python:利用pandas进行绘图(总结)基础篇

Pandas工具包实战(14)pandas绘图操作:pandas画图,series, dataframe 0 导库 %matplotlib inline import pandas as pd import numpy as np import matplotlib.pyplot as plt 1 pandas画常见折线图 s = pd.Series(np.random.randn(10),index = np.arange(0,100,10)) s.plot() 2 dataframe多列内容画折线图 df = pd.DataFrame(np.random.randn(10, 4).cumsum(0), 阅读详情

python:利用pandas进行绘图(总结)基础篇

利用python进行数据分析

第八章:绘图和可视化

pandas绘图总结

pandas中的绘图函数(更加详细的绘图资料可参考pandas.pdf文档中的Visualization这一章) 
>>> import pandas as pd 
>>> import numpy as np 
>>> from pandas import Series, DataFrame 
>>> import matplotlib.pyplot as plt 
>>> import matplotlib 
>>> matplotlib.style.use('ggplot')

1, 绘图入门

在绘图之前先准备数据,数据形式必须是np.array()形式的数组数据,利用上面导入的matplotlib模块进行绘图; 
例子: 
>>> np.arange(20) 
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19]) 
>>> plt.plot(np.arange(20)) 
[<matplotlib.lines.Line2D object at 0x2ac914e15fd0>] 
>>> plt.show() 
最后生成一个由点连接的y=x的线性图 
>>> plt.plot(np.array([2.5, 4.1, 2.7, 8.8, 1.0])) #生成由5个点组成的两个点之间用线连接的折线 
如果想利用pandas绘图,可得到Series或DataFrame对象,并利用series.plot()或dataframe.plot()进行绘图; 
例子: 
>>> Series(np.array([2.5, 4.1, 2.7, 8.8, 1.0])) 
0 2.5 
1 4.1 
2 2.7 
3 8.8 
4 1.0 
dtype: float64 
>>> series=Series(np.array([2.5, 4.1, 2.7, 8.8, 1.0])) 
>>> series.plot() 
<matplotlib.axes._subplots.AxesSubplot object at 0x2ac914bab250> 
>>> plt.show() 
利用Series方法得到的折线图和plt.plot(np.arange(20))绘制的折线图图像大致相似,但图形的X轴坐标与Series的索引值相对应,X轴坐标从0到4,坐标原点为(0, 0);

而对于DataFrame绘图,则其每个column都为一个绘图图线,会将每个column作为一个图线都绘制到一张图片当中,并用不同的线条颜色及不同的图例标签进行表示; 
例如: 
>>> dataframe=DataFrame({'A':[9.3, 4.3, 4.1, 5.0, 7.0], 'B':[2.5, 4.1, 2.7, 8.8, 1.0]}) 
>>> dataframe 
A B 
0 9.3 2.5 
1 4.3 4.1 
2 4.1 2.7 
3 5.0 8.8 
4 7.0 1.0 
>>> dataframe.plot() 
<matplotlib.axes._subplots.AxesSubplot object at 0x2ada670665d0> 
>>> plt.show()

··· ···所有绘图

会得出与上述相同的结果 
• ‘bar’ or ‘barh’ for bar plots #条状图 
• ‘hist’ for histogram #频率柱状图(计算某些值出现的频率) 
• ‘box’ for boxplot #箱线图() 
• ‘kde’ or ‘density’ for density plots #密度图(需要scipy这个包) 
• ‘area’ for area plots #区域图(不同域的面积占比) 
• ‘scatter’ for scatter plots #散点图 >>> plt.scatter(df['part A'], df['part B']) 
• ‘hexbin’ for hexagonal bin plots # >>> plt.hexbin(df['part A'], df['part B'], df['part C']) 
• ‘pie’ for pie plots #饼图,比较适合与Series对象,看不同的占比 
上面罗列了所有可能绘制的图形 
df.plot.<TAB> #可以利用".<TAB>"的方法绘制不同的图像 
df.plot.area df.plot.barh df.plot.density df.plot.hist df.plot.line df.plot.scatter df.plot.bar df.plot.box df.plot.hexbin df.plot.kde df.plot.pie

2,线型图(Series.plot方法的参数,专用DataFrame的plot参数)

对于Series.plot方法的参数,DataFrame是可以应用的 
style参数,表示传给matplotlib的风格的字符串(如’ko–’),其中‘k’表示的是线条颜色,对于线条颜色的种类还有以下几个细分: 
Alias Colors 
b Blue 
g Green 
r Red 
c Cyan 
m Magenta 
y Yellow 
k Black 
w White 
其中‘o’表示线条中点的存在形式,o表示实心圆点,x表示x型点; 
其中‘-’表示线型,‘-’表示实线,‘–’表示虚线。 
也可将这三者表示形式分开,写法如: 
>>> series.plot(linestyle='dashed', color='k', marker='o') 
>>> series.index.name='site' 
Series对象的index.name值,在生成图表后会生成X轴的标签

对于DataFrame对象,其生成的表格的column值在进行绘图后会生成图例标签 
>>> dataframe.plot(linestyle='dashed', color='k', marker='o', xticks=[0, 1, 2, 3, 4], yticks=list(np.arange(0, 10.0, 0.5)) ,xlim=[-0.25, 4.25]) 
设定X及Y轴刻度值,以及X轴的刻度界限 
>>> dataframe.plot(title='dataframe photo') #加入图像的标题 
在绘图命令中加入subplots=True参数,则会将DataFrame当中的每一列结果绘制到一个子图片中,如果加入sharex=True参数,则各个子图片共用一个X轴标签;同理sharey=True表示共用一个Y轴; 
>>> dataframe.plot(subplots=True, sharex=True) 
array([<matplotlib.axes._subplots.AxesSubplot object at 0x06A627F0>, <matplotlib.axes._subplots.AxesSubplot object at 0x06E4E0D0>], dtype=object) 
>>> plt.show()

3,柱状图

在生成线形图的代码中加入kind=’bar’(垂直柱状图)或kind=’barh’(水平柱状图)即可生成柱状图。这时,Series和DataFrame的索引将会被用作X(bar)或Y(barh)刻度 
>>> dataframe.plot(kind='bar')········>>> dataframe.plot(kind='barh') 
生成柱状图,DataFrame对象的每一列会生成一个柱状图结果,多个列会将这个结果绘制在一个表格中,不同的列所绘制的柱状图颜色不同; 
>>> dataframe.index=['once', 'twice', 'thrice', 'forth', 'fifth'] 
>>> dataframe 
··A·B 
once·9.3·2.5 
twice·4.3·4.1 
thrice·4.1·2.7 
forth·5.0·8.8 
fifth·7.0·1.0 
绘制的柱状图的X轴或Y轴标签为DataFrame对象的index值 
plt.figure(); dataframe.plot(kind=’bar’); plt.axhline(0, color=’k’),”.axhline”的主要作用是在纵轴x=0的位置加入一条黑色的直线,来分隔y>0的轴和y<0的轴。 
堆积柱状图:设置stacked=True即可为DataFrame生成堆积柱状图,这样每行的值就会被堆积在一起: 
>>> df=DataFrame({'part A': [2.8, 5.5, 4.5, 7.0, 1.0], 'part B': [4.2, 1.2, 4.5, 2.5, 8.0], 'part C': [3.0, 3.3, 1.0, 0.5, 1.0]}, index=['May', 'June', 'July', 'August', 'September']) 
>>> df.name='bonus' 
>>> df 
···part A·part B·part C 
May·2.8·4.2·3.0 
June·5.5·1.2·3.3 
July·4.5·4.5·1.0 
August·7.0·2.5·0.5 
September·1.0·8.0·1.0 
>>> df.plot(kind='barh', stacked=True) 
最终绘制出堆积图,同时: 
>>> df.plot.barh(stacked=True)

4,直方图密度图

直方图(histogram)是一种可以对值频率进行离散化显示的柱状图。数据点被拆分到离散的、间隔均匀的面元中,绘制的是各面元中数据点的数量。 
>>> length=DataFrame({'length': [10, 20,15,10,1,12,12,12,13,13,13,14,14,14,51,51,51,51,51,4,4,4,4]}) 
>>> length.plot.hist() 
>>> plt.show() 
最终得到的数字频率分布直方图,X轴是DataFrame当中的数值分布,Y轴是对应数值出现的次数; 
密度图,利用数值出现频率绘制的直方图进行曲线拟合,会得到密度图;绘制的图形是根据直方图得到的条状分布的顶点连接后得到的平滑曲线,X轴是DataFrame当中的数值分布,Y轴是密度(Density)。 
>>> length.plot.density(color='k') #length.plot.kde(color=’k’)得到同样的图形结果 
>>> plt.show()

直方图画法进阶 
>>> df4 = DataFrame({'a': np.random.randn(1000) + 1, 'b': np.random.randn(1000), 'c': np.random.randn(1000) - 1}, index=range(1,1001), columns=['a', 'b', 'c']) 
设定1000个随机数为column b,而随机数的数值+1和-1作为column a和column c; 
>>> plt.figure() #表示设定绘制图标对象 
>>> df4.plot.hist(stacked=True, bins=20, alpha=0.5) #bins=20表示数值分辨率,具体来说是将随机数设定一个范围,例如5.6,5.7,6.5,如果数值分辨率越低,则会将三个数分到5-7之间,如果数值分辨率越高,则会将5.6,5.7分到5-6之间,而6.5分到6-7之间;值越小表示分辨率越低,值越大表示分辨率越高;

>>> df4['a'].plot.hist(orientation='horizontal', cumulative=True) #该图是将DataFrame对象当中的a进行数值累加,并绘制横向直方图,横轴表示频率(Frequency),纵轴表示数值,cumulative=True的效果是将Frequency的数值从大到小进行排列。 
>>> df4.diff().hist(color='k', alpha=0.5, bins=50) #该效果是将DataFrame当中column分开,即将a,b和c分开绘制成三张图。df4.diff().hist()可达到这个效果,即将所有column分开。

5,箱线图

箱线图所表示的各个数值的含义:线条右下到上分别表示 
最小值、第一四分位数、中位数、第三四分位数和最大值 
第一四分位数(Q1),又称“较小四分位数”或“下四分位数”,等于该样本中所有数值由小到大排列后第25%的数字; 
第二四分位数(Q2),又称“中位数”,等于该样本中所有数值由小到大排列后第50%的数字; 
第三四分位数(Q3),又称“较大四分位数”或“上四分位数”,等于该样本中所有数值由小到大排列后第75%的数字; 
第三四分位数与第一四分位数的差距又称四分位间距(InterQuartile Range,IQR)。 
计算四分位数首先要确定Q1、Q2、Q3的位置(n表示数字的总个数): 
Q1的位置=(n+1)/4 
Q2的位置=(n+1)/2 
Q3的位置=3(n+1)/4 
具体解释及实例可参考如下网址:http://blog.youkuaiyun.com/zhanghongju/article/details/18446131

箱线图可以用如下方式绘制 
Series.plot.box(), DataFrame.plot.box(), DataFrame.boxplot() 
例如: 
>>> df = pd.DataFrame(np.random.rand(10, 5), columns=['A', 'B', 'C', 'D', 'E']) 
>>> df.plot.box() 
绘制ABCDE这5个箱线图 
np.random.rand产生的随机数都为0-1之间的正数,而np.random.randn产生的随机数中既有正值又有负值

修改箱线图线条颜色需要有一下4个方面,即boxes(盒身),whiskers(须), 
medians(中位数),caps(最大值,最小值),可以将颜色与上面的4个keys建立字典关系,并在绘图时引入color。 
>>> color = dict(boxes='DarkGreen', whiskers='DarkOrange', medians='DarkBlue', caps='Gray')) 
>>> df.plot.box(color=color, sym='r+') #boxplot has sym keyword to specify fliers style 
>>> df.plot.box(color=color) #绘图效果和上述一样 
盒身为深绿色,须为深黄色,中位数为深蓝色,最大最小值为灰色

>>> df.plot.box(vert=False, positions=[1, 4, 5, 6, 8]) #可绘制水平箱线图,positions表示的意思是ABCDE这5个箱线图摆放位置,A在1位置,B在4位置,AB之间间隔2,3这两个位置。

同样,也可以根据DataFrame属性当中的’by’参数进行分组画图 
You can create a stratified boxplot using the by keyword argument to create groupings 
>>> df = pd.DataFrame(np.random.rand(10,2), columns=['Col1', 'Col2'] ) 
>>> df['X'] = pd.Series(['A','A','A','A','A','B','B','B','B','B']) #在df存在Col1和Col2两列的基础上增加X这一列,然后根据index编号进行赋值;对于DataFrame对象以Series方法增加column。 
>>> plt.figure(); bp = df.boxplot(by='X') 
注意:如果用>>> plt.figure(); df.plot.box(by='X')或者>>> df.plot.box(by='X')方法绘制图片,最终不会得到分组的画图效果

使用两组标签可以实现多分组绘图 
>>> df = pd.DataFrame(np.random.rand(10,3), columns=['Col1', 'Col2', 'Col3']) 
>>> df['X'] = pd.Series(['A','A','A','A','A','B','B','B','B','B']) 
>>> df['Y'] = pd.Series(['A','B','A','B','A','B','A','B','A','B']) 
>>> df 
Col1 Col2 Col3 X Y 
0 0.081142 0.059051 0.862650 A A 
1 0.142670 0.554862 0.931373 A B 
2 0.720987 0.968380 0.560167 A A 
3 0.104103 0.031059 0.832768 A B 
4 0.153403 0.050152 0.747177 A A 
5 0.146358 0.016951 0.013774 B B 
6 0.387617 0.485473 0.583479 B A 
7 0.447248 0.498259 0.424981 B B 
8 0.539854 0.386803 0.410169 B A 
9 0.129224 0.910483 0.348707 B B 
>>> plt.figure(); bp = df.boxplot(column=['Col1','Col2'], by=['X','Y']) 
最终绘制的图片样式为,出现两个分组,分组后的X轴的大标签是[X, Y],每个分组的X轴的小标签为(A, A) (A, B) (B, A) (B ,B),这样绘图也是根据df的X列和Y列的分组结果而得到的。

6,区域面积图

绘图方式:Series.plot.area()和DataFrame.plot.area() 
NA值的处理方法: 
When input data contains NaN, it will be automatically filled by 0. If you want to drop or fill by different values, use dataframe.dropna() or dataframe.fillna() before calling plot 
>>> df = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd']) 
>>> df.plot.area() #生成堆积图 
>>> df.plot.area(stacked=False) #非堆积效果图

7,散点图

绘图方式:DataFrame.plot.scatter() 
散点图需要设定X轴及Y轴的数值;Scatter plot requires numeric columns for x and y axis. 
>>> df = pd.DataFrame(np.random.rand(50, 4), columns=['a', 'b', 'c', 'd'])#abcd四列中,各列设定50个随机数 
>>> df.plot.scatter(x='a', y='b') #之后以a列为X轴数值,b列为Y轴数值绘制散点图 
如果想将不同的散点图信息绘制到一张图片当中,需要利用不同的颜色和标签进行区分 
To plot multiple column groups in a single axes, repeat plot method specifying target ax. It is recommended to specify color and label keywords to distinguish each groups. 
>>> ax = df.plot.scatter(x='a', y='b', color='DarkBlue', label='Group 1') #先设定第一个散点图,颜色为深蓝色标签为Group 1,以ab两列作为x及y轴的值 
>>> df.plot.scatter(x='c', y='d', color='DarkGreen', label='Group 2', ax=ax) #第二个散点图以cd两列作为x及y轴的值,颜色为深绿色标签为Group 2,ax=ax的作用是将ax这个图绘制到Group 2图片当中,形成两层图形嵌套关系

如果想得到4层图形嵌套关系需要运用如下方法: 
>>> ab=df.plot.scatter(x='a', y='b', color='DarkBlue', label='Group 1') #a列与b列的绘图关系 
>>> abcd=df.plot.scatter(x='c', y='d', color='DarkGreen', label='Group 2', ax=ab) #将ab的绘图关系嵌套到c列和d列的绘图关系中:ax=ab 
>>> abcdac=df.plot.scatter(x='a', y='c', color='DarkRed', label='Group 3', ax=abcd) #将ab的绘图关系及cd的绘图关系的汇总关系当中加入到a列和c列的绘图关系中:ax=abcd 
>>> df.plot.scatter(x='b', y='d', color='DarkGray', label='Group 4', ax=abcdac) #将上述3种关系的绘图嵌套到b列和d列的绘图关系中:ax=abcdac

>>> help(df.plot.scatter) 
scatter(self, x, y, s=None, c=None, **kwds) 
c参数表示的是点图的灰度水平,用0-1数值表示,1表示透明,0表示不透明,数值越大透明度越高,将数值写入单引号中; 
The keyword c may be given as the name of a column to provide colors for each point 
>>> df.plot.scatter(x='a', y='b', c='c', s=50) #c参数设定为df的第c列数值,表示的是绘制的点的灰度水平,同时灰度水平会出现一个灰度梯度标签表示不同的灰度级别。

s参数表示的是点的大小,用pd.Series表示 
You can pass other keywords supported by matplotlib scatter. Below example shows a bubble chart using a dataframe column values as bubble size 
>>> df.plot.scatter(x='a', y='b', s=df['c']*200) #用df的c列数值的200倍表示点的大小

8,饼图

绘图方式:DataFrame.plot.pie()和Series.plot.pie() 
饼图展现的是百分比关系,所以数值当中如果出现NA值在绘图时默认为0,负值会报错 
If your data includes any NaN, they will be automatically filled with 0. A ValueError will be raised if there are any negative values in your data. 
>>> series = pd.Series(3 * np.random.rand(4), index=['a', 'b', 'c', 'd'], name='series') #首先创建一个Series对象 
>>> series 
a 2.311426 
b 1.595443 
c 2.268239 
d 2.227010 
Name: series, dtype: float64 
>>> series.plot.pie(figsize=(6, 6)) #绘制饼图,图片规格为figsize=(6, 6) 
对于Series对象,生成4个随机数,在生成饼图之后看各个index的占比 
而对于DataFrame对象,每一个column都可独立绘制一张饼图,但需要利用subplots=True参数将,每个饼图绘制到同一张图中。 
>>> df = pd.DataFrame(3 * np.random.rand(4, 2), index=['a', 'b', 'c', 'd'], columns=['x', 'y']) 
>>> df 
···x y 
a 2.116810 0.643499 
b 0.678533 0.164728 
c 2.142849 2.590517 
d 2.077125 2.926192 
>>> df.plot.pie(subplots=True, figsize=(8, 4)) 
最终绘制两张饼图,分别是column x和y及各自的abcd占比 
You can use the labels and colors keywords to specify the labels and colors of each wedge 
>>> series = pd.Series(3 * np.random.rand(4), index=['a', 'b', 'c', 'd'], name='series') 
>>> series 
a 2.548463 
b 1.716728 
c 2.009944 
d 0.735294 
Name: series, dtype: float64 
>>> series.plot.pie(labels=['AA', 'BB', 'CC', 'DD'], colors=['r', 'g', 'b', 'c'], autopct='%.2f', fontsize=20, figsize=(6, 6)) 
绘制的饼图,label分别是AA对应a,BB对应b,CC对应c,DD对应d,四种颜色rgbc分别对应,autopct显示各个index所占百分比,并保留两位小数,字体大小fontsize,图片大小figsize。 
If you pass values whose sum total is less than 1.0, matplotlib draws a semicircle 
如果所有数字总和加起来小于1.0,则会画一个半圆。 
>>> series = pd.Series([0.1] * 4, index=['a', 'b', 'c', 'd'], name='series2') 
>>> series 
a 0.1 
b 0.1 
c 0.1 
d 0.1 
Name: series2, dtype: float64 
>>> series.plot.pie(figsize=(6, 6)) 
各个index数值都为0.1,所以只能绘制半圆

9,各种绘图方式对于缺失值的处理

Missing values are dropped, left out, or filled depending on the plot type 
| Plot Type | NaN Handling | 
| Line | Leave gaps at NaNs | 
| Line (stacked) | Fill 0’s | 
| Bar | Fill 0’s | 
| Scatter | Drop NaNs | 
| Histogram | Drop NaNs (column-wise) | 
| Box | Drop NaNs (column-wise) | 
| Area | Fill 0’s | 
| KDE | Drop NaNs (column-wise) | 
| Hexbin | Drop NaNs | 
| Pie | Fill 0’s | 
If any of these defaults are not what you want, or if you want to be explicit about how missing values are handled, consider using fillna() or dropna() before plotting. 
散点图,柱状图,箱线图,密度图,都是将NA值去除 
堆积图,条状图,区域图,饼图都是将NA值填充为0

Python数据分析:手把手教你用Pandas生成可视化图表 数据可视化是数据分析很重要的一部分,它能帮助我们更好的从繁杂的数据中更直观更有效的获取信息。Pandas是Python的核心数据分析支持库,提供了快速、灵活、明确的数据结构,旨在简单、直观地处理关系型、标记型数据。下面,我们总结一下PD库的一些使用方法和入门技巧。对于pandas的内置数据类型,Series 和 DataFrame 都有一个用于生成各类图表的 plot 方法。默认情况下,它们所生成的是线性图。 阅读详情

相关推荐

pandas 常见绘图总结

pandas 常见绘图总结 文章目录pandas 常见绘图总结前言一 设置字体和显示中文二 pandas 可视化(0.25.3版本)1 线形图2 条形图2.1 垂直条形图2.2 水平条形图3 饼图4 散点图4.1 普通散点图4.2 气泡图5 面积图6 箱线图7 直方图8 核密度曲线9 hexbin(六边形图) 前言 pandas的强大让人毋庸置疑,一个集数据审阅、处理、分析、可视化于一身的工具,非...

平凡简单的执着 3万+

pandas数据分析数据matplotlib可视化numpy精讲+实战

NumPy:数据分析三部曲之一,极为流行的数据科学计算库,数据分析、人工智能和大数据研究领域必备技能。Pandas:数据分析三部曲之一,极为流行的Python数据分析库,数据分析、人工智能和大数据必备神技。Matplotlib:数据分析三部曲之一,极为流行的数据可视化工具,数据分析、人工智能和大数据必备技能。本课程系统介绍:1.NumPy数据科学计算的各种使用方法,2.Pandas数据分析的各使用方法,3.Matplotlib数据可视化各种常用图表。通过案例的形式由浅入深,循序渐进,理论与实际相结合。本课程特点:摒弃传统重理论,轻实践,引入案例,解决问题采用kaggle等行业真实数据集,更具实际应用.全套数据及课程资源免费赠送.

Pandas 基础学习

Pandas 是一个开源的第三方 Python 库,从 Numpy 和 Matplotlib 的基础上构建而来,Pandas 可以对各种数据进行运算操作,比如归并、再成形、选择,还有数据清洗和数据加工特征。

2201_75677002的博客 2836

Pandas数据分析27——pandas画各类图形以及用法参数详解

pandas里面的plot可以画图的种类,用法和参数。图形类型有折线图,饼图,柱状图,直方图,箱型图,面积图,散点图,六边形分项图。

weixin_46277779的博客 8616

Python绘图基础:pandas读取Excel文件+bar函数绘制条形图

上一篇文章我们认识了绘图区,以及如何调整坐标轴刻度线、边线等,相信大家对画图已经有了初步的了解。那么就给带领大家使用pandas库读取Excel,绘制一个完整的图形。 附上一篇文章链接:Python绘图基础:认识绘图区+subplot创建子图 一:pandas读取文件 1:首先我们导入绘图所需要的库 import numpy as np import pandas as pd import matplotlib.pyplot as plt ...

weixin_47269399的博客 1万+

《Python基础教程》专栏总结篇

今天给大家带来的文章是《Python基础教程》专栏总结篇,希望能对同学们有所帮助。 文章目录 1. 背景 2. 专栏亮点 3. 你的收获 4. 详细目录

weixin_43178406的博客 73万+

Pandas入门第四章之使用pandas画图操作

在一个数据比赛中,通过画图分析数据的分布,这都是很重要的一部环节,本节主要介绍一下画图函数。内容非常简单,如果想要进一步学习的话,论文或者参加一个比赛都是很不错的学习方式。本节通过三个实例讲述如何画图函数 第一个实例: 使用 matplotlib.pyplot 在同一张图上展示不同类型的图像,本段程序应该注意的几个特点 第一: 画图前首先定义一个plt.figure()对象,如果需要在...

YYLin 4796

win2012没有远程桌面授权服务器可以提供许可证 如何远程

如果远程windows服务器时,提示“没有远程桌面授权服务器可以提供许可证 如何远程”,先通过以下方式进行强制登录,然后在对服务器进行设置即可,延期使用。 强制登录服务器方式; 1、运行—输入:mstsc /admin /v ip:端口 回车即可 2、进入远程桌面,输入 ip:端口 /admin 例如:mstsc /admin /v 192.168.0.131:23568 进入服务器以后,按照以下步骤进行设置即可: ...

蜗牛快爬 1万+

python二维数组画出_python二维数组画图

matplotlib机器学习常用绘图指令_计算机软件及应用_IT/计算机_专业资料。该文档介绍了python的matplotlib库用于数据分析中的图形绘制。 ...matplotlib 绘图基础 matplotlib 介绍 matplotlib 是 Python 最著名的绘图库,它提供了一整套和 matlab 相似的命令 API,十分适合交互式地进行制图。而且也可以方便......matplot...

weixin_32747681的博客 6194

PTA 7-8 暴力小学(二年级篇)-求出4个数字 (10分)java

PTA 7-8 暴力小学(二年级篇)-求出4个数字 (10分)java 小博是新城小学二年级学生,这孩子人很老实,数学、语文成绩都是中等。不过一旦坐在电脑前,写起代码来,则有些霸气侧漏,尤其擅长各种暴力方法。本题就是数学莫老师的题目之一,请你和小博一起暴力求解吧。 输入格式: 第一行给出这个和N(图中例子的和N为2000)。 输出格式: 第一行输出所有解的数目K,随后K行按照DCBA 4位数字从...

qryzhfj的博客 2193

离线AI实战指南:本地部署大模型处理PDF/Word/Excel

离线AI是指在无网络、不上传数据前提下,于个人设备运行大语言模型并完成文档理解、多轮对话与代码辅助等任务的技术方案。其核心依赖本地模型推理、文档解析向量化和轻量级对话调度三大能力。随着Phi-3、Qwen2、Llama3等轻量化开源模型普及,以及Ollama、LM Studio等易用工具成熟,普通用户已可在主流笔记本上实现PDF摘要、合同比对、代码注释等真实办公场景。本文聚焦离线AI的硬件适配、模型选型、文件处理链路与知识库构建,尤其强调中文OCR支持、结构化文档提取与CPU/GPU混合推理优化,助力非开发

weixin_31968639的博客 505

利用pandas分析数据并通过matplotlib在tkinter上绘图

利用pandas分析数据并通过matplotlib在tkinter上绘图

qq_46632290的博客 1894

Quartus的Signal Tap II的使用技巧

Signal Tap II全称Signal Tap II Logic Analyzer,是第二代系统级调试工具,它集成在Quartus II软件中,可以捕获和显示实时信号,是一款功能强大、极具实用性的FPGA片上调试工具软件。传统的FPGA板级调试是由外接的逻辑分析仪连接到FPGA的控制引脚,将内部引号引出至引脚I/O上,接着进行板级调试。

qq_37624854的博客 5904

python:利用pandas进行绘图(总结)绘图工具

利用python进行数据分析第八章:绘图和可视化pandas绘图工具>>> from pandas.plotting import scatter_matrix >>> from pandas import Series, DataFrame >>> import numpy as np >>> import pandas as pd >>> import matplotlib.pyplot

genome_denovo的博客 8349

技术解析:ChangeFormer——基于Transformer的孪生网络在遥感变化检测中的创新应用

本文深入解析了ChangeFormer模型在遥感变化检测中的创新应用,该模型基于Transformer架构和孪生网络(Siamese Network),显著提升了变化检测的精度和效率。通过详细的技术实现和实战经验分享,展示了其在建筑物变化、森林监测等场景中的卓越表现,为相关领域的研究和应用提供了有力工具。

weixin_29102619的博客 498

使用libx265对YUV进行h265编码

使用libx265对YUV进行h265编码

Embedded engineer 3081

python:利用pandas进行绘图(总结)绘图格式

22.5 Plot Formatting(绘图格式) 22.5.1 Controlling the Legend(图例管理) You may set the legend argument to False to hide the legend, which is shown by default. 可通过legend=False这个参数选择不显示图例,默认显示 i

genome_denovo的博客 2万+

DarkSword漏洞工具包分析:针对iOS的高级定向攻击

网络安全领域中,漏洞利用工具包是攻击者实施高级持续性威胁(APT)的核心武器。DarkSword作为新型iOS漏洞利用工具包,通过精心构造的漏洞链(包括CVE-2025-31277等)突破系统防护,采用内存驻留技术规避检测。这类攻击通常针对金融、能源等高价值目标,窃取钥匙串凭证、加密货币钱包等敏感数据。防御方面需结合终端检测与响应(EDR)解决方案和网络流量分析,同时关注漏洞修复时效性。本次事件揭示了移动设备在供应链安全和企业环境中的特殊风险,为行业敲响警钟。

weixin_32234493的博客 56

Python-Pandas DataFrame 分组聚合与基础绘图

Pandas DataFrame 数据分析摘要:本文介绍了Pandas库的核心概念和数据处理技巧。主要内容包括:1) DataFrame二维表格结构及其创建方法;2) 数据加载与查看技巧(CSV/TSV读取、shape/columns/info等属性查看);3) 行列数据提取方法(loc/iloc索引);4) 分组聚合计算(groupby和agg函数应用);5) 基础数据可视化(折线图、柱状图等图表绘制);6) 优化技巧(按需加载、分块读取、多级分组等)。通过gapminder等真实数据集练习,可快速掌握数

qq_64232275的博客 1228

【Bug已解决】codex file edit fails / Write operation denied — CodeX CLI 文件编辑失败解决方案

CodeX CLI 编辑文件时报写入被拒绝,本质是沙箱限制或权限不足。文中给出配置允许目录、修复权限、Git stash 管理冲突等完整方案。

一键难忘的博客 4306

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

NumPy、Pandas、python绘图、FastAPI

b站python基础学习笔记

weixin_46635008的博客 918

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

Python绘图之matplotlib基本语法

  博客地址:http://www.cnblogs.com/yudanqu/   Matplotlib 是一个 Python的 2D绘图库,通过 Matplotlib,开发者可以仅需要几行代码,便可以生成绘图,直方图,功率谱,条形图,错误图,散点图等。当然他也是可以画出3D图形的,这时就需要安装更多的扩展。相比MATLAB来说,python不需要那么大的安装包,而且最重要的是开源的,在这...

马行处的博客 7487

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

Python pandas高效数据处理之绘图

Pandas是Python中非常常用的数据处理工具,使用起来非常方便。它建立在NumPy数组结构之上,所以它的很多操作通过NumPy或者Pandas自带的扩展模块编写,这些模块用Cython编写并编译到C,并且在C上执行,因此也保证了处理速度。 今天我们就来体验一下它的强大之处。 1.创建数据 使用pandas可以很方便地进行数据创建,现在让我们创建一个5列1000行的pandas DataFrame: mu1, sigma1 **=** 0, 0.1 mu2, sigma2 **=** 0.2, 0.2

Python实用宝典网 4331

pandas中的绘图函数

摘自《利用python进行数据分析》——Wes McKinney 在pandas中,我们有行标签、列标签以及分组信息(可能有)。也就是说,要制作一张完整的图表,原本需要一大堆的matplotlib代码,现在只需一两条简洁的语句就可以了。pandas有许多能够利用DataFrame对象数据组织特点来创建标准图标的高级绘图方法(这些函数的数量还在不断增加1)。线型图import pandas as p

hustqb的博客 3万+

Python利用pandas读取csv数据并绘图

Python利用pandas读取csv数据并绘图 导包,常用的numpy和pandas,绘图模块matplotlib, import matplotlib.pyplot as plt import pandas as pd import numpy as np fig = plt.figure() ax = fig.add_subplot(111) 读取csv文件的数据,保存到numpy数组内 path_csv = "E:\\python\\python\\2021\\202104\\04091\\pa

weixin_45081640的博客 8116
上一篇: 拒绝日夜调参:超参数搜索算法一览
下一篇: 使用IntelliJ IDEA创建简单的Dubbo实例
binbigdata
博客等级 码龄9年 227粉丝 68原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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