Python通过Flask+pyecharts对房地产数据实现数据分析结果Web可视化(二)

1. Flask+Pyecharts+大数据集群(Linux):数据可视化大屏的实现 Flask+Pyecharts+大数据集群:数据可视化大屏的实现一、相关技术介绍及相关模块安装1.相关技术 介绍(1)Flask(2)Pyecharts(3)大数据集群(4)Pycharm编程工具2.相关模块安装(1)安装Flask(2)安装Pyecharts(3)安装pymysql二、在pycharm新建工程:FlaskPyecharts1.新建Pycharm工程2.下载Echarts的json文件三、Flask+Pyecharts:单图展示1.绘制柱状图2.绘制饼图四、Flask+Pyecharts+本 阅读详情

一、背景

在Python通过pyecharts对爬虫房地产数据进行数据可视化分析(一)基础上添加Flask框架实现web可视化功能,把生成的所有图表生成一份完整的数据分析报告,这样就可以方便直接在网页上看到整体的数据分析可视化结果。

二、步骤实现

这个步骤的实现主要包括如下三个部分组成:

  1. 用flask库实现的app.py脚本,这个脚本主要干如下几件事:
  • 启动一个web服务;
  • 读取我们要分析的原始数据;
  • 实现一个函数负责将读取的数据传给不同的数据图表生成函数,拿到生成的数据图表对象,然后调用模版进行渲染;
  • 绑定一个url路由关系,映射到步骤三的函数;
  1. 用来渲染生成最终数据分析报告的HTML文件,这个文件主要干如下几件事:
  • 对每个数据图表定义一个div;
  • 使用ECharts组件对div进行初始化;
  • 通过变量拿到flask返回的数据图表数据,对ECharts组件进行设置;
  1. HTML渲染和计算所依赖的静态资源文件,主要有如下三个:
  • echarts-wordcloud.min.js,主要用于词云图生成;
  • hu2_bei3_wu3_han4.js,主要用于苏州地图生成;
  • echarts.min.js,是所有数据图表依赖的基础js;

如上三个部分需要按照如下的代码目录结构来组织:
在这里插入图片描述

三、代码实现

数据分析主体代码文件为:drawCharts.py,与之前的在最后稍微有点不同,把最后的主函数部分注释掉就好了

"""
读取excel数据,分析数据并生成图表
"""

# -*- coding: UTF-8-*-

import pandas as pd
from pyecharts import options as opts
from pyecharts.charts import Bar, Pie, Scatter, WordCloud, Map, Page
import numpy as np
import jieba
import jieba.analyse
from pyecharts.commons.utils import JsCode



def cal_square_district(row):
    if row['面积'] <= 60:
        return '[0,60]'
    if row['面积'] > 60 and row['面积'] <= 90:
        return '[60,90]'
    if row['面积'] > 90 and row['面积'] <= 120:
        return '[90,120]'
    if row['面积'] > 120 and row['面积'] <= 150:
        return '[120,150]'
    if row['面积'] > 150 and row['面积'] <= 200:
        return '[150,200]'
    if row['面积'] > 200 and row['面积'] <= 300:
        return '[200, 300]'
    if row['面积'] > 300:
        return '[300,-]'
    return '[未知]'


def order_layout_ascending(row):
    if row['室'] == '1室':
        return 0
    if row['室'] == '2室':
        return 1
    if row['室'] == '3室':
        return 2
    if row['室'] == '4室':
        return 3
    if row['室'] == '5室':
        return 4
    if row['室'] == '6室':
        return 5


layout_color_function = """
        function (params) {
            if (params.value > 17000 && params.value < 18000) {
                return 'red';
            } else if (params.value > 18000 && params.value < 20000) {
                return 'blue';
            }else if (params.value > 20000 && params.value < 25000){
                return 'green'
            }else if (params.value > 25000 && params.value < 35000){
                return 'purple'
            }else if (params.value > 35000 && params.value < 40000){
                return 'black'
            }
            return 'brown';
        }
        """


def unit_price_analysis_by_layout(df, isembed):
    # 增加一列[面积区间]
    df['面积区间'] = df.apply(cal_square_district, args=(), axis=1)
    # 获取要分析的数据行和列
    analysis_df = df.loc[:, ['室', '均价']]
    analysis_df.loc[:, '室'] = analysis_df.loc[:, '室'].astype('str')
    # 对面积区间列group by,然后按分组计算总价和均价的平均值
    group = analysis_df.groupby('室', as_index=False)
    group_df = group.mean()
    group_df.loc[:, '均价'] = group_df.loc[:, '均价'].astype('int')
    # 给室这个字段排个序
    group_df['order'] = group_df.apply(order_layout_ascending, axis=1)
    group_df.sort_values('order', ascending=True, inplace=True)

    bar = (
        Bar()
            .add_xaxis(group_df['室'].tolist())
            .add_yaxis("单价均价", group_df["均价"].tolist(),
                       itemstyle_opts=opts.ItemStyleOpts(color=JsCode(layout_color_function)))
            .set_global_opts(title_opts=opts.TitleOpts(title="武汉二手房按户型的房屋单价"),
                             legend_opts=opts.LegendOpts(is_show=False))
    )

    # 判断是否单独显示,还是和其他图表一起显示
    if isembed:
        return bar.render_embed()
    else:
        return bar


def order_square_ascending(row):
    if row['面积区间'] == '[0,60]':
        return 0
    if row['面积区间'] == '[60,90]':
        return 1
    if row['面积区间'] == '[90,120]':
        return 2
    if row['面积区间'] == '[120,150]':
        return 3
    if row['面积区间'] == '[150,200]':
        return 4
    if row['面积区间'] == '[200,300]':
        return 5
    if row['面积区间'] == '[300,-]':
        return 6


square_color_function = """
        function (params) {
            if (params.value > 17000 && params.value < 18000) {
                return 'red';
            } else if (params.value > 18000 && params.value < 20000) {
                return 'blue';
            }else if (params.value > 20000 && params.value < 25000){
                return 'green'
            }else if (params.value > 25000 && params.value < 35000){
                return 'purple'
            }else if (params.value > 35000 && params.value < 40000){
                return 'black'
            }
            return 'brown';
        }
        """


def unit_price_analysis_by_square(df, isembed):
    # 增加一列[面积区间]
    df['面积区间'] = df.apply(cal_square_district, args=(), axis=1)
    # 获取要分析的数据行和列
    analysis_df = df.loc[:, ['面积区间', '均价']]
    analysis_df.loc[:, '面积区间'] = analysis_df.loc[:, '面积区间'].astype('str')
    # 对面积区间列group by,然后按分组计算总价和均价的平均值
    group = analysis_df.groupby('面积区间', as_index=False)
    group_df = group.mean()
    group_df.loc[:, '均价'] = group_df.loc[:, '均价'].astype('int')
    # 把面积区间按从小到大排个序
    group_df['order'] = group_df.apply(order_square_ascending, axis=1)
    group_df.sort_values('order', ascending=True, inplace=True)


    bar = (
        Bar()
            .add_xaxis(group_df['面积区间'].tolist())
            .add_yaxis("单价均价", group_df["均价"].tolist(),
                       itemstyle_opts=opts.ItemStyleOpts(color=JsCode(square_color_function)))
            .set_global_opts(
            title_opts=opts.TitleOpts(title="武汉二手房按面积区间的房屋单价"),
            legend_opts=opts.LegendOpts(is_show=False))
    )

    # 判断是否单独显示,还是和其他图表一起显示
    if isembed:
        return bar.render_embed()
    else:
        return bar


top10_color_function = """
        function (params) {
            if (params.value > 27000 && params.value < 27500) {
                return 'red';
            } else if (params.value > 27500 && params.value < 27800) {
                return 'blue';
            }else if (params.value > 27800 && params.value < 28000){
                return 'green'
            }else if (params.value > 28000 && params.value < 29000){
                return 'purple'
            }else if (params.value > 29000 && params.value < 30000){
                return 'brown'
            }else if (params.value > 30000 && params.value < 35200){
                return 'gray'
            }else if (params.value > 35200 && params.value < 37000){
                return 'orange'
            }else if (params.value > 37000 && params.value < 40000){
                return 'pink'
            }else if (params.value > 40000 && params.value < 45000){
                return 'navy'
            }
            return 'gold';
        }
        """


def unit_price_analysis_by_estate(df, isembed):
    # 获取要分析的数据列
    analysis_df = df.loc[:, ['小区名称', '均价']]
    analysis_df.loc[:, '小区名称'] = analysis_df.loc[:, '小区名称'].astype('str')
    # 对小区名称分组,然后按照分组计算单价均价
    group = analysis_df.groupby('小区名称', as_index=False)
    group_df = group.mean()
    group_df.loc[:, '均价'] = group_df.loc[:, '均价'].astype('int')
    # 按照均价列降序排序
    group_df.sort_values('均价', ascending=False, inplace=True)
    # 取Top10
    top10_df = group_df.head(10)
    # print(top10_df)
    # 为了横向柱状图展示,再从低到高排序一下
    top10_df.sort_values('均价', ascending=True, inplace=True)

    bar = (
        Bar(init_opts=opts.InitOpts(width="1500px"))
            .add_xaxis(top10_df['小区名称'].tolist())
            .add_yaxis("房价单价", top10_df['均价'].tolist(),
                       itemstyle_opts=opts.ItemStyleOpts(color=JsCode(top10_color_function)))
            .reversal_axis()
            .set_series_opts(label_opts=opts.LabelOpts(position="right"))
            .set_global_opts(title_opts=opts.TitleOpts(title="武汉各小区二手房房价TOP10"),
                             xaxis_opts=opts.AxisOpts(axislabel_opts={'interval': '0'}),
                             legend_opts=opts.LegendOpts(is_show=False))
    )

    # 判断是否单独显示,还是和其他图表一起显示
    if isembed:
        return bar.render_embed()
    else:
        return bar


def unit_price_analysis_by_district(df):
    # 获取要分析的数据列
    analysis_df = df.loc[:, ['区', '均价']]
    analysis_df.loc[:, '区'] = analysis_df.loc[:, '区'].astype('str')
    # 对小区名称分组,然后按照分组计算单价均价
    group = analysis_df.groupby('区', as_index=False)
    group_df = group.mean()
    group_df.loc[:, '均价'] = group_df.loc[:, '均价'].astype('int')
    # 按照均价列降序排序
    group_df.sort_values('均价', ascending=True, inplace=True)

    bar = (
        Bar(init_opts=opts.InitOpts(width="1500px"))
            .add_xaxis(group_df['区'].tolist())
            .add_yaxis("房价单价", group_df['均价'].tolist())
            .reversal_axis()
            .set_series_opts(label_opts=opts.LabelOpts(position="right"))
            .set_global_opts(title_opts=opts.TitleOpts(title="武汉各区域二手房房价排行榜"),
                             xaxis_opts=opts.AxisOpts(axislabel_opts={'interval': '0'}))
    )

    return bar.render_embed()


def add_sale_estate_col(row):
    return 0


def sale_estate_analysis_by_year(df, isembed):
    # 增加一列待售房屋数,初始值均为0
    df.loc[:, '待售房屋数'] = df.apply(add_sale_estate_col, axis=1)
    # 获取要用作数据分析的两列:建筑年份和待售房屋数
    analysis_df = df.loc[:, ['建筑年份', '待售房屋数']]
    # 因为建筑年份列有空值,先预处理一下
    analysis_df.dropna(inplace=True)
    # 按照建筑年份进行分组
    group = analysis_df.groupby('建筑年份', as_index=False)
    # 对每个分组进行统计计数
    group_df = group.count()
    group_df.loc[:, '待售房屋数'] = group_df.loc[:, '待售房屋数'].astype('int')

    pie = Pie(init_opts=opts.InitOpts(width='800px', height='600px', bg_color='white'))
    pie.add("pie", [list(z) for z in zip(group_df['建筑年份'].tolist(), group_df['待售房屋数'].tolist())]
            , radius=['40%', '60%']
            , center=['50%', '50%']
            , label_opts=opts.LabelOpts(
            position="outside",
            formatter="{b}:{c}:{d}%", )
            ).set_global_opts(
        title_opts=opts.TitleOpts(title='武汉二手房不同建筑年份的待售数量', pos_left='300', pos_top='20',
                                  title_textstyle_opts=opts.TextStyleOpts(color='black', font_size=16)),
        legend_opts=opts.LegendOpts(is_show=False))

    # 判断是否单独显示,还是和其他图表一起显示
    if isembed:
        return pie.render_embed()
    else:
        return pie


def unit_price_analysis_by_histogram(df, isembed):
    hist, bin_edges = np.histogram(df['均价'], bins=100)

    bar = (
        Bar()
            .add_xaxis([str(x) for x in bin_edges[:-1]])
            .add_yaxis('价格分布', [float(x) for x in hist], category_gap=0)
            .set_global_opts(
            title_opts=opts.TitleOpts(title='武汉二手房房价-单价分布-直方图', pos_left='center'),
            legend_opts=opts.LegendOpts(is_show=False)
        )
    )

    # 判断是否单独显示,还是和其他图表一起显示
    if isembed:
        return bar.render_embed()
    else:
        return bar


def total_price_analysis_by_histogram(df, isembed):
    hist, bin_edges = np.histogram(df['总价'], bins=100)

    bar = (
        Bar()
            .add_xaxis([str(x) for x in bin_edges[:-1]])
            .add_yaxis('价格分布', [float(x) for x in hist], category_gap=0)
            .set_global_opts(
            title_opts=opts.TitleOpts(title='武汉二手房房价-总价分布-直方图', pos_left='center'),
            legend_opts=opts.LegendOpts(is_show=False)
        )
    )

    # 判断是否单独显示,还是和其他图表一起显示
    if isembed:
        return bar.render_embed()
    else:
        return bar


def unit_price_analysis_by_scatter(df, isembed):
    df.sort_values('面积', ascending=True, inplace=True)

    square = df['面积'].to_list()
    unit_price = df['均价'].to_list()

    scatter = (
        Scatter()
            .add_xaxis(xaxis_data=square)
            .add_yaxis(
            series_name='',
            y_axis=unit_price,
            symbol_size=4,
            label_opts=opts.LabelOpts(is_show=False)
        )
            .set_global_opts(
            xaxis_opts=opts.AxisOpts(type_='value'),
            yaxis_opts=opts.AxisOpts(type_='value'),
            title_opts=opts.TitleOpts(title='武汉二手房面积-单价关系图', pos_left='center')
        )
    )

    # 判断是否单独显示,还是和其他图表一起显示
    if isembed:
        return scatter.render_embed()
    else:
        return scatter


def hot_word_analysis_by_wordcloud(df, isembed):
    txt = ''
    for index, row in df.iterrows():
        txt = txt + str(row['待售房屋']) + ';' + str(row['标签']) + '\n'

    word_weights = jieba.analyse.extract_tags(txt, topK=100, withWeight=True)

    word_cloud = (
        WordCloud()
            .add(series_name='高频词语', data_pair=word_weights, word_size_range=[10, 100])
            .set_global_opts(
            title_opts=opts.TitleOpts(
                title='武汉二手房销售热度词',
                title_textstyle_opts=opts.TextStyleOpts(font_size=23),
                pos_left='center'
            )
        )
    )

    # 判断是否单独显示,还是和其他图表一起显示
    if isembed:
        return word_cloud.render_embed()
    else:
        # png_name = 'hot_word_analysis_by_wordcloud.png'
        # make_snapshot(snapshot, word_cloud.render(), f"crawler/anjuke/static/{png_name}")
        # return png_name
        return word_cloud


def transform_name(row):
    district_name = row['区'].strip()
    if district_name == '江汉' or district_name == '江岸' or district_name == '硚口' or district_name == '汉阳' or district_name == '武昌' or district_name == '东西湖' or district_name == '洪山':
        district_name = district_name + '区'
    return district_name


def unit_price_analysis_by_map(df, isembed):
    data = []
    # 获取要分析的数据列
    analysis_df = df.loc[:, ['区', '均价']]
    # 按区列分组
    group_df = analysis_df.groupby('区', as_index=False)
    # 根据分组对均价列求平均值
    group_df = group_df.mean('均价')
    # print(group_df)
    # 将区的名字做一下转换,为下面的地图匹配做准备
    group_df['区'] = group_df.apply(transform_name, axis=1)
    group_df.loc[:, '均价'] = group_df.loc[:, '均价'].astype('int')
    # 将数据转换成map需要的数据格式
    for index, row in group_df.iterrows():
        district_array = [row['区'], row['均价']]
        data.append(district_array)

    map = (
        Map()
            .add('武汉各区域二手房房价', data, '武汉')
            .set_global_opts(
            title_opts=opts.TitleOpts(title='武汉各区域二手房房价地图', pos_left='center'),
            visualmap_opts=opts.VisualMapOpts(max_=26000),
            legend_opts=opts.LegendOpts(is_show=False)
        )
    )
    # 判断是否单独显示,还是和其他图表一起显示
    if isembed:
        return map.render_embed()
    else:
        # png_name = 'unit_price_analysis_by_map.png'
        # make_snapshot(snapshot, map.render(), f"crawler/anjuke/static/{png_name}")
        # return png_name
        return map


# if __name__ == '__main__':
#
#     # 读取csv
#     fpath = 'data/wuhanSecondHouse.csv'
#     df = pd.read_csv(fpath, header=[0], encoding='gbk')
#     df.drop_duplicates(keep='first', inplace=True)
#
#
#
#     # # 画图
#     # unit_price_analysis_by_square.render()
#     # unit_price_analysis_by_layout.render()
#     # unit_price_analysis_by_estate.render()
#     # sale_estate_analysis_by_year.render()
#     # unit_price_analysis_by_histogram.render()
#     # total_price_analysis_by_histogram.render()
#     # unit_price_analysis_by_scatter.render()
#     # hot_word_analysis_by_wordcloud.render()
#     # unit_price_analysis_by_map.render()
#
#     # 合并
#     page = Page(layout=Page.DraggablePageLayout)  # 可拖动布局
#
#     page.add(
#         unit_price_analysis_by_square,
#         unit_price_analysis_by_layout,
#         unit_price_analysis_by_estate,
#         sale_estate_analysis_by_year,
#         unit_price_analysis_by_histogram,
#         total_price_analysis_by_histogram,
#         unit_price_analysis_by_scatter,
#         hot_word_analysis_by_wordcloud,
#         unit_price_analysis_by_map
#     )
#
#     page.render("武汉二手房数据分析.html")

这里flask的app.py脚本为report_web.py,主要绑定一个url路由关系,映射到上面代码中的函数

"""
启动一个web网站,展示不同的分析数据图表
启动方法:进入/anjuke目录下,执行python report_web.py
"""

# -*- coding: UTF-8-*-

from flask import Flask, render_template
import drawChart as dbc
import pandas as pd

app = Flask(__name__)


# 读取csv
fpath = 'data/wuhanSecondHouse.csv'
df = pd.read_csv(fpath, header=[0], encoding='gbk')
df.drop_duplicates(keep='first', inplace=True)


@app.route("/unit_price_analysis_by_layout")
def bar_unit_price_analysis_by_layout():
    result = dbc.unit_price_analysis_by_layout(df, True)
    return result


@app.route("/unit_price_analysis_by_suqare")
def bar_unit_price_analysis_by_square():
    result = dbc.unit_price_analysis_by_square(df, True)
    return result


@app.route("/unit_price_analysis_by_estate")
def bar_unit_price_analysis_by_estate():
    str = dbc.unit_price_analysis_by_estate(df, True)
    return str


@app.route("/unit_price_analysis_by_district")
def bar_unit_price_analysis_by_district():
    str = dbc.unit_price_analysis_by_district(df)
    return str


@app.route("/pie_sale_estate_analysis_by_year")
def pie_sale_estate_analysis_by_year():
    str = dbc.sale_estate_analysis_by_year(df, True)
    return str


@app.route("/histogram_unit_price_analysis")
def histogram_unit_price_analysis():
    str = dbc.unit_price_analysis_by_histogram(df, True)
    return str


@app.route("/histogram_total_price_analysis")
def histogram_total_price_analysis():
    str = dbc.total_price_analysis_by_histogram(df, True)
    return str


@app.route("/scatter_unit_price_analysis")
def scatter_unit_price_analysis():
    str = dbc.unit_price_analysis_by_scatter(df, True)
    return str


@app.route("/word_cloud_hot_word_analysis")
def word_cloud_hot_word_analysis():
    str = dbc.hot_word_analysis_by_wordcloud(df, True)
    return str


@app.route("/map_unit_price_analysis")
def map_unit_price_analysis():
    str = dbc.unit_price_analysis_by_map(df, True)
    return str


@app.route("/show_all_analysis_chart")
def show_all_analysis_chart():
    # 获取按面积区间的单价分析数据
    unit_price_analysis_by_square = dbc.unit_price_analysis_by_square(df, False)
    # 获取按室区分的单价分析数据
    unit_price_analysis_by_layout = dbc.unit_price_analysis_by_layout(df, False)
    # 获取苏州各小区二手房房价TOP10
    unit_price_analysis_by_estate = dbc.unit_price_analysis_by_estate(df, False)
    # 获取不同建筑年份的待售房屋数
    sale_estate_analysis_by_year = dbc.sale_estate_analysis_by_year(df, False)
    # 苏州二手房房价-单价分布-直方图
    unit_price_analysis_by_histogram = dbc.unit_price_analysis_by_histogram(df, False)
    # 苏州二手房房价-总价分布-直方图
    total_price_analysis_by_histogram = dbc.total_price_analysis_by_histogram(df, False)
    # 苏州二手房面积-单价关系图
    unit_price_analysis_by_scatter = dbc.unit_price_analysis_by_scatter(df, False)
    # 苏州二手房销售热度词
    # hot_word_analysis_by_wordcloud_png_name = dbc.hot_word_analysis_by_wordcloud(df,False)
    hot_word_analysis_by_wordcloud = dbc.hot_word_analysis_by_wordcloud(df, False)
    # 苏州各区域二手房房价
    # unit_price_analysis_by_map_png_name = dbc.unit_price_analysis_by_map(df,False)
    unit_price_analysis_by_map = dbc.unit_price_analysis_by_map(df, False)

    return render_template("show_analysis_chart.html",
                           # dump_options():将经过get_options方法处理过的echarts配置项序列化为JSON格式(JsCode 生成的函数不带引号)
                           unit_price_analysis_by_square_option=unit_price_analysis_by_square.dump_options(),
                           unit_price_analysis_by_layout_option=unit_price_analysis_by_layout.dump_options(),
                           unit_price_analysis_by_estate_option=unit_price_analysis_by_estate.dump_options(),
                           sale_estate_analysis_by_year_option=sale_estate_analysis_by_year.dump_options(),
                           unit_price_analysis_by_histogram_option=unit_price_analysis_by_histogram.dump_options(),
                           total_price_analysis_by_histogram_option=total_price_analysis_by_histogram.dump_options(),
                           unit_price_analysis_by_scatter_option=unit_price_analysis_by_scatter.dump_options(),
                           hot_word_analysis_by_wordcloud_option=hot_word_analysis_by_wordcloud.dump_options(),
                           unit_price_analysis_by_map_option=unit_price_analysis_by_map.dump_options()
                           )


if __name__ == "__main__":
    app.run() 

static目录下的这三个静态资源文件文件,来源之前文章中生成的html文件:武汉二手房数据分析.html
在这里插入图片描述

https://assets.pyecharts.org/assets/v5/echarts.min.js
https://assets.pyecharts.org/assets/v5/echarts-wordcloud.min.js
https://assets.pyecharts.org/assets/v5/echarts.min.js
在浏览器中打开上述的网址,分别把内容复制到对应的文件中就行了,注意中文乱码,自己调整好即可

然后templates目录中的show_analysis_chart.html文件就好得到了,主要对网页进行渲染,与所依赖的static目录下的静态资源和flask的程序运行文件的联系起来,最终得到我们想要的网页可视化效果

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>武汉二手房数据分析报告</title>
    <script type="text/javascript" src="/static/echarts.min.js"></script>
    <script type="text/javascript" src="/static/echarts-wordcloud.min.js"></script>
    <script type="text/javascript" src="/static/hu2_bei3_wu3_han4.js"></script>
</head>
<body>
    <h1 align="center">武汉二手房数据分析报告</h1>
    <h2>1.武汉二手房按面积区间的房屋单价</h2>
    <div id="unit_price_analysis_by_square" style="width:900px; height:500px;"> </div>
    <script type="text/javascript">
        var unit_price_analysis_by_square_chart = echarts.init(document.getElementById('unit_price_analysis_by_square'));
        var option = {{ unit_price_analysis_by_square_option | safe }};
        unit_price_analysis_by_square_chart.setOption(option);
    </script>
    <h2>2.武汉二手房按户型的房屋单价</h2>
    <div id="unit_price_analysis_by_layout" style="width:900px; height:500px;"> </div>
    <script type="text/javascript">
        var unit_price_analysis_by_layout_chart = echarts.init(document.getElementById('unit_price_analysis_by_layout'));
        var option = {{ unit_price_analysis_by_layout_option | safe }};
        unit_price_analysis_by_layout_chart.setOption(option);
    </script>
     <h2>3.武汉各小区二手房房价TOP10</h2>
     <div id="unit_price_analysis_by_estate" style="width:1200px; height:500px;"> </div>
     <script type="text/javascript">
         var unit_price_analysis_by_estate_chart = echarts.init(document.getElementById('unit_price_analysis_by_estate'));
         var option = {{ unit_price_analysis_by_estate_option | safe }};
         unit_price_analysis_by_estate_chart.setOption(option);
     </script>
     <h2>4.武汉各区域二手房房价</h2>
     <!--<div><img src="/static/{{unit_price_analysis_by_map_png}}" style="width:1200px;height:600px"/></div>-->
     <div id="unit_price_analysis_by_map" style="width:900px; height:500px;"> </div>
     <script type="text/javascript">
         var unit_price_analysis_by_map_chart = echarts.init(document.getElementById('unit_price_analysis_by_map'));
         var option = {{ unit_price_analysis_by_map_option | safe }};
         unit_price_analysis_by_map_chart.setOption(option);
     </script>
      <h2>5.武汉二手房不同建筑年份的待售数量</h2>
      <div id="sale_estate_analysis_by_year" style="width:900px; height:500px;"> </div>
      <script type="text/javascript">
          var sale_estate_analysis_by_year_chart = echarts.init(document.getElementById('sale_estate_analysis_by_year'));
          var option = {{ sale_estate_analysis_by_year_option | safe }};
          sale_estate_analysis_by_year_chart.setOption(option);
      </script>
     <h2>6.武汉二手房房价-单价分布</h2>
     <div id="unit_price_analysis_by_histogram" style="width:900px; height:500px;"> </div>
     <script type="text/javascript">
         var unit_price_analysis_by_histogram_chart = echarts.init(document.getElementById('unit_price_analysis_by_histogram'));
         var option = {{ unit_price_analysis_by_histogram_option | safe }};
         unit_price_analysis_by_histogram_chart.setOption(option);
     </script>
    <h2>7.武汉二手房房价-总价分布</h2>
    <div id="total_price_analysis_by_histogram" style="width:900px; height:500px;"> </div>
    <script type="text/javascript">
        var total_price_analysis_by_histogram_chart = echarts.init(document.getElementById('total_price_analysis_by_histogram'));
        var option = {{ total_price_analysis_by_histogram_option | safe }};
        total_price_analysis_by_histogram_chart.setOption(option);
    </script>
    <h2>8.武汉二手房面积-单价关系</h2>
    <div id="unit_price_analysis_by_scatter" style="width:900px; height:500px;"> </div>
    <script type="text/javascript">
        var unit_price_analysis_by_scatter_chart = echarts.init(document.getElementById('unit_price_analysis_by_scatter'));
        var option = {{ unit_price_analysis_by_scatter_option | safe }};
        unit_price_analysis_by_scatter_chart.setOption(option);
    </script>
    <h2>9.武汉二手房销售热度词</h2>
    <!--<div><img src="/static/{{hot_word_analysis_by_wordcloud_png}}" style="width:1200px;height:600px"/></div>-->
    <div id="hot_word_analysis_by_wordcloud" class="chart-container" style="width:900px; height:500px;"></div>
    <script type="text/javascript">
        var hot_word_analysis_by_wordcloud_chart = echarts.init(document.getElementById('hot_word_analysis_by_wordcloud'), 'white', {renderer: 'canvas'});
        var option = {{ hot_word_analysis_by_wordcloud_option | safe }};
        hot_word_analysis_by_wordcloud_chart.setOption(option);
    </script>
</body>
</html>

四、web可视化效果

运行report_web.py后可在浏览器打开网址**http://127.0.0.1:5000/show_all_analysis_chart**查看结果
在这里插入图片描述
状态码全是200,说明成功,打开网址查看最终效果
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

基于Flask和pyecharts的图形可视化 1.[Flask整合pyecharts的第一种方式] http://pyecharts.org/#/zh-cn/flask 2.Flask整合Echarts库的第2种方式 Flask 是python web开发的微框架,Echarts酷炫的功能主要是javascript起作用,将两者结合起来,发挥的作用更大。 2-1. 静态请求实现步骤 1).去官网下载Echarts,如下图所示,下载完整版 2... 阅读详情

相关推荐

关于Python运用pyecharts实现简单的数据分析-——柱状图、饼状图

Pyecharts是一个将Echarts与Python结合的数据可视化库。而Echarts本身是由百度开源的一个基于JavaScript的数据可视化库,它以良好的交互性和精巧的图表设计而受到开发者的认可。Python是一门非常适合数据处理的编程语言,具有强大的表达力和丰富的数据处理工具。Pyecharts就是这两者的结合,它允许Python开发者利用Echarts的强大功能来创建各种数据可视化图表。使用pyecharts可以生成独立的网页文件,也可以集成到Web框架如Flask或Django中使用。

Trb201012的博客 1599

可视化 | Flask+Pyecharts可视化模板

Flask+Pyecharts可视化模板

Python当打之年 2040

python豆瓣电影数据可视化分析系统 Flask框架

技术栈:Python语言、Flask框架、pyeacharts可视化、requests爬虫、MySQL数据库豆瓣电影爬取、HTML(1)介绍在当今数字化时代,数据分析和可视化已成为各行各业不可或缺的一部分。特别是在娱乐产业,如电影行业,数据分析能够帮助我们深入了解观众喜好、市场趋势以及电影本身的特性。针对豆瓣电影数据,我们可以利用Python语言及其相关技术栈,构建一个功能全面的数据分析系统。以下是对该系统功能模块及所用技术的详细介绍。(2)技术栈。

QQ21503882的博客 1181

【期末大作业】二手房Python爬虫+Flask前端展示+Echarts可视化大项目

爬虫 :一段自动抓取互联网信息的程序,从互联网上抓取对于我们有价值的信息。 Python 爬虫架构主要由五个部分组成,分别是调度器、URL管理器、网页下载器、网页解析器、应用程序(爬取的有价值数据)。............

weixin_54280390的博客 2847

基于Python的图书数据分析可视化系统:从爬虫到Flask Web应用全栈实践

数据可视化与数据分析是当今数据驱动决策的核心技术,其原理在于将复杂数据通过图形化手段直观呈现,从而揭示数据背后的规律与洞察。在Python生态中,Pandas、Matplotlib等库为数据处理与可视化提供了强大支持,而Flask作为轻量级Web框架,则能快速搭建数据展示平台,将分析结果转化为交互式应用。这种技术组合的价值在于能够高效构建端到端的数据应用,特别适用于毕业设计、原型验证及中小型数据中台项目。其典型应用场景包括市场分析、业务监控和学术研究等。本文聚焦于图书数据分析领域,详细拆解了如何整合Pyth

weixin_29083475的博客 1000

使用Flask和Pyecharts创建Python可视化模板的分享

在上述代码中,我们创建了一个名为index的路由,它将处理根路径的请求。在该路由中,我们使用Pyecharts创建了一个简单的柱状图,并使用render_embed()方法将图表渲染为HTML代码。您可以使用Pyecharts的其他图表类型和选项来创建更多样化的可视化效果,并使用Flask的路由和模板功能来构建复杂的Web应用程序。在该文件中,我们使用Flask提供的jinja2模板引擎来嵌入渲染后的图表代码。接下来,我们定义一个路由来处理根路径的请求,并在该路由中创建一个简单的柱状图。

NoerrorCode的博客 462

flask pyecharts 数据可视化大屏

Flask 是一个轻量级的 Python web 框架。它可以帮助开发者快速构建 Web 应用程序。Flask 提供了简单的路由系统,用于处理不同的 URL 请求,还能方便地返回 HTML 页面、JSON 数据等多种格式的响应。例如,你可以使用 Flask 创建一个简单的网站,定义不同的页面路径(如 “/home”“/about” 等),并为每个路径编写对应的函数来生成和返回相应的内容。在数据可视化大屏的场景中,Flask 作为后端框架,主要负责数据的处理和传输。

qq_61900887的博客 1741

基于Python的气象数据分析及可视化研究

为了帮助用户更好地理解和预测天气情况,我们设计并实现了一个基于Python的气象数据分析及可视化平台。该平台集成了实时天气查询、天气分析、历史数据查询等功能,采用Flask框架提供Web服务,利用PyEcharts库进行数据可视化,使用Python爬虫技术获取实时天气数据。本平台通过使用Flask框架、PyEcharts库、爬虫技术等,成功实现了一个气象数据分析及可视化系统。系统不仅能够提供实时的天气查询,还能通过数据可视化帮助用户了解天气变化趋势。

狮子也疯狂的博客 2833

【小沐学Python】Python实现Web图表功能(pyecharts,Flask)

Apache Echarts 是一个由百度开源的数据可视化,凭借着良好的交互性,精巧的图表设计,得到了众多开发者的认可。而 Python 是一门富有表达力的语言,很适合用于数据处理。当数据分析遇上数据可视化时,pyecharts 诞生了。

爱看书的小沐 3863

源码 - flask + Pandas + echarts 使用饼状图等将二手房数据进行分析+可视化

一、实战场景 二、知识点 python 基础语法 python 文件读写 pandas 数据处理 flask web 框架 echarts 图表 bootstrap jinja 模版 三、菜鸟实战 初始化 Flask 框架,设置路由 各行政区房屋数量柱状图分析 区域二手房房源朝向分布情况 二手房单价最高Top10 图 echarts 渲染房屋数量柱状图 运行结果 运行截图 数据示例

python基于Flask+mysql+vue城市房价数据分析系统,,前后端分离

城市房价数据分析系统 房价的变化扣动着亿万人民的心弦,而掌握房价的走向与趋势,也成为了诸多用户的需求与需要。 城市房价数据分析系统采用前后端分离的架构,前端使用 Vue,后端使用 Python/Flask,MySQL 提供数据存储。 主要包括数据爬取、数据存储、数据可视化、后台管理、房价预测五大部分组成。其中,数据可视化包含三个业务:房价查询、房价对比、房价趋势;后台管理包含五个业务:用户登录与注册、权限管理、咨询管理、用户评论、用户通知。 文件目录 |--back-end 后端代码 |--front-end 前端代码 |--houseprice_crawler 房价数据爬虫 |--news_crawler 房价新闻爬虫 |--predict_crawler 房价预测爬虫 |--prediction 房价预测 本地运行 后端 进入后端文件夹 cd back-end 安装 requirements.txt 依赖 pip install -r requirements.txt 运行 flask flask run 前端 进入前端文件夹 cd front-end 下载开发依赖

数据分析可视化15 PyEcharts & Flask 集成案例

通过图表响应事件,我们实现了页面图表元素和 PyEcharts 图表对象之间的绑定,并且为图表对象的参数获取设置了远程访问接口。

fegus的博客 4896

欧姆龙PLC与fanuc发那科机器人进行Ethrenet ip通信测试

近期在做发那科FANUC的通讯,会吧CC-LINK、Profibus-DP、Profinet I/O、DeviceNet、EtherNet/IP这些常用通讯做成文档发上来,大家喜欢的话可以关注 注:做对应的通讯,在机器人控制柜都需要安装对应的板卡以及软件功能 截图中的程序设置和机器人EDS插件在下面链接 https://download.youkuaiyun.com/download/gojava/13770799 PLC为主站 机器人为从站 一、硬件部分 欧姆龙PLC ...

七兔自习室 1万+

python电影数据爬取分析系统 Flask框架 爬虫+Pyecharts可视化 豆瓣数据 毕业设计源码✅

python电影数据爬取分析系统 Flask框架 爬虫+Pyecharts可视化 豆瓣数据 毕业设计源码✅

vx_biyesheji0001的博客 1953

Windows平台无人机仿真:从零搭建SITL环境与QGC联调

本文详细指导了在Windows平台上从零搭建无人机软件在环(SITL)仿真环境,并与QGroundControl(QGC)进行联调的完整流程。通过使用Cygwin工具链,开发者可以在没有实体硬件的情况下,模拟运行ArduPilot飞控,并通过MAVLink协议连接QGC地面站进行全功能测试,为无人机软件开发提供了一个安全、经济的虚拟沙盒环境。

weixin_29239279的博客 413

从硅片到时钟:揭秘SiTime MEMS谐振子的精密制造之旅

本文深入解析了SiTime MEMS谐振子的精密制造工艺,从硅晶圆的提纯到DRIE深硅刻蚀,再到真空封装技术,揭示了其如何克服传统石英晶振的局限。通过对比测试数据,展示了MEMS谐振子在精度、可靠性和生产效率上的显著优势,特别是在5G基站和汽车电子等领域的应用潜力。

weixin_42522953的博客 404

旅游可视化系统flask+pyecharts

旅游可视化系统flask+pyecharts 1、先上效果图吧 2、关于环境问题 pyecharts 1.8.1,Flask 1.1.2 3、思想步骤,首先我们是先用pyecharts生成html文件,然后将生成好echarts这一部分复制到我们的主页面里面,这样子就不需要js基础也可以生成可视化系统,因为现在主流echarts+flask,本人由于学习时间较短,不太会用echarts,因此才想到这步奇淫技巧 4、主页面布局文件 index.html <body bgcolor="#E6E

zyh960的博客 2万+

数仓建模—数据语义层

如今,企业产生大量数据,需要以正确的方式进行分析才能做出重要决策。数据可能来自多个来源并采用不同的格式,这使得清楚地了解其含义和重要性成为一项挑战。这就是语义层的用武之地。语义层存在于数据仓库和最终用户使用的应用程序之间。它为用户提供了简化且一致的数据视图,无论其基础数据源的复杂性如何。该逻辑层有助于映射物理数据结构以创建概念数据模型。它定义了数据元素之间的所有规则和关系,并以业务术语提供了数据的通用词汇表。然后,用户可以轻松地与数据进行交互,而无需了解其数据源的技术知识。

7万+

基于 Pyecharts 的基础可视化、Flask 网页框架搭建,以及 Flask + Pyecharts 融合的可视化大屏

本文总结了三个Python数据可视化项目实践:1) 基于Pyecharts构建奥运会奖牌多维度交互式可视化系统,实现了地理分布、数量对比等分析功能,解决了数据格式、中文显示等技术难题;2) 使用Flask框架开发用户认证Web应用,掌握了模块化设计、数据库操作和前后端交互;3) 将Pyecharts与Flask融合,开发可拖拽布局的奥运奖牌可视化大屏,攻克了地图渲染、数据标准化等挑战。

lulinsheng的博客 941

第142篇 ROS2安全机制——SROS2和通信加密

本文探讨了机器人系统(特别是基于ROS2)的通信安全问题。文章以医疗机器人面试场景切入,指出产品级系统必须考虑安全机制,而ROS2默认的"信任一切"模式存在严重安全隐患。重点介绍了SROS2解决方案,包括其三大核心能力:身份验证(基于X.509证书)、访问控制(通过XML权限文件)和数据加密(AES-GCM算法)。同时分析了实际应用中的挑战,如性能开销、配置复杂度和生态兼容性问题,并给出了密钥管理、安全审计等实践经验。最后区分了功能安全与信息安全的概念,强调了安全设计的持续性和系统性。

郑伟强dev的专栏 97

如何正确的计算两个角度的角度差?

这一步是必要的,因为它确保了无论a相对于b是在逆时针方向还是顺时针方向,d2总是正确地反映出绕圆相反方向的角度差。这样,当函数进行最后的比较时,它能够准确地比较两个方向的旋转路径并选择最短的一个。

小秋 AI SLAM 入门实战教程 4140

python爬虫可视化web展示_基于Python爬虫的职位信息数据分析和可视化系统实现

1. 引言在这个新时代,人们根据现有的职位信息数据分析系统得到的职位信息越来越碎片化,面对收集到的大量的职位信息数据难以迅速地筛选出对自己最有帮助的职位信息,又或者筛选出信息后不能直观地看到数据的特征、一般规律、变化的趋势或者数据之间潜在联系。本文致力于解决将获取到的数据进行有效的筛选和从多个角度可视化分析,借助Python爬虫技术模拟浏览器访问职业信息网站,爬取大量数据,用Pandas实现数据清...

weixin_39849479的博客 3916

RandLA-Net Tensorrt 推理 c++

RandLA-Net 实现 Tensorrt 部署.

J。 1112

豆瓣电影数据分析系统 | Python Flask Pyecharts requests爬虫可视化分析 大数据 人工智能 毕业设计源码(建议收藏)✅

本文介绍了一个基于Python开发的豆瓣电影数据分析系统。系统采用Flask框架搭建Web界面,Pyecharts实现数据可视化,MySQL存储数据,通过requests爬虫抓取豆瓣电影信息。主要功能包括:首页数据概览、电影信息展示、时间趋势分析、制片国家评分统计、电影类型评分分析、演员词云图生成、后台数据管理、用户注册登录以及数据爬取模块。系统提供多维度可视化图表展示,帮助用户分析电影市场趋势和观众偏好。适用于电影从业者和普通观众,具有完整的数据采集、存储、分析和展示功能,技术栈涵盖Python主流开发工

vx_biyesheji0001的博客 1369

合肥工业大学嵌入式系统原理实验报告

GPKDAT 的6、7引脚设置低电平,设置GPKDAT = 0x30则34灯亮12灯灭,GPKDAT 的4、5、6、7引脚全为高电平,设置GPKDAT = 0xf0,则led灯全灭。注意在烧写时要连接主机后面的USB接口,烧写完成后,要关闭开发板电源,将S2拨动开关置于NAND位置,然后重新开启开发板电源, 则开发板运行刚刚烧入的裸机程序。实验修改要求:在延时不变的条件下,将原程序中四个LED全亮,然后全灭的显示状态,修改为“四个全亮,然后1和2亮(3和4灭),然后3和4亮(1和2灭),最后全灭”。

Martin-share的博客 3099

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

Python Web端开发:基于Flask的海洋数据可视化大屏

本文介绍了一个基于Flask框架的Python可视化大屏开发方案,使用2021年气象监测数据(风速、波高等16个指标)作为案例。教程详细展示了从环境配置到完整实现的开发流程:1)通过Flask搭建Web服务框架;2)利用pandas进行数据处理;3)采用ECharts实现图表可视化。项目采用模块化设计,将核心功能分解为app.py(主程序)、chart.py(业务逻辑)和HTML模板三部分,具有代码简洁(主程序仅15行)、维护方便的特点。适合Python初学者快速上手开发数据可视化Web应用。

m0_74773416的博客 1293

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: 一、洞察运营机会的数据分析利器
下一篇: 数据处理:数据归一化/标准化常用的算法包括极差法和z-score法
rubyw
博客等级 码龄7年 1528粉丝 234原创
评论 1
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

打赏作者

rubyw

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