ax=ax2, annot=True, annot_kws={"weight": "bold"}) #把小于1的区域覆盖掉
本文为转载,原地址:https://blog.csdn.net/cymy001/article/details/79576019。点击打开链接
-
python可视化分析(matplotlib、seaborn、ggplot2)
2020-06-25 16:45:56python可视化分析总结(matplotlib、seaborn、ggplot)一、matplotlib库1、基本绘图命令3、图形参数设置4、特殊统计图的绘制4.1 数学函数图4.2 气泡图4.1 三维曲面图二、seaborn库1、常用统计图1.1 箱线图1.2 小提琴... -
Python可视化工具
2019-03-15 15:56:23Matplotlib 是众多 Python 可视化包的鼻祖。其功能非常强大,同时也非常复杂。你可以使用 Matplotlib 去做任何你想做的事情,但是想要搞明白却并非易事。我不打算展示原生的 Matplotlib 例子,因为很多工具(特别是 ... -
Python可视化入门
2016-08-01 16:13:08Python可视化入门 一直在学习Python,但是不知道Python具体可以用来干吗,我只是用它来做机器学习,还没有做一些其他的东西,今天突然看见一篇非常好的Python可视化教程,于是记录下来,便于大家学习以及个人的... -
Python可视化库推荐
2019-11-07 18:46:17Python可视化库很多,这里列举几个供大家参考学习。 1.Seaborn 官网基于matplotlib的Python数据可视化库。它提供了一个高级界面,用于绘制引人入胜且内容丰富的统计图形。 2.Bokeh 官网一个交互式可视化... -
Python可视化库大全
2017-06-11 22:54:18python可视化库可以大致分为几类: 基于matplotlib的可视化库 基于JS的可视化库 基于上述两者或其他组合功能的库 基于matplotlib的可视化库 matplotlib是python可视化库的基础。matplotlib库的... -
Python可视化 | Seaborn5分钟入门(一)——kdeplot和distplot
2018-02-24 15:49:40Seaborn是基于matplotlib的Python可视化库。 它提供了一个高级界面来绘制有吸引力的统计图形。Seaborn其实是在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,不需要经过大量的调整就能使你的图变... -
常见的Python可视化库有哪些
2020-04-02 17:17:42不过你知道常见的Python可视化库有哪些吗?接下来郑州Python培训小编就给大家介绍一下。 常见的Python可视化库有哪些? Matplotlib Matplotlib是一个Python 2维绘图库,已经成为Python中公认的数据可视化工具,... -
Python可视化界面编程课程 PyQt5实战网课 GUI在线视频基础教程
2019-04-24 09:49:17课程概述 本课程主要针对PyQT5中的界面部分(GUI)进行学习,分为三部分,包括初级GUI编程、进阶GUI编程和GUI编程实战。 初级GUI编程:从介绍编程环境搭建开始,然后分析最基础的单个窗口框架,接着介绍QT ... -
python 可视化包 Bokeh
2016-10-08 17:01:42解决:在网上搜了一下,找到一篇介绍文章 python可视化工具概述,其中介绍了几个python包,总结如下: Pandas对于简单绘图,可以随手用,但你需要学习定制matplotlib。Seaborn可以支持更多复杂的可视化方式,但... -
Python可视化resnet50所有层特征图
2018-12-02 14:18:04Python可视化resnet50所有层特征图 使用pytorch中预训练模型,在网络inference的过程中显示特征图的每个通道. 文章目录代码input imageconv1 [1,64,112,112]bn1_relu [1,64,112,112]maxpool [1,64,56,56]layer1 [1,... -
Python可视化包Pygal安装
2018-03-23 09:47:25python可视化包Pygal来生成可缩放的矢量图形文件。在屏幕上,它们将自动缩放,以适合观看者的屏幕。Windows操作系统:安装pip https://pypi.python.org/pypi/pip#downloads安装即可,在dos下python setup.py install... -
python 可视化 ploty 画3dmesh网格图
2019-09-23 16:45:52python 可视化 ploty 画3dmesh网格图 最近在工作中遇到python 打印可视化3D图。需求是根据之前用matplotlib打印出来的效果不是很好。发现了非常强大的可视化包plotly。附上官方文档链接 https://plot.ly/python/ #... -
Python可视化之Pyecharts 多子图展示
2019-07-16 15:06:15作为Python可视化多个轮子中的Pyecharts在版本升级到 v1.0及以上后和以前的区别还是蛮大的 其中就有一个是在引用包的时候 我发现网上好多都是v1.0以前的引用方式,当然在我们默认的python3.6+中会报错 本人使用的... -
那些不为人知的优秀python可视化库
2019-10-31 17:25:00说到python可视化库,大家可能第一时间想到matplotlib。matplotlib算是python比较底层的可视化库,可定制性强、图表资源丰富、简单易用、并且达到出... -
Python可视化模块——SeaBorn 01
2017-03-13 17:32:03SeaBorn 01Python可视化模块SeaBorn:特点 多个内置主题和颜色主题 可视化单一变量、二维变量用于比较数据集中各变量的分布情况 可视化线性回归模型中的独立变量及不独立变量 可视化矩阵数据,通过聚类算法探究矩阵间... -
用 Python可视化神器 Plotly 动态演示全球疫情变化趋势
2020-03-08 07:50:00作者:Lemonbit出品:Python数据之道用 Python可视化神器 Plotly动态演示全球疫情变化趋势各位同学早上好,我是 Lemonbit 。近期对疫情数据进行可视化的内容... -
【python可视化系列】python数据可视化利器--pyecharts
2018-06-17 17:18:33下面是来自官方的介绍: ECharts,缩写来自Enterprise Charts,商业级数据图表,Echarts 是百度开源的一个数据可视化纯Javascript(JS) 库。主要用于数据可视化,可以流畅的运行在PC和移动设备上,兼容当前绝大部分... -
Python 可视化神器--Plotly
2020-11-12 08:00:00文 |潮汐来源:Python 技术「ID: pythonall」学习Python是做数分析的最基础的一步,数据分析离不开数据可视化。Python第三方库中我们最常用的可视化库是 pan... -
python可视化-plot()函数
2019-04-17 20:20:52函数功能:展现变量的趋势变化。 调用签名:plt.plot(x, y, ls="-", lw=2, label=“plot figure”) x: x轴上的数值 y: y轴上的数值 ls:折线图的线条风格 lw:折线图的线条宽度 label:标记图内容的标签文本 ... -
python 可视化 二维坐标标注等等
2018-09-15 12:42:07python 可视化 二维坐标标注等等 基本画图操作: import matplotlib.pyplot as plt import numpy as np x = np.linspace(-3,3,50) y1 = 2*x+1 y2 = x**2#x的平方 plt.figure() plt.plot(x,y1) #画线 plt.... -
Python可视化 | Seaborn5分钟入门(五)——lmplot
2018-06-22 14:44:08Seaborn是基于matplotlib的Python可视化库。 它提供了一个高级界面来绘制有吸引力的统计图形。Seaborn其实是在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,不需要经过大量的调整就能使你的图变... -
Python可视化-WordCloud生成云词图片
2019-08-15 23:42:06Python可视化-WordCloud生成云词图片 首先建一个记事本,写入你想要生成云词图片的文章。 生成的云图 ##完整示例代码 import jieba.analyse ##jieba库 用于分割中文词语 from PIL import Image,ImageSequence ... -
python可视化之seaborn
2018-08-11 16:57:58数据可视化的文章我很久之前就打算写了,因为最近用Python做项目比较多,于是就花时间读了seaborn的文档,写下了这篇。 数据可视化在数据挖掘中是一个很重要的部分,将数据用图表形式展示可以很直观地看到数据集的... -
python可视化pyecharts
2018-07-03 11:55:49说到数据可视化,第一想到的肯定是百度的ECharts。它的英文单词是Enterprise Charts,商业级数据图表,是百度的开源数据可视化工具。但是学习起来不是那么容易,但是我们利用 python 的pyecharts 库,只需几行代码就... -
Python可视化数据画直线的几种方法
2020-04-20 21:23:46利用Python可视化数据主要是利用Numpy Matplotlib强大的绘图功能,还可以利用Pandas进行数据挖掘和数据分析 在学习的过程中发现了直线的画图方法有以下几种: 1. 直接plot法 已知两点画一条直线,x值在前,y值在后,... -
Python可视化数据库Dash
2019-09-04 10:17:19Dash是一个用于构建Web应用程序的Python数据可视化库。它基于Python Web框架Flask以及Javascript绘图库Plotly.js和用于构建用户界面的Javascript库React.js,所以它非常适合用于构建后端基于Flask,前端数据可视化的...
-
apache-ant-compress-1.5-src.tar.gz
-
org.apache.ivyde.eclipse.resolvevisualizer_2.2.0.final-201311091524-RELEASE.jar
-
JavaWeb
-
使用 Linux 平台充当 Router 路由器
-
小程序常见面试题
-
基于微信的同城小程序、校园二手交易小程序 毕业设计毕设源码使用教程
-
后台前台相关的log的文件
-
Noted for Mac专业录音笔记本软件
-
【面试】java8新特性之Lambda表达式
-
GoodTask for mac (任务管理器)
-
王梓航:3.2比特币能否突破50000大关重回巅峰
-
龙芯生态应用开发基础:C语言精要
-
2021-03-02
-
C/C++反汇编解密
-
前端vue常见面试题
-
探索碲介电共振器超材料在红外波长下的电磁响应
-
org.apache.ivy.eclipse.ant.feature_2.5.0.cr1_20180412005306.jar
-
智能停车场云平台(附vue+SpringBoot前后端项目源码)
-
LVS + Keepalived 实现 MySQL 负载均衡与高可用
-
apache-ant-compress-1.5-bin-withdeps.zip