python 散点图_【致敬科比II】Python散点图、柱状图展示科比·布莱恩特职业生涯场上不同位置命中率...

最新推荐文章于 2023-09-18 15:19:17 发布
最新推荐文章于 2023-09-18 15:19:17 发布
阅读量438 收藏
点赞数
文章标签： python 散点图 python 柱状图 python散点图 python柱状图

f2db2d3542c234c39138de105ad09e6c.png

大家好！

今天来分享一下如何用Python工具来帮助我们制作散点图、柱状图展示科比·布莱恩特职业生涯场上不同位置命中率。

a71b9e314cafe45294c81c5ef8b9722f.png

f18eaf52de86ce8809ad93ef43521647.png

案例中数据表格结构如下：

b769cb337c0f280ed5b1f4ef36b59284.png

代码及演示：

import numpy as np
import pandas as pd
from pyecharts import options as opts
from pyecharts.charts import *
from pyecharts.globals import ThemeType

df_Kobe = pd.read_csv("D:01会Excel的隔壁老王Excel报表20200516-科比职业生涯数据Kobe-data.csv")

df_Kobe

89298567084755c496f9edda40efca12.png 
#选择"shot_made_flag"不为空的所有数据

df_Kobe_notnull = df_Kobe[ pd.notnull(df_Kobe["shot_made_flag"]) ]
df_Kobe_notnull

2ba646c89b4e3f7f26058721a7c8cdf4.png 
#数据透视,求出不同区域的总投篮数
df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_total = pd.pivot_table(df_Kobe_notnull, index = ["shot_zone_range"], values= ["shot_zone_area"], aggfunc=np.count_nonzero)

#拆分合并单元格

df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_total.reset_index(inplace = True)

df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_total

c717bbd55b0ae781c45bc49eec8c6c16.png 
#数据透视，得出所有进球数
df_Kobe_notnull_shot_zone_basic_pivot_table = pd.pivot_table(df_Kobe_notnull, index = ["shot_zone_range","shot_made_flag"], values= ["shot_type"], aggfunc=np.count_nonzero)

#拆分合并单元格

df_Kobe_notnull_shot_zone_basic_pivot_table.reset_index(inplace = True)

df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1 = df_Kobe_notnull_shot_zone_basic_pivot_table[ df_Kobe_notnull_shot_zone_basic_pivot_table.shot_made_flag == 1 ]

df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1

c142cf2926923ca95233bf45c2a7bd87.png 
#数据透视，求出不同位置投篮命中率
df_Kobe_notnull_shot_zone_basic_pivot_table = pd.pivot_table(df_Kobe_notnull, index = ["shot_zone_range","shot_made_flag"], values= ["shot_type"], aggfunc=np.count_nonzero)

#拆分合并单元格

df_Kobe_notnull_shot_zone_basic_pivot_table.reset_index(inplace = True)

df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1 = df_Kobe_notnull_shot_zone_basic_pivot_table[ df_Kobe_notnull_shot_zone_basic_pivot_table.shot_made_flag == 1 ]


#匹配_
df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1_merge = pd.merge(df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1,df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_total)

df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1_merge["投篮命中率"] = df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1_merge["shot_type"] / df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1_merge["shot_zone_area"]

#保留两位小数
df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1_merge["投篮命中率"] = df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1_merge["投篮命中率"].round(decimals = 4)

df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1_merge["投篮命中率(百分比)"] = df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1_merge["投篮命中率"].apply(lambda x: format(x*100,"0"))


df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1_merge = df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1_merge.sort_values(by = "投篮命中率", ascending=False)
df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1_merge

82e4bb96ffec992221086bf27182b637.png 
#画柱状图

from pyecharts import options as opts
from pyecharts.charts import Bar
from pyecharts.faker import Faker
from pyecharts.commons.utils import JsCode


c = (
    Bar(init_opts=opts.InitOpts(width="900px", height="450px",theme = ThemeType.CHALK ))
    .add_xaxis(df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1_merge["shot_zone_range"].values.tolist())
    .add_yaxis("投篮命中率", df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1_merge["投篮命中率(百分比)"].values.tolist(), category_gap="60%", label_opts= opts.LabelOpts(formatter = "{c} %",margin=0))
    .set_global_opts(
        title_opts=opts.TitleOpts(title="科比场上不同位置命中率", subtitle="（微信公众号：会Excel的隔壁老王）",pos_bottom = "83%", pos_right = "38%"),
        xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)),
        yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(formatter = "{value} %") ))
    #.render("bar_base.html")
)
c.render_notebook()

a71b9e314cafe45294c81c5ef8b9722f.png 
#画散点图

import pyecharts.options as opts
from pyecharts.charts import Scatter
from pyecharts.globals import ThemeType


c1=(
    Scatter(init_opts=opts.InitOpts(width="700px", height="1300px",bg_color="#ffffff"))

    .add_xaxis(xaxis_data=df_Kobe_notnull[ df_Kobe_notnull.shot_zone_range == "Less Than 8 ft."]["loc_x"].values.tolist())
    .add_yaxis(
        series_name="Less Than 8 ft.",
        y_axis=df_Kobe_notnull[ df_Kobe_notnull.shot_zone_range == "Less Than 8 ft."]["loc_y"].values.tolist(),
        symbol_size=2,
        label_opts=opts.LabelOpts(is_show=0),
        #color="#542481",
    )

    .add_xaxis(xaxis_data=df_Kobe_notnull[ df_Kobe_notnull.shot_zone_range == "8-16 ft."]["loc_x"].values.tolist())
    .add_yaxis(
        series_name="8-16 ft.",
        y_axis=df_Kobe_notnull[ df_Kobe_notnull.shot_zone_range == "8-16 ft."]["loc_y"].values.tolist(),
        symbol_size=2,
        label_opts=opts.LabelOpts(is_show=0),
        #color="#542481",
    )

    .add_xaxis(xaxis_data=df_Kobe_notnull[ df_Kobe_notnull.shot_zone_range == "16-24 ft."]["loc_x"].values.tolist())
    .add_yaxis(
        series_name="16-24 ft.",
        y_axis=df_Kobe_notnull[ df_Kobe_notnull.shot_zone_range == "16-24 ft."]["loc_y"].values.tolist(),
        symbol_size=2,
        label_opts=opts.LabelOpts(is_show=0),
        #color="#542481",
    )

    .add_xaxis(xaxis_data=df_Kobe_notnull[ df_Kobe_notnull.shot_zone_range == "24+ ft."]["loc_x"].values.tolist())
    .add_yaxis(
        series_name="24+ ft.",
        y_axis=df_Kobe_notnull[ df_Kobe_notnull.shot_zone_range == "24+ ft."]["loc_y"].values.tolist(),
        symbol_size=2,
        label_opts=opts.LabelOpts(is_show=0),
        #color="#542481",
    )

    .add_xaxis(xaxis_data=df_Kobe_notnull[ df_Kobe_notnull.shot_zone_range == "Back Court Shot"]["loc_x"].values.tolist())
    .add_yaxis(
        series_name="Back Court Shot",
        y_axis=df_Kobe_notnull[ df_Kobe_notnull.shot_zone_range == "Back Court Shot"]["loc_y"].values.tolist(),
        symbol_size=2,
        label_opts=opts.LabelOpts(is_show=0),
        #color="#542481",
    )



    .set_series_opts()
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(
            type_="value", splitline_opts=opts.SplitLineOpts(is_show=0)
        ),
        yaxis_opts=opts.AxisOpts(
            type_="value",
            axistick_opts=opts.AxisTickOpts(is_show=0),
            splitline_opts=opts.SplitLineOpts(is_show=0),
        ),
        tooltip_opts=opts.TooltipOpts(is_show=0),
        title_opts=opts.TitleOpts(title="Python散点图展示科比场上不同位置全部投球位置n       （微信公众号：会Excel的隔壁老王）",pos_bottom = "15%", pos_right = "22%"),
        legend_opts=opts.LegendOpts( pos_top = "85%"),
    )
    #.render("basic_scatter_chart-1.html")
)

c1.render_notebook()

f18eaf52de86ce8809ad93ef43521647.png

完整python代码参考：

import pyecharts.options as opts
from pyecharts.charts import *
from pyecharts.globals import ThemeType
from pyecharts.faker import Faker
from pyecharts.commons.utils import JsCode
import numpy as np
import pandas as pd


df_Kobe = pd.read_csv("D:01会Excel的隔壁老王Excel报表20200516-科比职业生涯数据Kobe-data.csv")


#选择"shot_made_flag"不为空的所有数据

df_Kobe_notnull = df_Kobe[ pd.notnull(df_Kobe["shot_made_flag"]) ]

#数据透视,求出不同区域的总投篮数
df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_total = pd.pivot_table(df_Kobe_notnull, index = ["shot_zone_range"], values= ["shot_zone_area"], aggfunc=np.count_nonzero)

#拆分合并单元格

df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_total.reset_index(inplace = True)


#数据透视，得出所有进球数
df_Kobe_notnull_shot_zone_basic_pivot_table = pd.pivot_table(df_Kobe_notnull, index = ["shot_zone_range","shot_made_flag"], values= ["shot_type"], aggfunc=np.count_nonzero)

#拆分合并单元格

df_Kobe_notnull_shot_zone_basic_pivot_table.reset_index(inplace = True)

df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1 = df_Kobe_notnull_shot_zone_basic_pivot_table[ df_Kobe_notnull_shot_zone_basic_pivot_table.shot_made_flag == 1 ]


#数据透视，求出不同位置投篮命中率
df_Kobe_notnull_shot_zone_basic_pivot_table = pd.pivot_table(df_Kobe_notnull, index = ["shot_zone_range","shot_made_flag"], values= ["shot_type"], aggfunc=np.count_nonzero)

#拆分合并单元格

df_Kobe_notnull_shot_zone_basic_pivot_table.reset_index(inplace = True)

df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1 = df_Kobe_notnull_shot_zone_basic_pivot_table[ df_Kobe_notnull_shot_zone_basic_pivot_table.shot_made_flag == 1 ]


#匹配_
df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1_merge = pd.merge(df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1,df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_total)

df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1_merge["投篮命中率"] = df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1_merge["shot_type"] / df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1_merge["shot_zone_area"]

#保留两位小数
df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1_merge["投篮命中率"] = df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1_merge["投篮命中率"].round(decimals = 4)

df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1_merge["投篮命中率(百分比)"] = df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1_merge["投篮命中率"].apply(lambda x: format(x*100,"0"))


df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1_merge = df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1_merge.sort_values(by = "投篮命中率", ascending=False)

#画柱状图

c = (
    Bar(init_opts=opts.InitOpts(width="900px", height="450px",theme = ThemeType.CHALK ))
    .add_xaxis(df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1_merge["shot_zone_range"].values.tolist())
    .add_yaxis("投篮命中率", df_Kobe_notnull_shot_zone_basic_pivot_table_shot_made_flag_1_merge["投篮命中率(百分比)"].values.tolist(), category_gap="60%", label_opts= opts.LabelOpts(formatter = "{c} %",margin=0))
    .set_global_opts(
        title_opts=opts.TitleOpts(title="科比场上不同位置命中率", subtitle="（微信公众号：会Excel的隔壁老王）",pos_bottom = "83%", pos_right = "38%"),
        xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)),
        yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(formatter = "{value} %") ))
    #.render("bar_base.html")
)
#c.render_notebook()


#画散点图
c1=(
    Scatter(init_opts=opts.InitOpts(width="700px", height="1300px",bg_color="#ffffff"))

    .add_xaxis(xaxis_data=df_Kobe_notnull[ df_Kobe_notnull.shot_zone_range == "Less Than 8 ft."]["loc_x"].values.tolist())
    .add_yaxis(
        series_name="Less Than 8 ft.",
        y_axis=df_Kobe_notnull[ df_Kobe_notnull.shot_zone_range == "Less Than 8 ft."]["loc_y"].values.tolist(),
        symbol_size=2,
        label_opts=opts.LabelOpts(is_show=0),
        #color="#542481",
    )

    .add_xaxis(xaxis_data=df_Kobe_notnull[ df_Kobe_notnull.shot_zone_range == "8-16 ft."]["loc_x"].values.tolist())
    .add_yaxis(
        series_name="8-16 ft.",
        y_axis=df_Kobe_notnull[ df_Kobe_notnull.shot_zone_range == "8-16 ft."]["loc_y"].values.tolist(),
        symbol_size=2,
        label_opts=opts.LabelOpts(is_show=0),
        #color="#542481",
    )

    .add_xaxis(xaxis_data=df_Kobe_notnull[ df_Kobe_notnull.shot_zone_range == "16-24 ft."]["loc_x"].values.tolist())
    .add_yaxis(
        series_name="16-24 ft.",
        y_axis=df_Kobe_notnull[ df_Kobe_notnull.shot_zone_range == "16-24 ft."]["loc_y"].values.tolist(),
        symbol_size=2,
        label_opts=opts.LabelOpts(is_show=0),
        #color="#542481",
    )

    .add_xaxis(xaxis_data=df_Kobe_notnull[ df_Kobe_notnull.shot_zone_range == "24+ ft."]["loc_x"].values.tolist())
    .add_yaxis(
        series_name="24+ ft.",
        y_axis=df_Kobe_notnull[ df_Kobe_notnull.shot_zone_range == "24+ ft."]["loc_y"].values.tolist(),
        symbol_size=2,
        label_opts=opts.LabelOpts(is_show=0),
        #color="#542481",
    )

    .add_xaxis(xaxis_data=df_Kobe_notnull[ df_Kobe_notnull.shot_zone_range == "Back Court Shot"]["loc_x"].values.tolist())
    .add_yaxis(
        series_name="Back Court Shot",
        y_axis=df_Kobe_notnull[ df_Kobe_notnull.shot_zone_range == "Back Court Shot"]["loc_y"].values.tolist(),
        symbol_size=2,
        label_opts=opts.LabelOpts(is_show=0),
        #color="#542481",
    )



    .set_series_opts()
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(
            type_="value", splitline_opts=opts.SplitLineOpts(is_show=0)
        ),
        yaxis_opts=opts.AxisOpts(
            type_="value",
            axistick_opts=opts.AxisTickOpts(is_show=0),
            splitline_opts=opts.SplitLineOpts(is_show=0),
        ),
        tooltip_opts=opts.TooltipOpts(is_show=0),
        title_opts=opts.TitleOpts(title="Python散点图展示科比场上不同位置全部投球位置n       （微信公众号：会Excel的隔壁老王）",pos_bottom = "15%", pos_right = "22%"),
        legend_opts=opts.LegendOpts( pos_top = "85%"),
    )
    #.render("basic_scatter_chart-1.html")
)

#c1.render_notebook()

page = Page()
page.add(
        c,
        c1,
    )
#page.render("page_draggable_layout.html")

page.render_notebook()
weixin_39587010
关注
python海龟绘图画科比标志（turtle库）
weixin_46041615的博客
12-21 4947
闲来无事用海龟绘图画了一个科比的图标，画的比较简陋，有问题欢迎斧正。 话不多说，成品如下（加了个背景）。其中手为科比手是个背景图片，字体和图案为海龟所画。 代码如下： import turtle def top(x1,y1,s1,s2): #标志最上边的两个图形 turtle.penup() #抬笔 turtle.goto(x1,y1) #海龟爬到这个坐标，即落笔的地点 turtle.pendown() #落笔 turtle.begin_fill() #填充 tu
python 散点图 不同颜色_python散点图属性&用不同颜色展示不同的分类结果（分类着色）教程...
weixin_39890633的博客
11-22 3489
散点图plt.scatter的一些属性：x：指定散点图的x轴数据；y：指定散点图的y轴数据；s：指定散点图点的大小，默认为20，通过传入新的变量，实现气泡图的绘制；c：可用于不同类别的颜色，指定散点图点的颜色，默认为蓝色；marker：指定散点图点的形状，默认为圆形；cmap：指定色图，只有当c参数是一个浮点型的数组的时候才起作用；alpha：设置散点的透明度；linewidths：设置散点边界线...
python 科比
11-08
python爬取科比的投篮数据，仅供学习下载，请勿用做其他商业用途。
用Python海龟画科比LOGO
ProSWhite的博客
02-12 8451
新手刚学Python，用海龟画了科比的logo，方法挺蠢的。 感兴趣的话可以运行看看！ import turtle turtle.hideturtle() turtle.penup() turtle.width(2) turtle.goto(-200,0) turtle.color("gold") #科比logo turtle.goto(-204,-12) turtle.begin_fill(...
科比投篮命中区域
程序猿的视界
01-20 369
import pandas as pd import numpy as np import matplotlib.pyplot as plt data=pd.read_csv('../kobe_data.csv') # data=data.iloc[:1000,:] data_x=np.array(data.loc[:,'loc_x']) data_y=np.array(data.loc[:,'loc...
命中率_科比投篮不行？打铁接近一万五千次，但后仰跳投命中率超过60%
weixin_39541189的博客
01-16 1696
关于科比的投篮，一直是人们津津乐道的话题。他职业生涯打铁14481次，高居历史第一，很多人也给他起了有趣的绰号，诸如"四仰化三铁"之类的。但这也说明了他的地位，进球数排名历史第6，没有高出手权的积累也打不了这么多铁。那么科比的射术究竟如何呢？科比是NBA历史上技术最好的球员，拥有低位单打、中距离、后仰跳投、突破、过人、拉杆、梦幻脚步等等多样的进攻手段。从投篮热图就可以看出，科比的技术已经可以用出神...
Python+matplotlib绘制不同大小和颜色散点图实例
09-20
### Python+matplotlib绘制不同大小和颜色散点图实例详解 #### 一、引言 在数据分析和可视化领域，散点图是一种非常常见的图表类型，它能够直观地展示数据点之间的关系，尤其是对于探索变量间的关系非常有用。...
python使用matplotlib画柱状图、散点图
01-01
本文实例为大家分享了python使用matplotlib画柱状图、散点图的具体代码，供大家参考，具体内容如下 柱状图（plt.bar） 代码与注释 import numpy as np from matplotlib import pyplot as plt plt.figure(figsize=(9...
最详细Python可视化教程（一散点图.ipynb
06-15
最详细Python可视化教程（一）散点图
Python Matplotlib实现三维数据的散点图绘制
09-19
### Python Matplotlib 实现三维数据的散点图绘制 #### 一、背景介绍与环境配置 在当前的大数据时代背景下，数据可视化变得越来越重要。它不仅帮助我们更好地理解和解释数据，还能有效地展示数据分析的结果。本篇...
android studio 统计图生成app（柱状图/折线图/饼图/折线柱状结合图）
03-29
android studio 统计图生成app（柱状图/折线图/饼图/折线柱状结合图）从数据库中读取数据生成统计图
用python画篮球场_Python可视化分析——科比整个职业生涯的投篮点分布
weixin_39732018的博客
12-04 1831
import pandas as pdimport numpy as npfrom matplotlib import pyplot as plt# 导入数据file_path = "C:/Users/pc/Desktop/kobe_data.csv"df = pd.read_csv(file_path)print(df.shape)df.head(10)(30697, 25)action_typ...
python 散点图_【致敬科比】Python散点图展示科比·布莱恩特职业生涯全部进球位置(pyecharts)...
weixin_39994461的博客
11-27 713
大家好！今天来分享一下如何用Python工具来帮助我们制作一张散点图展示科比·布莱恩特职业生涯全部进球位置，如下图所示。案例中数据表格结构如下：代码及演示：import numpy as np import pandas as pd from pyecharts import options as opts from pyecharts.charts import * from pyecharts...
Python爬虫-爬取科比职业生涯高清图集
weixin_30412013的博客
09-14 200
　　前面学习了Python爬取豆瓣电影Top250的数据，爬取的信息是电影信息的文本信息，但是在互联网上流行的图片才有更大的吸引力，本篇我们来使用python爬取网页上的图片并保存在本地硬盘上，很兴奋吧，Let's Go! 使用Python版本：3.7　 第三方库 requests: 解析url (强大，你不得不用！)beautifulsoup4:不会正则表达式童鞋的福音，可以容易的提取到h...
可视化 | pyecharts之柱状图常用配置篇
weixin_47172744的博客
04-20 7728
前言 pyecharts的可视化大法，让人爱不释手。柱状图是我们最为常用的可视化统计图，本篇主要介绍了pyecharts的绘制柱状图的常用配置，主要包括以下内容： 基础柱状图 隐藏图例标签数字 坐标轴名称命名 旋转X轴标签 增加标记线或者标记点 柱子宽度设置 不同系列间柱间距离 自定义柱状颜色 柱状堆叠图 在柱状图中同时绘制折线图 实例详解 基础柱状图 from pyecharts import options as opts from pyecharts.charts import * x_inde
用python和海龟画一个kobe标志
最新发布
2302_79740319的博客
09-18 769
【代码】用python和海龟画一个kobe标志。
如何运用Python绘制NBA投篮图表
weixin_34127717的博客
05-02 1200
我在本文中将介绍如何获取一个选手的投篮数据并通过matplotlib 和 seaborn制成图表。 In [1]: %matplotlib inline import requests importmatplotlib.pyplot as plt import pandas aspd import seabornas sns 获取数据 从stats....
机器学习实战 利用sklearn库预测科比生涯数据
莫晨
05-05 7219
一、前言 本文所讲的实战内容是用机器学习的方法来分析科比职业生涯数据的实例，利用随机森林算法训练处一个预测科比投篮模型。主要用了python的numpy，pandas，matplotlib和sklearn库。 本文出现的所有代码，均可在我的github上下载，欢迎Follow、Star：github地址 二、设计思路 先来看看这份科比生涯的数据集：数据集下载 这个表格...
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