Python数据可视化：浅谈数据挖掘岗

最新推荐文章于 2024-06-21 23:36:24 发布
最新推荐文章于 2024-06-21 23:36:24 发布
阅读量412 收藏
点赞数

640

作者 | 小F

来源 | 法纳斯特


之前在「数据分析岗」的文章提到，会写一期有关「数据挖掘岗」的文章。


本次结合最近学的统计推断，来波简单的实战。


首先请教了两位从事过数据挖掘的大佬，简单说了下什么是数据挖掘。


让小F和大家对数据挖掘有个认识，毕竟这可是大佬的切身体会！！！


640


当然也感谢我司的大佬给出的建议，小F也是受益颇多。


曾经在知乎上看到一个比较励志的视频，特意去腾讯视频找了下，这里分享给大家。




/ 01 / PostgreSQL


本次使用的数据库为PostgreSQL。


它是一个开源对象关系数据库管理系统(ORDBMS)。


通过psycopg2模块与Python集成。


可视化工具使用Navicat for PostgreSQL，免费试用14天...


没找到如何用Python创建PG数据库，所以数据库的创建在Navicat for PostgreSQL中完成。


数据库的连接通过Pyhton的psycopg2模块，具体如下。


 
  
import psycopg2
# 连接数据库
conn = psycopg2.connect(database="lagou_job", user="postgres", password="774110919", host="127.0.0.1", port="5432")
print("Opened database successfully")
# 创建工作表
cur = conn.cursor()
cur.execute('''CREATE TABLE job (id INT PRIMARY KEY NOT NULL, job_title TEXT NOT NULL, job_salary TEXT NOT NULL, job_city TEXT NOT NULL, job_experience TEXT NOT NULL, job_education TEXT NOT NULL, company_name TEXT NOT NULL, company_type TEXT NOT NULL, company_status TEXT NOT NULL, company_people TEXT NOT NULL, job_tips TEXT NOT NULL, job_welfare TEXT NOT NULL);''')
print("Table created successfully")
# 关闭数据库
conn.commit()
conn.close()
 
 
 
 

 
 
希望以后能出一期PostgreSQL的教程，网上关于它的教程并不多，还是选择自力更生...
 
 

 
 

 
 
/ 02 / 数据获取
 
 

 
 
代码和之前的差不多，有变化的就是「关键词」和「数据库」。
 
 

 
 
同时还获取了职位详情页的URL，不过我没对详情页进行爬取，有兴趣的小伙伴可以试试。
 
 

 
 
 
  
 
  
import requests
import psycopg2
import random
import time
import json

count = 0
url = 'https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36',
    'Cookie': '你的cookie值',
    'Accept': 'application/json, text/javascript, */*; q=0.01',
    'Connection': 'keep-alive',
    'Host': 'www.lagou.com',
    'Origin': 'https://www.lagou.com',
    'Referer': 'https://www.lagou.com/jobs/list_%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90?labelWords=sug&fromSearch=true&suginput=shuju'
}

# 连接数据库
db = psycopg2.connect(database="lagou_job", user="postgres", password="774110919", host="127.0.0.1", port="5432")


def add_Postgresql(id, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people, job_tips, job_welfare):
    # 将数据写入数据库中
    try:
        cursor = db.cursor()
        sql = "insert into job (id, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people, job_tips, job_welfare) values ('%s', '%s', '%s', '%s', '%s', '%s', '%s', '%s', '%s', '%s', '%s', '%s')" % (int(id), job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people, job_tips, job_welfare);
        print(sql)
        cursor.execute(sql);
        print(cursor.lastrowid)
        db.commit()
    except Exception as e:
        print(e)
        db.rollback()


def get_message():
    for i in range(1, 31):
        print('第' + str(i) + '页')
        time.sleep(random.randint(10, 20))
        data = {
            'first': 'false',
            'pn': i,
            'kd': '数据挖掘'
        }
        response = requests.post(url=url, data=data, headers=headers)
        result = json.loads(response.text)
        job_messages = result['content']['positionResult']['result']
        # 职位详情页URL获取
        job_urls = result['content']['hrInfoMap'].keys()
        for k in job_urls:
            url_1 = 'https://www.lagou.com/jobs/' + k + '.html'
            print(url_1)
            with open('job_urls.csv', 'a+', encoding='utf-8-sig') as f:
                f.write(url_1 + '\n')
        for job in job_messages:
            global count
            count += 1
            # 岗位名称
            job_title = job['positionName']
            print(job_title)
            # 岗位薪水
            job_salary = job['salary']
            print(job_salary)
            # 岗位地点
            job_city = job['city']
            print(job_city)
            # 岗位经验
            job_experience = job['workYear']
            print(job_experience)
            # 岗位学历
            job_education = job['education']
            print(job_education)
            # 公司名称
            company_name = job['companyShortName']
            print(company_name)
            # 公司类型
            company_type = job['industryField']
            print(company_type)
            # 公司状态
            company_status = job['financeStage']
            print(company_status)
            # 公司规模
            company_people = job['companySize']
            print(company_people)
            # 工作技能
            if len(job['positionLables']) > 0:
                job_tips = ','.join(job['positionLables'])
            else:
                job_tips = 'None'
            print(job_tips)
            # 工作福利
            job_welfare = job['positionAdvantage']
            print(job_welfare + '\n\n')
            add_Postgresql(count, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people, job_tips, job_welfare)


if __name__ == '__main__':
    get_message()
 
 
 
 

 
 
获取拉勾网数据挖掘岗数据如下。
 
 

 
 
640
 
 

 
 
获取到详情页的URL信息后，直接点击文件里的链接，并不会跳转到详情页页面。
 
 

 
 
需复制网址，粘贴到浏览器上，才能访问成功。
 
 

 
 
具体原因我也不知道，可能和请求头有关吧...
 
 

 
 
640
 
 
 
 

 
 
/ 03 / 数据可视化
 
 

 
 
01 工作经验薪水图
 
 

 
 
640
 
 
 
 
这里1年以下的数据只有一个，所以直接去除。
 
 

 
 
640
 
 

 
 
探索多分类变量与连续变量间的关系，采用单因素方差分析。
 
 

 
 
原假设为工作经验对薪水无显著影响。
 
 

 
 
 
  
 
  
from scipy import stats
import pandas as pd
import psycopg2
# 获取数据库数据
conn = psycopg2.connect(database="lagou_job", user="postgres", password="774110919", host="127.0.0.1", port="5432")
cursor = conn.cursor()
sql = "select * from job"
df = pd.read_sql(sql, conn)
# 清洗数据,生成薪水列
dom = []
for i in df['job_salary']:
    i = ((float(i.split('-')[0].replace('k', '').replace('K', '')) + float(i.split('-')[1].replace('k', '').replace('K', ''))) / 2) * 1000
    dom.append(i)
df['salary'] = dom
# 去除无效列
data = df[df.job_experience != '不限']
# 生成不同工作经验的薪水列表
exp = []
for i in ['应届毕业生', '1-3年', '3-5年', '5-10年']:
    exp.append(data[data['job_experience'] == i]['salary'])
# 单因素方差分析
print(stats.f_oneway(*exp))
# 得到的结果
F_onewayResult(statistic=34.8568474246936, pvalue=5.894831071529752e-20)
 
 
 
 

 
 
得到F值为34.85，P值接近于0，其中取显著性水平为0.05。
 
 

 
 
所以拒绝原假设，即工作经验会显著影响薪水。
 
 

 
 
02 学历薪水图
 
 

 
 
640
 
 
 
 
这里大部分岗位的学历要求，为本科和硕士，极少部分为学历不限和大专。
 
 

 
 
同上，也对学历和薪水做假设，为无显著差异。
 
 

 
 
 
  
 
  
# 去除无效列
data = df[df.job_education != '不限']
# 生成不同学历的薪水列表
edu = []
for i in ['大专', '本科', '硕士']:
    edu.append(data[data['job_education'] == i]['salary'])
# 单因素方差分析
print(stats.f_oneway(*edu))
# 得到的结果
F_onewayResult(statistic=5.29713465351118, pvalue=0.005345061949394161)
 
 
 
 

 
 
得到F值为5.29，P值为0.005，其中取显著性水平为0.05。
 
 

 
 
所以拒绝原假设，即学历会显著影响薪水。
 
 

 
 
综合两个F值和P值，可以看出工作经验比起学历更能影响薪水。
 
 

 
 
那么我们就通过有交互效应的多元方差分析来看看具体情况。
 
 

 
 
 
  
 
  
import statsmodels.formula.api as smf
import statsmodels.api as sm
import pandas as pd
import psycopg2
# 消除pandas输出省略号情况及换行情况
pd.set_option('display.max_columns', 500)
pd.set_option('display.width', 1000)
# 获取数据库数据
conn = psycopg2.connect(database="lagou_job", user="postgres", password="774110919", host="127.0.0.1", port="5432")
cursor = conn.cursor()
sql = "select * from job"
df = pd.read_sql(sql, conn)
# 清洗数据,生成薪水列
dom = []
for i in df['job_salary']:
    i = ((float(i.split('-')[0].replace('k', '').replace('K', '')) + float(i.split('-')[1].replace('k', '').replace('K', ''))) / 2) * 1000
    dom.append(i)
df['salary'] = dom
# 去除学历不限
data = df[df.job_education != '不限']
# 去除工作经验不限及1年以下
data = data[data.job_experience != '不限']
data = data[data.job_experience != '1年以下']
# smf:最小二乘法,构建线性回归模型
anal = smf.ols('salary ~ C(job_experience) + C(job_education) + C(job_experience)*C(job_education)', data=data).fit()
# anova_lm:多因素方差分析
print(sm.stats.anova_lm(anal))
# 基本信息输出
print(anal.summary())
 
 
 
 
 
 
输出结果。
 
 

 
 
640
 
 
 
 
这里看出学历和工作经验的交互项对薪水影响并不显著。
 
 

 
 
其F值为1.33，P值为0.2，则无法拒绝原假设。
 
 

 
 
640
 
 

 
 
R²的值为0.277，说明工作经验和学历仅仅解释了薪水变异性的27.7%。
 
 

 
 
R²的值大于0.8时，则说明模型拟合效果好，本次实验看来是远远达不到要求了。
 
 

 
 
640
 
 

 
 
这是带交互项的多元方差分析的回归系数。
 
 

 
 
参考标准是工作经验「1-3年」和学历「 大专」。
 
 

 
 
按理说应该是选择工作经验「应届毕业生」和学历「 大专」做参考标准的。
 
 

 
 
这里是由于我没用数字对信息进行归类，导致这一现象出现，所以凑合着看吧！
 
 

 
 
从表中可以看出：
 
 

 
 
①「3-5年」的「 大专」较「1-3年」的「 大专」，P值为0.081，略大于0.05，说明两种情况薪水差异较显著。
 
 

 
 
②「5-10年」的「 大专」较「1-3年」的「 大专」，P值为0，说明没有样本。
 
 

 
 
③「应届生」的「 大专」较「1-3年」的「 大专」，P值为0.911，说明两种情况薪水无差异。
 
 

 
 
④「1-3年」的「本科」较「1-3年」的「 大专」，P值为0.021，说明两种情况薪水差异显著。
 
 

 
 
⑤「1-3年」的「 硕士」较「1-3年」的「 大专」，P值为0.012，说明两种情况薪水差异显著。
 
 

 
 
03 公司类型TOP10
 
 

 
 
640
 
 

 
 
数据挖掘岗也是集中在互联网行业，「数据服务」「O2O」「金融」「电子商务」。
 
 

 
 
目前认识的数据挖掘大佬，还真是在「数据服务」「O2O」「金融」行业里。
 
 

 
 
04 工作技能图
 
 

 
 
640
 
 

 
 
「数据挖掘岗」和「数据分析岗」都是相通的，你中有我，我中有你。
 
 

 
 
不过「数据挖掘岗」中算法是第一位要求，更高级，更难学...
 
 

 
 

 
 
/ 04 / 总结
 
 

 
 
依照惯例，贴出拉勾网数据挖掘岗薪水TOP20。
 
 

 
 
640
 
 

 
 
比数据分析岗高出不少，膜拜呐...
 
 

 
 
看来之前两位大佬是真的牛皮，向大佬看齐！！！
 
 

 
 
后台回复“数据挖掘”，即可获得代码地址
 
 

 
 
这么走心，还好看的文章，右下角点个「好看」就行啦，比心！！！
 
 

 
 
 
  
◆ ◆ ◆  ◆ ◆
 
 
 
 
 
  
 
   
 
    
 
     
 
     

 
     

 
     
 
      
 
     
 
    
 
   
 
   
 
  
 
 
 
 

 
 

 
 

 
 

 
 

 
 

 
 
凡是在通过上面二维码购买，并在后台发送购买截图的，我都送出一整套资料集锦，内有“数据分析学习清单+思维导图”，是由这个专栏作者陈旸亲自整理制作，对你快速掌握数据分析非常有价值。
 
 

 
 
 
 
数据森麟公众号的交流群已经建立，许多小伙伴已经加入其中，感谢大家的支持。大家可以在群里交流关于数据分析&数据挖掘的相关内容，还没有加入的小伙伴可以通过扫描下方管理员二维码，让管理员帮忙拉进群，期待大家的加入。
 
 

 
 
管理员二维码：
 
 
 
 

 
 
 
  
 
   
 
    猜你喜欢 
   
 
   
 
  
 
  
 
   
● 
 
   
● 
 
   

 
   
● 
 
   
● 
 
  
 
 
 
 
支持小F原创  ☟
 


                

        

        

    

  


    

      

        

            

              
                
                  IT农民工1
                
              
            

            

                关注
              
            

        

        

          
      

      









                



	

		

			

				
					
Python酷炫毕业论文案例，对全国大学数据进行可视化分析

				
			

			

				

					yunyun云芸
				

				

					08-24
					
					6106
					
				

			

		

		

			
				
前言1、导入模块2、不同省份大学数量3、统计省份对应不同市大学数量4、985、211以及双一流5、公或民办类型数量6、本或专科数量7、全国不同大学隶属情况
全国所有大学的数据信息（包括专本科，覆盖全国），一共是获取到了全国31个省份，共2769所大学。
涉及到的内容：
Pandas — 数据处理
Pyecharts — 数据可视化
安装库

pip install pyecharts


1、导入模块
Pandas数据处理
读取数据
import pandas as pd
from collections 

			
		

	



                

              
                



	

		

			

				
					
一文看懂数据可视化：从编程工具到可视化表现方式

				
			

			

				

					数控小J 对大数据的探索与见解
				

				

					04-20
					
					3076
					
				

			

		

		

			
				
说到可视化，就不得不说一下大数据，毕竟可视化是解决大数据的一种高效的手段，而如今人人都在谈论大数据，大数据 ≠ 有数据 ≠ 数据量大， 离谱的是，如今就连卖早点的觉得自己能统计每天卖出的种类，都敢说自己是搞大数据。

			
		

	



                


  
              

                


	

		

			

				
					
python数据分析挖掘与可视化教程_python--数据可视化

				
			

			

				

					weixin_39681724的博客
				

				

					11-29
					
					397
					
				

			

		

		

			
				
数据如何清晰、准确、交互的展现，通过数据可视化，将实现这些效果。python可视化需要用到的库：pandas，matplotlib参考官方教程：http://matplotlib.org/index.html散点图：绘图函数：plot(x,y,'.',color(r,g,b))x、y，x轴和y轴的序列；‘.’，散点图中点的大小；color：rgb定义#-*- coding: utf-8 -*-im...

			
		

	





	

		

			

				
					
如何使用Python进行数据可视化

				
			

			

				

					2301_79507619的博客
				

				

					05-06
					
					583
					
				

			

		

		

			
				
Matplotlib是Python中最基本的绘图库，它提供了一个非常灵活的框架来创建各种静态、动态和交互式的图表。3. **选择图表类型**：根据你要表达的数据类型和目的选择合适的图表类型，如条形图、线图、散点图等。5. **自定义图表**：调整图表的标题、标签、颜色等，以增强图表的可读性和美观性。1. **导入库和数据**：首先，你需要导入所需的库以及你将要可视化的数据。6. **显示或保存图表**：最后，展示或保存你的图表。4. **绘制图表**：使用选择的库创建图表。### 3. 使用Plotly。

			
		

	



		

			
		



	

		

			

				
					
Python数据分析岗位总结

				
			

			

				

					awpc21的博客
				

				

					09-18
					
					1608
					
				

			

		

		

			
				
对使用Python的相关职位做一个总结
python职业成长路径：

python职位路径：
Python职业要求：

岗位要求：

主要考察点：
业务方向考查：偏向思维商业分析层面
面试考查点：SQL操作、统计知识、业务理解能力逻辑分析能力（有可能采用分组群面的方式）
技术方向：偏向技术数据处理、挖掘层面
面试考察点：SQL、算法、数据清洗、机器学习
互联网行业的相关技术岗位：

...

			
		

	





	

		

			

				
					
python数据分析岗位做什么_给力！数据分析岗位内部人的建议，可以少走很多弯路...

				
			

			

				

					weixin_39982236的博客
				

				

					12-06
					
					220
					
				

			

		

		

			
				
原标题：给力！数据分析岗位内部人的建议，可以少走很多弯路这次我请到了在数据分析岗位的一位大佬，最近也面试了很多准备转行过来的小伙伴，他从数据分析岗位内部人士的角度来解读，什么是数据分析岗位，需要那些技能，那些注意事项，希望对大家有帮助。一.数据分析岗位基本情况数据分析岗位目前分为两个大方向，一个是偏向业务，一个是偏向数据工程(如机器学习、数据挖掘等)。业务方向又有很多细分方向，如网页分析、会员分析...

			
		

	





	

		

			

				
					
python中数据类型存储_浅谈Python中的数据类型

				
			

			

				

					weixin_39798943的博客
				

				

					12-21
					
					560
					
				

			

		

		

			
				
浅谈Python内置对象类型——数字篇(附py2和py3的区别之一)Python是一门面向对象的编程设计语言，程序中每一样东西都可以视为一个对象。Python内置对象可以分为简单类型和容器类型，简单类型主要是数值型数据，而容器类型是可以包含其他对象类型的集体，如序列、元组、映射等。在简单类型对象中，Python的数值数据包括整型(int)、长整型(long)、浮...文章python进阶者2020...

			
		

	





	

		

			

				
					
从Excel到Python：数据分析师必备技能和书籍

					
最新发布

				
			

			

				

					cha111的博客
				

				

					06-21
					
					1217
					
				

			

		

		

			
				
虽然大数据书籍不完全是严格意义上的数据分析实操类书籍，但在当今社会，“大数据”无疑是一种趋势，并且仍属于数据范畴。：经典的入门书，涵盖了数据分析人员在一到两年内的大部分工作内容，包括Excel技巧、可视化入门、数据分析方法、数据处理入门等。建议快速阅读并精读对自己有用的部分，建立自己的理论框架，并将业务书的知识固化为可量化、可监控的数据模型和流程模型。我为这本书写过两篇读书心得，书中有很多干货，能开阔视野，对实际工作有很大的借鉴意义，值得精读。积累实践经验后，根据业务梳理知识和经验，做出有价值的分析报告。

			
		

	





	

		

			

				
					
数据可视化学习笔记一——概述

				
			

			

				

					wsdchong的博客
				

				

					07-15
					
					1647
					
				

			

		

		

			
				
工作准备
文章目录工作准备工作内容补充说明地理信息数字化技术GISQGisPostGISPostgreSQL可视化技术echartsmapboxthree.js[Vue.js Examples](https://vuejsexamples.com/)数据处理技术Spark数据存储、查询及Rdd操作互联网数据爬虫数据分析技术数据挖掘通用机器学习算法学习说明
工作内容
岗位：web前端开发工程师
岗位职责：1参与大数据可视化平台研发；2参与大数据查询系统的研发；3能独立完成网站页面开发；4负责使用美观的组件将数

			
		

	





	

		

			

				
					
浅谈大数据时代新闻编辑数据素养提升路径.zip

				
			

			

				

					10-17
				

			

		

		

			
				
这篇压缩包中的“浅谈大数据时代新闻编辑数据素养提升路径.pdf”文件，可能详细阐述了这一主题。下面，我们将深入探讨大数据时代新闻编辑如何提升数据素养，并讨论其重要性。  首先，了解大数据的基本概念是至关重要...

			
		

	





	

		

			

				
					
毕业论文（完整版）基于python的数据采集以及可视化脚本的开发.doc

				
			

			

				

					08-10
				

			

		

		

			
				
目    录
1 引言.............................................................5
1.1 Python的介绍...................................................5
1.2 数据采集（爬虫）介绍............................................5
1.2.1 什么是爬虫....................................................5
1.2.2 通用爬虫和聚焦爬虫............................................5
1.2.3 数据采集研究现状..............................................6
1.3 数据清洗介绍....................................................6
1.4 数据可视化介绍..................................................6
1.4.1 数据可视化发展史..............................................6
1.4.2 数据可视化研究概述............................................7
2 数据采集（爬虫）技术实现..........................................8
2.1 采集需求........................................................8
2.2 爬虫设计流程....................................................8
2.3 采集网站分析....................................................9
2.4 采集代码实现....................................................10
3 数据清洗技术.....................................................13
4 数据可视化技术...................................................14
4.1 可视化技术实现.................................................14
4.1.1 字段确认.....................................................14
4.1.2 数据获取.....................................................15
4.1.2.1 获取薪资数据...............................................15
4.1.2.2 获取城市数据...............................................16
4.1.2.3 获取学历数据...............................................17
4.1.2.4 获取工作性质数据...........................................18
4.1.2.5 获取工作经验数据...........................................19
4.1.3 可视化实现.................................................19
4.2 数据展示与分析.................................................20
4.2.1 薪资可视化...................................................20
4.2.2 城市地区分布.................................................21
4.2.3 学历要求.....................................................21
4.2.4 工作性质.....................................................22
4.2.5 工作经验.....................................................24
5 结束语...........................................................25
参考文献...........................................................25
致谢.........................................................25

			
		

	





	

		

			

				
					
python数据挖掘工程师待遇_数据挖掘工程师岗位的具体职责

				
			

			

				

					weixin_39636099的博客
				

				

					11-29
					
					243
					
				

			

		

		

			
				
数据挖掘工程师负责内容的处理，包括关键词提取、主题分析、类目预测、质量打分等。以下是学习啦小编整理的数据挖掘工程师岗位的具体职责。数据挖掘工程师岗位的具体职责1职责：1. 参与市场营销分析、策划、规划和数据分析工作;2. 根据分析、诊断结果，建立分析模型并优化，为运营决策、产品方向、销售策略等提供数据支持;3. 利用专业数据分析、挖掘工具进行数据建模;4. 有相关工作经验1年以上。任职要求：1. ...

			
		

	





	

		

			

				
					
【论文】基于python的NBA球员数据可视化分析的设计与实现

				
			

			

				

					qq_36463299的博客
				

				

					11-16
					
					851
					
				

			

		

		

			
				
因此，本研究将基于Python编程语言，结合数据挖掘和可视化分析技术，探索和提出可行的NBA球员数据可视化分析方法和实现框架，旨在为篮球比赛的研究和决策提供更有效的信息支持。其次，NBA球员数据的可视化分析可以为球迷、教练、球员和研究者提供更加直观、全面的数据展示和分析结果，从而辅助他们做出更加准确、科学的决策和预测。本文的重点在于对NBA球员数据进行可视化分析。本文以Python为主要工具，通过对NBA球员的相关数据进行收集整理，并利用Python中的数据处理和可视化库，对球员数据进行分析和展示。

			
		

	





	

		

			

				
					
使用python爬取论文信息并且进行可视化

					
热门推荐

				
			

			

				

					weixin_43095466的博客
				

				

					06-30
					
					1万+
					
				

			

		

		

			
				
今天使用python来爬取百度学术的论文信息，并且增加了简单的可视化功能，今天博客主要内容有：

1、爬取百度学术上论文信息（主要用到requests库，bs4库中BeautifulSoup模块，pandas，re等）
2、使用tkinter构建GUI，显示爬取的论文信息
3、对爬取的数据进行可视化，进行词云展示
可以在小窗口中输入检索信息：


一、爬取论文
爬取思路：
主要使用了requests库、bs4里面的BeautifulSoup和re模块

准备工作
获取数据
解析数据
保存数据
个人认思路很简

			
		

	





	

		

			

				
					
python数据可视化课程论文_Python数据分析与数据可视化选修课答案

				
			

			

				

					weixin_39562752的博客
				

				

					12-02
					
					1158
					
				

			

		

		

			
				
What do you think ___________？[ ]A. he will happenB. will happen to himC. he happensD. happen to him—do you speak？—I speak English. [ ]A. What B. What colorC. What time D. What language—Whatdoesyourfa...

			
		

	





	

		

			

				
					
python数据可视化-简单案例

				
			

			

				

					脚踏实地
				

				

					02-15
					
					1万+
					
				

			

		

		

			
				
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
%matplotlib inline


np.random.seed(1000)
# 正态分布生成20随机数
y = np.random.standard_normal(20)

plt.figure(figsize=(7, 4))
# x为y的...

			
		

	





	

		

			

				
					
毕设分享 基于Python大数据的电影可视化分析系统（源码+论文）

				
			

			

				

					m0_12378的博客
				

				

					10-31
					
					1139
					
				

			

		

		

			
				
项目名称：Movie Visualization Analysis system （MOVA）用户单位：个人用户开发单位：HITSZSE_group10功能用途：数据查询、图表生成及导出文档中包含引言、软件一般性描述以及需求描述暂无。

			
		

	





	

		

			

				
					
基于python数据可视化论文-基于Python的数据脱敏与可视化分析

				
			

			

				

					weixin_39645249的博客
				

				

					11-11
					
					1万+
					
				

			

		

		

			
				
尹诗玉 陈小奎 师琳摘要：为分析高校教学质量，并对其进行评价，本文基于python语言对教务系统导出的原数据进行处理和分析，主要从数据导入，数据预处理，及数据分析三个层面结合实例进行分析。首先利用tkinter库设计出数据导入的界面；其次阐述数据清洗、分组、集成以及脱敏等数据预处理的常用算法，并结合高校教学评价这一实际案例进行了演示，借助pandas库中的dataframe数据类型实现了对“脏数据...

			
		

	





	

		

			

				
					
基于python热门电视剧数据分析可视化系统 毕业设计开题报告

				
			

			

				

					杭州.黄老师
				

				

					11-15
					
					814
					
				

			

		

		

			
				
基于python热门电视剧数据分析可视化系统 毕业设计开题报告,大学生毕业设计毕设开题报告模板

			
		

	





	

		

			

				
					
Python数据可视化：Matplotlib pyplot入门教程

				
			

			

				

					
				

			

		

		

			
				
"这篇学习笔记主要介绍了Python数据可视化的库——Matplotlib中的pyplot子模块。Matplotlib是一个强大的2D绘图库，适用于多种平台，能够创建高质量的图形，包括但不限于折线图、散点图和条形图。在Python 3.8环境下...

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值