精华内容
下载资源
问答
  • Python可视化入门

    2021-04-26 19:38:52
    然后是看可视化工具,Python可视化只是其中之一 本文是基于《Python数据可视化编程实战》内容总结 主要是关于Python可视化入门基础内容,更多是以例子和程序来总结 S1 环境设置 需要安装库:matplotlib、Numpy...

    可视化路漫漫,一步一个脚印往前走!

    在这里插入图片描述

    S0 写在前面

    最近一直在可视化的道路上不断前行,看书+码代码
    一开始是看浙大陈为他们写的《数据可视化》,了解可视化的一些基本知识
    然后是看可视化工具,Python可视化只是其中之一
    本文是基于《Python数据可视化编程实战》内容总结的
    主要是关于Python可视化入门的基础内容,更多是以例子和程序来总结

    S1 环境设置

    需要安装库:matplotlib、Numpy、Scipy、PIL、Requests
    可使用预打包环境:EPD、Anaconda、Python(x,y)

    import matplotlib.pyplot as plt  
    import numpy as np  
    t = np.arange(0.0, 1.0, 0.01)  
    s = np.sin(2 * np.pi * t)  
    #设置线宽、线性和颜色   
    plt.plot(t,s,color = 'r',marker = "+",linewidth=1)    
    c = np.cos(2 * np.pi * t)  
    plt.rcParams['lines.linewidth'] = 3  
    #plt.rcdefaults()  -- set defaults  
    plt.plot(t,c)  
    plt.show() 
    

    在这里插入图片描述

    S2 读取CSV文件

    常规做法:

    import csv
    with open(filename,'r',encoding = 'utf-8') as f:  
        reader = csv.reader(f)  
        header = reader.__next__()#python 3.x要用__next__()  
        data = [row for row in reader]  
    

    数据量大:

    data = numpy.loadtxt('ch02-data.csv',dtype='|S',delimiter=',')  
    for datarow in data:  
        print(datarow)  
    

    S3 读取Excel文件

    import xlrd  
    filename = 'ch02-data.xlsx'  
    wb = xlrd.open_workbook(filename = filename)  
    ws = wb.sheet_by_name('Sheet1')  
    dataset = []  
    for r in range(ws.nrows):  
        col = []  
        for c in range(ws.ncols):  
            col.append(ws.cell(r,c).value)  
        dataset.append(col)  
    1from pprint import pprint  
    1pprint(dataset)  
    

    S4 时间序列绘制

    from pylab import *  
    import matplotlib as matplotlib  
    import datetime  
    fig = figure()  
    ax = gca()  # get current axis  
    start = datetime.datetime(2013, 1, 1)  # set some daterange  
    stop = datetime.datetime(2013, 12, 31)  
    delta = datetime.timedelta(days = 1)   
    dates = mpl.dates.drange(start, stop, delta)  # convert dates for matplotlib 
    values = np.random.rand(len(dates))  # generate some random values  
    ax = gca()    
    ax.plot_date(dates, values, linestyle = '-', marker='')  # create plot with dates  
    date_format = mpl.dates.DateFormatter('%Y-%m-%d')  #specify formater   
    ax.xaxis.set_major_formatter(date_format)  # apply formater 
    # autoformat data labels  
    # rotates labels by 30 degrees by default  
    # use rotate param to specify different rotation degree  
    # use bottom param to give more room to date labels  
    fig.autofmt_xdate()  
    show()
    

    在这里插入图片描述

    S5 常规图表、多图排列绘制

    from matplotlib.pyplot import *  
    x = [1,2,3,4]  # some simple data  
    y = [5,4,3,2]  
    figure()  # create new figure  
    subplot(321)  # divide subplots into 3×2 grid and select #1  
    plot(x, y)  
    subplot(322)  #select #2  
    bar(x, y) 
    subplot(323)   # horizontal bar-charts  
    barh(x, y)  
    subplot(324)  
    bar(x, y)  # create stacked bar bar-charts 
    y1 = [7,8,5,3]  
    bar(x, y1, bottom = y, color = 'r')   # stacked bar bar-charts  
    subplot(325)  
    boxplot(x)  # box plot  
    subplot(326)  
    scatter(x, y)  # scatter plot  
    show()  
    

    在这里插入图片描述

    S6 热力图绘制

    import numpy as np  
    import matplotlib.pyplot as plt  
    from mpl_toolkits.axes_grid1 import ImageGrid  
    from matplotlib.cbook import get_sample_data  
    def get_demo_image():  
        f = get_sample_data("axes_grid/bivariate_normal.npy", asfileobj = False)  
        # z is a numpy array of 15×15  
        Z = np.load(f)  
        return Z, (-3, 4, -4, 3)  
    def get_grid(fig=None, layout=None, nrows_ncols=None):  
        assert fig is not None  
        assert layout is not None  
        assert nrows_ncols is not None  
        grid = ImageGrid(fig, layout, nrows_ncols = nrows_ncols, axes_pad=0.05, add_all=True, label_mode='L')  
        return grid  
    def load_images_to_grid(grid, Z, *images):  
        min, max = Z.min(), Z.max()  
        for i, image in enumerate(images):  
            axes = grid[i]  
            axes.imshow(image, origin = 'lower',vmin = min, vmax = max, interpolation = 'nearest')  
    if __name__ == '__main__':  
        fig = plt.figure(1, (8, 6))  
        grid = get_grid(fig, 111, (1,3))  
        Z, extent = get_demo_image()  
        # Slice image  
        image1 = Z  
        image2 = Z[:, :10]  
        image3 = Z[:, 10:]  
        load_images_to_grid(grid, Z, image1, image2, image3)  
        plt.draw()  
        plt.show()  
    

    在这里插入图片描述

    S7 用PIL做图像处理

    (1)PIL坐标系统原点(0,0)位于左上角;
    (2)im=Image.open(filename):打开一个文件,并把图像加载在im对象上;
    (3)im.crop(box):裁剪左、上、右、下像素内图像,box=(0, 100, 100, 100);
    (4)im.filter(filter):图像滤波;
    (5)im.histogram():图像像素值直方图列表,单通道256个,双通道768个;
    (6)im.resize(size, filter):重新调整图像大小,并且使用滤波器重新采样,滤波器可选NEAREST、BILINEAR、BICUBIC和ANTIALIAS,默认值为NEAREST。
    (7)im.rotate(angle, filter):逆时针方向旋转图像;
    (8)im.split():分离图像波段,可用于分离RGB图像为3个单独波段;
    (9)ImageChops.duplicate(image):拷贝图像;
    (10)ImageChops.invert(image):反转图像;
    (11)ImageChops.difference(image1, image2):验证图像是否相同;

    S8 火柴杆图绘制

    import matplotlib.pyplot as plt  
    import numpy as np  
    # time domain  
    x = np.linspace(0, 20, 50)  
    # random function to simulate sampled signal  
    y = np.sin(x+1)+np.cos(x**2)  
    # here we can setup baseline position  
    bottom = -0.1  
    # True -- hold current axes for further plotting  
    # False -- clear and use new figure/plot  
    hold = False  
    # set label for legend   
    label = "delta"  
    markerline, stemlines, baseline = plt.stem(x,y,bottom=bottom,  
                                          label=label,hold=hold)   
    # we use setp() here to setup  
    # multiple properties of lines generated by stem()  
    plt.setp(markerline, color = 'red', marker = 'o')  
    plt.setp(stemlines, color = 'blue', linestyle = ':')  
    plt.setp(baseline, color = 'grey', linewidth =2, linestyle = '-')  
    # draw a legend  
    plt.legend()  
    plt.show()  
    

    在这里插入图片描述

    S9 结语

    本文主要是关于Python常规作图的总结,主要用到的是matplotlib库
    Python可视化绘图虽然没有达到R语言的那种认可度,但个人认为还是略胜于matlab的
    在之后的学术研究、实践应用,可以考虑选择Python进行绘图

    展开全文
  • 具有python可视化可视化功能机器人运动学 这些python模块已由Rufus Fraanje()在海牙应用科学大学机器人建模课程中使用。 在本课程中,我们使用Mark W. Spong,Seth Hutchinson,M。Vidyasagar,Wiley于2005年...
  • 介绍python可视化的书籍
  • Python可视化实验

    千次阅读 2018-12-27 15:15:14
    ***Python可视化实验 看一部精彩的经典电影,就像看一本经典的书一样。我们可以在书中成长,也可以在一部影片中成长,体验生活,感悟人生,增长智慧。我们可以在一部电影中成长,通过一部影片思考生活,感悟人生,...

    ***Python可视化实验


    看一部精彩的经典电影,就像看一本经典的书一样。我们可以在书中成长,也可以在一部影片中成长,体验生活,感悟人生,增长智慧。我们可以在一部电影中成长,通过一部影片思考生活,感悟人生,并从中得到启发且受益。下面我将使用Python将豆瓣TOP250的电影分析一下并推荐给大家。希望你们会喜欢,并能在这些电影获得人生的哲理和生活的感悟。

    数据抓取

    豆瓣电影在拥有最大影迷社区以及电影数据库的基础上,豆瓣电影根据移动场景的需求,解决了用户去哪看电影、该看哪部电影的问题。让用户查资料、查评分、查影讯、给电影评分的行为真正做到了随时随地。  ------BiaNews

    #豆瓣电影TOP250

    豆瓣电影TOP250主页

    在谷歌浏览器中可以右键并点击检查就可以看到网页源代码
    在这里插入图片描述

    利用下面代码即可获取电影名,电影评分,评价人数,电影类型

    import urllib.request
    import re
    from bs4 import BeautifulSoup
    from distutils.filelist import findall
    import pandas as pd
    
    mylist = []
    
    def get_text(url):
        page = urllib.request.urlopen(url)
        contents = page.read()
        soup = BeautifulSoup(contents, "html.parser")
        try:
            for tag in soup.find_all('div', class_='info'):
                # print tag
                m_name = tag.find('span', class_='title').get_text()
                m_rating_score = float(tag.find('span', class_='rating_num').get_text())
                m_people = tag.find('div', class_="star")
                m_span = m_people.findAll('span')
                m_peoplecount = m_span[3].get_text()[:-3]
                m_type = tag.find('p',class_="").get_text()[-27:-25]
                mylist.append((m_name, str(m_rating_score), m_peoplecount,str(m_type)))
            return mylist
        except:
            return None
    for i in range(0, 250, 25) :
        url = 'https://movie.douban.com/top250?start=' + str(i) + '&filter='
        df = pd.DataFrame(get_text(url))
    df
    

    #运行结果
    在这里插入图片描述

    如果想要将这个表格存为.csv文件加上下面这句代码即可

    df.to_csv('H:\\output.csv', encoding='gbk', index=False)
    

    数据分析

    在这里插入图片描述

    上图为TOP250电影的评分统计雷达图,从雷达图中可以看出大部分作品的评分集中在8.6-8.8的区间中。超过9.0分的电影比较少且集中于9.1、9.2。虽然作品之间的评分方差比较大,也并不代表他们的质量会有很大的差距,都是值得一看的。

    import numpy as np
    import matplotlib.pyplot as plt
    import csv
    
    
    l = [0,0,0,0,0,0,0,0,0,0,0,0]
    #打开爬取的csv文件导入并计算各个评分的电影数
    csv_file = csv.reader(open('H:\output.csv', 'r'))
    for stu in csv_file:
        if float(stu[1]) >= 9.5:
            l[0] = int(l[0]) + 1
        elif float(stu[1]) >= 9.4:
            l[1] = int(l[1]) + 1
        elif float(stu[1]) >= 9.3:
            l[2] = int(l[2]) + 1
        elif float(stu[1]) >= 9.2:
            l[3] = int(l[3]) + 1
        elif float(stu[1]) >= 9.1:
            l[4] = int(l[4]) + 1
        elif float(stu[1]) >= 9.0:
            l[5] = int(l[5]) + 1
        elif float(stu[1]) >= 8.9:
            l[6] = int(l[6]) + 1
        elif float(stu[1]) >= 8.8:
            l[7] = int(l[7]) + 1
        elif float(stu[1]) >= 8.7:
            l[8] = int(l[8]) + 1
        elif float(stu[1]) >= 8.6:
            l[9] = int(l[9]) + 1
        elif float(stu[1]) >= 8.5:
            l[10] = int(l[10]) + 1
        else:
            l[11] = int(l[11]) + 1
    
    #标签
    labels = np.array(["9.5","9.4","9.3","9.2","9.1","9.0",
                "8.9","8.8","8.7","8.6","8.5","8.4<="])
    #数据个数
    dataLenth = 12
    #数据
    data = np.array(l)
    
    angles = np.linspace(0, 2*np.pi, dataLenth, endpoint=False)
    data = np.concatenate((data, [data[0]]))
    angles = np.concatenate((angles, [angles[0]]))
    
    fig = plt.figure()
    ax = fig.add_subplot(111, polar=True)
    ax.plot(angles, data, 'ro-', linewidth=2)
    ax.set_thetagrids(angles * 180/np.pi, labels, fontproperties="SimHei")
    ax.set_title("电影评分统计雷达图", va='bottom', fontproperties="SimHei")
    ax.grid(True)
    plt.show()
    
    

    在这里插入图片描述

    在这里插入图片描述

    饼图图表分析了不同电影类型数在TOP250中的占比。将这些电影类型生成一个词云图:冒险,惊悚爱情,战争,剧情等等这些词比较醒目。从中可以看出剧情片、惊悚片、冒险片、爱情片占比比较大,看来这些类型的电影比较容易出经典。

    ###饼图
    import csv
    import matplotlib.pyplot as plt
    import numpy as np
    
    type_name = set() #电影类型名
    count = []  #同一类型名电影数量
    #打开爬取的csv文件导入类型名
    csv_file = csv.reader(open('H:\output.csv', 'r'))
    for stu in csv_file:
        type_name.add(str(stu[3]))
    #初始化count列表
    for i in type_name:
        count.append(int(0))
    
    l = []
    #将type_name转为l列表 并与count列表使用zip合并成字典d
    for i in type_name:
        l.append(str(i))
    d = dict(zip(l, count))
    #打开爬取的csv文件计算同一类型名的数量
    csv_file = csv.reader(open('H:\output.csv', 'r'))
    for j in csv_file:
        d[j[3]] = d[str(j[3])] + 1
    
    #画饼图
    import numpy as np
    import matplotlib.pyplot as plt
    explode = [0.1, 0.2, 0.3, 0.4, 0.5, 0.6,
               0.1, 0.2, 0.3, 0.4, 0.5, 0.6,
               0.1, 0.2, 0.3, 0.4, 0.5, 0.6,
               0.1, 0.2, 0.3, 0.4, 0.5, 0.6,
               0, 0]
    #生成标签列表
    labels = list(d.keys())
    #生成数量列表
    fracs = list(d.values())
    #解决中文乱码 字体为黑体
    plt.rcParams['font.sans-serif']=['SimHei']
    plt.axes(aspect=1)
    plt.pie(x=fracs, labels=labels, explode=explode, autopct='%3.1f%%',
            shadow=True, labeldistance=1.1, startangle=140, pctdistance=0.6)
    
    plt.show()
    
    ###词云图
    from os import path
    from PIL import Image
    import numpy as np
    import matplotlib.pyplot as plt
    import jieba
    from wordcloud import WordCloud, STOPWORDS
    import csv
    
    l = []
    #打开爬取的csv文件导入电影类型
    csv_file = csv.reader(open('H:\\output.csv', 'r'))
    for stu in csv_file:
            l.append(str(stu[3]))
    
    #将电影类型存成txt
    file = open('H:\\file_name.txt','w');
    for i in l:
        file.write(str(i))
        file.write('\n')
    file.close()
    
    ###当前文件路径
    d = path.dirname(__file__)
    
    # Read the whole text.
    file = open(path.join(d, 'H:\\file_name.txt')).read()
    ##进行分词
    default_mode =jieba.cut(file)
    text = " ".join(default_mode)
    
    alice_mask = np.array(Image.open(path.join(d, "H:\\alice_mask.png")))
    stopwords = set(STOPWORDS)
    stopwords.add("said")
    fontname = path.join(d, 'F:\\1.otf')
    wc = WordCloud(
        #设置字体,不指定就会出现乱码,这个字体文件需要下载
        font_path = fontname,
        background_color="white",
        max_words=2000,
        mask=alice_mask,
        stopwords=stopwords)
    
    wc.generate(text)
    
    # store to file
    # show
    plt.imshow(wc, interpolation='bilinear')
    plt.axis("off")
    plt.figure()
    plt.imshow(alice_mask, cmap=plt.cm.gray, interpolation='bilinear')
    plt.axis("off")
    plt.show()
    

    功能快捷键

    撤销:Ctrl/Command + Z
    重做:Ctrl/Command + Y
    加粗:Ctrl/Command + B
    斜体:Ctrl/Command + I
    标题:Ctrl/Command + Shift + H
    无序列表:Ctrl/Command + Shift + U
    有序列表:Ctrl/Command + Shift + O
    检查列表:Ctrl/Command + Shift + C
    插入代码:Ctrl/Command + Shift + K
    插入链接:Ctrl/Command + Shift + L
    插入图片:Ctrl/Command + Shift + G

    展开全文
  • python可视化Task01

    2020-12-14 19:42:36
    python可视化Task01 我学绘图是从R语言起步,R语言在绘图方面有很成熟ggplot2包和衍生出成熟生态,市面上也有很多不错书籍资料,对ggplot2图层叠加绘图思想讲解也比较透彻。但后面感觉到R在数据处理方面...

    python可视化Task01

    我学绘图是从R语言起步的,R语言在绘图方面有很成熟的ggplot2包和衍生出的成熟生态,市面上也有很多不错的书籍资料,对ggplot2图层叠加的绘图思想讲解也比较透彻。但后面感觉到R在数据处理方面的效率比不上python(数据只能在经过一系列清洗转换成data.frame或者tibble格式后才能绘图,而这一系列的清洗转换我觉得python的支持更完美,因此不同编程语言间数据对象的切换使用只能依赖文本文件之间的转换,个人希望一种编程语言就完成数据的清洗和展示,因而转向python绘图的学习)。
    学python绘图避免不了对matplotlib的学习和延伸,但我目前在市面上看到的有关matplotlib书籍资料,并不能把matplotlib的绘图思想讲解清楚,三分画图七分修图,要对一幅图片做更精细的修改,面向对象风格才是更好的选择,但我没有看到有哪部分资料对这种绘图风格有很好的解释,而官方文档的讲解又比较散乱而且有语言方面的理解困难,导致入门困难,经常是遇到问题才翻文档和google,知乎上一篇文章引起我的共鸣 (https://zhuanlan.zhihu.com/p/93423829)。当然,如果有复杂的图片,我还是偏向用R,因为有更成熟的资源和支持。

    matplotlib提供了两种最常用的绘图接口:

    1. 显式创建figure和axes,在上面调用绘图方法,也被称为OO模式(object-oriented style),可以适应更复杂的场景,更好地控制图形
    2. 依赖pyplot自动创建figure和axes,并绘图
      后续学习主要使用第一种接口绘制图形

    在这里插入图片描述

    展开全文
  • (2)专注于Python数据分析与可视化操作中实际用到技术。相比大而全书籍资料,本书能让读者尽快上手,开始项目开发。(3)"新手问答”和"小试牛刀”栏目能让读者巩固知识,举一反三,学以致用。...

    (1)没有高深理论,每章都以实例为主,读者参考书中源码运行,就能得到与书中一样的结果。(2)专注于Python数据分析与可视化操作中实际用到的技术。相比大而全的书籍资料,本书能让读者尽快上手,开始项目开发。(3)书中的"新手问答”和"小试牛刀”栏目能让读者巩固知识,举一反三,学以致用。

    《Python数据分析与可视化从入门到精通》以"零基础”为起点,系统地介绍了Python在数据处理与可视化分析方面的应用。全书内容共分3篇12章,具体安排如下。 篇:基础篇,包括~4章。主要介绍了Python语言的基本情况与现状、环境搭建与软件安装,以及Python语言的基本知识。 第2篇:应用篇,包括第5~11章。主要介绍了Python的数据存取方法、数据清洗和预处理、大数据可视化分析基础,以及2D、3D等图形的绘制与可视化分析的方法与相关应用。 第3篇:实战篇,包括2章。以抓取中国天气网相关数据存入MySQL数据库,并绘制相应图形为主线,综合本书各章知识点,介绍了数据采集、清理、保存及绘制可视化图形的基本步骤和方法。 本书既适合希望从事Python数据处理与可视化的用户学习,也适合作为广大职业院校相关专业参考用书,还可作为相关培训班的教材用书。

    高博,不错工程师,IT杂家。主要研究方向为云计算与大数据、数据可视化等,熟悉.Net、PHP、Python,DevOps,MySQL、SQLServer等技术和工具。作为一作编写了《Discuz!社区管理员实用教程》《代码的力量——Discuz!源码分析与插件开发实例进阶》《PHP+MySQL+AJAX Web开发给力起飞》,参与编写了《Web 2.0社区网站实用宝典》《ASP.NET 4.0 MVC敏捷开发给力起飞》《Java Web应用开发给力起飞》等书籍。主持省部级纵向课题3项,参与纵向、横向课题16项,获得软件著作权12项。 刘冰,博士研究生,重庆邮电大学计算机科学与技术学院/人工智能学院教师,先后翻译出版程序设计、图像处理、计算机视觉等领域著作4部,编写教材5部,获发明2项,发表SCI/EI论文4篇,参与重量、省部级项目3项。荣获重庆邮电大学很好班主任、很好班导师、很好青年教师等荣誉称号。 李力,毕业于西安交通大学计算机学院,现工作于教育考试招生战线,曾长期在国防军工单位从事网络战、信息战研究,擅长需求分析与设计,参与纵、横向课题12项,获得软件著作权4项。

    篇 基础篇章 认识大蟒:Python快速入门21.1 什么是大蟒(Python)31.2 Python是位"年轻的老同志”31.3 Python语言有什么特点51.4 Python语言的应用领域7★新手问答★8本章小结8第2章 磨好利牙,子弹上膛:准备好工作环境92.1 版本的比较与选择102.2 在Windows上安装Python142.2.1 下载安装程序152.2.2 图解安装步骤172.3 在macOS上安装Python192.3.1 版本选择202.3.2 下载安装程序202.3.3 图解安装步骤222.4 选择合适的开发工具262.4.1 Anaconda262.4.2 Visual Studio272.4.3 PyCharm272.4.4 Eclipse 282.4.5 Komodo 292.4.6 Visual Studio Code/Sublime/EditPlus/UltraEdit302.5 安装所需的第三方组件(库)302.5.1 安装Matplotlib、NumPy和SciPy312.5.2 安装Python Imaging Library(Pillow)342.5.3 安装Requests352.5.4 安装BeautifulSoup362.5.5 安装Pandas372.5.6 安装Basemap392.5.7 安装SQLAlchemy40★新手问答★42★小试牛刀★42本章小结44第3章 大蟒的基本技能之一:Python语言基础453.1 基本概念463.1.1 变量463.1.2 保留字473.1.3 注释483.1.4 行与缩进493.2 数据类型503.2.1 Number503.2.2 Bool543.2.3 String553.2.4 正则表达式583.2.5 List633.2.6 Tuple693.2.7 Set703.2.8 Dictionary733.3 运算符743.3.1 算术运算符743.3.2 比较(关系)运算符743.3.3 赋值运算符753.3.4 逻辑运算符763.3.5 位运算符773.3.6 成员运算符783.3.7 身份运算符783.3.8 运算符优先级79★新手问答★79★小试牛刀★80本章小结80第4章 大蟒的基本技能之二:Python语言进阶814.1 流程控制824.1.1 条件语句824.1.2 循环语句854.1.3 break、continue和pass874.2 异常处理894.3 函数924.3.1 函数的基本概念924.3.2 变量作用域994.3.3 迭代器和生成器1004.3.4 装饰器1054.4 面向对象编程1074.4.1 类和对象1084.4.2 魔术方法1144.5 文件操作116★新手问答★119★小试牛刀★119本章小结120第2篇 应用篇第5章 给大蟒找食:Python的数据存取操作1225.1 餐前小食:文本文件的数据存取1235.1.1 基于分隔符的文本数据文件1235.1.2 基于JSON格式的文本文件1295.2 开胃菜:Excel文件的数据存取1325.2.1 Excel的模块和库1325.2.2 读取Excel文件1335.2.3 生成Excel文件并写入数据1355.3 主菜:写一个爬虫来收集网页数据1365.3.1 爬虫的概念1365.3.2 写一个简单的爬虫1375.3.3 保存爬取到的数据1405.4 主菜:操作MySQL数据库1415.4.1 MySQL数据库是什么1425.4.2 选择并安装MySQL数据库连接组件1425.4.3 连接到MySQL数据库1435.4.4 把数据放进去1455.4.5 把数据拿出来1495.4.6 删除和更新数据1515.5 甜点:ORM框架153★新手问答★159★小试牛刀★160本章小结162第6章 洗干净了再吃:使用Python预处理数据1636.1 清洗和预处理数据的原因及方法1646.1.1 数据清洗和预处理的意义及原则1646.1.2 脏数据清洗方法1656.2 使用Pandas预处理数据1676.2.1 Pandas数据结构1676.2.2 预处理数据171★新手问答★177★小试牛刀★177本章小结182第7章 有营养的食物:大数据分析及可视化基础知识1837.1 大数据的概念1847.2 大数据分析1867.2.1 数据收集1867.2.2 数据存储1867.2.3 资源管理与服务协调1877.2.4 计算引擎1877.2.5 数据分析1887.2.6 数据可视化1887.3 使用NumPy和SciPy快速处理数据1887.3.1 使用NumPy处理多维数组1887.3.2 使用SciPy完成不错数学计算195★新手问答★202★小试牛刀★202本章小结206第8章 大蟒神通之一:使用Matplotlib绘制基础图形2078.1 绘制简单图形2088.1.1 使用plot()绘制折线图2088.1.2 使用bar()绘制柱状图2108.1.3 使用barh()绘制条形图2148.1.4 使用hist()绘制直方图2158.1.5 使用pie()绘制饼图2188.1.6 使用polar()绘制雷达图2208.1.7 使用scatter()绘制散点图2218.1.8 使用stem()绘制棉棒图2228.1.9 使用boxplot()绘制箱线图2238.1.10 使用errorbar()绘制误差棒图2258.1.11 使用stackplot()绘制堆积折线图2278.1.12 使用broken_barh()绘制间断条形图2288.1.13 使用step()绘制阶梯图2298.2 绘制不错图形2318.2.1 对数图2318.2.2 频谱图2328.2.3 矢量场流线图2338.2.4 绘制两个变量间的互相关图形234★新手问答★235★小试牛刀★236本章小结238第9章 大蟒神通之二:使用Matplotlib美化和修饰图形2399.1 调整坐标轴和刻度2409.1.1 设置坐标轴刻度2409.1.2 设置坐标轴的标签文本2419.1.3 绘制刻度线的网格线2439.1.4 移动坐标轴的位置2449.2 添加标题、图例和注释文本2459.2.1 设置标题的展示样式2469.2.2 设置图例的展示样式2489.2.3 添加注释文本2499.3 设置线形和文本字体2519.3.1 设置线形样式2519.3.2 设置文本属性和字体属性2539.4 使用颜色2589.4.1 使用颜色参数2589.4.2 使用色彩映射和添加颜色标尺2599.5 划分画布262★新手问答★263★小试牛刀★264本章小结2660章 大蟒神通之三:数据可视化之3D图形应用26710.1 创建3D可视化图表26810.1.1 3D柱状图和3D直方图26810.1.2 3D线框图、3D曲面图和3D三翼面图27010.2 使用Matplotlib创建动画273★新手问答★275★小试牛刀★276本章小结2781章 大蟒神通之四:图像处理27911.1 使用Python Imaging Library处理图像28011.2 生成CAPTCHA图像283★新手问答★286★小试牛刀★286本章小结288第3篇 实战篇2章 综合案例:全国县级市天气预报的数据可视化分析29012.1 目标与计划29112.1.1 具体目标29112.1.2 工作计划29312.2 确定目标数据29312.3 试验抓取数据29712.4 保存数据入库29912.5 检查清理数据31012.5.1 检查数据完整性与合法性31012.5.2 清理或预处理数据31112.6 绘制图形图表311本章小结314附录315附录A Python命令行参数处理模块argparse简介316附录B Python编程代码的风格319附录C Python常见面试题精选321

    展开全文
  • 新书推荐《Python数据可视化:基于Bokeh的可视化绘图》长按二维码了解及购买从图形绘制、数据动态展示、Web交互等维度全面讲解Bokeh功能和使用;资深Bokeh布道者撰写,不含复...
  • 内容简介本书采用理论与案例相结合形式,...第2~6章介绍了Python数据分析常用库及其应用,涵盖了科学计算库NumPy、数据分析库Pandas、数据可视化库Matplotlib、Seaborn与Bokeh,较为全面地讲述了Python数据分析...
  • Python有许多扩展库可以进行静态或者动态的可视化,但是在这一章里,书的作者只focus on在matplotlib以及建立在之上库。 matplotlib是一个桌面绘图包,用于绘制(主要是二维)发表用图。该项目由John Hunter...
  • Python数据可视化编程实战》 一本讲述如何使用Python进行数据可视化的书的实战代码。
  • 《Python数据可视化编程实战》适合那些对Python编程有一定基础开发人员,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 ...
  • 利用Python爬取并简单地可视化分析当当网图书数据。 更多Python视频、源码、资料加群984632579免费获取 开发工具 **Python版本:**3.6.4 相关模块: requests模块; bs4模块; wordcloud模块; jieba模块; ...
  • 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绘图可视化

    2021-06-03 19:28:48
    本文是对《利用python进行数据分析》中关于绘图可视化的一个回顾性总结笔记。 matplotlib pandaszid
  • 70种方法,轻松入门Python可视化编程

    千次阅读 2018-09-03 15:11:54
    毋庸多言,在Python的世界里,matplotlib是最著名绘图库,它支持几乎所有2D绘图和部分3D绘图,被广泛地应用在科学计算和数据可视化领域。但是介绍matplotlib中文书籍很少,大部分书籍只是在部分章节中提到了...
  • 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...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、MatPotLib、Pandas、Patsy和Scikit-Learn等生成可视化结果不同方法。
  • @[TOC]Python数据可视化(1):matplot画图# 系列文章目录 提示:这里可以添加系列文章所有文章目录,目录需要自己手动添加 例如:第一章 Python 机器学习入门之pandas使用 提示:写完文章后,目录可以自动...
  • 科学可视化::red_exclamation_mark:WIP:red_exclamation_mark:使用python和matplotlib进行科学可视化的开放获取
  • Python数据可视化

    2019-04-23 11:28:06
    说明:本程序参考刘顺祥老师<从零开始学Python数据分析...1.离散型变量的可视化 饼图 条形图 2 .数值型变量的可视化 直方图与核密度曲线 箱线图 小提琴图 折线图 3.关系型数据的可视化 散点图 气泡图 热力...
  • 点击上方“Python爬虫与数据挖掘”,进行关注回复“书籍”即可获赠Python从入门到进阶共10本电子书今日鸡汤借问酒家何处有,牧童遥指杏花村。大家好,我是宝器!啰里八嗦开场就不多写了...
  • 《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。
  • 点击上方“Python爬虫与数据挖掘”,进行关注回复“书籍”即可获赠Python从入门到进阶共10本电子书今日鸡汤其身正,不令而行;其身不正,虽令不从。巧用 Matplo...
  • 参考李航老师出版《统计学习方法》,用python实现感知机学习算法 感知机算法 这里贴中介绍算法原始形式: 具体推导和逻辑理解可以查看书籍或者网上其它博客。 感知机算法代码实现 import ...
  • 新书,《基于股票大数据...从知识体系上来看,这本书内容涵盖了开发Python企业级项目所需知识点,包括但不限于Python基础语法知识、基于Pandas大数据分析技术、基于Matplotlib的可视化编程技术、Python...
  • Python数据可视化》介绍了利用Python实现数据可视化。...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、MatPotLib、Pandas、Patsy和Scikit-Learn等生成可视化结果不同方法。
  • python-opengl:关于Python,OpenGL和科学可视化的开放获取,Nicolas P.Rougier,2018年

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,056
精华内容 422
关键字:

python可视化的书

python 订阅