Tech行者-两周年创作纪念日

目录

一、博客概况

二、主要技术方向及深度解析

C++技术

数据分析与可视化

算法与数据结构

三、博客写作风格与影响力

四、未来展望

 五、收获

---

从最初踏入编程世界的好奇与迷茫，到如今在特定领域内小有成就，我的博客见证了我的成长与蜕变。每一篇文章，都是我深思熟虑后的结晶，它们不仅包含了我对技术点的深入解析，更融入了我多年实践中的经验与教训。

一、博客概况

• 原创性：Tech行者的博客文章均为原创，内容详实，讲解深入浅出，具有较高的参考价值。
• 实用性：文章注重实际应用，通过项目案例和实战经验展示技术点的应用方法，帮助读者快速掌握技能。
• 互动性：Tech行者积极与读者互动，回答读者问题，分享技术见解，形成良好的社区氛围。

二、主要技术方向及深度解析

在C++的世界里，我深谙其魅力所在。从基础的语法结构到复杂的数据结构，从传统的内存管理到现代的智能指针，我都力求用最通俗易懂的语言，为读者揭开C++的神秘面纱。同时，我也通过一系列项目实战案例，展示了C++在解决实际问题中的强大能力，让读者能够感受到编程的乐趣与成就感。

1.C++技术

• 基础与进阶：深入讲解了C++的基本语法、数据结构、算法以及C++11、C++14、C++17等新标准引入的重要特性。他通过具体的代码示例和解释，帮助读者理解C++的精髓和最佳实践。
• 内存管理：对C++中的内存管理进行了深入探讨，包括malloc、calloc、realloc和new等函数的区别与使用，以及智能指针等现代C++特性在内存安全方面的优势。
• 项目实战：分享了多个C++项目实战案例，如学生管理系统、树的实现等，通过这些项目展示了C++在解决实际问题中的强大能力。 

在数据分析与可视化的领域，倾注了大量的心血。我深知，在这个数据爆炸的时代，如何有效地提取、分析和展示数据，对于企业和个人来说都至关重要。因此，我不断学习最新的数据分析工具和技术，如Python、matplotlib、seaborn等，并通过实际案例向读者展示它们的应用方法和效果。我相信，通过这些努力，我能够帮助更多的人掌握数据分析与可视化的技能，从而在职场中脱颖而出。

2.数据分析与可视化

• 数据分析：利用Python等编程语言进行数据分析，介绍了数据处理、特征提取、模型训练等流程，并通过实际案例展示了数据分析在各个领域中的应用。
• 数据可视化：使用matplotlib、seaborn等库进行数据可视化，通过图表和图形直观地展示数据背后的规律和趋势，帮助读者更好地理解数据。
• 项目案例：如“各科目考试成绩可视化项目”，Tech行者通过该项目详细介绍了数据可视化的完整流程和技术要点，为读者提供了宝贵的学习资源。

3、算法与数据结构

• • 基础算法：讲解了排序、查找等常用算法的原理和实现方法，并通过实际案例展示了算法在解决实际问题中的应用。
  • 数据结构：深入介绍了树、图等复杂数据结构的原理和实现方法，并通过具体的代码示例帮助读者掌握这些数据结构的使用技巧。

三、博客写作风格与影响力

写作风格：

• 博客文章语言简洁明了，逻辑清晰，注重实战经验和心得分享。用通俗易懂的语言解释复杂的技术概念，使读者能够轻松掌握技术要点。

影响力：

 

CSDN-2023年成长之路-Tech行者-CSDN博客https://blog.csdn.net/m0_62338174/article/details/135375877?spm=1001.2014.3001.5502 Python数据可视化实战期末课程设计——各科目考试成绩可视化项目-CSDN博客https://blog.csdn.net/m0_62338174/article/details/130460787?spm=1001.2014.3001.5502

import pandas as pd

import pandas as pd

# 使用 GBK 编码方式读取文件
df = pd.read_csv("StudentsPerformance.csv", encoding="gbk")


# 查看数据的前几行
print(df.head())

# 查看数据的基本信息，包括每列数据的类型和非空数量等
print(df.info())

# 查看数据的统计信息，包括每列数据的基本统计量（如均值、标准差、最大值、最小值等）
print(df.describe())

# 检查是否有空值
print(df.isnull().sum())


# 选取阅读成绩、数学成绩、写作成绩3个字段，计算总分和平均分
df['总分'] = df.iloc[:,5:8].sum(axis=1)
df['平均分'] = df['总分'] / 3

# 查看计算结果
print(df[['阅读成绩', '数学成绩', '写作成绩', '总分', '平均分']].head())


# 设置及格线为60分，并使用 lambda 函数判断每位学生是否通过各门课程
df['pass_reading'] = df['阅读成绩'].apply(lambda x: 'Pass' if x >= 60 else 'Fail')
df['pass_math'] = df['数学成绩'].apply(lambda x: 'Pass' if x >= 60 else 'Fail')
df['pass_writing'] = df['写作成绩'].apply(lambda x: 'Pass' if x >= 60 else 'Fail')

# 打印修改后的数据帧
print(df.head())

# 使用 apply() 函数和 lambda 表达式判断每个学生的整体状态是否通过，并将判断结果存储在新的数据列中
df['情况'] = df.apply(lambda x: 'Pass' if x['pass_reading'] == 'Pass' and x['pass_math'] == 'Pass' and x['pass_writing'] == 'Pass' else 'Fail', axis=1)

# 打印修改后的数据帧
print(df.head())

# 计算每个学生的总分和平均分，并使用条件表达式判断成绩等级，并将判断结果存储在新的数据列中
df['总分'] = df['数学成绩'] + df['阅读成绩'] + df['写作成绩']
df['平均分'] = df['总分'] / 3
df['等级'] = df.apply(lambda x: '优秀' if x['平均分'] >= 90 else '良好' if x['平均分'] >= 80 else '中等' if x['平均分'] >= 70 else '及格' if x['平均分'] >= 60 else '不及格', axis=1)

# 打印修改后的数据帧
print(df.head())

import seaborn as sns
import matplotlib.pyplot as plt
# 指定字体
plt.rcParams['font.sans-serif'] = ['SimHei']
# 统计每个家长受教育水平的人数，并绘制水平柱状图
edu_counts = df['父母教育程度'].value_counts()
plt.bar(edu_counts.index, edu_counts.values)
plt.xlabel('父母教育程度')
plt.ylabel('人数')
plt.title('父母受教育程度的水平柱状图')
plt.show()

# 统计及格和不及格的人数，并绘制饼图
pass_counts = df['情况'].value_counts()

labels = ['及格', '不及格']
sizes = [pass_counts['Pass'], pass_counts['Fail']]

plt.pie(sizes,
        labels=labels,
        autopct='%1.1f%%')

plt.title('全体学生成绩分布饼图')
plt.axis('equal')
plt.show()

# 绘制数学成绩、阅读成绩和写作成绩的直方图
plt.hist(df['数学成绩'], bins=10, alpha=0.5, label='math score')
plt.hist(df['阅读成绩'], bins=10, alpha=0.5, label='reading score')
plt.hist(df['写作成绩'], bins=10, alpha=0.5, label='writing score')

plt.legend(loc='upper right')
plt.xlabel('成绩')
plt.ylabel('人数')
plt.title('各科成绩分布直方图')
plt.show()

# 绘制父母受教育程度和前置课程是否完成的分类图
sns.countplot(x='父母教育程度',
              data=df,
              hue='课程完成情况')
plt.title('父母受教育程度与前置课程是否完成统计分类图')
plt.show()

# 绘制成绩评级和性别分布的箱线图
sns.boxplot(x='等级',
            y='总分',
            hue='性别',
            data=df)
plt.title('成绩评级与性别分布箱线图')
plt.show()

# 绘制午餐标准和总成绩的性别分类散点图
sns.scatterplot(x='午餐',
                y='总分',
                hue='性别',
                data=df)
plt.title('午餐标准与总成绩的性别分类散点图')
plt.show()

# 计算各特征之间的相关系数，并绘制热力图
corr = df.corr()
sns.heatmap(corr, annot=True, cmap='coolwarm')
plt.title('各特征的相关热力图')
plt.show()

 

四、未来展望

我将继续在CSDN博客上分享更多的技术心得和项目经验。他可能会进一步探索新的技术领域和前沿技术趋势，为读者带来更加深入和全面的技术解析和实战案例。同时，他也将积极参与CSDN社区的互动和交流活动，为社区的繁荣和发展贡献自己的力量。

我的博客不仅是我个人的技术展示平台，更是我与广大技术爱好者交流互动的桥梁。珍惜每一位读者的留言和反馈，它们是我不断前进的动力源泉。在未来的日子里，我将继续秉承初心，不断探索新的技术领域和前沿技术趋势，为我的博客注入更多的活力与精彩。同时，我也期待与更多的技术爱好者一起成长、一起进步，共同推动技术的发展与繁荣。

 五、收获

在创作的过程中，我收获了无数宝贵的财富。首先，我获得了众多粉丝的关注与喜爱，他们的支持与鼓励是我不断前行的动力源泉。其次，我收到了大量的正向反馈，如赞、评论、阅读量等，这些数字背后，是读者们对我内容的认可与共鸣。更重要的是，我结识了许多志同道合的领域同行，我们在交流中碰撞思想，在合作中共同成长，这些友谊与合作经历，成为了我职业生涯中不可多得的宝贵财富。