TOP50 matplotlib画图经典案例上（附源码，建议收藏

sns.heatmap(df.corr(), xticklabels=df.corr().columns, yticklabels=df.corr().columns, cmap=‘RdYlGn’, center=0, annot=True)

Decorations

plt.title(‘Correlogram of mtcars’, fontsize=22)

plt.xticks(fontsize=12)

plt.yticks(fontsize=12)

plt.show()

1.9 成对图

在理解分析中所有可能的数字变量对之间的关​​系时，成对绘图是最喜欢的。它是用于双变量分析的必备工具

Load Dataset

df = sns.load_dataset(‘iris’)

Plot

plt.figure(figsize=(10,8), dpi= 80)

sns.pairplot(df, kind=“scatter”, hue=“species”, plot_kws=dict(s=80, edgecolor=“white”, linewidth=2.5))

plt.show()

Load Dataset

df = sns.load_dataset(‘iris’)

Plot

plt.figure(figsize=(10,8), dpi= 80)

sns.pairplot(df, kind=“reg”, hue=“species”)

plt.show()

2.偏差

---

2.1 发散型条形图

如果要查看项目基于单个度量标准的变化方式并可视化此变化的顺序和数量，则分叉条是一个很好的工具。它有助于快速区分数据中组的性能，并且非常直观，可以立即传达要点。

Prepare Data

df = pd.read_csv(“data/mtcars.csv”)

x = df.loc[:, [‘mpg’]]

df[‘mpg_z’] = (x - x.mean())/x.std()

df[‘colors’] = [‘red’ if x < 0 else ‘green’ for x in df[‘mpg_z’]]

df.sort_values(‘mpg_z’, inplace=True)

df.reset_index(inplace=True)

Draw plot

plt.figure(figsize=(14,10), dpi= 80)

plt.hlines(y=df.index, xmin=0, xmax=df.mpg_z, color=df.colors, alpha=0.4, linewidth=5)

Decorations

plt.gca().set(ylabel=‘$Model$’, xlabel=‘$Mileage$’)

plt.yticks(df.index, df.cars, fontsize=12)

plt.title(‘Diverging Bars of Car Mileage’, fontdict={‘size’:20})

plt.grid(linestyle=‘–’, alpha=0.5)

plt.show()

2.2 发散型文本

分隔文本类似于分隔条，如果您希望以一种美观和可表达的方式显示图表中每个项目的值，则首选文本。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JWiNgYZA-1588929515292)(https://imgkr.cn-bj.ufileos.com/a737590f-102b-4730-9a81-0585d9331c76.png)]

Prepare Data

df = pd.read_csv(“data/mtcars.csv”)

x = df.loc[:, [‘mpg’]]

df[‘mpg_z’] = (x - x.mean())/x.std()

df[‘colors’] = [‘red’ if x < 0 else ‘green’ for x in df[‘mpg_z’]]

df.sort_values(‘mpg_z’, inplace=True)

df.reset_index(inplace=True)

Draw plot

plt.figure(figsize=(14,14), dpi= 80)

plt.hlines(y=df.index, xmin=0, xmax=df.mpg_z)

for x, y, tex in zip(df.mpg_z, df.index, df.mpg_z):

t = plt.text(x, y, round(tex, 2), horizontalalignment=‘right’ if x < 0 else ‘left’,

verticalalignment=‘center’, fontdict={‘color’:‘red’ if x < 0 else ‘green’, ‘size’:14})

Decorations

plt.yticks(df.index, df.cars, fontsize=12)

plt.title(‘Diverging Text Bars of Car Mileage’, fontdict={‘size’:20})

plt.grid(linestyle=‘–’, alpha=0.5)

plt.xlim(-2.5, 2.5)

plt.show()

2.3 发散型散点图

发散点图也类似于发散条。但是，与散布条相比，条的不存在会降低组之间的对比度和差异。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-MqUvA7ZN-1588929515293)(https://imgkr.cn-bj.ufileos.com/3be5f9f6-964a-46d3-a9b1-3421b85ba1de.png)]

Prepare Data

df = pd.read_csv(“data/mtcars.csv”)

x = df.loc[:, [‘mpg’]]

df[‘mpg_z’] = (x - x.mean())/x.std()

df[‘colors’] = [‘red’ if x < 0 else ‘darkgreen’ for x in df[‘mpg_z’]]

df.sort_values(‘mpg_z’, inplace=True)

df.reset_index(inplace=True)

Draw plot

plt.figure(figsize=(14,16), dpi= 80)

plt.scatter(df.mpg_z, df.index, s=450, alpha=.6, color=df.colors)

for x, y, tex in zip(df.mpg_z, df.index, df.mpg_z):

t = plt.text(x, y, round(tex, 1), horizontalalignment=‘center’,

verticalalignment=‘center’, fontdict={‘color’:‘white’})

Decorations

Lighten borders

plt.gca().spines[“top”].set_alpha(.3)

plt.gca().spines[“bottom”].set_alpha(.3)

plt.gca().spines[“right”].set_alpha(.3)

plt.gca().spines[“left”].set_alpha(.3)

plt.yticks(df.index, df.cars)

plt.title(‘Diverging Dotplot of Car Mileage’, fontdict={‘size’:20})

plt.xlabel(‘$Mileage$’)

plt.grid(linestyle=‘–’, alpha=0.5)

plt.xlim(-2.5, 2.5)

plt.show()

2.4 带有标记棒棒糖图

带有标记的棒棒糖提供了一种灵活的方式来可视化差异，方法是将重点放在您要引起注意的重要数据点上，并在图表中适当地进行推理。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-EgQRKDzB-1588929515293)(https://imgkr.cn-bj.ufileos.com/dc986d04-1368-4f75-a27d-2190e8ff85d8.png)]

Prepare Data

df = pd.read_csv(“data/mtcars.csv”)

x = df.loc[:, [‘mpg’]]

df[‘mpg_z’] = (x - x.mean())/x.std()

df[‘colors’] = ‘black’

color fiat differently

df.loc[df.cars == ‘Fiat X1-9’, ‘colors’] = ‘darkorange’

df.sort_values(‘mpg_z’, inplace=True)

df.reset_index(inplace=True)

Draw plot

import matplotlib.patches as patches

plt.figure(figsize=(14,16), dpi= 80)

plt.hlines(y=df.index, xmin=0, xmax=df.mpg_z, color=df.colors, alpha=0.4, linewidth=1)

plt.scatter(df.mpg_z, df.index, color=df.colors, s=[600 if x == ‘Fiat X1-9’ else 300 for x in df.cars], alpha=0.6)

plt.yticks(df.index, df.cars)

plt.xticks(fontsize=12)

Annotate

plt.annotate(‘Mercedes Models’, xy=(0.0, 11.0), xytext=(1.0, 11), xycoords=‘data’,

fontsize=15, ha=‘center’, va=‘center’,

bbox=dict(boxstyle=‘square’, fc=‘firebrick’),

arrowprops=dict(arrowstyle=‘-[, widthB=2.0, lengthB=1.5’, lw=2.0, color=‘steelblue’), color=‘white’)

Add Patches

p1 = patches.Rectangle((-2.0, -1), width=.3, height=3, alpha=.2, facecolor=‘red’)

p2 = patches.Rectangle((1.5, 27), width=.8, height=5, alpha=.2, facecolor=‘green’)

plt.gca().add_patch(p1)

plt.gca().add_patch(p2)

Decorate

plt.title(‘Diverging Bars of Car Mileage’, fontdict={‘size’:20})

plt.grid(linestyle=‘–’, alpha=0.5)

plt.show()

2.5 面积图

通过为轴和线之间的区域着色，面积图不仅将重点放在峰和谷上，而且还将重点放在高点和低点的持续时间上。高点持续时间越长，线下面积越大

import numpy as np

import pandas as pd

Prepare Data

df = pd.read_csv(“data/economics.csv”, parse_dates=[‘date’]).head(100)

x = np.arange(df.shape[0])

y_returns = (df.psavert.diff().fillna(0)/df.psavert.shift(1)).fillna(0) * 100

Plot

plt.figure(figsize=(16,10), dpi= 80)

plt.fill_between(x[1:], y_returns[1:], 0, where=y_returns[1:] >= 0, facecolor=‘green’, interpolate=True, alpha=0.7)

plt.fill_between(x[1:], y_returns[1:], 0, where=y_returns[1:] <= 0, facecolor=‘red’, interpolate=True, alpha=0.7)

Annotate

plt.annotate(‘Peak \n1975’, xy=(94.0, 21.0), xytext=(88.0, 28),

bbox=dict(boxstyle=‘square’, fc=‘firebrick’),

arrowprops=dict(facecolor=‘steelblue’, shrink=0.05), fontsize=15, color=‘white’)

Decorations

xtickvals = [str(m)[:3].upper()+“-”+str(y) for y,m in zip(df.date.dt.year, df.date.dt.month_name())]

plt.gca().set_xticks(x[::6])

plt.gca().set_xticklabels(xtickvals[::6], rotation=90, fontdict={‘horizontalalignment’: ‘center’, ‘verticalalignment’: ‘center_baseline’})

plt.ylim(-35,35)

plt.xlim(1,100)

plt.title(“Month Economics Return %”, fontsize=22)

plt.ylabel(‘Monthly returns %’)

plt.grid(alpha=0.5)

plt.show()

3.排行

---

3.1 有序条形图

有序条形图有效地传达了项目的排名顺序。但是，将指标的值加到图表上方，用户可以从图表本身获取准确的信息。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-W09mAeUj-1588929515295)(https://imgkr.cn-bj.ufileos.com/342fe1d9-a39e-48e6-a05b-5e4a17c9966c.png)]

Prepare Data

df_raw = pd.read_csv(“data/mpg_ggplot2.csv”)

df = df_raw[[‘cty’, ‘manufacturer’]].groupby(‘manufacturer’).apply(lambda x: x.mean())

df.sort_values(‘cty’, inplace=True)

df.reset_index(inplace=True)

Draw plot

import matplotlib.patches as patches

fig, ax = plt.subplots(figsize=(16,10), facecolor=‘white’, dpi= 80)

ax.vlines(x=df.index, ymin=0, ymax=df.cty, color=‘firebrick’, alpha=0.7, linewidth=20)

Annotate Text

for i, cty in enumerate(df.cty):

ax.text(i, cty+0.5, round(cty, 1), horizontalalignment=‘center’)

Title, Label, Ticks and Ylim

ax.set_title(‘Bar Chart for Highway Mileage’, fontdict={‘size’:22})

ax.set(ylabel=‘Miles Per Gallon’, ylim=(0, 30))

plt.xticks(df.index, df.manufacturer.str.upper(), rotation=60, horizontalalignment=‘right’, fontsize=12)

Add patches to color the X axis labels

p1 = patches.Rectangle((.57, -0.005), width=.33, height=.13, alpha=.1, facecolor=‘green’, transform=fig.transFigure)

p2 = patches.Rectangle((.124, -0.005), width=.446, height=.13, alpha=.1, facecolor=‘red’, transform=fig.transFigure)

fig.add_artist(p1)

fig.add_artist(p2)

plt.show()

3.2 棒棒糖图

棒棒糖图表在视觉上令人愉悦，其功能与订购条形图相似。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-4K3dGO1a-1588929515295)(https://imgkr.cn-bj.ufileos.com/06ebb41e-2651-4459-aedb-2603c7f62c2c.png)]

Prepare Data

df_raw = pd.read_csv(“data/mpg_ggplot2.csv”)

df = df_raw[[‘cty’, ‘manufacturer’]].groupby(‘manufacturer’).apply(lambda x: x.mean())

df.sort_values(‘cty’, inplace=True)

df.reset_index(inplace=True)

Draw plot

fig, ax = plt.subplots(figsize=(16,10), dpi= 80)

ax.vlines(x=df.index, ymin=0, ymax=df.cty, color=‘firebrick’, alpha=0.7, linewidth=2)

ax.scatter(x=df.index, y=df.cty, s=75, color=‘firebrick’, alpha=0.7)

Title, Label, Ticks and Ylim

ax.set_title(‘Lollipop Chart for Highway Mileage’, fontdict={‘size’:22})

ax.set_ylabel(‘Miles Per Gallon’)

ax.set_xticks(df.index)

ax.set_xticklabels(df.manufacturer.str.upper(), rotation=60, fontdict={‘horizontalalignment’: ‘right’, ‘size’:12})

ax.set_ylim(0, 30)

Annotate

for row in df.itertuples():

ax.text(row.Index, row.cty+.5, s=round(row.cty, 2), horizontalalignment= ‘center’, verticalalignment=‘bottom’, fontsize=14)

plt.show()

3.3 点图

点状图传达了项目的等级顺序。并且由于它是沿水平轴对齐的，因此您可以更轻松地可视化这些点之间的距离。

Prepare Data

df_raw = pd.read_csv(“data/mpg_ggplot2.csv”)

df = df_raw[[‘cty’, ‘manufacturer’]].groupby(‘manufacturer’).apply(lambda x: x.mean())

df.sort_values(‘cty’, inplace=True)

df.reset_index(inplace=True)

Draw plot

fig, ax = plt.subplots(figsize=(16,10), dpi= 80)

ax.hlines(y=df.index, xmin=11, xmax=26, color=‘gray’, alpha=0.7, linewidth=1, linestyles=‘dashdot’)

ax.scatter(y=df.index, x=df.cty, s=75, color=‘firebrick’, alpha=0.7)

Title, Label, Ticks and Ylim

ax.set_title(‘Dot Plot for Highway Mileage’, fontdict={‘size’:22})

ax.set_xlabel(‘Miles Per Gallon’)

ax.set_yticks(df.index)

ax.set_yticklabels(df.manufacturer.str.title(), fontdict={‘horizontalalignment’: ‘right’})

ax.set_xlim(10, 27)

plt.show()

3.4 坡度图

斜率图最适合比较给定人员/项目的“之前”和“之后”位置。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Ollmu5Jx-1588929515296)(https://imgkr.cn-bj.ufileos.com/10992c2c-708e-4317-b295-4c61a58a54d4.png)]

import matplotlib.lines as mlines

Import Data

df = pd.read_csv(“data/gdppercap.csv”)

left_label = [str© + ', '+ str(round(y)) for c, y in zip(df.continent, df[‘1952’])]

right_label = [str© + ', '+ str(round(y)) for c, y in zip(df.continent, df[‘1957’])]

klass = [‘red’ if (y1-y2) < 0 else ‘green’ for y1, y2 in zip(df[‘1952’], df[‘1957’])]

draw line

https://stackoverflow.com/questions/36470343/how-to-draw-a-line-with-matplotlib/36479941

def newline(p1, p2, color=‘black’):

ax = plt.gca()

l = mlines.Line2D([p1[0],p2[0]], [p1[1],p2[1]], color=‘red’ if p1[1]-p2[1] > 0 else ‘green’, marker=‘o’, markersize=6)

ax.add_line(l)

return l

fig, ax = plt.subplots(1,1,figsize=(14,14), dpi= 80)

Vertical Lines

ax.vlines(x=1, ymin=500, ymax=13000, color=‘black’, alpha=0.7, linewidth=1, linestyles=‘dotted’)

ax.vlines(x=3, ymin=500, ymax=13000, color=‘black’, alpha=0.7, linewidth=1, linestyles=‘dotted’)

Points

ax.scatter(y=df[‘1952’], x=np.repeat(1, df.shape[0]), s=10, color=‘black’, alpha=0.7)

ax.scatter(y=df[‘1957’], x=np.repeat(3, df.shape[0]), s=10, color=‘black’, alpha=0.7)

Line Segmentsand Annotation

for p1, p2, c in zip(df[‘1952’], df[‘1957’], df[‘continent’]):

newline([1,p1], [3,p2])

ax.text(1-0.05, p1, c + ', ’ + str(round(p1)), horizontalalignment=‘right’, verticalalignment=‘center’, fontdict={‘size’:14})

ax.text(3+0.05, p2, c + ', ’ + str(round(p2)), horizontalalignment=‘left’, verticalalignment=‘center’, fontdict={‘size’:14})

‘Before’ and ‘After’ Annotations

ax.text(1-0.05, 13000, ‘BEFORE’, horizontalalignment=‘right’, verticalalignment=‘center’, fontdict={‘size’:18, ‘weight’:700})

ax.text(3+0.05, 13000, ‘AFTER’, horizontalalignment=‘left’, verticalalignment=‘center’, fontdict={‘size’:18, ‘weight’:700})

Decoration

ax.set_title(“Slopechart: Comparing GDP Per Capita between 1952 vs 1957”, fontdict={‘size’:22})

ax.set(xlim=(0,4), ylim=(0,14000), ylabel=‘Mean GDP Per Capita’)

ax.set_xticks([1,3])

ax.set_xticklabels([“1952”, “1957”])

plt.yticks(np.arange(500, 13000, 2000), fontsize=12)

Lighten borders

plt.gca().spines[“top”].set_alpha(.0)

plt.gca().spines[“bottom”].set_alpha(.0)

plt.gca().spines[“right”].set_alpha(.0)

plt.gca().spines[“left”].set_alpha(.0)

plt.show()

3.5 哑铃图

哑铃图传达了各个项目的“之前”和“之后”位置以及这些项目的排名顺序。如果您想可视化特定项目/计划对不同对象的效果，则它非常有用。

import matplotlib.lines as mlines

Import Data

df = pd.read_csv(“data/health.csv”)

df.sort_values(‘pct_2014’, inplace=True)

df.reset_index(inplace=True)

Func to draw line segment

def newline(p1, p2, color=‘black’):

ax = plt.gca()

l = mlines.Line2D([p1[0],p2[0]], [p1[1],p2[1]], color=‘skyblue’)

ax.add_line(l)

return l

Figure and Axes

fig, ax = plt.subplots(1,1,figsize=(14,14), facecolor=‘#f7f7f7’, dpi= 80)

Vertical Lines

ax.vlines(x=.05, ymin=0, ymax=26, color=‘black’, alpha=1, linewidth=1, linestyles=‘dotted’)

ax.vlines(x=.10, ymin=0, ymax=26, color=‘black’, alpha=1, linewidth=1, linestyles=‘dotted’)

ax.vlines(x=.15, ymin=0, ymax=26, color=‘black’, alpha=1, linewidth=1, linestyles=‘dotted’)

ax.vlines(x=.20, ymin=0, ymax=26, color=‘black’, alpha=1, linewidth=1, linestyles=‘dotted’)

Points

ax.scatter(y=df[‘index’], x=df[‘pct_2013’], s=50, color=‘#0e668b’, alpha=0.7)

ax.scatter(y=df[‘index’], x=df[‘pct_2014’], s=50, color=‘#a3c4dc’, alpha=0.7)

Line Segments

for i, p1, p2 in zip(df[‘index’], df[‘pct_2013’], df[‘pct_2014’]):

newline([p1, i], [p2, i])

Decoration

ax.set_facecolor(‘#f7f7f7’)

ax.set_title(“Dumbell Chart: Pct Change - 2013 vs 2014”, fontdict={‘size’:22})

ax.set(xlim=(0,.25), ylim=(-1, 27), ylabel=‘Mean GDP Per Capita’)

ax.set_xticks([.05, .1, .15, .20])

ax.set_xticklabels([‘5%’, ‘15%’, ‘20%’, ‘25%’])

ax.set_xticklabels([‘5%’, ‘15%’, ‘20%’, ‘25%’])

plt.show()

4.分布

---

4.1 连续直方分布图

直方图显示给定变量的频率分布。下图根据分类变量对频率条进行了分组，从而对连续变量和分类变量串联在一起有更深入的了解。

Import Data

df = pd.read_csv(“data/mpg_ggplot2.csv”)

Prepare data

x_var = ‘displ’

groupby_var = ‘class’

df_agg = df.loc[:, [x_var, groupby_var]].groupby(groupby_var)

vals = [df[x_var].values.tolist() for i, df in df_agg]

Draw

plt.figure(figsize=(16,9), dpi= 80)

colors = [plt.cm.Spectral(i/float(len(vals)-1)) for i in range(len(vals))]

n, bins, patches = plt.hist(vals, 30, stacked=True, density=False, color=colors[:len(vals)])

Decoration

plt.legend({group:col for group, col in zip(np.unique(df[groupby_var]).tolist(), colors[:len(vals)])})

plt.title(f"Stacked Histogram of $x_{v}ar$ colored by $groupb{y}_{v}ar$", fontsize=22)

plt.xlabel(x_var)

plt.ylabel(“Frequency”)

plt.ylim(0, 25)

plt.xticks(ticks=bins[::3], labels=[round(b,1) for b in bins[::3]])

plt.show()

4.2 分类直方图

分类变量的直方图显示该变量的频率分布。通过为条形着色，您可以将分布与代表颜色的另一个分类变量关联起来。

Import Data

df = pd.read_csv(“data/mpg_ggplot2.csv”)

Prepare data

x_var = ‘manufacturer’

groupby_var = ‘class’

df_agg = df.loc[:, [x_var, groupby_var]].groupby(groupby_var)

vals = [df[x_var].values.tolist() for i, df in df_agg]

Draw

plt.figure(figsize=(16,9), dpi= 80)

colors = [plt.cm.Spectral(i/float(len(vals)-1)) for i in range(len(vals))]

n, bins, patches = plt.hist(vals, df[x_var].unique().len(), stacked=True, density=False, color=colors[:len(vals)])

Decoration

plt.legend({group:col for group, col in zip(np.unique(df[groupby_var]).tolist(), colors[:len(vals)])})

plt.title(f"Stacked Histogram of $x_{v}ar$ colored by $groupb{y}_{v}ar$", fontsize=22)

plt.xlabel(x_var)

plt.ylabel(“Frequency”)

plt.ylim(0, 40)

plt.xticks(ticks=bins, labels=np.unique(df[x_var]).tolist(), rotation=90, horizontalalignment=‘left’)

plt.show()

4.3 密度图

密度图是可视化连续变量分布的常用工具。通过使用’response’变量对它们进行分组，您可以检查X和Y之间的关系。以下情况仅出于代表性目的，描述城市里程的分布相对于汽缸数的变化。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-1n7Ik9UU-1588929515299)(https://imgkr.cn-bj.ufileos.com/c1c8c508-8ad8-4ee3-b94a-eb008e4345cf.png)]

Import Data

df = pd.read_csv(“data/mpg_ggplot2.csv”)

Draw Plot

plt.figure(figsize=(16,10), dpi= 80)

sns.kdeplot(df.loc[df[‘cyl’] == 4, “cty”], shade=True, color=“g”, label=“Cyl=4”, alpha=.7)

sns.kdeplot(df.loc[df[‘cyl’] == 5, “cty”], shade=True, color=“deeppink”, label=“Cyl=5”, alpha=.7)

sns.kdeplot(df.loc[df[‘cyl’] == 6, “cty”], shade=True, color=“dodgerblue”, label=“Cyl=6”, alpha=.7)

sns.kdeplot(df.loc[df[‘cyl’] == 8, “cty”], shade=True, color=“orange”, label=“Cyl=8”, alpha=.7)

Decoration

plt.title(‘Density Plot of City Mileage by n_Cylinders’, fontsize=22)

plt.legend()

plt.show()

4.4 密度曲线直方图

带有直方图的密度曲线将两个图所传达的集体信息汇总在一起，因此您可以将它们都放在一个图中而不是两个图中

Import Data

df = pd.read_csv(“https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv”)

Draw Plot

plt.figure(figsize=(13,10), dpi= 80)

sns.distplot(df.loc[df[‘class’] == ‘compact’, “cty”], color=“dodgerblue”, label=“Compact”, hist_kws={‘alpha’:.7}, kde_kws={‘linewidth’:3})

sns.distplot(df.loc[df[‘class’] == ‘suv’, “cty”], color=“orange”, label=“SUV”, hist_kws={‘alpha’:.7}, kde_kws={‘linewidth’:3})

sns.distplot(df.loc[df[‘class’] == ‘minivan’, “cty”], color=“g”, label=“minivan”, hist_kws={‘alpha’:.7}, kde_kws={‘linewidth’:3})

plt.ylim(0, 0.35)

Decoration

plt.title(‘Density Plot of City Mileage by Vehicle Type’, fontsize=22)

plt.legend()

plt.show()

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Python开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注Python）

现在能在网上找到很多很多的学习资源，有免费的也有收费的，当我拿到1套比较全的学习资源之前，我并没着急去看第1节，我而是去审视这套资源是否值得学习，有时候也会去问一些学长的意见，如果可以之后，我会对这套学习资源做1个学习计划，我的学习计划主要包括规划图和学习进度表。

分享给大家这份我薅到的免费视频资料，质量还不错，大家可以跟着学习

一个人可以走的很快，但一群人才能走的更远。如果你从事以下工作或对以下感兴趣，欢迎戳这里加入程序员的圈子，让我们一起学习成长！

AI人工智能、Android移动开发、AIGC大模型、C C#、Go语言、Java、Linux运维、云计算、MySQL、PMP、网络安全、Python爬虫、UE5、UI设计、Unity3D、Web前端开发、产品经理、车载开发、大数据、鸿蒙、计算机网络、嵌入式物联网、软件测试、数据结构与算法、音视频开发、Flutter、IOS开发、PHP开发、.NET、安卓逆向、云计算

/46506ae54be168b93cf63939786134ca.png)

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Python开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注Python）
[外链图片转存中…(img-hbOEP8Tv-1712207134974)]

现在能在网上找到很多很多的学习资源，有免费的也有收费的，当我拿到1套比较全的学习资源之前，我并没着急去看第1节，我而是去审视这套资源是否值得学习，有时候也会去问一些学长的意见，如果可以之后，我会对这套学习资源做1个学习计划，我的学习计划主要包括规划图和学习进度表。

分享给大家这份我薅到的免费视频资料，质量还不错，大家可以跟着学习

一个人可以走的很快，但一群人才能走的更远。如果你从事以下工作或对以下感兴趣，欢迎戳这里加入程序员的圈子，让我们一起学习成长！

AI人工智能、Android移动开发、AIGC大模型、C C#、Go语言、Java、Linux运维、云计算、MySQL、PMP、网络安全、Python爬虫、UE5、UI设计、Unity3D、Web前端开发、产品经理、车载开发、大数据、鸿蒙、计算机网络、嵌入式物联网、软件测试、数据结构与算法、音视频开发、Flutter、IOS开发、PHP开发、.NET、安卓逆向、云计算