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。
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
Yellowbrick是由一套被称为"Visualizers"组成的可视化诊断工具组成的集合,其由Scikit-Learn API延伸而来,对模型选择过程其指导作用。总之,Yellowbrick结合了Scikit-Learn和Matplotlib并且最好得传承了Scikit-Learn文档,对你的模型进行可视化!
想要了解Yellowbrick就必须先了解Visualizers,它是estimators从数据中学习得的对象,其主要任务是产生可对模型选择过程有更深入了解的视图。从Scikit-Learn来看,当可视化数据空间或者封装一个模型estimator时,其和转换器(transformers)相似,就像"ModelCV" (比如RidgeCV,LassoCV)的工作原理一样。Yellowbrick的主要目标是创建一个和Scikit-Learn类似的有意义的API。
Yellowbrick中最受欢迎的visualizers包括:
如此强大的可视化工具,安装方式却很简单,使用下面的命令:
pip install yellowbrick
如果需要升级最新版本的则可以使用下面的命令:
pip install –u yellowbrick
安装完成后,我们就可以进行使用了。该模块提供了几个常用的可用于实验使用的数据集,如下所示:
进入到对应数据集文件夹下面,都会有三个文件,对于bikeshare如下:
其中:bikeshare.csv为数据集文件,如:
Meta.json为字段元信息文件,如:
README.md为介绍说明文件,如:
基于共享单车数据集,简单的数据分析工作实现如下:
def testFunc5(savepath=‘Results/bikeshare_Rank2D.png’):
‘’’
共享单车数据集预测
‘’’
data=pd.read_csv(‘bikeshare/bikeshare.csv’)
X=data[[“season”, “month”, “hour”, “holiday”, “weekday”, “workingday”,
“weather”, “temp”, “feelslike”, “humidity”, “windspeed”
]]
y=data[“riders”]
visualizer=Rank2D(algorithm=“pearson”)
visualizer.fit_transform(X)
visualizer.poof(outpath=savepath)
def testFunc6(savepath=‘Results/bikeshare_temperate_feelslike_relation.png’):
‘’’
进一步考察相关性
‘’’
data=pd.read_csv(‘bikeshare/bikeshare.csv’)
X=data[[“season”, “month”, “hour”, “holiday”, “weekday”, “workingday”,
“weather”, “temp”, “feelslike”, “humidity”, “windspeed”]]
y=data[“riders”]
visualizer=JointPlotVisualizer(feature=‘temp’, target=‘feelslike’)
visualizer.fit(X[‘temp’], X[‘feelslike’])
visualizer.poof(outpath=savepath)
def testFunc7(savepath=‘Results/bikeshare_LinearRegression_ResidualsPlot.png’):
‘’’
基于共享单车数据使用线性回归模型预测
‘’’
data = pd.read_csv(‘bikeshare/bikeshare.csv’)
X=data[[“season”, “month”, “hour”, “holiday”, “weekday”, “workingday”,
“weather”, “temp”, “feelslike”, “humidity”, “windspeed”]]
y=data[“riders”]
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3)
visualizer=ResidualsPlot(LinearRegression())
visualizer.fit(X_train, y_train)
visualizer.score(X_test, y_test)
visualizer.poof(outpath=savepath)
def testFunc8(savepath=‘Results/bikeshare_RidgeCV_AlphaSelection.png’):
‘’’
基于共享单车数据使用AlphaSelection
‘’’
data=pd.read_csv(‘bikeshare/bikeshare.csv’)
X=data[[“season”, “month”, “hour”, “holiday”, “weekday”, “workingday”,
“weather”, “temp”, “feelslike”, “humidity”, “windspeed”]]
y=data[“riders”]
alphas=np.logspace(-10, 1, 200)
visualizer=AlphaSelection(RidgeCV(alphas=alphas))
visualizer.fit(X, y)
visualizer.poof(outpath=savepath)
def testFunc9(savepath=‘Results/bikeshare_Ridge_PredictionError.png’):
‘’’
基于共享单车数据绘制预测错误图
‘’’
data=pd.read_csv(‘bikeshare/bikeshare.csv’)
X=data[[“season”, “month”, “hour”, “holiday”, “weekday”, “workingday”,
“weather”, “temp”, “feelslike”, “humidity”, “windspeed”]]
y=data[“riders”]
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3)
visualizer=PredictionError(Ridge(alpha=3.181))
visualizer.fit(X_train, y_train)
visualizer.score(X_test, y_test)
visualizer.poof(outpath=savepath)
bikeshare_Rank2D.png特征相关性计算
bikeshare_LinearRegression_ResidualsPlot.png使用线性回归模型预测
bikeshare_RidgeCV_AlphaSelection.png使用AlphaSelection特征选择
bikeshare_Ridge_PredictionError.png绘制预测错误图
除了可以直接对数据进行分析展示之外,Yellowbrick同样可以对文本数据进行处理分析,下面我们基于爱好数据集进行简单的使用说明,具体代码实现如下所示:
def hobbiesFreqDistVisualizer():
‘’’
文本可视化
Token 频率分布:绘制语料库中令牌的频率
t-SNE 语料库可视化:绘制更接近发现聚类的类似文档
‘’’
corpus=load_corpus(“data/hobbies”)
vectorizer = CountVectorizer()
docs = vectorizer.fit_transform(corpus.data)
features = vectorizer.get_feature_names()
visualizer = FreqDistVisualizer(features=features)
visualizer.fit(docs)
visualizer.poof(outpath=‘text_hobbies_FreqDistVisualizer.png’)
#去停用词
vectorizer = CountVectorizer(stop_words=‘english’)
docs = vectorizer.fit_transform(corpus.data)
features = vectorizer.get_feature_names()
visualizer = FreqDistVisualizer(features=features)
visualizer.fit(docs)
visualizer.poof(outpath=‘text_hobbies_FreqDistVisualizer_stop_words.png’)
def hobbiesFreqDistVisualizer2():
‘’’
探索 烹饪和游戏 两种爱好的频度分布
(报错:没有label,应该为corpus.target)
‘’’
corpus=load_corpus(“data/hobbies”)
#烹饪爱好频度分布统计图
hobbies=defaultdict(list)
for text,label in zip(corpus.data,corpus.target):
hobbies[label].append(text)
vectorizer = CountVectorizer(stop_words=‘english’)
docs = vectorizer.fit_transform(text for text in hobbies[‘cooking’])
features = vectorizer.get_feature_names()
visualizer = FreqDistVisualizer(features=features)
visualizer.fit(docs)
visualizer.poof(outpath=‘text_hobbies_cooking_FreqDistVisualizer.png’)
#游戏爱好频度分布统计图
hobbies=defaultdict(list)
for text,label in zip(corpus.data, corpus.target):
hobbies[label].append(text)
vectorizer = CountVectorizer(stop_words=‘english’)
docs = vectorizer.fit_transform(text for text in hobbies[‘gaming’])
features = vectorizer.get_feature_names()
visualizer = FreqDistVisualizer(features=features)
visualizer.fit(docs)
visualizer.poof(outpath=‘text_hobbies_gaming_FreqDistVisualizer.png’)
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
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!