怎么做php ppt，可视化编程软件有哪些好的推荐？
python了解一下
全文超过6W子，只能贴出部分，全文可私信小编获取
目录准备工作一、关联（Correlation）关系图1、散点图（Scatter plot）2、边界气泡图（Bubble plot with Encircling）3、散点图添加趋势线（Scatter plot with linear regression line of best fit）4、分面散点图添加趋势线（Each regression line in its own column）5、抖动图（Jittering with stripplot）6、计数图（Counts Plot）7、边缘直方图（Marginal Histogram）8、边缘箱图（Marginal Boxplot）9、相关性热图（Correllogram）10、矩阵图 （Pairwise Plot）二、偏差 （Deviation）关系图11、发散型柱形图 （Diverging Bars）12、发散型文本图（Diverging Texts）-水平方向13、发散型文本图（Diverging Texts）-垂直方向14、发散型点图（Diverging Dot Plot）15、带Marker的发散型棒棒糖图 （Diverging Lollipop Chart with Markers）16、面积图（Area Chart）三、排序 （Ranking）关系图17、排序柱形图（Ordered Bar Chart）18、棒棒糖图(Lollipop Chart)19、点图 （Dot Plot）20、坡图（Slope Chart）21、哑铃图（Dumbbell Plot）四、分布（Distribution）关系图21、连续变量堆积直方图（Stacked Histogram for Continuous Variable）22、类别变量堆积直方图（Stacked Histogram for Categorical Variable）23、密度图(Density Plot)24、带直方图的密度图(Density Curves with Histogram)25、山峰叠峦图(Joy Plot)26、分布点图(Distributed Dot Plot)27、箱图（boxplot）28、箱图结合点图（Dot + Box Plot）29、小提琴图（Violin Plot）30、金字塔图(Population Pyramid)31、分类图（Categorical Plots）五、组成（Composition）关系图32、华夫饼图（Waffle Chart）33、饼图（Pie Chart）34、树状图（Treemap）35、柱状图（Bar Chart）六、变化（Change）关系图36、时间序列图（Time Series Plot）37、波峰和波谷添加注释的时间序列图（Time Series with Peaks and Troughs Annotated）38、自相关和部分自相关图（Autocorrelation (ACF) and Partial Autocorrelation (PACF) Plot）39、交叉相关图（Cross Correlation plot）40、时间序列分解图（Time Series Decomposition Plot）41、多重时间序列图（Multiple Time Series）42、双坐标系时间序列图（Plotting with different scales using secondary Y axis）43、带误差阴影的时间序列图（Time Series with Error Bands）44、堆积面积图（Stacked Area Chart）45、非堆积面积图（Area Chart UnStacked）46、日历热力图（Calendar Heat Map）47、季节图（Seasonal Plot）七、分组（ Groups）关系图48、聚类树形图（Dendrogram）49、聚类图（Cluster Plot）50、安德鲁斯曲线（Andrews Curve）51、平行坐标图（Parallel Coordinates）
准备工作主要是导入绘图模块，设置绘图风格。
import numpy as npimport pandas as pdimport matplotlib as mplimport matplotlib.pyplot as pltimport seaborn as snsimport warningswarnings.filterwarnings(action='once')plt.style.use('seaborn-whitegrid')sns.set_style("whitegrid")print(mpl.__version__)print(sns.__version__)
34、树状图（Treemap）类似饼图的效果，面积大小反应变量大小。
!pip install squarify#安装依赖包import squarify# Import Datadf_raw = pd.read_csv("./datasets/mpg_ggplot2.csv")# Prepare Datadf = df_raw.groupby('class').size().reset_index(name='counts')labels = df.apply(lambda x: str(x[0]) + "\n (" + str(x[1]) + ")", axis=1)sizes = df['counts'].values.tolist()colors = [plt.cm.Set2(i / float(len(labels))) for i in range(len(labels))]# Draw Plotplt.figure(figsize=(10, 8), dpi=100)squarify.plot(sizes=sizes, label=labels, color=colors, alpha=.8)# Decorateplt.title('Treemap of Vechile Class')plt.axis('off')plt.show()
35、柱状图（Bar Chart）柱子高度表示变量大小。
import random# Import Datadf_raw = pd.read_csv("./datasets/mpg_ggplot2.csv")# Prepare Datadf = df_raw.groupby('manufacturer').size().reset_index(name='counts')n = df['manufacturer'].unique().__len__() + 1all_colors = list(plt.cm.colors.cnames.keys())random.seed(100)c = random.choices(all_colors, k=n)# Plot Barsplt.figure(figsize=(12, 8), dpi=80)plt.bar(df['manufacturer'], df['counts'], color=c, width=.5)for i, val in enumerate(df['counts'].values):plt.text(i,val,float(val),horizontalalignment='center',verticalalignment='bottom',fontdict={'fontweight': 500,'size': 12})# Decorationplt.gca().set_xticklabels(df['manufacturer'],rotation=60,horizontalalignment='right')plt.title("Number of Vehicles by Manaufacturers", fontsize=18)plt.ylabel('# Vehicles')plt.ylim(0, 45)plt.show()
更多关于柱状图：
「Python可视化|matplotlib12-垂直|水平|堆积条形图详解」六、变化（Change）关系图36、时间序列图（Time Series Plot）¶该图展示给定指标随时间的变化趋势。
# Import Datadf = pd.read_csv('./datasets/AirPassengers.csv')# Draw Plotplt.figure(figsize=(12, 8), dpi=80)plt.plot(df['date'], df['value'], color='#dc2624')# Decorationplt.ylim(50, 750)xtick_location = df.index.tolist()[::12]xtick_labels = [x[-4:] for x in df.date.tolist()[::12]]plt.xticks(ticks=xtick_location,labels=xtick_labels,rotation=0,fontsize=12,horizontalalignment='center',alpha=.7)plt.yticks(fontsize=12, alpha=.7)plt.title("Air Passengers Traffic (1949 1969)", fontsize=18)plt.grid(axis='both', alpha=.3)# Remove bordersplt.gca().spines["top"].set_alpha(0.0)plt.gca().spines["bottom"].set_alpha(0.3)plt.gca().spines["right"].set_alpha(0.0)plt.gca().spines["left"].set_alpha(0.3)plt.show()
37、波峰和波谷添加注释的时间序列图（Time Series with Peaks and Troughs Annotated）# Import Datadf = pd.read_csv('./datasets/AirPassengers.csv')# Get the Peaks and Troughsdata = df['value'].valuesdoublediff = np.diff(np.sign(np.diff(data)))peak_locations = np.where(doublediff == -2)[0] + 1doublediff2 = np.diff(np.sign(np.diff(-1 * data)))trough_locations = np.where(doublediff2 == -2)[0] + 1# Draw Plotplt.figure(figsize=(12, 8), dpi=80)plt.plot('date', 'value', data=df, color='tab:blue', label='Air Traffic')plt.scatter(df.date[peak_locations],df.value[peak_locations],marker=mpl.markers.CARETUPBASE,color='tab:green',s=100,label='Peaks')plt.scatter(df.date[trough_locations],df.value[trough_locations],marker=mpl.markers.CARETDOWNBASE,color='tab:red',s=100,label='Troughs')# Annotatefor t, p in zip(trough_locations[1::5], peak_locations[::3]):plt.text(df.date[p],df.value[p] + 15,df.date[p],horizontalalignment='center',color='darkgreen')plt.text(df.date[t],df.value[t] 35,df.date[t],horizontalalignment='center',color='darkred')# Decorationplt.ylim(50, 750)xtick_location = df.index.tolist()[::6]xtick_labels = df.date.tolist()[::6]plt.xticks(ticks=xtick_location,labels=xtick_labels,rotation=45,fontsize=12,alpha=.7)plt.title("Peak and Troughs of Air Passengers Traffic (1949 1969)",fontsize=18)plt.yticks(fontsize=12, alpha=.7)# Lighten bordersplt.gca().spines["top"].set_alpha(.0)plt.gca().spines["bottom"].set_alpha(.3)plt.gca().spines["right"].set_alpha(.0)plt.gca().spines["left"].set_alpha(.3)plt.legend(loc='upper left')plt.grid(axis='y', alpha=.3)plt.show()
38、自相关和部分自相关图（Autocorrelation (ACF) and Partial Autocorrelation (PACF) Plot）自相关，展示时间序列与其自身滞后的相关性。部分自相关，展示任何给定滞后相对于当前序列的自相关。
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf# Import Datadf = pd.read_csv('./datasets/AirPassengers.csv')# Draw Plotfig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 6), dpi=80)plot_acf(df.value.tolist(), ax=ax1, lags=50)plot_pacf(df.value.tolist(), ax=ax2, lags=20)# Decorate# lighten the bordersax1.spines["top"].set_alpha(.3)ax2.spines["top"].set_alpha(.3)ax1.spines["bottom"].set_alpha(.3)ax2.spines["bottom"].set_alpha(.3)ax1.spines["right"].set_alpha(.3)ax2.spines["right"].set_alpha(.3)ax1.spines["left"].set_alpha(.3)ax2.spines["left"].set_alpha(.3)# font size of tick labelsax1.tick_params(axis='both', labelsize=12)ax2.tick_params(axis='both', labelsize=12)plt.show()
39、交叉相关图（Cross Correlation plot）展示两个时间序列相互之间的滞后。
import statsmodels.tsa.stattools as stattools# Import Datadf = pd.read_csv('./datasets/mortality.csv')x = df['mdeaths']y = df['fdeaths']# Compute Cross Correlationsccs = stattools.ccf(x, y)[:100]nlags = len(ccs)# Compute the Significance level# ref: https://stats.stackexchange.com/questions/3115/cross-correlation-significance-in-r/3128#3128conf_level = 2 / np.sqrt(nlags)# Draw Plotplt.figure(figsize=(12, 7), dpi=80)plt.hlines(0, xmin=0, xmax=100, color='gray') # 0 axisplt.hlines(conf_level, xmin=0, xmax=100, color='gray')plt.hlines(-conf_level, xmin=0, xmax=100, color='gray')plt.bar(x=np.arange(len(ccs)), height=ccs, width=.3)# Decorationplt.title('$Cross\; Correlation\; Plot:\; mdeaths\; vs\; fdeaths,fontsize=18)plt.xlim(0, len(ccs))plt.show()
40、时间序列分解图（Time Series Decomposition Plot）¶该图将时间序列分解为趋势、季节和残差分量（trend, seasonal and residual components.）。
from statsmodels.tsa.seasonal import seasonal_decomposefrom dateutil.parser import parse# Import Datadf = pd.read_csv('./datasets/AirPassengers.csv')dates = pd.DatetimeIndex([parse(d).strftime('%Y-%m-01') for d in df['date']])df.set_index(dates, inplace=True)# Decomposeresult = seasonal_decompose(df['value'], model='multiplicative')# Plotplt.figure(figsize=(12, 7), dpi=80)#plt.rcParams.update({'figure.figsize': (10, 10)})result.plot().suptitle('Time Series Decomposition of Air Passengers')plt.show()
41、多重时间序列图（Multiple Time Series）# Import Datadf = pd.read_csv('./datasets/mortality.csv')# Define the upper limit, lower limit, interval of Y axis and colorsy_LL = 100y_UL = int(df.iloc[:, 1:].max().max() * 1.1)y_interval = 400mycolors = ['tab:red', 'tab:blue', 'tab:green', 'tab:orange']# Draw Plot and Annotatefig, ax = plt.subplots(1, 1, figsize=(10, 6), dpi=80)columns = df.columns[1:]for i, column in enumerate(columns):plt.plot(df.date.values, df[column].values, lw=1.5, color=mycolors[i])plt.text(df.shape[0] + 1,df[column].values[-1],column,fontsize=14,color=mycolors[i])# Draw Tick linesfor y in range(y_LL, y_UL, y_interval):plt.hlines(y,xmin=0,xmax=71,colors='black',alpha=0.3,linestyles="--",lw=0.5)# Decorationsplt.tick_params(axis="both",which="both",bottom=False,top=False,labelbottom=True,left=False,right=False,labelleft=True)# Lighten bordersplt.gca().spines["top"].set_alpha(.3)plt.gca().spines["bottom"].set_alpha(.3)plt.gca().spines["right"].set_alpha(.3)plt.gca().spines["left"].set_alpha(.3)plt.title('Number of Deaths from Lung Diseases in the UK (1974-1979)',fontsize=18)plt.yticks(range(y_LL, y_UL, y_interval),[str(y) for y in range(y_LL, y_UL, y_interval)],fontsize=12)plt.xticks(range(0, df.shape[0], 12),df.date.values[::12],horizontalalignment='left',rotation=45,fontsize=12)plt.ylim(y_LL, y_UL)plt.xlim(-2, 80)plt.show()
42、双坐标系时间序列图（Plotting with different scales using secondary Y axis）# Import Datadf = pd.read_csv("./datasets/economics.csv")x = df['date']y1 = df['psavert']y2 = df['unemploy']# Plot Line1 (Left Y Axis)fig, ax1 = plt.subplots(1, 1, figsize=(12, 6), dpi=100)ax1.plot(x, y1, color='tab:red')# Plot Line2 (Right Y Axis)ax2 = ax1.twinx() # instantiate a second axes that shares the same x-axisax2.plot(x, y2, color='tab:blue')# Decorations# ax1 (left Y axis)ax1.set_xlabel('Year', fontsize=18)ax1.tick_params(axis='x', rotation=70, labelsize=12)ax1.set_ylabel('Personal Savings Rate', color='#dc2624', fontsize=16)ax1.tick_params(axis='y', rotation=0, labelcolor='#dc2624')ax1.grid(alpha=.4)# ax2 (right Y axis)ax2.set_ylabel("# Unemployed (1000's)", color='#01a2d9', fontsize=16)ax2.tick_params(axis='y', labelcolor='#01a2d9')ax2.set_xticks(np.arange(0, len(x), 60))ax2.set_xticklabels(x[::60], rotation=90, fontdict={'fontsize': 10})ax2.set_title("Personal Savings Rate vs Unemployed: Plotting in Secondary Y Axis",fontsize=18)fig.tight_layout()plt.show()
43、带误差阴影的时间序列图（Time Series with Error Bands）from dateutil.parser import parsefrom scipy.stats import sem# Import Datadf_raw = pd.read_csv('./datasets/orders_45d.csv',parse_dates=['purchase_time', 'purchase_date'])# Prepare Data: Daily Mean and SE Bandsdf_mean = df_raw.groupby('purchase_date').quantity.mean()df_se = df_raw.groupby('purchase_date').quantity.apply(sem).mul(1.96)# Plotplt.figure(figsize=(10, 6), dpi=80)plt.ylabel("# Daily Orders", fontsize=12)x = [d.date().strftime('%Y-%m-%d') for d in df_mean.index]plt.plot(x, df_mean, color="#c72e29", lw=2)plt.fill_between(x, df_mean df_se, df_mean + df_se, color="#f8f2e4")# Decorations# Lighten bordersplt.gca().spines["top"].set_alpha(0)plt.gca().spines["bottom"].set_alpha(1)plt.gca().spines["right"].set_alpha(0)plt.gca().spines["left"].set_alpha(1)plt.xticks(x[::6], [str(d) for d in x[::6]], fontsize=12)plt.title("Daily Order Quantity of Brazilian Retail with Error Bands (95% confidence)",fontsize=14)# Axis limitss, e = plt.gca().get_xlim()plt.xlim(s, e 2)plt.ylim(4, 10)# Draw Horizontal Tick linesfor y in range(5, 10, 1):plt.hlines(y,xmin=s,xmax=e,colors='black',alpha=0.5,linestyles="--",lw=0.5)plt.show()
44、堆积面积图（Stacked Area Chart）# Import Datadf = pd.read_csv('./datasets/nightvisitors.csv')# Decide Colors mycolors = ['#dc2624', '#2b4750', '#45a0a2', '#e87a59', '#7dcaa9', '#649E7D', '#dc8018', '#C89F91'] # Draw Plot and Annotatefig, ax = plt.subplots(1,1,figsize=(12, 8), dpi= 80)columns = df.columns[1:]labs = columns.values.tolist()# Prepare datax = df['yearmon'].values.tolist()y0 = df[columns[0]].values.tolist()y1 = df[columns[1]].values.tolist()y2 = df[columns[2]].values.tolist()y3 = df[columns[3]].values.tolist()y4 = df[columns[4]].values.tolist()y5 = df[columns[5]].values.tolist()y6 = df[columns[6]].values.tolist()y7 = df[columns[7]].values.tolist()y = np.vstack([y0, y2, y4, y6, y7, y5, y1, y3])# Plot for each columnlabs = columns.values.tolist()ax = plt.gca()ax.stackplot(x, y, labels=labs, colors=mycolors, alpha=0.8)ax.tick_params(axis='x', rotation=45, labelsize=12)# Decorationsax.set_title('Night Visitors in Australian Regions', fontsize=18)ax.set(ylim=[0, 100000])ax.legend(fontsize=10, ncol=4)plt.xticks(x[::5], fontsize=10, horizontalalignment='center')plt.yticks(np.arange(10000, 100000, 20000), fontsize=10)plt.xlim(x[0], x[-1])# Lighten bordersplt.gca().spines["top"].set_alpha(0)plt.gca().spines["bottom"].set_alpha(.3)plt.gca().spines["right"].set_alpha(0)plt.gca().spines["left"].set_alpha(.3)plt.show()
45、非堆积面积图（Area Chart UnStacked）# Import Datadf = pd.read_csv("./datasets/economics.csv")# Prepare Datax = df['date'].values.tolist()y1 = df['psavert'].values.tolist()y2 = df['uempmed'].values.tolist()columns = ['psavert', 'uempmed']# Draw Plotfig, ax = plt.subplots(1, 1, figsize=(12, 6), dpi=80)ax.fill_between(x,y1=y1,y2=0,label=columns[1],alpha=0.5,color='#dc2624',linewidth=2)ax.fill_between(x,y1=y2,y2=0,label=columns[0],alpha=0.5,color='#649E7D',linewidth=2)# Decorationsax.set_title('Personal Savings Rate vs Median Duration of Unemployment',fontsize=18)ax.set(ylim=[0, 30])ax.legend(loc='best', fontsize=12)plt.xticks(x[::50], fontsize=10, horizontalalignment='center')plt.yticks(np.arange(2.5, 30.0, 2.5), fontsize=10)plt.xlim(-10, x[-1])plt.tick_params(axis='x', rotation=45, labelsize=12)# Draw Tick linesfor y in np.arange(2.5, 30.0, 2.5):plt.hlines(y,xmin=0,xmax=len(x),colors='black',alpha=0.3,linestyles="--",lw=0.5)# Lighten bordersplt.gca().spines["top"].set_alpha(0)plt.gca().spines["bottom"].set_alpha(.3)plt.gca().spines["right"].set_alpha(0)plt.gca().spines["left"].set_alpha(.3)plt.show()
46、日历热力图（Calendar Heat Map）很好地展示数据在假日的趋势。
!pip install calmap -i https://pypi.tuna.tsinghua.edu.cn/simple#安装依赖包import numpy as npnp.random.seed(sum(map(ord, 'calmap')))import pandas as pdimport calmapcalmap.calendarplot(events,monthticks=3,daylabels='MTWTFSS',dayticks=[0, 2, 4, 6],cmap='YlGn',fillcolor='grey',linewidth=0,fig_kws=dict(figsize=(8, 4)))
47、季节图（Seasonal Plot）该图比较某个指标在不同年份同一天/年/月/周等的时间序列的表现。
from dateutil.parser import parse# Import Datadf = pd.read_csv('./datasets/AirPassengers.csv')# Prepare datadf['year'] = [parse(d).year for d in df.date]df['month'] = [parse(d).strftime('%b') for d in df.date]years = df['year'].unique()# Draw Plotmycolors = ['#dc2624', '#2b4750', '#45a0a2', '#e87a59', '#7dcaa9', '#649E7D','#dc8018', '#C89F91', '#6c6d6c', '#4f6268', '#c7cccf', 'firebrick']plt.figure(figsize=(10, 6), dpi=80)for i, y in enumerate(years):plt.plot('month','value',data=df.loc[df.year == y, :],color=mycolors[i],label=y)plt.text(df.loc[df.year == y, :].shape[0] .9,df.loc[df.year == y, 'value'][-1:].values[0],y,fontsize=12,color=mycolors[i])# Decorationplt.ylim(50, 750)plt.xlim(-0.3, 11)plt.ylabel('$Air Traffic)plt.yticks(fontsize=11, alpha=.7)plt.xticks(fontsize=11, alpha=.7)plt.title("Monthly Seasonal Plot: Air Passengers Traffic (1949 1969)",fontsize=16)plt.grid(axis='y', alpha=.3)# Remove bordersplt.gca().spines["top"].set_alpha(0.0)plt.gca().spines["bottom"].set_alpha(0.5)plt.gca().spines["right"].set_alpha(0.0)plt.gca().spines["left"].set_alpha(0.5)# plt.legend(loc='upper right', ncol=2, fontsize=12)plt.show()
七、分组（ Groups）关系图48、聚类树形图（Dendrogram）展示通过聚类形成的组内及组间相似性水平。
import scipy.cluster.hierarchy as shc# Import Datadf = pd.read_csv('./datasets/USArrests.csv')# Plotplt.figure(figsize=(12, 8), dpi=80)plt.title("USArrests Dendograms", fontsize=18)dend = shc.dendrogram(shc.linkage(df[['Murder', 'Assault', 'UrbanPop','Rape']],method='ward'),labels=df.State.values,color_threshold=200)plt.xticks(fontsize=12)plt.yticks(fontsize=12)plt.show()
49、聚类图（Cluster Plot）通过聚类计算距离，将同一类圈起来。
from sklearn.cluster import AgglomerativeClusteringfrom scipy.spatial import ConvexHull# Import Datadf = pd.read_csv('./datasets/USArrests.csv')# Agglomerative Clusteringcluster = AgglomerativeClustering(n_clusters=5,affinity='euclidean',linkage='ward')cluster.fit_predict(df[['Murder', 'Assault', 'UrbanPop', 'Rape']])# Plotplt.figure(figsize=(12, 8), dpi=80)plt.scatter(df.iloc[:, 0], df.iloc[:, 1], c=cluster.labels_, cmap='tab10')# Encircledef encircle(x, y, ax=None, **kw):if not ax: ax = plt.gca()p = np.c_[x, y]hull = ConvexHull(p)poly = plt.Polygon(p[hull.vertices, :], **kw)ax.add_patch(poly)# Draw polygon surrounding verticesencircle(df.loc[cluster.labels_ == 0, 'Murder'],df.loc[cluster.labels_ == 0, 'Assault'],ec="k",fc="#dc2624",linewidth=0)encircle(df.loc[cluster.labels_ == 1, 'Murder'],df.loc[cluster.labels_ == 1, 'Assault'],ec="k",fc="#2b4750",linewidth=0)encircle(df.loc[cluster.labels_ == 2, 'Murder'],df.loc[cluster.labels_ == 2, 'Assault'],ec="k",fc="#649E7D",linewidth=0)encircle(df.loc[cluster.labels_ == 3, 'Murder'],df.loc[cluster.labels_ == 3, 'Assault'],ec="k",fc="#C89F91",linewidth=0)encircle(df.loc[cluster.labels_ == 4, 'Murder'],df.loc[cluster.labels_ == 4, 'Assault'],ec="k",fc="#c7cccf",linewidth=0)# Decorationsplt.xlabel('Murder')plt.xticks(fontsize=12)plt.ylabel('Assault')plt.yticks(fontsize=12)plt.title('Agglomerative Clustering of USArrests (5 Groups)', fontsize=18)plt.show()
50、安德鲁斯曲线（Andrews Curve）展示是否存在基于给定分组的特征的固有分组。例如下图，如果数据集中的列不能帮助区分组（cyl），则行将不会被很好地分隔开。
from pandas.plotting import andrews_curves# Importdf = pd.read_csv("./datasets/mtcars.csv")df.drop(['cars', 'carname'], axis=1, inplace=True)# Plotplt.figure(figsize=(10, 6), dpi=80)andrews_curves(df, 'cyl', colormap='Set2_r')# Lighten bordersplt.gca().spines["top"].set_alpha(0)plt.gca().spines["bottom"].set_alpha(.3)plt.gca().spines["right"].set_alpha(0)plt.gca().spines["left"].set_alpha(.3)plt.title('Andrews Curves of mtcars', fontsize=18)plt.xlim(-3, 3)plt.grid(alpha=0.3)plt.xticks(fontsize=12)plt.yticks(fontsize=12)plt.show()
51、平行坐标图（Parallel Coordinates）展示某个特征是否有助于分组。如果一个特征隔离，分组受到影响，则该特征对该分组非常必要。
from pandas.plotting import parallel_coordinates# Import Datadf_final = pd.read_csv("./datasets/diamonds_filter.csv")# Plotplt.figure(figsize=(11, 7), dpi=80)parallel_coordinates(df_final, 'cut', colormap='Set2_r')# Lighten bordersplt.gca().spines["top"].set_alpha(0)plt.gca().spines["bottom"].set_alpha(.3)plt.gca().spines["right"].set_alpha(0)plt.gca().spines["left"].set_alpha(.3)plt.title('Parallel Coordinated of Diamonds', fontsize=18)plt.grid(alpha=0.3)plt.xticks(fontsize=12)plt.yticks(fontsize=12)plt.show()
大学生在暑假或寒假期间？
寒暑假期间，一定要借助各种渠道获取知识！
比如可以在家看一下TED，可以帮你开拓视野，获得有深度的知识。
下面分享5个被收藏了60万次的TED演讲！
一.做时间的掌控者TED：如何掌控你的自由时间演讲者：Laura Vanderkam1.我们不是通过节省时间来创造想要的生活，而是先创造想要的生活，然后时间就自动节省下来了。2.我们无法创造出更多的时间，但时间会得到充分的利用，这取决于我们选择用时间来做什么。比如：（1）分清优先事项。时间都是选择，选择自己认为重要的事，让我们的人生充满价值。（2）提前写每周计划。把你这周要做的事情罗列出来，然后思考未来一周该怎么安排，这就是你的待办清单了。3.别忽视那些碎片化的时间，利用好这些零散的时间，你可以得到小小的乐趣。当你开始抱怨自己很忙，没有生活，一定要看这个视频。二. 不要坐等热情找上门TED:不知道想做什么，迷茫怎么办?演讲者：Terri Trespicio1.压力总是出现得很早，并会伴随一生。2.热情是我们人生最重要的事物，它决定了你的人生目标和未来的生活。3.一切你应该做的事，要完全契合热情的想法是不现实的。不是热情创造成功，而是成功创造热情。4.如果你忙于寻找热情，就可能会错过改变人生的机会。5.不要跟着你的热情走，去做力所能及的事，热情就会追随着你而来。如果你曾因找不到自己的热情所在而迷茫，请一定要看这个演讲！三.睡眠是你的超能力TED：睡眠是你的超能力演讲者：Matt Walker1.睡眠越少，生命越短。2.没有充分睡眠的大脑，会阻碍学习以及记忆的功能。3.睡眠不足会让你免疫系统下降，患上心血管病、癌症、糖尿病等等。4.睡眠不足和癌症之间的联系是如此紧密，以致于世卫组织将任何形式的夜班工作列为可能的致癌物质。5.形成良好的睡眠必须要做到以下两点：（1）拥有规律的生活，可以提高你的睡眠数量和质量。（2）卧室温度要在18℃~19℃，这是适合睡觉的环境。睡眠是一种生理需要，也是我们的生命支持系统。从不失眠的人，很难理解，睡个好觉是非常幸福的事。曾经因为工作的关系，我从被迫熬夜到习惯性失眠。所以失眠的痛苦，我特别能感同身受。如果你也为失眠烦恼，可以试下小睡眠，这款软件里面有很多能放松助眠的音频，像助眠白噪音、助眠冥想、ASMR等等。四.如果你受到了伤害，请别忽视它。TED：如何修复破碎的心？演讲者：Guy Winch1.当我们心灵受伤时，会潜意识将自己引向错误的道路。所以你完全不能相信自己内心的想法。2.几乎所有人都经历过心碎。3.当心受伤后，我们很容易陷入另一种状态，充满了质疑与否认，导致心灵创伤愈合得更慢了。4.当一段感情迎来了结束，你要做的事是接受这段感情已经结束的事实，心甘情愿地放下这段感情。5.你必须明确生活中的空虚，并使它们充实起来。6.我们的心有时会碎，但我们不用跟着倒下。经历心碎之后，如果你不知道该怎么做，才能修复自己的伤口，可以看看这个视频，它能给你继续向前的勇气。五.请别忽视心理层面的创伤TED: 滚蛋吧小情绪！演讲者：Guy Winch1.我们知道身上有伤，要及时消毒包扎。但似乎没有人告诉我们，如果伤口在心里，要如何为心包扎。2.孤独导致严重的心理创伤，扭曲我们的感知能力，剥夺我们的思考能力。3.孤独让我们相信，身边的人不再在乎我们，而且还会增加早逝的可能性，高达14%之多。4.想要为心理创伤止血，该怎么做？（1）停止穷思竭虑，停止反复咀嚼自己的过失和孤独。（2）与消极想法对抗，不仅可以治愈创伤，还可以建立起情绪恢复的能力。相信在听完这些演讲后，你能收获许多！一般人可以操作linux吗？
当然可以。日常办公娱乐，无非是office三件套，上网，看视频，这些在linux下都有替代方案。现在linux界面操作也比以前更加友好，完全没问题，除非你是游戏重度玩家或财务人员。
界面操作和win、mac一样，只是个操作系统而已，以前的linux用户界面并没有win和mac的友好，上手相比win可能难一些，现在linux用户体验已经非常不错了，界面上的操作其实大差不差，在win下操作熟悉的人，上手现在的linux一般没多大区别，而且有些发行版的linux的界面，与win长得很像了，比如下面这些
非要追求win的效果的话，也可以找人帮忙设置下，不过自己研究的玩还是蛮好的。
软件linux版的软件也是层出不穷，软件管理中心的软件也是很全面，能满足日常正常办公，当然你要和win比软件数量，那没必要比。
大部分linux都是有应用中心，或叫软件中心、软件市场、应用商店，应用市场，就是类似的名字相互捣鼓，像下面的这个一样
一般人用户用这些足够了，开发者一般会用apt-get或yum（不同发行版不一样）安装，或下载源码，或下载deb、rpm包来安装，想折腾的话，找到你适合安装的发行版的安装方式，操作一遍就知道个大概了。
但对于游戏软件，win还是蛮多的，因为经常与代码打交道，没太关心linux的游戏以及它的体验。
系统升级这个在linux来说很简单，以ubuntu为例，在终端输入下面两条命令：
sudo apt-get update
sudo apt-get upgrade
两条命令解决，额，基本更新都用这两条命令，没用过界面版的，也不知道界面版的有没有更新按钮。
不同发行版的更新时间还是不太一样的，新装软件的时候更新一次就可以。
安全与性能对于一般用户这两个指标可以不必太去操心，相比win，linux有着非常大的优势。漏洞肯定有，只要人写的东西，不会不存在漏洞的，永远也没有堵住的那一天。
兼容性软件兼容性
先说win里的office或ps，linux都有相应的替代品，开发人员还说，很多工具都是支持三大系统的，当然偶尔会出点感冒，比如Sublime在ubuntu下不支持中文输入，很是恼火，其它系统没测过，不知道支持的怎么样。
硬件兼容性
总的来说，买些大品牌，常见的品牌，硬件兼容性几乎不是太大的问题
1、linux对硬件兼容性的支持
基本上有商业公司的支持的发行版，对硬件支持会比较好。
2、硬件厂商对linux兼容性的支持
一般来说，越是自己“攒”的，对主流操作系统的兼容性越好，定制的反而越差。越是最新出的硬件，兼容性越差，甚至不兼容。
您要是买了一款最新的，发烧级的硬件，拜拜了您呐。
网银这个貌似只支持部分linux发行版，没太用这块，如果你是财务专业的，可能要费点心思在上面，有些linux发行版是用不了的。
为什么计算机专业的学生要学习使用Linux系统？
Linux其实无处不在
说到Linux就不得不谈windows和Unix
Unix和Linux:Linux是Unix的开源实现，Unix一开始的时候也是开源的，后来才以授权方式闭源.
Windows:Windows完全是为了普通用户（非计算机专业）使用方便而诞生。
Linux的好处：用一个从业35年的技术大拿的原话是这样的“Those who don't understand Unix are condemned to reinvent it, poorly. ” 那些没用过Linux的人最后估计会去重新写一个。我敢打赌这句话任何一个用过Linux的人都会赞同。
虽然Linux离完美还很远，但这已经让他甩其他的竞争者几十条街了。
开源免费Linux是开源免费的，这一点首先降低了你的学习成本。
Linux很有趣Linux其实是个很有趣的操作系统，单从其各种命令就能看出:
Linux很性感Linux很性感，为什么这么说呢，看看这个命令：
who | grep -i blonde | date; cd ~; unzip; touch; strip; finger; mount; gasp; yes; uptime; umount; sleep（如果你知道我说的是什么意思一定笑了）
速度按其创造者Linus Torvalds的话说，Linux可能是世界上最快的操作系统了。
多才多艺：几乎世界上所有最快的超级计算机都使用了Linux。
安全：Linux占有很大优势了，Linux仅仅依托文件系统，划分了简单明了的权限机制，而使用者绝大多数情况下处于一个非系统管理员（ROOT）的情况下，所有即使这时候运行的软件被入侵，也能很好的保护系统程序和其他用户文件的安全。 而Windows使用者大多数都在管理员模式下使用的，这时候一旦有程序被入侵，那入侵者基本上就能进入电脑的每一个角落。
解惑：马克思有一个思想："新生事物并不一定是在最近出现的。”初学Linux的人可能觉得Windows很好啊，鼠标一拖，左键一敲就搞定了，那你可能还停留在对计算机的表面认识中。
就拿Linux和各种小程序的完美配合来说，你一旦学会了 vi 和 VIM, 你会发现它的操作是那么的有规律性，似乎vi的设计者在几十年前就已经设计好了 VIM 在今天的完美而统一的操作方式！
Linux的真谛：Linux 从来没有摹仿 Windows，将来也不会。Linux 从诞生之日起，它的工作方式就比 Windows 的先进。Linux 属于能勇敢面对符号的人。只有符号才能完全操纵计算机。
看看那些高级的软件，他们为什么不设计界面，是他们的设计者技术差？当然不是！
图形界面配置方式的能力是极其有限的，而配置文件和程序语言的表达能力却是无限的。总结一下：Linux对于普通人来说的确不如Windows方便，但对专业人员来说Linux可以在很多方面甩其他操作系统几条街！
关于如何学习Linux:简单点讲：选一个稳定的Linux版本，学习再练习规范的命令，学习Linux文件系统及其运行原理，学习Linux下网络组建。之间还有许多的诸如软件安装、shell知识等。
加油吧，小伙子！
程序员是如何找项目练手的？
首先，你能想到平时找项目来进行练手，说明你是一个在技术上面是一个非常上进的同学。想要找到项目进行练手，第一个想到的地方应该是 Github。Github 上拥有全球最多的开源项目，你可以从其中找到自己感兴趣的开源项目，然后参与到开源项目的开发中去。能够参与开源社区，这也是很多互联网公司非常看重的一点。
其次现在也有很多举办计算机类比赛的平台，比如阿里云的天池大数据、Kaggle、Datacasle等。你如果有时间，可以参与上面举办的比赛，进行项目练手。
想要在 Github 上面找到自己想要参与的开源软件，首先你要确定好自己对什么技术方向感兴趣。比如对于我来说，我对实时计算非常感兴趣，所以我找了很多开源的实时计算引擎，最后选择了 Flink 开源项目，现在也在努力的参与到 Flink 的开发中去。想要使用开源项目来进行练手，你一定要确定好自己的技术方向，找到感兴趣的开源项目，接着就是尝试参与到其中。
确定好自己感兴趣的开源项目后，第一步就是去订阅官方社区的邮件组，在社区的邮件组里面，你可以看到很多同学对于开源项目的问题以及解答，你未来有任何问题时，也可以在开源项目邮件组中进行提问。其次，你可以去开源项目的官方网站，将里面的官方文档阅读和理解一遍，这对于你未来 API 的使用和概念的理解，会有很大的帮助。
最后，你可以去开源项目的 JIRA(问题主页)，查看自己能解决哪些 JIRA，随着你解决的问题越来越多，我相信你的能力也会提升的越来越快。
其他方面，你也可以去阿里云的天池大数据等平台上面查找自己想要参与的比赛，上面的比赛主要以算法类比赛为主，但也有性能优化相关，编程类的比赛项目。我以前在上面参加过阿里中间件的比赛，但是还是和同学一起来进行参加，一路跟着做下来，自己的能力也提升了很多，而且在校招的时候，面试官也问了很多这方面的问题。如果你能够跟着比赛做下来，我相信你肯定能够得到一定的收获。
我是Lake，专注大数据技术原理、人工智能、数据库技术、程序员经验分享，如果我的问答对你有帮助的话，希望你能点赞关注我，感谢。
我会持续大数据、数据库方面的内容，如果你有任何问题，也欢迎关注私信我，我会认真解答每一个问题。期待您的关注