php原型布局怎么讲，你在公司里用python吗？
Python，在21世纪的用途简直不要太多！
#Python# #人工智能# #自动化# #运维#
可以这样说，只要是规模相对还可以的公司（比如100人以上开发团队的研发公司），基本上python肯定会用到的。
为什么呢？
我来给大家简介一下:
python这门强大的编程语言—它的来头。
第一，首先，21世纪是人工智能发展极为迅速的时代。
python作为唯一一门简洁，优雅，而且快速上手的人工智能编程首选语言。
他在神经处理、深度学习以及神经网络、机器识别等应用非常的广泛，成为当之无愧的人工智能领域第一语言。
目前来说，python的热度，在最近几年，爬升得非常之快。
而且排名前几大编程语言呢，首先是c跟C加加语言，还有Java，还有就是python。
第二，其次，比如服务器或者web后台领域，那就是是向PHP，或者是Javascript。
以及SQL语言等等这些。
作为底层硬件语言来说，c跟c加加，他是第一首选编程语言。
但是作为服务器端或者是桌面应用软件这一块，Java是当之无愧的王者！
好多服务器后台这块，用python也能开发很多非常巨大的框架，以及非常完善的库。
这是在开发编程领域的作用。
第三，从小一点方向来说，软件测试这个范畴，python用的领域也是非常的巨大。
首先，python它是一门非常简洁而优雅的语言，便于识别，而且编程速度极快，所以对维护一门框架来说，他的效率是非常高的。
尤其是现在敏捷测试，以及测试驱动开发，在这几年的逐步火热。
python的用途越来越多，越来越广泛。
python常用的两个框架，django，flask以及还有tornado。
许多的知名互联网企业，已经将python作为主要的开发语言。
比如说我们经常用的豆瓣、知乎、果壳网、谷歌、nasa、 youtube还有国外的社交领域巨头facebook等等等等，都用python。
还有就是web开发这一块，后台服务器的通用性，很多app和游戏服务器端，也同样用python实现。
第四，还有一门强大的框架—网络爬虫。
也是python大展身手的好地方。
老以前的谷歌也是使用python语言来作为爬虫的基础，并带动了整个拍摄语言的发展方向。
现在呢？它可以爬起一些诸如小说、音乐呀，书籍呀，电影呀等等，以及一些图片。
重量级领域—人工智能！
这块，做神经网络的，做深度学习、机器学习，还有数据挖掘等等，用途非常的广泛。
第五，而且它是一门胶水，要开发一个语言库，可以使用c python，把它移植到c和c++的跨语言接口。
而且他入门门槛比其他语言都低得多。
第六，还有一个—服务器。
因为服务器这方面也是非常重要的，比如说自动化运维。
使用python脚本进行批量化的文件部署和运行调整，成了服务器上非常不错的选择，比如说调控ssh，sftp的paramiko，再到bazel等构建工具。
甚至用conan等用于C++的包管理工具，python都提供了全方位的工具集合。
在这个基础上，结合开发方便运维的工具，变得十分的简单。
第七，还有一些图形处理，比如PIL，tkinter，文本处理python提供的re模块，还提供了sgml、XML分析模块。
还有数据库编程，比如Pythondb-api ，microsoft SQL server，oracle，SQLITE的数据通信，以及PYTHON自带那个gadfly模块。
第八，还有就是-—网络编程，它支持sockets套接字编程。
以及多媒体技术，PyopenGL模块封装了openGL应用程序，编程接口能进行二维和三维图像处理，pygame模块可以用于编写游戏软件。
还有一个hack库，内置了你熟悉或不熟悉的函数。
所以说呢，python这门简单易懂的编程语言，非常适合初学者来学。
当然了，拥有其他语言基础的，学习这门语言，简直手到擒来，让你的工作和学习如虎添翼！锦上添花！
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()
为什么网上有人说WEB开发没技术含量？
前端开发四年多了，也听说了不少这样的话，每当听见这些话时，心里就只有一个念头：自己的技术还不行，太菜，让人抓住了把柄，成王败寇，胜者为王，败者借口。
自我认识有问题我们常常在业界看到有很大的薪资差异，拿3000和30000的人比比皆是，那为什么会有这么大的差异，差在哪里？
农村俗话说：跟上好人走好路，跟上死鬼跳家绳
●①差异是拿3000多的人旁边全是3000-5000的人，不管你问他啥，基本没有正能量的事，他们能说月薪30000没问题吗？不能，几乎给出的答案全是负能量，这样的人多了，回答也就多了，然后慢慢的就被同化了，进而导致大部分人随波浊流，自我放弃，失去了追求，切记远离这等人。
●②而有些人确切看到了拿30000的人，他们才不管那些拿3000人说的话，只会埋头苦干，不断打磨自己，把自己的技术做精，学更多的知识，只会越来越强，最后成为别人口中的大佬，收入自然很高，当然在你身边，这类人还是比较少，要向这类人学习。
●③自己本身就菜，井底之蛙不相信外面的天真的很大，他们自己就没搞清楚什么是web开发，说白了，他们就是那些干着日复一日的工作，就是切图，天天用着那点技术，难怪别人说前端就只会切图，其它的后台的人全办完了，你们还干啥？然而你去问问那些拿年薪的人，他们的答案是啥样，他们搞的绝不是切图这么简单。
全栈工程师想把前端的技能树点亮，那并非一件容易的事，如果全部点亮进阶到全栈工程师，那么你就是神一样的程序员，大厂招聘全栈工程师，最低薪资已经给到40W+。
【这个由前端延伸出来的行业，是现在最吃香的†】
全栈工程师熟悉多种语言，同事具备前后端开发能力，从需求分析到产品开发，测试，部署，发布流程都全部熟悉。
在著名的问答网站Quora上，有一个关于全栈工程师的高票回答：
全栈工程师是指，一个能处理数据库，服务器，系统工程和客户端所有工作的工程师，根据项目的不同，客户需要的可能是移动栈，web栈，或者原生应用程序栈。
●假如你是一个web开发者，如果你即能熟练的做前端，又能做后端，也能独自完成一个电子商务网站的产品开发，那你就算是全栈工程师了。
●换种方式说，全栈工程师的思维方式更开阔，更新颖，更综合。强大的学习能力体现在方方面面，并且不局限于特定的知识或技能。
全栈工程师需掌握的技能我收集了一线大厂招聘需求，归纳出web全栈开发需掌握的技能
PC、H5、Nodejs、小程序、移动端，掌握大前端所有技术栈能够实现类Element-ui组件库，设计Vue组件掌握Vue/React源码，MVVM库原理了解Koa2源码，定制MVC开发框架前端监控、性能优化、安全自动化测试、发布、运维以经典web开发体系，用Nodejs+JavaScript/css/html成为学习路线是我们前端开发人员走的路线。
这些你掌握了吗？以下是我们前端开发常用的技能，你掌握没？
●移动开发
ios app(oc/c++)Android app (java/c++)hybrid app(混合式移动应用)移动web（html5/js）●小程序来开发
●响应式网站开发
●浏览器兼容
就这些先问问那些说web开发没技术含量的人都熟练掌握了吗？
感谢您的阅读！
简历最忌讳的是什么？
1、不该出现的错误：错字别字，字体样式大小不一，排版混乱
解析：没人愿意透过你邋遢的外表，去发现你有趣的灵魂！
2、奇葩的获奖经历：荣誉不够，咱们会凑
解析：大哥，逗闷子找错地方了吧，你以为你是来德云社应聘吗？
3、不靠谱的自我评价：浮皮潦草，态度轻浮
解析：你是认真的吗，不是隔壁派来玩我的吧……你看，下面这位同学就很认真……
4、没价值的包装：豪华简历，设计精良，装帧精美，造价不菲
解析：素质能力是HR评价应聘人员的唯一标准，在包装简历外表上并不能给你加分，HR把你的简历丢进垃圾桶的决心，绝不会因为你的简历造价很昂贵而犹豫半分。
5、易忽视的错误：邮件标题不规范，只写“我的简历”“简历”
解析：HR看到邮件的第一反应通常是，“免贵你姓啥”？如果收到简历很多，你的邮件可能不被打开就“pass”掉了。
邮件标题要写清楚自己的姓名、学校、专业、应聘岗位等基本信息，便于HR分类整理。
6、不走心的行为：一份简历，海量投递，甚至写错公司名字
解析：对不起，您走错门了，麻烦您出门后帮我把门带上！
如果你不愿意认真判断和了解一家企业，别人也不愿意去了解你。
7、振聋发聩的表述：自以为是，自命不凡
解析：我们公司缺干活儿的，不缺大爷，走好您吶！
8、恐怖的工作经验：胡编乱造，引人发笑
解析：你确定你是凡人，不是扫把星转世？
9、时间都去哪儿了：工作经历年份缺失，中间出现空白
解析：在招聘当中工作经验是很被HR看中的。有的人写自己的工作经历时，不是前边丢掉几年就是近一两年的工作经历空白，让人对他顿生怀疑，也对他的求职态度和做事态度产生疑虑，再看下去的想法也没有了。
10、不诚信的行为：过分夸大自己，泄露前公司机密
解析：邀功夸大，把团队成果当成自己的，在简历中谈及前份工作的商业机密，都是职场大忌。
11、最认真的错误：超长简历，连篇累牍，长篇大论
解析：一位HR可能就只会花15秒内扫一下你的简历，简历一定要简明扼要，突出重点。刚毕业的学生简历1页即可，工作经验多的也要控制在2-3页。
程序里的前端和后端是什么意思？
可以这样理解：能看见的都是前端，看不见的就是后端。
前端包括设计、html、css、JavaScript。设计很好理解，就是产品的风格、布局，完成后它只是一张图片，它为我们后面的工作“打了个样”，让我们一开始就知道产品完成后是什么样子。然后通过html+css实现与设计图效果一样的静态页面，html是超文本标记，比如设计图里面有一个文字超链接，我们就用超文本标记中的<a>标签表示这是一个超链接，用href属性指定超链接地址，完整写法是<a href="xxxx">这是超链接文字内容</a>。css是样式表，比如上面超链接文字是什么颜色、需不需要下划线等，都由css控制。JavaScript能实现一些动画效果或前端交互，比如一个注册页面里面要求填写手机号，但用户填写的是中文字符，那么可以通过JavaScript来判断并提醒用户输入11位阿拉伯数字。
后端是指通过程序语言（asp.net、php、jsp、java、c++等）实现动态数据。这里的动态数据不是指文字或图片在跳动，而是指数据能通过数据库完成新增、删除、编辑等指令。比如上面我举的文字超链接例子，如果这个文字超链接每天都要更新，就可以通过程序语言来实现在管理后台进行更新操作。虽然我们也可以通过手动修改html代码来实现，但当数据量较大的时候，这种操作是不现实的。
任何一款互联网产品都要通过前后端相互协作完成，虽然都要写代码，但他们的分工却不同，相对来说，后端程序要更复杂一些。