(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。
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!
x[row_index,min_cost_colindex]=a[row_index]
c1=copy.deepcopy©
c1[row_index,:]=[M]*c1.shape[1]
b[min_cost_colindex]-=a[row_index]
a[row_index]-=a[row_index]
else:
x[row_index,min_cost_colindex]=b[min_cost_colindex]
c1=copy.deepcopy©
c1[:,min_cost_colindex]=[M]*c1.shape[0]
a[row_index]-=b[min_cost_colindex]
b[min_cost_colindex]-=b[min_cost_colindex]
else:
col_num=max_pun_num-len(r_pun)
col_index=col_num-1
print(‘对第’,col_num,‘列进行操作:’)
catch_col=c[:,col_index]
print(catch_col)
#寻找最大罚数所在行/列的最小成本系数
min_cost_rowindex=int(np.argwhere(catch_col==min(catch_col)))
print(‘最小成本所在行索引:’,min_cost_rowindex)
#计算将该位置应填入x矩阵的数值(a,b中较小值)
if a[min_cost_rowindex]<=b[col_index]:
x[min_cost_rowindex,col_index]=a[min_cost_rowindex]
c1=copy.deepcopy©
c1[min_cost_rowindex,:]=[M]*c1.shape[1]
b[col_index]-=a[min_cost_rowindex]
a[min_cost_rowindex]-=a[min_cost_rowindex]
else:
x[min_cost_rowindex,col_index]=b[col_index]
#填入后删除已满足/耗尽资源系数的行/列,得到剩余的成本矩阵,并改写资源系数
c1=copy.deepcopy©
c1[:,col_index]=[M]*c1.shape[0]
a[min_cost_rowindex]-=b[col_index]
b[col_index]-=b[col_index]
c=c1
print(‘本次迭代后的x矩阵:\n’,x)
print(‘a:’,a)
print(‘b:’,b)
print(‘c:\n’,c)
if np.all(c==M):
print(‘【迭代完成】’)
print(‘-’*60)
else:
print(‘【迭代未完成】’)
print(‘-’*60)
total_cost=np.sum(np.multiply(x,cost))
if np.all(a==0):
if np.all(b==0):
print(‘>>>供求平衡<<<’)
else:
print(‘>>>供不应求,需求方有余量<<<’)
elif np.all(b==0):
print(‘>>>供大于求,供给方有余量<<<’)
else:
print(‘>>>无法找到初始基可行解<<<’)
print(‘>>>初始基本可行解x*:\n’,x)
print(‘>>>当前总成本:’,total_cost)
[m,n]=x.shape
varnum=np.array(np.nonzero(x)).shape[1]
if varnum!=m+n-1:
print(‘【注意:问题含有退化解】’)
return (cost,x)
if name ==‘main’:
main()
[注意](1)copy模块、(2)mat的操作、(3)在使用pandas导入文件数据的时候,运行read_csv正常,运行的read_excel 出现错误,直接按照提示安装openpyxl。
(3)结果
c:
[[ 4. 12. 4. 11.]
[ 2. 10. 3. 9.]
[ 8. 5. 11. 6.]]
行罚数: [0.0, 1.0, 1.0]
列罚数: [2.0, 5.0, 1.0, 3.0]
罚数向量: [0.0, 1.0, 1.0, 2.0, 5.0, 1.0, 3.0]
最大罚数: 5.0 元素序号: 5
对第 2 列进行操作:
[12. 10. 5.]
最小成本所在行索引: 2
本次迭代后的x矩阵:
[[ 0. 0. 0. 0.]
[ 0. 0. 0. 0.]
[ 0. 14. 0. 0.]]
a: [16. 10. 8.]
b: [ 8. 0. 12. 14.]
c:
[[4.0e+00 1.0e+09 4.0e+00 1.1e+01]
[2.0e+00 1.0e+09 3.0e+00 9.0e+00]
[8.0e+00 1.0e+09 1.1e+01 6.0e+00]]
【迭代未完成】
c:
[[4.0e+00 1.0e+09 4.0e+00 1.1e+01]
[2.0e+00 1.0e+09 3.0e+00 9.0e+00]
[8.0e+00 1.0e+09 1.1e+01 6.0e+00]]
行罚数: [0.0, 1.0, 2.0]
列罚数: [2.0, 0.0, 1.0, 3.0]
罚数向量: [0.0, 1.0, 2.0, 2.0, 0.0, 1.0, 3.0]
最大罚数: 3.0 元素序号: 7
对第 4 列进行操作:
[11. 9. 6.]
最小成本所在行索引: 2
本次迭代后的x矩阵:
[[ 0. 0. 0. 0.]
[ 0. 0. 0. 0.]
[ 0. 14. 0. 8.]]
a: [16. 10. 0.]
b: [ 8. 0. 12. 6.]
c:
[[4.0e+00 1.0e+09 4.0e+00 1.1e+01]
[2.0e+00 1.0e+09 3.0e+00 9.0e+00]
[1.0e+09 1.0e+09 1.0e+09 1.0e+09]]
【迭代未完成】
c:
[[4.0e+00 1.0e+09 4.0e+00 1.1e+01]
[2.0e+00 1.0e+09 3.0e+00 9.0e+00]
[1.0e+09 1.0e+09 1.0e+09 1.0e+09]]
行罚数: [0.0, 1.0, 0.0]
列罚数: [2.0, 0.0, 1.0, 2.0]
罚数向量: [0.0, 1.0, 0.0, 2.0, 0.0, 1.0, 2.0]
最大罚数: 2.0 元素序号: 4
对第 1 列进行操作:
[4.e+00 2.e+00 1.e+09]
最小成本所在行索引: 1
本次迭代后的x矩阵:
[[ 0. 0. 0. 0.]
[ 8. 0. 0. 0.]
[ 0. 14. 0. 8.]]
a: [16. 2. 0.]
b: [ 0. 0. 12. 6.]
c:
[[1.0e+09 1.0e+09 4.0e+00 1.1e+01]
[1.0e+09 1.0e+09 3.0e+00 9.0e+00]
[1.0e+09 1.0e+09 1.0e+09 1.0e+09]]
【迭代未完成】
c:
[[1.0e+09 1.0e+09 4.0e+00 1.1e+01]
[1.0e+09 1.0e+09 3.0e+00 9.0e+00]
[1.0e+09 1.0e+09 1.0e+09 1.0e+09]]
行罚数: [7.0, 6.0, 0.0]
列罚数: [0.0, 0.0, 1.0, 2.0]
罚数向量: [7.0, 6.0, 0.0, 0.0, 0.0, 1.0, 2.0]
最大罚数: 7.0 元素序号: 1
对第 1 行进行操作:
[1.0e+09 1.0e+09 4.0e+00 1.1e+01]
最小成本所在列索引: 2
本次迭代后的x矩阵:
[[ 0. 0. 12. 0.]
[ 8. 0. 0. 0.]
[ 0. 14. 0. 8.]]
a: [4. 2. 0.]
b: [0. 0. 0. 6.]
c:
[[1.0e+09 1.0e+09 1.0e+09 1.1e+01]
[1.0e+09 1.0e+09 1.0e+09 9.0e+00]
[1.0e+09 1.0e+09 1.0e+09 1.0e+09]]
【迭代未完成】
c:
[[1.0e+09 1.0e+09 1.0e+09 1.1e+01]
[1.0e+09 1.0e+09 1.0e+09 9.0e+00]
[1.0e+09 1.0e+09 1.0e+09 1.0e+09]]
行罚数: [999999989.0, 999999991.0, 0.0]
列罚数: [0.0, 0.0, 0.0, 2.0]
罚数向量: [999999989.0, 999999991.0, 0.0, 0.0, 0.0, 0.0, 2.0]
最大罚数: 999999991.0 元素序号: 2
对第 2 行进行操作:
[1.e+09 1.e+09 1.e+09 9.e+00]
最小成本所在列索引: 3
本次迭代后的x矩阵:
[[ 0. 0. 12. 0.]
[ 8. 0. 0. 2.]
[ 0. 14. 0. 8.]]
a: [4. 0. 0.]
b: [0. 0. 0. 4.]
c:
[[1.0e+09 1.0e+09 1.0e+09 1.1e+01]
[1.0e+09 1.0e+09 1.0e+09 1.0e+09]
[1.0e+09 1.0e+09 1.0e+09 1.0e+09]]
【迭代未完成】
c:
[[1.0e+09 1.0e+09 1.0e+09 1.1e+01]
[1.0e+09 1.0e+09 1.0e+09 1.0e+09]
[1.0e+09 1.0e+09 1.0e+09 1.0e+09]]
行罚数: [999999989.0, 0.0, 0.0]
列罚数: [0.0, 0.0, 0.0, 999999989.0]
罚数向量: [999999989.0, 0.0, 0.0, 0.0, 0.0, 0.0, 999999989.0]
最大罚数: 999999989.0 元素序号: 1
对第 1 行进行操作:
[1.0e+09 1.0e+09 1.0e+09 1.1e+01]
最小成本所在列索引: 3
本次迭代后的x矩阵:
[[ 0. 0. 12. 4.]
[ 8. 0. 0. 2.]
[ 0. 14. 0. 8.]]
a: [0. 0. 0.]
b: [0. 0. 0. 0.]
c:
[[1.e+09 1.e+09 1.e+09 1.e+09]
[1.e+09 1.e+09 1.e+09 1.e+09]
[1.e+09 1.e+09 1.e+09 1.e+09]]
【迭代完成】
供求平衡<<<
初始基本可行解x*:
[[ 0. 0. 12. 4.]
[ 8. 0. 0. 2.]
[ 0. 14. 0. 8.]]
当前总成本: 244.0
Process finished with exit code 0
4、案例分析2——位势法(解的最优检验)
(1)案例分析
(2)Python实现
#Vogel法寻找初始基可行解+位势法判断解的最优性
import numpy as np
import copy
import pandas as pd
def TP_split_matrix(mat):
c=mat[:-1,:-1]
a=mat[:-1,-1]
b=mat[-1,:-1]
return (c,a,b)
def TP_vogel(var): #Vogel法代码,变量var可以是以numpy.ndarray保存的运输表,或以tuple或list保存的(成本矩阵,供给向量,需求向量)
import numpy
typevar1=type(var)==numpy.ndarray
typevar2=type(var)==tuple
typevar3=type(var)==list
if typevar1False and typevar2False and typevar3==False:
print(‘>>>非法变量<<<’)
(cost,x)=(None,None)
else:
if typevar1==True:
[c,a,b]=TP_split_matrix(var)
elif typevar2True or typevar3True:
[c,a,b]=var
cost=copy.deepcopy©
x=np.zeros(c.shape)
M=pow(10,9)
for factor in c.reshape(1,-1)[0]:
while int(factor)!=M:
if np.all(c==M):
break
else:
print(‘c:\n’,c)
#获取行/列最小值数组
row_mini1=[]
row_mini2=[]
for row in range(c.shape[0]):
Row=list(c[row,:])
row_min=min(Row)
row_mini1.append(row_min)
Row.remove(row_min)
row_2nd_min=min(Row)
row_mini2.append(row_2nd_min)
#print(row_mini1,‘\n’,row_mini2)
r_pun=[row_mini2[i]-row_mini1[i] for i in range(len(row_mini1))]
print(‘行罚数:’,r_pun)
#计算列罚数
col_mini1=[]
col_mini2=[]
for col in range(c.shape[1]):
Col=list(c[:,col])
col_min=min(Col)
col_mini1.append(col_min)
Col.remove(col_min)
col_2nd_min=min(Col)
col_mini2.append(col_2nd_min)
c_pun=[col_mini2[i]-col_mini1[i] for i in range(len(col_mini1))]
print(‘列罚数:’,c_pun)
pun=copy.deepcopy(r_pun)
pun.extend(c_pun)
print(‘罚数向量:’,pun)
max_pun=max(pun)
max_pun_index=pun.index(max(pun))
max_pun_num=max_pun_index+1
print(‘最大罚数:’,max_pun,‘元素序号:’,max_pun_num)
if max_pun_num<=len(r_pun):
row_num=max_pun_num
print(‘对第’,row_num,‘行进行操作:’)
row_index=row_num-1
catch_row=c[row_index,:]
print(catch_row)
min_cost_colindex=int(np.argwhere(catch_row==min(catch_row)))
print(‘最小成本所在列索引:’,min_cost_colindex)
if a[row_index]<=b[min_cost_colindex]:
x[row_index,min_cost_colindex]=a[row_index]
c1=copy.deepcopy©
c1[row_index,:]=[M]*c1.shape[1]
b[min_cost_colindex]-=a[row_index]
a[row_index]-=a[row_index]
else:
x[row_index,min_cost_colindex]=b[min_cost_colindex]
c1=copy.deepcopy©
c1[:,min_cost_colindex]=[M]*c1.shape[0]
a[row_index]-=b[min_cost_colindex]
b[min_cost_colindex]-=b[min_cost_colindex]
else:
col_num=max_pun_num-len(r_pun)
col_index=col_num-1
print(‘对第’,col_num,‘列进行操作:’)
catch_col=c[:,col_index]
print(catch_col)
#寻找最大罚数所在行/列的最小成本系数
min_cost_rowindex=int(np.argwhere(catch_col==min(catch_col)))
print(‘最小成本所在行索引:’,min_cost_rowindex)
#计算将该位置应填入x矩阵的数值(a,b中较小值)
if a[min_cost_rowindex]<=b[col_index]:
x[min_cost_rowindex,col_index]=a[min_cost_rowindex]
c1=copy.deepcopy©
c1[min_cost_rowindex,:]=[M]*c1.shape[1]
b[col_index]-=a[min_cost_rowindex]
a[min_cost_rowindex]-=a[min_cost_rowindex]
else:
x[min_cost_rowindex,col_index]=b[col_index]
#填入后删除已满足/耗尽资源系数的行/列,得到剩余的成本矩阵,并改写资源系数
c1=copy.deepcopy©
c1[:,col_index]=[M]*c1.shape[0]
a[min_cost_rowindex]-=b[col_index]
b[col_index]-=b[col_index]
c=c1
print(‘本次迭代后的x矩阵:\n’,x)
print(‘a:’,a)
print(‘b:’,b)
print(‘c:\n’,c)
if np.all(c==M):
print(‘【迭代完成】’)
print(‘-’*60)
else:
print(‘【迭代未完成】’)
print(‘-’*60)
total_cost=np.sum(np.multiply(x,cost))
if np.all(a==0):
if np.all(b==0):
print(‘>>>供求平衡<<<’)
else:
print(‘>>>供不应求,需求方有余量<<<’)
elif np.all(b==0):
print(‘>>>供大于求,供给方有余量<<<’)
else:
print(‘>>>无法找到初始基可行解<<<’)
print(‘>>>初始基本可行解x*:\n’,x)
print(‘>>>当前总成本:’,total_cost)
[m,n]=x.shape
varnum=np.array(np.nonzero(x)).shape[1]
if varnum!=m+n-1:
print(‘【注意:问题含有退化解】’)
return (cost,x)
def create_c_nonzeros(c,x):
import numpy as np
import copy
nonzeros=copy.deepcopy(x)
for i in range(x.shape[0]):
for j in range(x.shape[1]):
if x[i,j]!=0:
nonzeros[i,j]=1
#print(nonzeros)
c_nonzeros=np.multiply(c,nonzeros)
return c_nonzeros
def if_dsquare(a,b):
print(‘a:’,a.shape,‘\n’,‘b:’,b.shape)
correct=‘>>>位势方程组可解<<<’
error=‘>>>位势方程组不可解,请检查基变量个数是否等于(m+n-1)及位势未知量个数是否等于(m+n)<<<’
if len(a.shape)==2:
if len(b.shape)==2:
if a.shape[0]a.shape[1] and a.shapeb.shape:
print(correct)
if_dsquare=True
else:
print(error)
if_dsquare=False
elif len(b.shape)==1 and b.shape[0]!=0:
if a.shape[0]==a.shape[1] and a.shape[0]==b.shape[0]:
print(correct)
if_dsquare=True
else:
print(error)
if_dsquare=False
else:
print(error)
if_dsquare=False
elif len(a.shape)==1:
if len(b.shape)==2:
if b.shape[0]==b.shape[1] and a.shape[0]==b.shape[0]:
print(‘>>>位势方程组系数矩阵与方程组值向量位置错误<<<’)
if_dsquare=‘True but not solvable’
else:
print(error)
if_dsquare=False
elif len(b.shape)==1:
print(error)
if_dsquare=False
else:
print(error)
if_dsquare=False
else:
print(error)
if_dsquare=False
return if_dsquare
def TP_potential(cost,x):
[m,n]=x.shape
varnum=np.array(np.nonzero(x)).shape[1]
if varnum!=m+n-1:
sigma=None
print(‘【问题含有退化解,暂时无法判断最优性】’)
else:
#print(c_nonzeros.shape)
c_nonzeros=create_c_nonzeros(c,x)
cc_nonzeros=np.array(np.nonzero(c_nonzeros))
A=[]
B=[]
length=c_nonzeros.shape[0]+c_nonzeros.shape[1]
zeros=np.zeros((1,length))[0]
for i in range(cc_nonzeros.shape[1]):
zeros=np.zeros((1,length))[0]
zeros[cc_nonzeros[0,i]]=1
zeros[cc_nonzeros[1,i]+c_nonzeros.shape[0]]=1
A.append(zeros)
B.append(c_nonzeros[cc_nonzeros[0,i],cc_nonzeros[1,i]])
l=[1]
for j in range(length-1):
l.append(0) #补充一个x1=0的方程以满足求解条件
A.append(l)
B.append(0)
#print(A)
#print(B)
A=np.array(A)
B=np.array(B)
judge=if_dsquare(A,B)
if judge==True:
sol=np.linalg.solve(A,B) #求解条件:A的行数(方程个数)=A的列数(变量个数)=B的个数(方程结果个数)才能解
#print(sol)
var=[] #创建位势名称数组
for i in range(c_nonzeros.shape[0]):
var.append(‘u’+str(i+1))
for j in range(c_nonzeros.shape[1]):
var.append(‘v’+str(j+1))
#print(var)
solset=dict(zip(var,sol))
print(‘>>>当前位势:\n’,solset)
u=[]
v=[]
[m,n]=c_nonzeros.shape
zero_places=np.transpose(np.argwhere(c_nonzeros==0))
for i in range(m):
u.append(sol[i])
for j in range(n):
v.append(sol[j+m])
for k in range(zero_places.shape[1]):
c_nonzeros[zero_places[0,k],zero_places[1,k]]=u[zero_places[0,k]]+v[zero_places[1,k]]
#print(c_nonzeros)
sigma=cost-c_nonzeros
print(‘>>>检验表σ:\n’,sigma)
if np.all(sigma>=0):
print(‘>>>TP已达到最优解<<<’)
else:
print(‘>>>TP未达到最优解<<<’)
else:
sigma=None
print(‘>>>位势方程组不可解<<<’)
return sigma
mat = pd.read_excel(‘表上作业法求解运输问题.xlsx’, header=None).values
mat = pd.read_csv(‘表上作业法求解运输问题.csv’, header=None).values
c=np.array([[4,12,4,11],[2,10,3,9],[8,5,11,6]])
a=np.array([16,10,22])
b=np.array([8,14,12,14])
[c, x] = TP_vogel(mat)
[c,x]=TP_vogel([c,a,b])
sigma= TP_potential(c, x)
(3)结果
c:
[[ 4. 12. 4. 11.]
[ 2. 10. 3. 9.]
[ 8. 5. 11. 6.]]
行罚数: [0.0, 1.0, 1.0]
列罚数: [2.0, 5.0, 1.0, 3.0]
罚数向量: [0.0, 1.0, 1.0, 2.0, 5.0, 1.0, 3.0]
最大罚数: 5.0 元素序号: 5
对第 2 列进行操作:
[12. 10. 5.]
最小成本所在行索引: 2
本次迭代后的x矩阵:
[[ 0. 0. 0. 0.]
[ 0. 0. 0. 0.]
[ 0. 14. 0. 0.]]
a: [16. 10. 8.]
b: [ 8. 0. 12. 14.]
c:
[[4.0e+00 1.0e+09 4.0e+00 1.1e+01]
[2.0e+00 1.0e+09 3.0e+00 9.0e+00]
[8.0e+00 1.0e+09 1.1e+01 6.0e+00]]
【迭代未完成】
c:
[[4.0e+00 1.0e+09 4.0e+00 1.1e+01]
[2.0e+00 1.0e+09 3.0e+00 9.0e+00]
[8.0e+00 1.0e+09 1.1e+01 6.0e+00]]
行罚数: [0.0, 1.0, 2.0]
列罚数: [2.0, 0.0, 1.0, 3.0]
如果你也是看准了Python,想自学Python,在这里为大家准备了丰厚的免费学习大礼包,带大家一起学习,给大家剖析Python兼职、就业行情前景的这些事儿。
一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理,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、学习软件
工欲善其必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。
三、全套PDF电子书
书籍的好处就在于权威和体系健全,刚开始学习的时候你可以只看视频或者听某个人讲课,但等你学完之后,你觉得你掌握了,这时候建议还是得去看一下书籍,看权威技术书籍也是每个程序员必经之路。
四、入门学习视频
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。
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。
五、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。
成为一个Python程序员专家或许需要花费数年时间,但是打下坚实的基础只要几周就可以,如果你按照我提供的学习路线以及资料有意识地去实践,你就有很大可能成功!
最后祝你好运!!!
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!