- 综合排序
- 最热优先
- 最新优先
- 来自专栏布衣者博客
LeetCode-题库(8-9)
具体题目链接 Python 原始思路： class Solution: def mergeAlternately(self, word1: str, word2: str) -> str: 具体题目链接 Python 思路：看到题目第一开始想只加1，只要当前位置不为9就不会出现进位情况，直接本位+1，之后其余不变。 如果为9则直接将本位变为0，对下一位进行+1。
44920编辑于 2022-10-31 - 来自专栏AI机器学习与深度学习算法
机器学习入门 8-9 lasso
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节介绍模型正则化的另外一种方式LASSO，依然通过具体的编程实现LASSO，并对α取值与过拟合（拟合曲线）之间的关系进行探讨，进而对LASSO与Ridge进行比较。
1.5K20发布于 2020-01-14 - 来自专栏趣谈前端
前端进阶第8-9周打卡题目汇总
前端基础打卡已经基本结束了,内容从css基础,动画,js基本算法,作用域,闭包,节流防抖这些基本的web知识大家有没有都掌握了呢?年后会出一个进阶路线规划图,希望笔者可以带着大家,一起进步,一起成长.
96540发布于 2020-02-12 - 来自专栏AI SPPECH
IO竞赛2025年题目解析：高级难度（8-9）
2025年的高级难度（难度系数8-9）题目综合考察了选手的算法设计、数学建模、问题分析和代码实现能力。本文将深入解析2025年高级难度的IO竞赛题目，帮助选手们突破极限，冲击更高的竞赛成绩。 难度进阶路径: 入门(1-3) → 基础(4-5) → 中级(6-7) → 高级(8-9) → 专家(10) 难度系数 考察重点 核心知识点 学习目标 8-9 算法设计、数学建模、问题分析 高级图论、高级动态规划 （8题） ├── 第四章：高级难度题目解题策略 └── 第五章：顶尖选手的训练方法 第一章：2025年IO竞赛高级难度题目概述 根据2025年NOI修订版大纲，高级难度（NOI级别）的知识点难度系数为8-
46510编辑于 2025-11-13 - 来自专栏云深之无迹
Python可视化.2
上篇文章对绘图的一些流程做了一些解释，在文章的最后又简短的总结了一下绘图的流程。这篇文章会继续深化这个绘图流程，而且重点会说Plot这个函数的作用。
46650发布于 2021-04-28 - 来自专栏云深之无迹
Python可视化.1
stable/tutorials/introductory/usage.html#sphx-glr-tutorials-introductory-usage-py 数学建模比赛和平时的算法研究中，数据可视化是一个非常好的学习方式
89940发布于 2021-04-28 Python可视化问题
最近要求将我自己之前做的Python程序打包成exe，做一个可视化界面，经过一些接触，发现Python这东西做页面真的丑，而且也没有现成的模板。 看了一下别人的推荐，还是建议前后端分开，界面用前端做就行，Python解决后端交互的问题。就比如自己之前用过的flask框架，出来的界面确实花里胡哨的。 4.打包编译程序：执行python setup.py build，记得缺哪些包要安装。Pyside6使用是免费的，而PyQT在商用方面使用有限制，所以最终采用的Pyside6绘制。
45110编辑于 2024-11-18- 来自专栏python3
python数据可视化
1、安装matplotlib 在 cmd 中键入 python -m pip install matplotlib，系统将自动安装，需要等一段时间，待完成后 python -m pip list ，显示
1.4K30发布于 2020-01-17 - 来自专栏python3
python地图可视化
echarts-china-misc-pypkg #如果提示缺少这个就安装一下 pip install pyecharts_snapshot 请参考以下资料： pyecharts官方文档 自定义地图 python 最全画地图，可视化数据
1.7K20发布于 2020-01-09 - 来自专栏数据科学与人工智能
【Python环境】Python可视化工具综述
简介 在Python的世界里，可视化你的数据有多种选择。由于这种多样性，决定何时使用哪一个确实是种挑战。这篇文章包含由更受欢迎的包中的一部分制作的示例，并说明如何使用它们创建一个简单的条形图。 Matplotlib是Python可视化软件包的始祖，它有非常强大的能力，但是随之而来的是复杂性。Matplotlib往往可以做到任何你想做的，但并非那么容易弄清楚。 考虑到这一目标，其中一些API是非Python风格的，但是它很强大。我没有在R中用过ggplot，因此有点学习曲线。然而，我开始看到ggplot的美丽。 Plot.ly Plot.ly的不同之处在于它是一个分析和可视化的在线工具。它有一些稳定的API，其中包括Python的。浏览它的网站，你将看见很多丰富的交互图形。 由于文档和python的api，开始和运行都很容易，我喜欢最后这个产品。 总结 在Python生态系统中绘制数据图是一个好消息/坏消息的故事。好消息是有很多选择，坏消息是有太多选择。
3.1K100发布于 2018-02-27 - 来自专栏好奇心Log
Python可视化 | 风玫瑰图可视化示例
https://github.com/python-windrose/windrose pip install windrose pip install git+https://github.com/ python-windrose/windrose git clone https://github.com/python-windrose/windrose python setup.py install
3.6K20发布于 2020-12-22 - 来自专栏yuyy.info技术专栏
Python 实现可视化抽奖
本文最后更新于 1163 天前，其中的信息可能已经有所发展或是发生改变。 代码 from tkinter import * import threading import time root = Tk() root.title('大转盘') root.minsize(300,300) btn1=Button(root,text='樱桃',bg='red') btn1.place(x=20,y=20,width=50,height=50) btn2 = Button(root, text='香蕉', bg
1K10编辑于 2022-06-28 - 来自专栏ATYUN订阅号
Python可视化解析MCMC
如果可能的状态集S是有限的，我们可以提供如下链的可视化表示: ? 每个圆圈表示一个状态，在这种情况下，S={A, B, C}，而箭头表示我们的进程从一个状态跳到另一个状态的概率。 所以让我们用Python实现它。为此，我设想检查50天，然后我编码Sunny = 1, Rainy = 2, Cloudy = 3。
1.2K40发布于 2019-10-28 - 来自专栏MeteoAI
Python可视化工具概览
面对气象领域庞杂的数据集，想要直观的表达信息，可视化可以说是最直接的表达方式之一。而且优秀的可视化可以起到事半功倍的效果。 2017年PyCon大会有一个演讲专门介绍了Python中的可视化库。 Python可视化工具概览 基于matplotlib构建的可视化库 ? matplotlib是Python中一个低级可视化工具，其提供了两种绘图方式。其中一种类似MATLAB，通过调用函数直接绘图。 作为Python中使用最广泛的可视化工具之一，matplotlib可以绘制大多数常见的图。官方也提供了大量的可视化示例。 基于JS的可视化库 ? 除了基于matplotlib的可视化库之外，Python中有很多基于JS的可视化库，其中比较流行的是：Bokeh，HoloViews，Plotly等。 GeoViews可视化示例 除了上述可视化库之外，Altair是类似Seaborn用于统计可视化的交互式Python可视化库，其基于Vega和Vega-Lite(两者非基于Python的可视化库)。
3.7K73发布于 2019-07-24 - 来自专栏编程
python常用可视化技巧
向AI转型的程序员都关注了这个号 大数据挖掘DT数据分析 公众号： datadw 我们在对数据进行预处理时，常常需要对数据做一些可视化的工作，以便能更清晰的认识数据内部的规律。 这里我们以kaggle案例泰坦尼克问题的数据做一些常用的可视化的工作。首先看下这个数据集： 我们换一个连续性变量多的数据集，看看特征直接相关度。 下面我们看看高维数据如何做可视化分析，首先咱们造个高维数据集 数据的可视化有很多工具包可以用，比如下面我们用来做数据可视化的工具包Seaborn。 最简单的可视化就是数据散列分布图和柱状图，这个可以用Seanborn的pairplot来完成。 以下图中2种颜色表示2种不同的类，因为20维的可视化没有办法在平面表示，我们取出了一部分维度，两两组成pair看数据在这2个维度平面上的分布状况，代码和结果如下： 我们从散列图和柱状图上可以看出，确实有些维度的特征相对其他维度
96090发布于 2018-01-25 - 来自专栏Python学习
Python数据可视化（三）
前言在大数据时代，数据可视化成为了分析和展示数据的重要手段。在众多数据可视化形式中，柱状图以其直观性和易读性而广受欢迎。本章基于案例分析详细讲解了柱状图的不同类型，包括基础柱状图以及动态柱状图。 choose_sort_key,reverse=True)print(my_list)输出结果：['b', 55, 'a', 33, 'c', 11]写法二：基于lambda函数lambda函数相关知识点见 Python
94321编辑于 2024-08-02 - 来自专栏Python学习
Python数据可视化（一）
前言 在大数据时代，数据可视化成为了分析和展示数据的重要手段。Pyecharts 是一个基于 Python 的强大数据可视化库，能够快速生成易于分享和交互的可视化图表。 本篇文章参考：黑马程序员 一、Pyecharts介绍 Pyecharts 是一个基于 Echarts 实现的 Python 可视化库，可以轻松创建交互式的图表。 检验pyecharts是否可以正常使用，输入python并回车进入python解释器环境，接着输入import pyecharts导入pyecharts包并回车，如果没有报错即可正常使用。 63180(", "") # 去掉不合JSON规范的结尾 a_data = a_data[:-2] b_data = b_data[:-2] c_data = c_data[:-2] # JSON转Python
1.2K21编辑于 2024-08-01 - 来自专栏数据科学与人工智能
Python 多维数据可视化
图中每条垂直的线代表一个特征，表中一行的数据在图中表现为一条折线，不同颜色的线表示不同的类别。
2.4K30发布于 2020-10-23 - 来自专栏vincent随笔
python可视化之seaborn
数据可视化的文章我很久之前就打算写了，因为最近用Python做项目比较多，于是就花时间读了seaborn的文档，写下了这篇。 数据可视化在数据挖掘中是一个很重要的部分，将数据用图表形式展示可以很直观地看到数据集的特点（比如正态分布，长尾分布，聚集等），方便下一步怎么对数据进行处理。 这里我用的是Python来进行可视化，因为Python的框架相对较多而且使用的也较广泛。 我们在这里用的是seaborn框架，它是一个广受欢迎的可视化框架，提到seaborn不得不提到的还有matplotlib，matplotlib是一个强大的科学绘图包，里面集成了大量可视化图表，但是参数比较多 环境：Windows 10，Python 3.6.5，anaconda 4.3.30（anaconda已经集成了 jupyter notebook以及相关的数据可视化包） matplotlib 2.2.2
3.2K20发布于 2021-08-18 - 来自专栏机器学习AI算法工程
python常用可视化技巧
我们在对数据进行预处理时，常常需要对数据做一些可视化的工作，以便能更清晰的认识数据内部的规律。 这里我们以kaggle案例泰坦尼克问题的数据做一些常用的可视化的工作。 ，比如下面我们用来做数据可视化的工具包Seaborn。 最简单的可视化就是数据散列分布图和柱状图，这个可以用Seanborn的pairplot来完成。 以下图中2种颜色表示2种不同的类，因为20维的可视化没有办法在平面表示，我们取出了一部分维度，两两组成pair看数据在这2个维度平面上的分布状况，代码和结果如下： #存为dataframe格式from /usr/bin/python# -*- coding:utf-8 -*-import numpy as npfrom mpl_toolkits.mplot3d import Axes3Dfrom matplotlib
2.9K70发布于 2018-03-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号