- 博客(129)
- 收藏
- 关注
RSS订阅原创 Python 二次方程求根代码：从解析到实践的深度指南
确保用户输入合法浮点数，处理输入异常：基于求根公式计算根（支持复数根）main()：串联程序流程，实现用户交互与结果输出整体逻辑遵循 “输入验证→公式计算→结果展示” 的工程化思路，同时通过cmath模块解决了传统math模块无法处理负判别式的问题，确保所有二次方程（a≠0a \neq 0a0）都能得到有效解。函数设计：模块化分工、参数传递、返回值处理；异常处理try-except捕获输入错误，提升程序稳定性；数学应用：将求根公式转化为代码，兼顾实根与复根；用户交互。
2025-08-30 15:37:45
870
原创 Python从入门到精通——第七章 函数
你可以把函数想象成一个“黑盒子”或者一个“迷你程序”。你给它一些输入（称为参数），它执行一系列预定义的操作，然后给你返回一个结果（称为返回值一次定义，多次调用。你只需要写好一次函数，就可以在程序的不同地方反复使用它。定义函数就是创建一个新的功能模块，告诉Python这个函数叫什么名字、需要什么参数、以及它要执行什么操作。def 函数名(参数1, 参数2, ...):"""文档字符串（说明函数的功能）"""# 函数体：要执行的代码return 返回值 # 可选def：定义函数的关键字，必须要有函数名。
2025-08-22 14:31:30
741
原创 用 Python 绘制带偏移的饼图，让重点数据 “跳” 出来
本文介绍如何使用Python的matplotlib库制作带偏移效果的饼图，突出显示关键数据。通过设置explode参数，将特定扇形从饼图主体"拉开"一段距离，自然引导视线聚焦重点信息。文章以全球森林覆盖率数据为例，详细演示了从数据准备、配色方案设计到偏移参数设置的全过程，并提供了美化图表的实用技巧，如调整标签字体颜色、动态设置偏移距离等。这种可视化方法能有效增强数据呈现的层次感和吸引力，适用于需要强调特定比例关系的分析场景。
2025-08-21 03:00:00
378
原创 从基础 SI 到复杂 SEIR 的数学解析与代码实现
从$ SI到到到SEIR $模型，我们可以看到传染病模型的逐步复杂化和精细化过程，每增加一个仓室，模型就更接近某种特定传染病的实际传播特征。这些模型不仅帮助我们理解过去的疫情，更重要的是可以预测未来趋势，评估防控措施效果。在后续的分享中，将会基于SEIRSEIRSEIR模型进行多方面的拓展，可以包括：人口流动和地理因素社会行为变化（如社交距离、封锁措施）医疗资源和干预措施病毒变异导致的传染性变化通过不断完善传染病模型，我们能更好地应对各类传染病挑战，保护公众健康。
2025-08-13 11:08:44
373
原创 用 Python 绘制阶梯图：让数据跃然 “阶” 上的可视化魔法
本文介绍了阶梯图在数据可视化中的优势及其Python实现方法。阶梯图通过"台阶式"线条清晰展现离散数据的突变特征，特别适用于价格调整、设备状态切换等非连续变化场景。文章详细解析了使用matplotlib绘制阶梯图的步骤：从数据准备、plt.step()函数的核心参数（如where='post'控制跳跃时机），到图表美化技巧。通过RMSE误差分析实例，展示了阶梯图如何直观呈现不同样本的离散变化规律，并提供了调整线条样式、坐标轴范围等进阶技巧。这种可视化工具能更准确地传达离散数据的阶段变化特
2025-08-13 07:00:00
1903
原创 传染病监测（八）：性传播感染（STI）建模——从“谁传染谁”到“怎么传染”
STISTISTI设计合理的调查问卷不仅要询问 “去年有多少个性伴侣”，还应了解 “这些性伴侣之间是否存在重叠关系”“他们的性活跃度大致处于什么水平”。绘制关系网络图采用匿名编码的方式匹配性伴侣，即便只能绘制出 5% 的局部网络，也有助于发现 80% 的潜在传播链。实施靶向筛查将有限的检测资源优先用于过去一年中性伴侣数量超过 10 个或存在并发关系的人群，每多筛查 1 人，阻断的新发感染数量是普通人群的 10–20 倍。
2025-08-09 10:07:21
836
原创 Python从入门到精通——第六章 字典与集合
字典（Dictionary）是Python中一种非常常用的数据结构，它存储键值对（key-value pairs），具有高效的查找能力。
2025-08-07 18:43:10
641
原创 用 Python 轻松绘制带误差棒的柱状图，让数据更有说服力
本文介绍了利用Python的matplotlib库绘制带误差棒的柱状图的完整方法。误差棒能直观展示数据的波动范围，增强图表专业性。教程包含：1）误差棒的重要性；2）numpy和matplotlib安装；3）完整实现代码，涵盖数据准备、图表绘制、标签添加等步骤；4）关键参数详解，如yerr设置误差范围、capsize调整误差棒样式；5）图表美化技巧。通过示例代码，读者可快速掌握这一数据可视化技能，适用于科研报告、商业分析等场景，使数据呈现更科学准确。
2025-08-05 00:15:00
1036
原创 Python从入门到精通——第三章 基本数据类型
Python语言的基本数据类型包括数字、字符串、布尔类型、bytes类型、列表、元组、字典和集合等，本章我们详细介绍数字、字符串、布尔值和bytes类型等相关内容，列表、元组、字典和集合将在后续章节详细讲解。
2025-08-01 16:11:18
1221
原创 如何用 Python 制作针状图：小白友好教程
本文详细介绍了如何使用Python的Matplotlib库绘制针状图。主要内容包括：1)准备工作，安装必要的库；2)分步骤代码教学，从数据生成到图形绘制；3)设置图表样式和属性；4)展示运行结果和完整代码。通过随机生成50个数据点，演示了如何创建具有垂直线段和圆形标记的针状图，并设置标题、坐标轴等属性。该教程适合初学者，能帮助用户直观展示离散数据的变化趋势。
2025-08-01 06:00:00
503
原创 传染病监测（七）：为什么接触模式能颠覆防控效果预测？
假设你是某市疾控中心的新手小张，领导安排你评估：若为全市小学生免费接种流感疫苗，能将全市的发病率控制在何种程度？你打开 Excel，将人群视作“均匀搅拌的米粥”，计算得出只要 70% 的小学生接种疫苗，就能阻断流感传播。然而到了冬天，流感依旧大规模爆发 —— 成人科室人满为患，老年 ICU 不得不加床。领导将报表扔在你桌上质问：“模型是怎么构建的？问题就出在 “均匀搅拌” 这一假设上。
2025-07-24 11:34:19
658
原创 传染病监测（六）：随机模型 —— 为什么小规模疫情像掷骰子？
确定性模型就像天气预报告诉你 “明天平均降水量 3.7mm”随机模型则补充说明 “有 20% 的可能下暴雨、10% 的可能无雨，出门既记得带伞也要带防晒”。
2025-07-20 22:53:07
907
原创 传染病监测（五）：年龄模式 —— 为什么儿童更易生病？疫苗如何改变疾病分布？
年龄在传染病传播中扮演着核心角色，绝非一个无关紧要的变量。通过催化模型分析血清学数据，我们得以洞悉感染力的年龄模式，估算关键参数。疫苗接种虽然强大，但会产生复杂的涟漪效应，改变易感者的年龄分布，甚至增加老年组的感染风险。因此，在传染病防控工作中，尤其是疫苗接种项目的设计、实施和评估环节，必须采用动态传播模型，全面考虑群体免疫效应和年龄结构变化，这样才能做出科学合理的决策，充分发挥疫苗的效益，将潜在风险降至最低。在下一章，我们将进一步探索更复杂的接触模式（非随机混合）如何影响传染病传播，这将为我们深入理解R。
2025-07-18 16:15:02
1034
原创 用 MATLAB 模拟传染病传播：从 SI 模型到 SIS 模型的可视化之旅
N：总人数（比如模拟一个城市的人口，可替换为 500000、10000 等）；I0：初始感染人数（疫情刚开始时的病例数，可替换为 5、20 等）；S0：初始易感人数（总人数减去初始感染人数，会随N和I0自动变化，也可手动修改）；beta：传染率（值越大传播越快，可替换为 0.1、0.3 等）；num_days：模拟天数（想观察 1 年就设为 365，想观察 1 个月就设为 30）。
2025-07-12 21:54:31
866
原创 Python从入门到精通——第二章 Python基础语法
第一章已经介绍了用Python语言来实现最经典的程序设计例子：输出字符串“Hello World!本章将介绍Python的一些基础语法，为后续章节编写复杂代码做好准备。
2025-07-11 10:47:25
1101
原创 用 Python 打造带类别标签的三维柱状图，小白也能轻松上手！
本文介绍了带类别标签的三维柱状图的绘制方法，该图表通过三维空间展示分类数据，利用柱子高度和颜色区分不同类别。文章详细讲解了数据准备（包括坐标、高度和类别标签）、代码实现步骤（从库导入到图形显示），以及颜色映射、图例添加等关键操作。这种可视化方法适用于多变量数据分析，能够直观展示不同类别在特定指标上的表现差异。教程提供了完整代码示例，帮助读者快速掌握三维柱状图的绘制技巧。
2025-07-11 01:15:00
657
原创 如何用Python制作气泡热图：小白也能轻松上手
本文介绍了如何使用Python制作气泡热图。气泡热图通过气泡大小和颜色展示数据强度及分类关系，适合多变量分析。教程详细讲解了数据准备（分类变量和数值变量）、代码实现步骤（安装库、导入数据、设置气泡大小和颜色、绘制图表等），并提供了完整的代码示例。只需简单修改参数，即可生成直观的气泡热图，帮助数据可视化。
2025-07-10 01:45:00
1834
原创 Python绘制三维填充折线图：从零开始的详细教程
本文详细介绍了如何使用Python的matplotlib库绘制三维填充折线图。主要内容包括：1）安装必要的numpy和matplotlib库；2）代码解析，涵盖数据模拟、图形创建、颜色设置、多边形区域构建等关键步骤；3）通过设置坐标轴标签、网格线和边距等元素美化图形；4）完整代码展示和结果说明。该教程适合初学者学习三维数据可视化技术，通过模拟质谱数据展示了如何将复杂数据关系直观呈现。文章强调每个步骤的细节，并提供了中文显示和样式调整等实用技巧。
2025-07-09 01:15:00
871
原创 用Python制作华夫图：从零开始
本文介绍了如何使用Python制作华夫图（Waffle Chart）来可视化临床医学数据。华夫图通过网格形式直观展示分类数据的比例关系，特别适合呈现不同特征分布情况。文章详细讲解了制作步骤：首先准备患者临床特征数据（包括分级组、PSA水平等），然后使用matplotlib和pandas库进行数据处理，创建颜色映射，将类别转换为数值，最后通过imshow函数绘制图表。示例代码完整展示了从数据整理到可视化呈现的全过程，即使没有编程基础的读者也能跟随操作。这种可视化方法有助于研究人员快速掌握患者临床特征的分布规律
2025-07-08 00:15:00
978
原创 用Python绘制相关系数平方热图：小白也能轻松上手
本文介绍了如何使用Python绘制相关系数平方热图。首先需要安装numpy和matplotlib库，然后通过生成随机数据、计算相关系数矩阵、设置字体和图形参数等步骤完成热图绘制。热图使用coolwarm颜色映射直观展示变量间相关性，红色表示正相关，蓝色表示负相关。文章详细解析了代码的每个环节，并提供了完整代码示例，帮助读者掌握数据可视化技巧。
2025-07-07 01:15:00
1508
原创 传染病监测（四）：传染病如何爆发与循环？(短期动态与长期模式)
(R_0\)是理解传染病传播的基石，它决定了疫情能否流行、流行潜力大小、最终规模、群体免疫目标以及流行间隔。易感者就像传染病传播的 “燃料”，其比例实时调控着疫情的发展，易感者的消耗和补充是短期爆发和长期周期的核心驱动力。监测是了解疫情的窗口，通过早期增长率估算\(R_0\)，实时追踪\(R_n\)评估干预效果，分析时间序列数据揭示周期规律。模型则是连接理论与数据的桥梁，用于参数估计、理解机制、预测趋势和评估策略。
2025-07-07 00:45:00
1060
原创 使用 Python 绘制带填充纹理的堆叠图
本文介绍了如何使用Python的Matplotlib库绘制带填充纹理的堆叠条形图。主要内容包括：1)安装Matplotlib库；2)准备JSON格式的数据样本；3)设置绘图风格和字体；4)通过bar方法绘制堆叠条形图，并应用颜色和纹理；5)添加坐标轴标签、标题、图例等图表元素；6)显示和保存图表。最终生成的图表能直观展示不同类别在各样本中的RMSE值分布，纹理填充增强了视觉效果。文中提供了完整代码示例，帮助读者快速实现这一可视化效果。
2025-07-06 01:15:00
910
原创 传染病监测（三）：微分方程 —— 当时间连续流动时，如何精准预测疫情？
值得注意的是，如果一个特定人口中的所有个体的出生数量和死亡率在一段时间内保持不变，那么该人口的年龄分布将与上图（a）所示的相似。然而，一旦将步长增大到 5 天，问题就接踵而至：在麻疹预测中，竟然出现了负值感染人数；在高死亡率国家，如马拉维，其年龄分布呈现出明显的指数下降趋势，这与\( N(t) = N(0)e^{-mt} \)模型的预测完美匹配。另一方面，通过箭头一致性检验（下图，忽略参数含义），可以确保模型逻辑的准确性：每个流入箭头对应方程中的 + 号项，每个流出箭头对应方程中的 - 号项。
2025-07-06 00:30:00
918
原创 传染病监测（二）：模型搭建实战 —— 从流感预测看数学建模的骨架
本章精华：模型是现实的 “简笔画”，SEIR 框架描述人群状态流动，\(\beta\)量化传播强度，差分方程推进时间演化。通过一步步搭建模型，我们能更好地理解疫情传播的规律。下篇预告：差分方程升级版来了！微分方程模型如何实现 “连续时间模拟”？我们将用 SIR 模型解析疫情拐点与疫苗策略，敬请期待！
2025-07-05 00:30:00
1796
原创 用 Python 绘制高信息密度科研图表：主图 + inset 图的进阶可视化攻略
替换场景代码位置操作说明主数据 X/Y替换为实测数据（数组 / 列表），或从文件读取（如np.loadtxt）误差范围yerr替换为每个数据点的误差值（标准差 / 置信区间）拟合参数c/cint通过拟合算法（如curve_fit）获取，而非手动赋值验证数据xV/yV替换为独立测试数据，确保与主数据格式一致物理量标签修改为实际物理量名称与单位（如'Temperature (℃)'）放大区域根据数据分布自定义 inset 图的范围（X/Y 轴上下限）多元素复合图表的绘制逻辑。
2025-07-04 03:00:00
1585
原创 Python从入门到精通——第一章 Python简介
Python 是一种高级、解释型、通用的编程语言，由 Guido van Rossum 于1991年首次发布。它以简洁易读的语法和强大的功能而闻名，是目前最受欢迎的编程语言之一。Python的版本包括Python 2和Python 3，其中Python 2已于2020年停止支持使用，Python 3是当前主要维护版本。本模块中我们将以为操作对象。
2025-07-03 21:29:43
1135
原创 用 Python 绘制带纹理填充的分组柱状图：科研数据对比可视化全攻略
替换场景代码位置示例操作输入真实数据data矩阵改为data = np.loadtxt('data.csv', delimiter=',')修改组别名称methods列表改为methods = ['实验组1', '实验组2', '对照组']修改指标标签samples列表改为samples = ['指标A', '指标B', '指标C', '指标D']调整颜色 / 纹理colors和hatches列表。
2025-07-02 09:36:16
1220
原创 用 MATLAB 实现 K-means 聚类可视化：从数据分组到高颜值散点图的全攻略
替换场景代码位置示例操作输入真实数据数据生成部分用X = readmatrix('data.csv');读取 CSV，确保每行是样本，每列是特征调整簇数 KK = 3;改为K = 5;（假设你想分成 5 类）修改特征标签改为xlabel('消费金额(元)');ylabel('购买频次(次/年)');更换颜色 / 标记gscatter的颜色和标记参数颜色改为'rgb'，标记改为'osd'（圆、正方形、菱形）导入高维数据绘图时的特征选择。
2025-06-30 13:14:14
1452
原创 用 Python 绘制条形热图：从随机信号到多维数据可视化的终极攻略
替换场景代码位置示例操作X 轴变量名称改为x = np.linspace(200, 800, 301)（波长 200-800nm，301 个点）样本数量改为n_samples = 30（30 个样本）峰值位置（真实数据）改为peaks = [45.2, 50.1, 38.7]（手动输入峰值）波形函数改为profile = np.sin(x*0.05)（正弦波）导入真实数据改为df = pd.read_excel('你的数据.xlsx', index_col=0)颜色映射。
2025-06-29 21:47:58
1488
原创 用 Python 绘制精美雷达图：多维度材料属性对比可视化全指南
通过这篇博客，我们不仅学会了用 Python 绘制精美的材料属性雷达图，更深入理解了多维数据可视化的核心逻辑。直观性：闭合区域面积直接反映综合性能，无需计算即可对比全面性：同时展示 7-8 个维度毫无压力，打破传统图表的维度限制美观性：通过颜色、填充、标记的组合，让科研数据也能 “颜值在线”现在，你只需替换categories和data中的内容，就能将这段代码应用到自己的研究或工作中。快去试试吧～ 如果在使用中遇到问题，欢迎在评论区交流，一起解锁更多雷达图的隐藏技巧！
2025-06-28 18:49:02
1924
原创 用 Python 绘制专业风玫瑰图：从气象数据到可视化的全流程指南
角度维度：表示方向（如 0° 为北，90° 为东）径向维度：表示该方向上数据的频率或强度颜色 / 分层：可额外展示第三维度（如风速分段）# 16方向标注（气象学标准）angles_16 = np.deg2rad(np.arange(0, 360, 22.5)) # 22.5°间隔风玫瑰图不仅是一种可视化工具，更是理解方向数据的思维框架 —— 它将抽象的角度与数值转化为具象的玫瑰形态，让隐藏在数据中的方向规律一目了然。
2025-06-26 22:24:18
1988
原创 用 Python 打造立体数据世界：3D 堆叠条形图绘制全解析
3D 堆叠条形图就像一个数据舞台，每个条形都是舞台上的舞者，用高度和颜色演绎数据的故事。通过今天的教程，你已经掌握了从数据准备到细节优化的全流程，现在只差替换成你自己的数据啦！确保你的数据是三维数组，形状为替换代码中这一行，直接赋值为你的数据根据数据含义修改坐标轴标签（set_xlabelset_ylabelset_zlabel）和标题快去试试吧！无论是分析商业数据还是科研成果，这种立体可视化方式都会让你的报告瞬间提升一个档次～📊✨。
2025-06-24 22:29:07
1152
2
原创 用 Python 绘制动态方块热力图：从数据到可视化的完美蜕变
正如前面提到的，数据生成部分是最容易替换的地方。假设你有一个从 Excel 中导出的 15x15 的用户行为数据矩阵，路径为# 从CSV文件读取数据# 或者使用pandas读取（更灵活）如果你的数据值域不是 0-1，比如是 10-100，需要调整颜色映射和大小计算：# 假设数据值域是10-100size = (value - vmin) / (vmax - vmin) * 900 # 归一化后计算大小可视化的魅力在于将抽象的数字转化为直观的视觉信号，帮助我们理解数据背后的故事。
2025-06-22 23:30:33
1088
原创 解锁数据可视化新维度：线性热图绘制全攻略
原始标签生成# 替换为自定义标签（示例：使用数字标签）# 或使用实际样本名称sample_names = ['实验1', '实验2', '实验3', '对照组1', '对照组2', ...] # 长度需等于n_samples# 原始颜色条# 优化颜色条cbar.ax.tick_params(labelsize=10) # 调整刻度标签大小cbar.set_label('Value (arb. units)', fontsize=12, fontweight='bold') # 美化标签。
2025-06-22 04:45:00
1072
原创 传染病监测（一）：传染病基础概念 —— 从感染到传播，我们监测什么？
在本篇博客中，我们打下了传染病监测的重要概念基础：认识了庞大的病原体家族，理解了感染过程中的关键时间阶段，了解了感染后的不同免疫结局，掌握了衡量传染病传播力的核心指标（R0, SAR, Rn, HIT），还初步认识了传染病模型这个强大的研究工具。
2025-06-21 04:00:00
1079
原创 破解数据可视化难题：带轴断裂的柱状图绘制全指南
data 列表：存储各分类的数据值，这里第一个值 10000 是明显的极端值，后面的 3-10 是需要精细展示的小数据。你的数据可以是任何数值列表，比如 [500, 20, 25, 18, 22, 19]（假设 500 是异常大值）。labels 列表：对应数据的分类标签，长度必须与 data 一致。你可以替换为实际场景的标签，如 [' 一月 ', ' 二月 ', ' 三月 ', ' 四月 ', ' 五月 ', ' 六月 ']。# 原始绘图代码# 自定义颜色（示例：使用蓝色系渐变）
2025-06-20 22:55:11
1286
原创 MATLAB 山脊图绘制全解析：从数据生成到可视化进阶
这时候，山脊图（Ridgeline Plot）就像一位优雅的舞者，用层次分明的「数据山脉」展现每个分布的独特轮廓，让复杂数据瞬间变得清晰易懂。运行这段代码，你会得到一个包含 10 个样本分布的山脊图，每个「山脊」代表一个样本的密度分布，垂直排列的设计让每个分布的位置、宽度和峰值一目了然。这里使用倒序循环（从 10 到 1），是因为后续绘制时，底层的「山脊」会被上层覆盖，倒序可以先画底层样本，再画上层，避免标签被遮挡（后面会详细解释标签位置）。当前代码使用正态分布随机数据，如果你有真实数据，步骤如下：。
2025-06-19 10:57:06
1161
原创 职场灵活性与家庭状态对职业倦怠影响的可视化分析：从数据到洞见的深度解读
从家庭状态到工作灵活性，从优势比到置信区间，我们通过一幅误差棒图展开了一场跨越统计学、心理学和管理学的知识之旅。这幅图表不仅是数据的视觉呈现，更是连接研究发现与实践应用的桥梁。当我们看着图表中那些高低起伏的标记点，仿佛看到了不同家庭状态的职场人士在弹性工作制度下的不同体验：有的群体从中受益，有的群体反而面临更高风险。这提醒我们，任何职场政策都需要考虑个体差异，而数据可视化正是帮助我们理解这种差异的强大工具。
2025-06-15 11:20:20
460
常见智能优化算法MATLAB实现（附ppt讲解）
2025-05-20
辽宁省村界（shp）-可直接导入Arcgis
2025-04-29
湖北省乡界（shp）-可直接导入Arcgis
2025-04-29
Emilia Vynnycky, Richard White - An Introduction to Infectious Disease Modelling (2010, OUP Oxford)
2025-04-14
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人