import pyecharts.options as opts
from pyecharts.charts import Line
from pyecharts.faker import Faker
c = (
Line()
.add_xaxis(Faker.choose())
.add_yaxis(“商家A”, Faker.values(), is_smooth=True)
.add_yaxis(“商家B”, Faker.values(), is_smooth=True)
.set_global_opts(title_opts=opts.TitleOpts(title=“Line-smooth”))
)
c.render_notebook()
K线图
from pyecharts import options as opts
from pyecharts.charts import Kline
data = [
[2320.26, 2320.26, 2287.3, 2362.94],
[2300, 2291.3, 2288.26, 2308.38],
[2295.35, 2346.5, 2295.35, 2345.92],
[2347.22, 2358.98, 2337.35, 2363.8],
[2360.75, 2382.48, 2347.89, 2383.76],
[2383.43, 2385.42, 2371.23, 2391.82],
[2377.41, 2419.02, 2369.57, 2421.15],
[2425.92, 2428.15, 2417.58, 2440.38],
[2411, 2433.13, 2403.3, 2437.42],
[2432.68, 2334.48, 2427.7, 2441.73],
[2430.69, 2418.53, 2394.22, 2433.89],
[2416.62, 2432.4, 2414.4, 2443.03],
[2441.91, 2421.56, 2418.43, 2444.8],
[2420.26, 2382.91, 2373.53, 2427.07],
[2383.49, 2397.18, 2370.61, 2397.94],
[2378.82, 2325.95, 2309.17, 2378.82],
[2322.94, 2314.16, 2308.76, 2330.88],
[2320.62, 2325.82, 2315.01, 2338.78],
[2313.74, 2293.34, 2289.89, 2340.71],
[2297.77, 2313.22, 2292.03, 2324.63],
[2322.32, 2365.59, 2308.92, 2366.16],
[2364.54, 2359.51, 2330.86, 2369.65],
[2332.08, 2273.4, 2259.25, 2333.54],
[2274.81, 2326.31, 2270.1, 2328.14],
[2333.61, 2347.18, 2321.6, 2351.44],
[2340.44, 2324.29, 2304.27, 2352.02],
[2326.42, 2318.61, 2314.59, 2333.67],
[2314.68, 2310.59, 2296.58, 2320.96],
[2309.16, 2286.6, 2264.83, 2333.29],
[2282.17, 2263.97, 2253.25, 2286.33],
[2255.77, 2270.28, 2253.31, 2276.22],
]
k = (
Kline()
.add_xaxis([“2017/7/{}”.format(i + 1) for i in range(31)])
.add_yaxis(“k线图”, data)
.set_global_opts(
yaxis_opts=opts.AxisOpts(is_scale=True),
xaxis_opts=opts.AxisOpts(is_scale=True),
title_opts=opts.TitleOpts(title=“K线图-基本示例”),
)
)
k.render_notebook()
地图Map
from pyecharts import options as opts
from pyecharts.charts import Map
from pyecharts.faker import Faker
map = (
Map()
.add(“中国地图”, [list(z) for z in zip(Faker.provinces, Faker.values())], “china”)
.set_global_opts(title_opts=opts.TitleOpts(title=“Map-基本示例”))
)
map.render_notebook()
词云图
import pyecharts.options as opts
from pyecharts.charts import WordCloud
data = [
(“生活资源”, “999”),
(“供热管理”, “888”),
(“供气质量”, “777”),
(“生活用水管理”, “688”),
(“一次供水问题”, “588”),
(“交通运输”, “516”),
(“城市交通”, “515”),
(“环境保护”, “483”),
(“房地产管理”, “462”),
(“城乡建设”, “449”),
(“社会保障与福利”, “429”),
(“社会保障”, “407”),
(“文体与教育管理”, “406”),
(“公共安全”, “406”),
(“公交运输管理”, “386”),
(“出租车运营管理”, “385”),
(“供热管理”, “375”),
(“市容环卫”, “355”),
(“自然资源管理”, “355”),
(“粉尘污染”, “335”),
(“噪声污染”, “324”),
(“土地资源管理”, “304”),
(“物业服务与管理”, “304”),
(“医疗卫生”, “284”),
(“粉煤灰污染”, “284”),
(“占道”, “284”),
(“供热发展”, “254”),
(“农村土地规划管理”, “254”),
(“生活噪音”, “253”),
(“供热单位影响”, “253”),
(“城市供电”, “223”),
(“房屋质量与安全”, “223”),
(“大气污染”, “223”),
(“房屋安全”, “223”),
(“文化活动”, “223”),
(“拆迁管理”, “223”),
(“公共设施”, “223”),
(“供气质量”, “223”),
(“供电管理”, “223”),
(“燃气管理”, “152”),
(“教育管理”, “152”),
(“医疗纠纷”, “152”),
(“执法监督”, “152”),
(“设备安全”, “152”),
(“政务建设”, “152”),
(“县区、开发区”, “152”),
(“宏观经济”, “152”),
(“教育管理”, “112”),
(“社会保障”, “112”),
(“生活用水管理”, “112”),
(“物业服务与管理”, “112”),
(“分类列表”, “112”),
(“农业生产”, “112”),
(“二次供水问题”, “112”),
(“城市公共设施”, “92”),
(“拆迁政策咨询”, “92”),
(“物业服务”, “92”),
(“物业管理”, “92”),
(“社会保障保险管理”, “92”),
(“低保管理”, “92”),
(“文娱市场管理”, “72”),
(“城市交通秩序管理”, “72”),
(“执法争议”, “72”),
(“商业烟尘污染”, “72”),
(“占道堆放”, “71”),
(“地上设施”, “71”),
(“水质”, “71”),
(“无水”, “71”),
(“供热单位影响”, “71”),
(“人行道管理”, “71”),
(“主网原因”, “71”),
(“集中供热”, “71”),
(“客运管理”, “71”),
(“国有公交(大巴)管理”, “71”),
(“工业粉尘污染”, “71”),
(“治安案件”, “71”),
(“压力容器安全”, “71”),
(“身份证管理”, “71”),
(“群众健身”, “41”),
(“工业排放污染”, “41”),
(“破坏森林资源”, “41”),
(“市场收费”, “41”),
(“生产资金”, “41”),
(“生产噪声”, “41”),
(“农村低保”, “41”),
(“劳动争议”, “41”),
(“劳动合同争议”, “41”),
(“劳动报酬与福利”, “41”),
(“医疗事故”, “21”),
(“停供”, “21”),
(“基础教育”, “21”),
(“职业教育”, “21”),
(“物业资质管理”, “21”),
(“拆迁补偿”, “21”),
(“设施维护”, “21”),
(“市场外溢”, “11”),
(“占道经营”, “11”),
(“树木管理”, “11”),
(“农村基础设施”, “11”),
(“无水”, “11”),
(“供气质量”, “11”),
(“停气”, “11”),
(“燃气管理”, “11”),
(“市容环卫”, “11”),
(“新闻传媒”, “11”),
(“人才招聘”, “11”),
(“市场环境”, “11”),
(“行政事业收费”, “11”),
(“食品安全与卫生”, “11”),
(“城市交通”, “11”),
(“房地产开发”, “11”),
(“房屋配套问题”, “11”),
(“物业服务”, “11”),
(“物业管理”, “11”),
(“占道”, “11”),
(“园林绿化”, “11”),
(“户籍管理及身份证”, “11”),
(“公交运输管理”, “11”),
(“公路(水路)交通”, “11”),
(“房屋与图纸不符”, “11”),
(“有线电视”, “11”),
(“社会治安”, “11”),
(“林业资源”, “11”),
(“其他行政事业收费”, “11”),
(“经营性收费”, “11”),
(“食品安全与卫生”, “11”),
(“体育活动”, “11”),
(“有线电视安装及调试维护”, “11”),
(“低保管理”, “11”),
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)
文末有福利领取哦~
👉一、Python所有方向的学习路线
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。
👉二、Python必备开发工具
👉三、Python视频合集
观看零基础学习视频,看视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。
👉 四、实战案例
光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。(文末领读者福利)
👉五、Python练习题
检查学习结果。
👉六、面试资料
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
👉因篇幅有限,仅展示部分资料,这份完整版的Python全套学习资料已经上传
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,都欢迎扫码加入我们的的圈子(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!
log.csdnimg.cn/280da06969e54cf180f4904270636b8e.png)
👉六、面试资料
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
👉因篇幅有限,仅展示部分资料,这份完整版的Python全套学习资料已经上传
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,都欢迎扫码加入我们的的圈子(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!
[外链图片转存中…(img-sxWPOPwJ-1712707132363)]