GitHub美化个人主页3D图表显示配置操作

这个功能主要是用的这个开源仓库:https://github.com/yoshi389111/github-profile-3d-contrib

想看效果的话,我的个人主页:https://github.com/Sjj1024

开始操作

1.创建自己的github主页属性项目——跟你github用户名一致即可, 比如我github名字叫是sjj1024, 创建一个sjj1024的同名项目,勾选生成README.md文件。

2. 开启Action的读写权限,勾选后保存即可:

  - Settings -> Action -> General -> Workflow permissions

  - read and write permissions

3. 创建WorkFlow文件:

  - 项目Action里面点击创建一个WorkFlow文件,名字叫Profile3D

文件内容如下:

name: GitHub-Profile-3D-Contrib

on:
  schedule: # 03:00 JST == 18:00 UTC
    - cron: "0 18 * * *"
  workflow_dispatch:

jobs:
  build:
    runs-on: ubuntu-latest
    name: generate-github-profile-3d-contrib
    steps:
      - uses: actions/checkout@v3
      - uses: yoshi389111/github-profile-3d-contrib@0.7.1
        env:
          GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }}
          USERNAME: ${{ github.repository_owner }}
      - name: Commit & Push
        run: |
          git config user.name github-actions
          git config user.email github-actions@github.com
          git add -A .
          git commit -m "generated"
          git push

然后手动执行一次 action:Actions​ -> GitHub-Profile-3D-Contrib​ -> Run workflow

然后会在项目目录种生成这些文件(带路径,各种主题的都有):

  • profile-3d-contrib/profile-green-animate.svg
  • profile-3d-contrib/profile-green.svg
  • profile-3d-contrib/profile-season-animate.svg
  • profile-3d-contrib/profile-season.svg
  • profile-3d-contrib/profile-south-season-animate.svg
  • profile-3d-contrib/profile-south-season.svg
  • profile-3d-contrib/profile-night-view.svg
  • profile-3d-contrib/profile-night-green.svg
  • profile-3d-contrib/profile-night-rainbow.svg
  • profile-3d-contrib/profile-gitblock.svg

然后在README.md里面引入:

![](./profile-3d-contrib/profile-green.svg)

最后的效果如下: 

这些模块有哪些要安装的 在数学建模竞赛中,Python 凭借其丰富的科学计算库和灵活性成为重要工具。以下是 Python 在数学建模中的核心应用领域及相关工具,按模块分类整理: --- ### **一、基础科学计算与数据处理** 1. **数值计算** - **NumPy**:矩阵运算、线性代数、随机数生成 - **SciPy**:积分/微分求解、优化算法、插值、傅里叶变换 - **SymPy**:符号计算(符号求导、方程解析解) 2. **数据处理** - **Pandas**:数据清洗、时间序列分析、表格操作 - **OpenPyXL**:Excel 文件交互 - **SQLAlchemy**:数据库连接(如需外部数据) --- ### **二、建模与算法实现** 1. **经典数学模型** - **Scikit-learn**:回归/分类/聚类(如线性回归、SVM、K-Means) - **Statsmodels**:统计模型(假设检验、时间序列ARIMA) 2. **优化问题** - **PuLP/CVXPY**:线性/整数规划建模 - **SciPy.optimize**:非线性规划求解器 - **GEKKO**:动态系统优化(化工、控制领域) 3. **图论与网络分析** - **NetworkX**:复杂网络建模(最短路径、PageRank算法) 4. **微分方程** - **ODEINT(SciPy)**:常微分方程数值解 - **FEniCS**:偏微分方程有限元法(高阶需求) --- ### **三、数据可视化** 1. **基础绘图** - **Matplotlib**:2D/3D静态图绘制 - **Seaborn**:统计图表美化(热力图、分布图) 2. **交互式可视化** - **Plotly**:动态可交互图表(地图、3D轨迹) - **Bokeh**:网页端交互可视化 3. **地理信息** - **Basemap/Cartopy**:地理空间数据可视化 --- ### **四、高级工具链** 1. **自动化建模** - **AutoML(TPOT/Auto-Sklearn)**:自动机器学习(时间紧迫时) 2. **高性能计算** - **Numba**:加速数值计算(基于JIT编译) - **Dask**:并行计算(大数据集处理) 3. **文档生成** - **Jupyter Notebook**:代码/公式/图表混合排版 - **Latex**:通过`pythontex`包与Python联动 --- ### **五、特殊场景工具** 1. **图像处理** - **OpenCV**:图像识别、特征提取(如卫星图像分析) 2. **文本分析** - **NLTK/Spacy**:自然语言处理(舆情类赛题) 3. **物理仿真** - **PyBullet**:刚体动力学模拟(机械控制类题目) --- ### **六、效率提升技巧** - **代码调试**:`pdb`调试器 + `logging`日志记录 - **版本控制**:Git + GitHub/Gitee 团队协作 - **环境管理**:`conda`虚拟环境隔离依赖项 - **API调用**:`requests`库获取实时数据(如天气、经济指标) --- ### **典型应用场景示例** 1. **预测类题目**:ARIMA(Statsmodels) + LSTM(PyTorch) 2. **优化调度题**:整数规划(PuLP) + 遗传算法(DEAP) 3. **评价模型题**:熵权法(NumPy) + TOPSIS(Pandas) 4. **动态系统题**:微分方程(SciPy) + 相空间图(Matplotlib) --- ### **注意事项** 1. **避免过度复杂**:优先使用成熟库而非重复造轮子 2. **结果可解释性**:关键步骤添加注释,便于论文复现 3. **资源管理**:大数据场景注意内存控制(使用生成器/分块读取) 建议赛前重点掌握:NumPy/Pandas数据处理链 + Matplotlib/Seaborn可视化 + Scikit-learn基础模型,这些覆盖80%常规需求。特殊题型(如神经网络、复杂优化)可针对性扩展。
03-27
<think>嗯,用户问的是在数学建模竞赛中使用Python需要安装哪些模块。首先,我需要回顾之前提供的分类,把每个模块对应的安装包列出来。不过用户可能不仅想知道模块名称,还需要具体的安装命令或者注意事项。 首先,用户可能对Python环境不熟悉,所以需要明确说明如何安装这些库,比如使用pip还是conda。另外,有些库可能名称和导入的名称不同,比如OpenCV对应的包是opencv-python,需要指出。还有像Basemap已经不再维护,可能需要用Cartopy代替,但安装过程可能复杂,需要提醒用户注意。 接下来,用户可能需要分门别类的列表,这样他们可以按需安装。例如基础科学计算部分,NumPy、SciPy、Pandas这些是必须的,而像SQLAlchemy可能只在需要数据库连接时才需要。需要明确每个模块的作用,帮助用户决定是否安装。 另外,有些库可能安装时依赖其他库或者系统工具,比如GEKKO可能需要安装额外的求解器,或者FEniCS的安装步骤比较复杂,可能需要单独说明。还有像Cartopy的地理空间库,安装时可能需要先安装GEOS和PROJ等依赖,这对新手来说可能是个问题,需要给出建议的安装方法,比如通过conda来管理。 还有,可视化部分中的Basemap已经过时,用户可能在网上找到旧的教程,应该建议使用Cartopy,并指出安装方法。同时,交互式可视化库如Plotly和Bokeh,可能需要额外的步骤,比如安装之后在Jupyter中使用需要安装扩展,这点也需要提及吗?或者用户可能只需要基础安装,暂时不需要扩展功能。 另外,高级工具链中的AutoML工具如TPOT和Auto-Sklearn,这些库的安装可能需要较长时间,或者依赖特定版本的Python,需要提醒用户注意版本兼容性。例如,Auto-Sklearn可能不支持最新的Python版本,这时候可能需要用虚拟环境或者指定版本。 特殊场景工具中的OpenCV,安装包是opencv-python,而有时候用户可能还需要opencv-contrib-python,是否需要区分?可能用户只需要基础安装,所以只提opencv-python即可。 物理仿真中的PyBullet,可能需要安装时使用pip install pybullet,但如果有3D渲染需求,可能需要额外的系统依赖,比如OpenGL等,可能需要用户自己处理,但可能超出一般用户的准备范围,所以暂时不提,除非用户特别需要。 效率提升技巧中的环境管理,conda的使用可能需要指导,特别是创建虚拟环境和安装包的命令,比如conda create -n math_modeling python=3.9,然后激活环境安装。 用户可能还想知道哪些是必须安装的核心库,哪些是可选的。比如NumPy、Pandas、Matplotlib、SciPy、Scikit-learn这些几乎是必装的,而像GEKKO、FEniCS可能根据题目类型选择安装。 另外,文档生成中的Jupyter Notebook和LaTeX,Jupyter可以通过pip安装,但LaTeX可能需要系统级安装,比如TeX Live或者MiKTeX,这部分可能需要单独说明,因为不是Python库,但用户可能需要结合使用。 还有,在注意事项里提到版本控制Git,这本身不是Python模块,但用户可能需要配置,是否需要包括?可能不需要,但可以提到团队协作时使用Git。 总结,用户的真实需求是得到一个清晰的安装列表,包含每个分类下的库名、安装命令,可能遇到的常见问题,以及哪些是核心推荐安装的。同时,用户可能需要一些安装建议,比如使用conda环境,优先安装哪些库,如何处理依赖问题等。需要分点列出,结构清晰,方便用户逐步安装。</think>在数学建模竞赛中,Python 所需的核心模块及安装指南如下(按功能分类整理): --- ### **一、必装基础模块** ```bash # 数值计算 pip install numpy # 矩阵运算 pip install scipy # 科学计算 pip install sympy # 符号计算 # 数据处理 pip install pandas # 数据清洗与分析 pip install openpyxl # Excel交互 # 可视化 pip install matplotlib # 基础绘图 pip install seaborn # 统计图表美化 ``` --- ### **二、常用建模工具** ```bash # 机器学习与统计 pip install scikit-learn # 分类/回归/聚类 pip install statsmodels # 统计模型 # 优化问题 pip install pulp # 线性/整数规划 pip install cvxpy # 凸优化建模 pip install scipy # 已包含非线性优化器 # 图论与网络 pip install networkx # 复杂网络分析 ``` --- ### **三、扩展工具(按需安装)** ```bash # 动态可视化 pip install plotly # 交互式图表 pip install bokeh # 网页端交互 # 地理信息(推荐使用conda安装) conda install cartopy # 替代过时的Basemap # 高性能计算 pip install numba # JIT加速计算 pip install dask # 并行处理大数据 # 自动化建模 pip install tpot # AutoML工具 # 特殊场景 pip install opencv-python # 图像处理 pip install gekko # 动态系统优化 pip install fenics # 偏微分方程(需先安装依赖) ``` --- ### **四、环境与效率工具** ```bash # 开发环境 pip install jupyter # 交互式笔记本 pip install ipython # 增强交互终端 # 协作管理 pip install gitpython # Git操作库 pip install requests # API数据获取 ``` --- ### **安装建议** 1. **优先使用Anaconda**: ```bash conda create -n math_modeling python=3.9 conda activate math_modeling ``` 通过 `conda install` 安装复杂依赖(如Cartopy、PyTorch等) 2. **常见问题解决**: - **安装失败**:尝试换国内镜像源(如清华源) ```bash pip install -i https://pypi.tuna.tsinghua.edu.cn/simple 包名 ``` - **库冲突**:使用虚拟环境隔离项目依赖 - **GPU加速**:需额外安装CUDA版的PyTorch/TensorFlow 3. **最小化安装推荐**: NumPy + Pandas + Matplotlib + SciPy + Scikit-learn 覆盖基础需求 --- ### **验证安装** ```python import numpy as np print(np.__version__) # 应输出版本号如1.23.5 ``` 建议赛前通过`requirements.txt`统一团队环境: ```bash pip freeze > requirements.txt # 生成依赖清单 pip install -r requirements.txt # 批量安装 ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

1024小神

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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