如果您想了解两个变量如何相对变化,则最好的方法就是拟合
Import Data
df = pd.read_csv(“data/mpg_ggplot2.csv”)
df_select = df.loc[df.cyl.isin([4,8]), :]
Plot
sns.set_style(“white”)
gridobj = sns.lmplot(x=“displ”, y=“hwy”, hue=“cyl”, data=df_select,
height=7, aspect=1.6, robust=True, palette=‘tab10’,
scatter_kws=dict(s=60, linewidths=.7, edgecolors=‘black’))
Decorations
gridobj.set(xlim=(0.5, 7.5), ylim=(0, 50))
plt.title(“Scastterplot with line of best fit grouped by number of cylinders”, fontsize=20)
plt.show()
1.4 带状抖动图
通常,多个数据点具有完全相同的X和Y值。结果,多个点相互绘制并隐藏。为避免这种情况,请稍微抖动点,以便您可以直观地看到它们
Import Data
df = pd.read_csv(“data/mpg_ggplot2.csv”)
Draw Stripplot
fig, ax = plt.subplots(figsize=(16,10), dpi= 80)
sns.stripplot(df.cty, df.hwy, jitter=0.25, size=8, ax=ax, linewidth=.5)
Decorations
plt.title(‘Use jittered plots to avoid overlapping of points’, fontsize=22)
plt.show()
1.5 计数图
避免点重叠问题的另一种选择是增加点的大小,具体取决于该点上有多少点。因此,点的大小越大,周围的点的集中度就越大。
[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-5Ufmzc21-1588929515288)(https://imgkr.cn-bj.ufileos.com/a469cb4c-cd01-4f91-ab47-fcffda3a37ed.png)]
Import Data
df = pd.read_csv(“data/mpg_ggplot2.csv”)
df_counts = df.groupby([‘hwy’, ‘cty’]).size().reset_index(name=‘counts’)
Draw Stripplot
fig, ax = plt.subplots(figsize=(16,10), dpi= 80)
sns.stripplot(df_counts.cty, df_counts.hwy, size=df_counts.counts*2, ax=ax)
Decorations
plt.title(‘Counts Plot - Size of circle is bigger as more points overlap’, fontsize=22)
plt.show()
1.6 边际直方图
边际直方图沿X和Y轴变量具有直方图。这用于可视化X和Y之间的关系以及X和Y的单变量分布。如果经常在探索性数据分析(EDA)中使用此图。
Import Data
df = pd.read_csv(“data/mpg_ggplot2.csv”)
Create Fig and gridspec
fig = plt.figure(figsize=(16, 10), dpi= 80)
grid = plt.GridSpec(4, 4, hspace=0.5, wspace=0.2)
Define the axes
ax_main = fig.add_subplot(grid[:-1, :-1])
ax_right = fig.add_subplot(grid[:-1, -1], xticklabels=[], yticklabels=[])
ax_bottom = fig.add_subplot(grid[-1, 0:-1], xticklabels=[], yticklabels=[])
Scatterplot on main ax
ax_main.scatter(‘displ’, ‘hwy’, s=df.cty*4, c=df.manufacturer.astype(‘category’).cat.codes, alpha=.9, data=df, cmap=“tab10”, edgecolors=‘gray’, linewidths=.5)
histogram on the right
ax_bottom.hist(df.displ, 40, histtype=‘stepfilled’, orientation=‘vertical’, color=‘deeppink’)
ax_bottom.invert_yaxis()
histogram in the bottom
ax_right.hist(df.hwy, 40, histtype=‘stepfilled’, orientation=‘horizontal’, color=‘deeppink’)
Decorations
ax_main.set(title=‘Scatterplot with Histograms \n displ vs hwy’, xlabel=‘displ’, ylabel=‘hwy’)
ax_main.title.set_fontsize(20)
for item in ([ax_main.xaxis.label, ax_main.yaxis.label] + ax_main.get_xticklabels() + ax_main.get_yticklabels()):
item.set_fontsize(14)
xlabels = ax_main.get_xticks().tolist()
ax_main.set_xticklabels(xlabels)
plt.show()
1.7 边际箱型图
边际箱线图的作用类似于边际直方图。但是,箱形图有助于查明X和Y的中位数,第25和第75个百分位数
[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-dasYTrY8-1588929515289)(https://imgkr.cn-bj.ufileos.com/3d3d0a9f-0407-4c31-8ea5-8952bb0959dc.png)]
Import Data
df = pd.read_csv(“data/mpg_ggplot2.csv”)
Create Fig and gridspec
fig = plt.figure(figsize=(16, 10), dpi= 80)
grid = plt.GridSpec(4, 4, hspace=0.5, wspace=0.2)
Define the axes
ax_main = fig.add_subplot(grid[:-1, :-1])
ax_right = fig.add_subplot(grid[:-1, -1], xticklabels=[], yticklabels=[])
ax_bottom = fig.add_subplot(grid[-1, 0:-1], xticklabels=[], yticklabels=[])
Scatterplot on main ax
ax_main.scatter(‘displ’, ‘hwy’, s=df.cty*5, c=df.manufacturer.astype(‘category’).cat.codes, alpha=.9, data=df, cmap=“Set1”, edgecolors=‘black’, linewidths=.5)
Add a graph in each part
sns.boxplot(df.hwy, ax=ax_right, orient=“v”)
sns.boxplot(df.displ, ax=ax_bottom, orient=“h”)
Decorations ------------------
Remove x axis name for the boxplot
ax_bottom.set(xlabel=‘’)
ax_right.set(ylabel=‘’)
Main Title, Xlabel and YLabel
ax_main.set(title=‘Scatterplot with Histograms \n displ vs hwy’, xlabel=‘displ’, ylabel=‘hwy’)
Set font size of different components
ax_main.title.set_fontsize(20)
for item in ([ax_main.xaxis.label, ax_main.yaxis.label] + ax_main.get_xticklabels() + ax_main.get_yticklabels()):
item.set_fontsize(14)
plt.show()
1.8 相关图
关联图用于直观地查看给定数据帧(或2D数组)中所有可能的数字变量对之间的相关性度量。
[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-MAY2sJfR-1588929515290)(https://imgkr.cn-bj.ufileos.com/07319caa-7724-41d3-bc0e-2c4b7fc2e4dd.png)]
Import Dataset
df = pd.read_csv(“data/mtcars.csv”)
Plot
plt.figure(figsize=(12,10), dpi= 80)
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()
2.1 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=‘ M o d e l Model Model’, xlabel=‘ M i l e a g e Mileage 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(‘ M i l e a g e Mileage 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()
3.1 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)
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)
做了那么多年开发,自学了很多门编程语言,我很明白学习资源对于学一门新语言的重要性,这些年也收藏了不少的Python干货,对我来说这些东西确实已经用不到了,但对于准备自学Python的人来说,或许它就是一个宝藏,可以给你省去很多的时间和精力。
别在网上瞎学了,我最近也做了一些资源的更新,只要你是我的粉丝,这期福利你都可拿走。
我先来介绍一下这些东西怎么用,文末抱走。
(1)Python所有方向的学习路线(新版)
这是我花了几天的时间去把Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
最近我才对这些路线做了一下新的更新,知识体系更全面了。
(2)Python学习视频
包含了Python入门、爬虫、数据分析和web开发的学习视频,总共100多个,虽然没有那么全面,但是对于入门来说是没问题的,学完这些之后,你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。
(3)100多个练手项目
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了,只是里面的项目比较多,水平也是参差不齐,大家可以挑自己能做的项目去练练。
(4)200多本电子书
这些年我也收藏了很多电子书,大概200多本,有时候带实体书不方便的话,我就会去打开电子书看看,书籍可不一定比视频教程差,尤其是权威的技术书籍。
基本上主流的和经典的都有,这里我就不放图了,版权问题,个人看看是没有问题的。
(5)Python知识点汇总
知识点汇总有点像学习路线,但与学习路线不同的点就在于,知识点汇总更为细致,里面包含了对具体知识点的简单说明,而我们的学习路线则更为抽象和简单,只是为了方便大家只是某个领域你应该学习哪些技术栈。
(6)其他资料
还有其他的一些东西,比如说我自己出的Python入门图文类教程,没有电脑的时候用手机也可以学习知识,学会了理论之后再去敲代码实践验证,还有Python中文版的库资料、MySQL和HTML标签大全等等,这些都是可以送给粉丝们的东西。
这些都不是什么非常值钱的东西,但对于没有资源或者资源不是很好的学习者来说确实很不错,你要是用得到的话都可以直接抱走,关注过我的人都知道,这些都是可以拿到的。
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
这些年我也收藏了很多电子书,大概200多本,有时候带实体书不方便的话,我就会去打开电子书看看,书籍可不一定比视频教程差,尤其是权威的技术书籍。
基本上主流的和经典的都有,这里我就不放图了,版权问题,个人看看是没有问题的。
(5)Python知识点汇总
知识点汇总有点像学习路线,但与学习路线不同的点就在于,知识点汇总更为细致,里面包含了对具体知识点的简单说明,而我们的学习路线则更为抽象和简单,只是为了方便大家只是某个领域你应该学习哪些技术栈。
(6)其他资料
还有其他的一些东西,比如说我自己出的Python入门图文类教程,没有电脑的时候用手机也可以学习知识,学会了理论之后再去敲代码实践验证,还有Python中文版的库资料、MySQL和HTML标签大全等等,这些都是可以送给粉丝们的东西。
这些都不是什么非常值钱的东西,但对于没有资源或者资源不是很好的学习者来说确实很不错,你要是用得到的话都可以直接抱走,关注过我的人都知道,这些都是可以拿到的。
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