PHP怎么做3d效果，该如何学习大数据知识？
我刚开始学习接触编程时，是接触的C语言，然后是C++，后来就是Java。当我第一次接触Java时，就深深地爱上了它，因为它简单，易懂。之后接触JavaWeb，开始学些开发后端的技术。那时大数据也比较火热，再加上自己本身就是数学出生，大数据对我来说就是一个很好的选择啦。
慢慢地我就开始接触大数据，从JavaSE学起，接着学习Linux系统，其中Linux中有CentOS和ubuntu，这两者个人觉得都好用。接着学习地就是Hadoop，它包括两大块HDFS（分布式文件系统）和MapReduce（并行计算框架），虽说MapReduce现在用的少了，但是学习它之后，对你以后学习更好的并行计算框架来说有很多的好处。接着就可以学习数据仓库Hive，Hive的底层实现其实就是MapReduce，它使用的SQL语言叫做HQL，之前学过MySQL数据库的话，很容易上手，但是想更深的了解Hive的话，还需学习MapReduce，Hive它用于OLAP，不支持事务性。接着再学习HBase面向列族的分布式数据库，它支持事务操作，但是在实践中个人感觉不太好使。它是架在Hadoop之上的数据库，适用于随机访问，实时读写。然而有了大量的数据之后，如何更好的把来源不同的数据导入到自己想要用的数据库中呢，可以使用Sqoop，个人认为它简单好用，方便。
接下来就可以学习Flume，它是一个分布式的收集日志的框架，可以处理很多种类型的文件。接着就学习Kafka，它是一个消息发布订阅实时处理系统。具有高吞吐量的能力。接着可以学习Strom ，实时的流计算框架。可以高速的攫取数据，可以执行各种数据的并行计算。接下来就可以学习Spark，Spark由SparkSQL、Spark Streaming、MLlib、Graph等组成，可以解决Batch Processing、Stream Processing、Ad-hocQuery（即席查询）等三大核心问题。Spark确实相比于MapReduce来说要快很多，毕竟它是基于内存计算的框架。
接下来还可以学习数据分析，数据挖掘，机器学习等相关的知识。
现在我就开始解读一下什么是大数据？
大数据顾名思义就是数据量很大,大到什么级别吗？它不是几兆，不是几个GB,而是几百GB,几个TB,几个PB，达到传统的数据库根本承受不了，现在一般都是用Hadoop技术，Hive技术，Spark技术等处理。
那么大数据的特征有哪些呢？有4点
1.数据在体量方面很大，比如说文字，有各种各样的来源，有电子书|实体书|杂志|报刊等，它们的数据大吧。
2.数据的类型多种多样，有些是结构化的数据，像存在Oracle,MySQL这些传统的数据库里的数据，一般都是结构化，可 以是还有非结构化，比如HTML,WORD，execl等格式。
3.它们的价值密度低，这样说吧，你比如说观看一条数据好像价值也不大，但是分析所有的数据之后呢？总会挖掘出一些 重要的东西。
大数据的特征
4.处理这些数据的速度要快。比如像Hadoop技术的MapReduce计算框架，相比传统的数据库处理速度要快，它的吞吐量 特别的大，再比如Spark，Spark在内存方面计算比Hadoop快100倍，在磁盘方面计算快10倍。
大数据的处理与传统的数据处理的区别是什么呢？
就是使用全部的数据来分析，得出结论，想想就知道它的好处啦。
大数据的应用？？？
可以做推荐系统的，想电商、影视类的app，你平时关注什么商品，或者浏览什么类型的商品，或者看什么类型的影视，或者看谁主要的影视，经过大数据分析处理之后，这些app就会推荐想类似的商品或者影视
在销售方面，我想一个例子大家都听说过，就是尿片和啤酒的捆绑销售
银行方面的反欺诈应用。经过大量的数据分析，可以得出欺诈的行为特征，根据这些特征就可以更大概率的确定是不是欺诈行为
人工智能方面，想Google的阿尔法狗，无人汽车驾驶等，这些都在使用大数据。
......
游戏一般用什么编程语言开发？
游戏本身会运行在不同的平台，而平台也影响了使用的语言。平台主要有2大类，PC（也就是常用的电脑）和手机。它们上面都可以使用网页来运行游戏，所以额外我们把网页浏览器上面跑的叫WEB端。针对上面的3种平台类型。我们来聊一聊这些平台上常见的游戏是用什么开发的。
PC端。大部分的游戏是C/C++开发的。这主要是因为我们使用的操作系统如window，mac的底层都是c。使用C/C++可以极大的发挥性能上面的优势。比如下面这个NBA2K18就是用C/C++为主开发的。
手机端。手机端的游戏我们称为手游。手机上面的操作系统主要是ios与android，也就是苹果和安卓系统。在之前，android上面的游戏以java开发居多。这是因为android系统本身就是以java开发为主。ios上面的游戏以object c开发居多，这也是因为系统本身的缘故。最近ios又出来swift语言。但是随着技术的发展，程序员们发现一款游戏要部署到各个平台的成本太高了。所以现在主流的技术是使用跨平台的游戏引擎开发，然后发布到不同的平台。所以，语言的选择从对平台的依赖变成了对游戏引擎的依赖。那我们就要看看主流的游戏引擎有哪些？主流的游戏引擎有：unity，cocos，unreal等。unity采用的是C#语言为主。cocos下面以C++、lua、js等开发语言。unreal主要是以C++为主。从上面这些中你会发现语言有很多，使用的也很多。在商业项目以及目前主流技术中，大部分高水准的游戏是以C++结合lua来开发的。C++负责处理高性能的部分，lua处理逻辑部分来加快开发速度。即使是使用unity引擎，大部分产商也会选择C#结合lua的方式来开发。C#负责核心部分，lua处理逻辑部分。
再聊一下WEB端。WEB端以前是以flash为主，常见的就是4399的很多小游戏，都是flash为主。WEB端主要是一个html与js的解释器。目前WEB开发国内主要是3大引擎：白鹭、laya以及cocos-js。它们的主要开发语言为typescript，这主要是因为typescript可以提供非常快的开发速度（就像lua一样），同时它还具备提前暴露问题的能力。
实际上上面的部分主要聊的是游戏客户端。在游戏领域，实际上分为服务端和客户端。客户端指对外玩家可以见到的画面表现等。服务端是运行在产商自己的服务器上的，支持玩家之间互相可见，同步，聊天等各种逻辑。对于服务端的语言，目前有C++结合lua以及C#、java、php等。这几种都很常用，主流的大的游戏依然是C++为主。中小型的游戏各种都会用到。php常用于对网络需求很低的游戏的做简单的数据处理。
上面的主要是一些理论，下面我们来实战几个问题，一会我们再来总结。
1. 王者荣耀是用什么开发的？王者荣耀使用的是unity引擎，而这种全民级别的游戏是非常注重性能的。所以它采用的是C++结合C#。核心用C++,逻辑用C#。为什么不是我们前面说的C#结合lua呢？因为腾讯有这个技术实力，所以他们整体使用了更有性能优势的语言开发。
2. 微信里面的小游戏是用什么开发的？小游戏本质上是个WEB的执行环境。所以它上面的很多游戏都是typescript或者js开发的。之所以typescript还没有普及，是因为它的社区不够活跃。
3.怎么猜测一款游戏是什么语言开发的？先上网搜索它的开发引擎，如果搜索到了就看看它对性能是否要求高，来推导它的使用语言。如果搜索不到，那很可能是自研引擎。自研引擎大部分都是C++实现的。
最后总结下。目前大部分国内的游戏以C++/C#结合lua实现为主，随着小游戏的开始，催生出一些js/typescript开发的游戏。为什么是以C++结合lua会是实现为主呢，是因为现在网游最赚钱。一款游戏月流水过千万甚至过亿催生了这个产业。这个产业注重2点：性能稳定，所以是C++。可以各种修改，各种支出活动，所以是lua。C++性能非常高，腾讯内部大部分代码其实都是C++的。lua是门脚本语言，招人门槛很低，也容易学习。所以，很多语言实际上是因为大环境的影响而被选中的。另外一方面，服务器也可以采用C++结合lua开发，这样的话就形成了双端（服务端和客户端）都使用相同语言的高速开发模式。
我猜想题主是想选择一种语言学习。首先题主要看下自己未来的方向。是想做大项目还是做小项目。如果是希望做大项目，目前无疑推荐的是C++和lua。如果是小游戏之类的，推荐的是typescript。未来的一个趋势我大胆预测可能是C++结合typescript。我了解到的一些技术大牛已经开始这样实践了。推荐的lua语言开发书籍如下：
推荐的C++书籍如下:
typescript暂时没有合适的书籍供阅读，主要以typescript的官方文档为主。
小游戏类的开发书籍推荐如下：
大的游戏实际上需要大量的学习和知识积累。远远不是几本书能完全吃透的。这边还是推荐一本unity3的引擎的书来提高下入门的兴趣：
特别提醒下：基于目前互联网的发展速度，读书已经不是最快的获取知识的途径了。所以推荐的是优先以互联网的内容来学习，找个引擎玩一玩。像玩玩具一样的学习编程是最快乐的。之后再努力进入一线的研发团队历练，这样成长最快。纸质的书籍落后于实际的技术3-5年以上。
作者背景:前迅雷员工/前游戏公司双端主程
想做一个网站？
搭建一个网站需要哪些技术呢？分两种情况：
如果你是一名技术人员如果你是一名技术人员，就可以自己开发部署网站，用的技术就非常多。目前最流行的语言当然是Java，也是开发网站首选语言。Java相应的框架也非常成熟，最常用的框架当然是SpringBoot，数据库根据你的网站预估数据大小选择，中小型网站选择Mysql，大型网站选择Oracle。所以，总结来说，后端技术采用Java SpringBoot+Mysql就可以完成，当然也会用到一些中间件技术，例如Redis、Kafka等，根据实际情况选择即可。
前端技术目前流行的是Vue，这是一套用于构建用户界面的渐进式框架，Vue的核心库只关注视图层，不仅易于上手，还便于与第三方库或既有项目整合。当然前提是你要掌握Html、css、javascript等前端基本知识。
网站开发完成以后，我们就需要有服务器部署。这里我建议购买阿里云的ECS机器，价钱合适，云服务器也比较稳定，售后也可以，当然腾讯云、华为云、百度云的服务器也可以选择，根据个人喜好即可。购买好服务器以后我们就需要部署代码。代码部署好以后，我们通过本地localhost访问如果没问题的话，说明代码运行ok。
接着我们需要购买域名，如果选择的是阿里云的服务器，那阿里云提供了域名购买服务。我们可以在阿里云上购买域名，域名购买成功以后，通过阿里云DNS解析服务，将域名解析到你购买的阿里云ECS主机上，此时就可以通过域名访问你的服务了。当然你还需要在服务上搭建Nginx负载均衡服务，Nginx既可以做端口转发，又可以实现后端集群服务，也可以实现动态服务和静态资源服务分离，例如，你的前端页面就可以通过Nginx服务来访问。
网站备案。阿里云目前限制比较严格，网站必须备案，负责域名是解析不到网站的。所以，备案要提前。不过阿里云现在备案可以通过移动端，移动端备案速度非常快，原来备案需要21天，现在只需要不到一周就可以备案完成。备案完成以后，网站就可以通过域名访问了。
如果你是一名非技术人员非技术人员网站一般外包出去，别人做好网站以后，你验收通过以后，你只需要购买云服务器、域名、备案域名，具体的部署以及后续运维工作交给乙方去弄。
我是阿迈达，有趣的互联网软件工程师。专业角度分析技术原理，幽默的态度解读科技互联网资讯。
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()
可发展的方向有哪些？
WEB前端，如何学习：
很简单，现在网上教程这么多，腾讯课堂、网易云课堂、B站、慕课网，很多平台上都有教程可以让你学习。
前端开发在近些年得到了更多的重视，尤其随着移动互联网的发展，前端开发从传统的PC端走向了移动端，前端开发的技术也得到了丰富的发展，目前的不少科技公司把ios开发、android开发都并入到了前端开发团队，可以说前端开发现在占据着重要的地位。这也是现在越来越多人选择转行学习前端开发。
传统的前端开发包括三个基础内容和一系列框架，基础内容包括Html、CSS和JavaScript，这三个基础内容中以JavaScript难度较高，Html和CSS还是比较容易上手的。学习JavaScript需要结合大量的实验进行，目前JavaScript有大量的开源产品，未来的发展前景还是非常值得期待的，对于开发人员来说，无论是前端开发还是后端开发，都应该掌握JavaScript语言，因为随着Node.js的应用，JavaScript正在从前端走向后端。另外，kotlin也可以编译成JavaScript执行，这也是JavaScript流行的信号。
如何学习web前端知识转行?
1、HTML/CSS学习
第一阶段，你要从最基础的HTML/CSS 开始，简单地说，HTML 就是一堆非常简单的标签，而 CSS 则是把你画画的流程用英语按一定的格式写出来。然后你需要理解常用 HTML 标签的意思，学会各种 CSS 的属性，还有 CSS 的盒模型、优先级、选择器……
2、JavaScript学习
第二阶段，你要是想在网页上实现交互效果，比如轮播图、点击按钮后播放动画等等，那么就必须学会JavaScript . JavaScript 是一门完整、强大、热门的编程语言，浏览器的各种交互效果都由它来做到的。
你先要了解一些基础的 JavaScript 概念(变量、函数、基本类型)后，然后学习 jQuery(JavaScript代码库的一种)，并且通过 jQuery继续使用CSS的选择器。
转职成为前端重构
专精 HTML/CSS 的前端从业人员也就是前端重构。达内培训专家表示，掌握基本 HTML/CSS 的UI设计师就可以发展到这个方向。
你知道如何写页面，也知道怎么做得更好，并且更加理解 Web 世界，做出更“系统化”的设计。
关于CSS 的知识，你需要理解文档流、浮动流等各种定位的方式与原理，理解 CSS 的继承复用思想、理解浏览器的差异、兼容等。
关于HTML 的知识，你需要学习语义化、可访问性与结构的合理，以及“结构与样式的分离”等。
你会爱上CSS 3 的酷炫属性，可以做出响应式网页设计，用 transiton 和 animation 做补间动画与关键帧动画，用 transform 做缩放、旋转、3D变换，还有圆角、渐变、阴影、弹性盒……
掌握了以上的这些，你完全可以利用你的设计功底和web前端知识，做出微信的H5页面、一些有趣的网页，或者个人的网站。
转职成为前端工程师/全栈式UI设计师
如果你还想做出更厉害的交互效果，越来越喜欢编程，那么建议你成为一个前端工程师/全栈式UI设计师。
这时，你必须学会以软件工程师的角度思考。你需要踏踏实实学习编程语言，深入理解作用域、对象、类、封装、继承、面向对象编程、事件侦听、事件冒泡等一大堆编程概念，需要了解浏览器，学习 DOM、BOM、CSSOM 的 API，甚至还有学习一些网络原理，包括域名、URL、DNS、HTTP 请求……
想要搞定编程没那么简单，但是只要肯花功夫就可以做到，那时你收获到的将是一个新的世界。到了这一阶段，你可以做出很多优秀的网站了，购买域名，配置服务器，然后将你的作品挂到网络上吧;或者你可以做一些JavaScript的小游戏，练练编程能力。
以上就是我的分享，希望对你有所帮助。
另外如果对于学习前端还有什么问题（学习方法，学习效率，如何就业）可以私信我，随时为你解答