python畫圖書

Ⅰ 為什麼自學python看不進去

我自己也是自學過來的，自學要有目標，沒有目標的自學就是無頭蒼蠅在亂撞，最終結果就是學而不得。
要想讓祖師爺賞一口飯吃，自己也要用心才行哦。
任何技術自學都需要莫大的勇氣，Python自然也不例外。
我們先來看下自學需要面對的一些問題，看下你是否適合自學：
A、自己能夠安裝Python開發工具及配置開發環境
B、需要自己整理一套系統的Python學習資源（入門及實戰）
C、遇到問題不能得到及時答疑，需要自己排查和調試
D、沒有就業指導與簡歷優化
E、有較強的自製能力和執行能力，能夠享受學習中的「孤單寂寞冷」
以上，如果你都可以自行解決，那我感覺自學是完全可行的。如果不能解決的話，那我建議可以試著報個班跟著學習。
你把教程看了一遍，然後卻遲遲不能入門，根據我的自學經驗分析得到的原因可能是這樣子：
初學者剛接觸Python，都是很陌生的，我們對待陌生的東西下意識地會有抵觸反應。就像讓我們看一個沒一點興趣的電影或者電視劇，可能我們直接就劃過去了，直到找到自己感興趣的。
只看不練或者練習的少，導致左耳進右耳出，今天記住了，結果過兩天就忘記了。我們都知道一萬小時定律，持續的練習和復盤才能掌握得更加牢固。
入門方式選擇錯誤，如果題主屬於自製力比較差的話，那麼無論是選擇看Python入門書籍還是看自學網站都很難看得進去，因為我們對Python很陌生，而且興趣也低。
沒有規劃。什麼是規劃？規劃就是階段性目標，比如具體到每天要學習的內容，每周要完成的內容，一周根據所學的知識做一個小項目。這樣學完之後比較有成就感，自然也就記得牢。
那麼應該如何學習Python呢？
這里主要從下面三個方面著手准備：
第一：安裝開發工具及配置開發環境。
第二：Python基礎入門。
第三：Python項目實戰。
第一：安裝開發工具及配置開發環境。
安裝准備
電腦 Mac （window也可，因為我本身是做iOS開發的，所以使用的Mac）開發工具使用的pycharm關於安裝Python開發軟體與配置Python開發環境。
安裝Python開發軟體：可從官網根據你的電腦選擇不同的pycharm系統版本下載即可。
如何配置Python開發環境，看下面
1、如果你使用的是Mac，Mac自帶Python 2.x版本，但建議從Python官網安裝一下Python 3.x版本。因為現在很多互聯網公司開新項目大多是Python 3.x版本。
2、如果你使用的是window，那麼直接從Python官網安裝一下Python 3.x版本即可。安裝過程如果遇到問題無法解決，可自行網路，如果還無法解決，可私信我協助解決。
安裝好開發軟體pycharm及配置好Python開發環境後，接下來就是開始Python系統學習了。這里還是要推薦下小編的Python學習喂鑫*（同音）:『』七六二，四五九，五一零『』不管你是小白還是大牛，小編我都歡迎，不定期分享干貨，包括小編自己整理的一份2021最新的Python資料和0基礎入門教程，歡迎初學和進階中的小夥伴。在不忙的時間我會給大家解惑。
第二：Python基礎入門。
任何編程語言的學習都不是一蹴而就的，都需要先打好基礎，然後經歷長期的積累、沉澱達到質變的程度。
我開始自學的時候也是走了很多彎路，花費了太多的精力鑽牛角尖，其實現在回想起來那些問題如果當時有人能夠指點一下的話都很輕易的得到解決。
如果你想學習Python，而又不想走太多彎路，而且想快速學成的話，那麼扇貝編程可能比較適合你哦~
反正扇貝編程的成本很低，先學習試一下再說唄，萬一直接入門了呢。
Python語法簡單，思維與人類的思維很相近。入門的時候，別整天想著看很多資料，網上各種找，最後都留在了收藏夾吃灰。其實對於剛接觸編程的小白而言，最容易卡在安裝Python環境和實操代碼這一步。我推薦扇貝編程 ，不用安裝環境，直接在網頁上學習代碼實操，基礎知識配實戰，這樣學起來更容易。
第三：Python項目實戰。
基礎學完之後，就可以實戰了，找幾個小項目練習一下，比如爬蟲、數據分析等等。
你是否也想點亮這樣的技能樹呢？我們先來入個門吧
推薦一個小白的Python新手教程，具有如下特點：零起點，完整示例，游戲式教學，基於最新的Python 3版本。

Ⅱ python 和 r 的區別 知乎

有人說Python和R的區別是顯而易見的，因為R是針對統計的，python是給程序員設計的，其實這話對Python多多少少有些不公平。2012年的時候我們說R是學術界的主流，但是現在Python正在慢慢取代R在學術界的地位。不知道是不是因為大數據時代的到來。

Python與R相比速度要快。Python可以直接處理上G的數據；R不行，R分析數據時需要先通過資料庫把大數據轉化為小數據（通過groupby）才能交給R做分析，因此R不可能直接分析行為詳單，只能分析統計結果。所以有人說：Python=R+SQL/Hive，並不是沒有道理的。

Python的一個最明顯的優勢在於其膠水語言的特性，很多書里也都會提到這一點，一些底層用C寫的演算法封裝在Python包里後性能非常高效(Python的數據挖掘包Orange canve 中的決策樹分析50萬用戶10秒出結果，用R幾個小時也出不來，8G內存全部占滿)。但是，凡事都不絕對，如果R矢量化編程做得好的話（有點小難度），會使R的速度和程序的長度都有顯著性提升。

R的優勢在於有包羅萬象的統計函數可以調用，特別是在時間序列分析方面，無論是經典還是前沿的方法都有相應的包直接使用。
相比之下，Python之前在這方面貧乏不少。但是，現在Python有了pandas。pandas提供了一組標準的時間序列處理工具和數據演算法。因此，你可以高效處理非常大的時間序列，輕松地進行切片/切塊、聚合、對定期/不定期的時間序列進行重采樣等。可能你已經猜到了，這些工具中大部分都對金融和經濟數據尤為有用，但你當然也可以用它們來分析伺服器日誌數據。於是，近年來，由於Python有不斷改良的庫（主要是pandas），使其成為數據處理任務的一大替代方案。

做過幾個實驗：
1. 用python實現了一個統計方法，其中用到了ctypes，multiprocess。
之後一個項目要做方法比較，又用回R，發現一些bioconctor上的包已經默認用parallel了。（但那個包還是很慢，一下子把所有線程都用掉了，導致整個電腦使用不能，看網頁非常卡~）
2. 用python pandas做了一些數據整理工作，類似資料庫，兩三個表來回查、匹配。感覺還是很方便的。雖然這些工作R也能做，但估計會慢點，畢竟幾十萬行的條目了。
3. 用python matplotlib畫圖。pyplot作圖的方式和R差異很大，R是一條命令畫點東西，pylot是准備好了以後一起出來。pyplot的顏色選擇有點尷尬，默認顏色比較少，之後可用html的顏色，但是名字太長了~。pyplot 的legend比R 好用多了，算是半自動化了。pyplot畫出來後可以自由拉升縮放，然後再保存為圖片，這點比R好用。

總的來說Python是一套比較平衡的語言，各方面都可以，無論是對其他語言的調用，和數據源的連接、讀取，對系統的操作，還是正則表達和文字處理，Python都有著明顯優勢。 而R是在統計方面比較突出。但是數據分析其實不僅僅是統計，前期的數據收集，數據處理，數據抽樣，數據聚類，以及比較復雜的數據挖掘演算法，數據建模等等這些任務，只要是100M以上的數據，R都很難勝任，但是Python卻基本勝任。

結合其在通用編程方面的強大實力，我們完全可以只使用Python這一種語言去構建以數據為中心的應用程序。
但世上本沒有最好的軟體或程序，也鮮有人能把單一語言挖掘運用到極致。尤其是很多人早先學了R，現在完全不用又捨不得，所以對於想要學以致用的人來說，如果能把R和Python相結合，就更好不過了，很早看過一篇文章——讓R與Python共舞，咱們壇子里有原帖，就不多說了，看完會有更多啟發。

BTW： 如果之前沒有學過R，可以先學Python然後決定是不是學R，如果學了R，學Python的時候會更快上手。

Ⅲ 可以用 Python 編程語言做哪些神奇好玩的事情

機器學習,比如手寫字識別,人臉識別,垃圾郵件處理等。 當然還可以畫圖,和matlab類似,不過是工業級的。
也許最初設計 Python 這種語言的人並沒有想到今天Python 會在工業和科研上獲得如此廣泛的使用。著名的自由軟體作者Eric Raymond 在他的文章《如何成為一名黑客》中，將Python 列為黑客應當學習的四種編程語言之一，並建議人們從Python 開始學習編程。這的確是一個中肯的建議，對於那些從來沒有學習過編程或者並非計算機專業的編程學習者而言，Python 是最好的選擇之一。Python 第一次學習Python，我只用了不到二十分鍾的時間，站在書店裡把一本教初學編程的人學習Python 的書翻了一遍。也是從那時起，我開始被這種神奇的語言吸引。 Python 可以用來開發symbian 上的東西。 易用與速度的完美結合Python 是一種用起來很方便的語言，很多初學Java 的人都會被 Java 的CLASSPATH 搞得暈頭轉向，花上半天的時間才搞明白原來是CLASSPATH 搞錯了自己的 Hello World 才沒法運行。用Python 就不會有這種問題，只要裝上就能直接用。 Python 是一種腳本語言，寫好了就可以直接運行，省去了編譯鏈接的麻煩，對於需要多動手實踐的初學者而言，也就是少了出錯的機會。而且Python 還有一種交互的方式，如果是一段簡單的小程序，連編輯器都可以省了，直接敲進去就能運行。Python 是一種清晰的語言，用縮進來表示程序的嵌套關系可謂是一種創舉，把過去軟性的編程風格升級為硬性的語法規定。再不需要在不同的風格間選擇、再不需要為不同的風格爭執。與 Perl 不同，Python 中沒有各種隱晦的縮寫，不需要去強記各種奇怪的符號的含義。Python 寫的程序很容易懂，這是不少人的共識。Python 是一種面向對象的語言，但它的面向對象卻不象C++那樣強調概念，而是更注重實用。不是為了體現對概念的完整支持而把語言搞得很復雜，而是用最簡單的方法讓編程者能夠享受到面向對象帶來的好處，這正是 Python 能像 Java、C#那樣吸引眾多支持者的原因之一。 Python 是一種功能豐富的語言，它擁有一個強大的基本類庫和數量眾多的第三方擴展，使得Python 程序員無需去羨慕Java 的JDK。Python 為程序員提供了豐富的基本功能使得人們寫程序時用不著一切最底層做起。說到這里，人們通常會用一種擔心：腳本語言通常很慢。腳本語言從運行的速度講的確會慢一些，但 Python 的速度卻比人們想像得快很多。雖然 Python 是一種腳本語言，但實際上也可以對它進行編譯，就象編譯Java 程序一樣將Python 程序編譯為一種特殊的ByteCode，在程序運行時，執行的是ByteCode，省去了對程序文本的分析解釋，速度自然提升很多。在用Java 編程是，人們崇尚一種Pure Java 的方式，除了虛擬機一切東西都用Java 編寫，無論是基本的數據結構還是圖形界面，而Pure Java 的SWING，卻成為無數Java 應用開發者的噩夢。Python 崇尚的是實用，它的整體環境是用C 來編寫的，很多基本的功能和擴展的模塊都是用 C/C++來編寫的，當執行這一部分代碼時，它的速度就是C 的速度。用Python 編寫的普通桌面程序，其啟動運行速度與用C 寫的程序差別不大。除了這些，通過一些第三方軟體包，用Python 編寫的源代碼還可以以類似JIT 的方式運行，而這可以大大提高Python 代碼的運行速度，針對不同類型的代碼，會有2 倍至100 倍不等的速度提升。 Python 是我見到過的語言中，在易用性和速度上結合的最完美的一個，通過喪失一點點經常可以忽略不計的運行速度從而獲得更高的編程效率，這就是我選擇Python 的原因。把精力放在要解決的問題上選擇一種合適的語言，才能讓你把有限的精力放到最需要解決的問題上。不同的語言有不同的作用，C 和匯編適合編寫系統軟體，如果用它們來編寫企業應用，恐怕沒幾個人能得心應手。我以前就碰到一個用匯編寫資料庫程序的哥，雖然最基本的功能完成了，但要增加個報表預覽什麼的，他就沒法應付了。聰明的程序員是用合適的工具去完成任務，想找一把萬能鑰匙是不太可能的。Python 的自動的垃圾回收機制是高級的編程語言的一種基本特性，用擁有這一功能的語言編程，程序員們通常不用去關心內存泄漏的問題，而當我們用 C/C++寫程序時，這卻是最重要的需要認真考慮卻又很容易出錯的問題之一。數據結構是程序構成的重要部分，鏈表、樹、圖這些在用C 編程時需要仔細表達的問題在Python 中簡單了很多。在Python 中，最基本的數據結構就是數組、序列和哈希表，用它們想要表達各種常見的數據結構是非常容易的。沒了定義指針、分配內存的任務，編程變得有趣了。CORBA 是一種高級的軟體體系結構，它是語言無關平台無關的。C++、Java 等語言都有CORBA 綁定，但與它們相比，Python 的 CORBA 綁定卻容易很多，因為在程序員看來，一個 CORBA 的類和 Python 的類用起來以及實現起來並沒有什麼差別。沒了復雜體系結構的困擾，用 Python 編寫CORBA 程序也變得容易了。好鋼要用在刀刃上，要想用有限的時間完成盡量多的任務，就要把各種無關的問題拋棄，而Python 恰恰提供了這種方法。跨平台又易擴展隨著Linux 的不斷成熟，越來越多的人轉到Linux 平台上工作，軟體的開發者自然就希望自己編寫的軟體可以在所有平台下運行。Java 一次編寫處處運行的口號使它成為跨平台的開發工具的典範，但其運行速度卻不被人們看好。實際上，幾乎所有的著名腳本語言都是跨平台的，Python 也不例外。

Ⅳ Python數據分析：可視化

本文是《數據蛙三個月強化課》的第二篇總結教程，如果想要了解 數據蛙社群 ，可以閱讀 給DataFrog社群同學的學習建議 。溫馨提示：如果您已經熟悉python可視化內容,大可不必再看這篇文章，或是之挑選部分文章

對於我們數據分析師來說，不僅要自己明白數據背後的含義，而且還要給老闆更直觀的展示數據的意義。所以，對於這項不可缺少的技能，讓我們來一起學習下吧。

畫圖之前，我們先導入包和生成數據集

我們先看下所用的數據集

折線圖是我們觀察趨勢常用的圖形，可以看出數據隨著某個變數的變化趨勢，默認情況下參數 kind="line" 表示圖的類型為折線圖。

對於分類數據這種離散數據，需要查看數據是如何在各個類別之間分布的，這時候就可以使用柱狀圖。我們為每個類別畫出一個柱子。此時，可以將參數 kind 設置為 bar 。

條形圖就是將豎直的柱狀圖翻轉90度得到的圖形。與柱狀圖一樣，條形圖也可以有一組或多種多組數據。

水平條形圖在類別名稱很長的時候非常方便，因為文字是從左到右書寫的，與大多數用戶的閱讀順序一致，這使得我們的圖形容易閱讀。而柱狀圖在類別名稱很長的時候是沒有辦法很好的展示的。

直方圖是柱形圖的特殊形式，當我們想要看數據集的分布情況時，選擇直方圖。直方圖的變數劃分至不同的范圍，然後在不同的范圍中統計計數。在直方圖中，柱子之間的連續的，連續的柱子暗示數值上的連續。

箱線圖用來展示數據集的描述統計信息，也就是[四分位數]，線的上下兩端表示某組數據的最大值和最小值。箱子的上下兩端表示這組數據中排在前25%位置和75%位置的數值。箱中間的橫線表示中位數。此時可以將參數 kind 設置為 box。

如果想要畫出散點圖，可以將參數 kind 設置為 scatter，同時需要指定 x 和 y。通過散點圖可以探索變數之間的關系。

餅圖是用面積表示一組數據的佔比，此時可以將參數 kind 設置為 pie。

我們剛開始學習的同學，最基本應該明白什麼數據應該用什麼圖形來展示，同學們來一起總結吧。

Ⅳ R 和 Python 用於統計學分析，哪個更好

總的概括：R主要在學術界流行，python(numpy scipy)在工程方便比較實用。

R是S（Splus）的開源版本，或者下一代。發源地在紐西蘭奧克蘭。這個軟體的統計背景很濃烈。我這里濃烈的意思是，如果你不熟習統計知識（歷史）的話，R的幫助文檔看起來是很累的。由統計背景的人開發。R的維護組叫CRAN-R。在生物信息方便，有個叫bioconctor的組織，裡面有很多生物信息方面可以用的軟體包，他們有一套自己維護package系統。

Python是個綜合語言（這里特指指CPython解釋器），numpy scipy是數值計算的擴展包，pandas是主要用來做數據處理（numpy依賴），sympy做符號計算（類似mathematica？）此外還有一些不太成熟的包如sciki learn，statistical models。成熟度不如R。但是已經到了可用的水平了。是讀計算機的人寫的統計包。ipython 更新到1.0以後，功能基本完善，其notebook非常強大（感覺就像mathematica)而且還是基於web，在合作分享方面非常好用。

性能：
大家都說R慢，特別是CS的人。其實這里主要是兩點：一個R裡面數組的調用都是用復制的，二是Rscript慢。三是處理大數據慢。如果R用的好的話，R是不太慢的。具體來說就是Rscript用的少，多用命令，跑點小數據。這樣的話，實際在跑的都是背後的fortran和C庫。他們都有快二三十年歷史了。可謂異常可靠，優化得不能再優化了（指單線程，如果去看源代碼揮發先許多莫名的常數，永用了以後精度高速度快！）。比如一個自己編寫一個R腳本，loop套loop的那種，那真是想死的心都會有。外加一點，R處理文本文件很慢！

Python歸根揭底還是個有解釋器的腳本語言，而且有致命傷——GIL，但python最難能可貴的就是它很容易變得更快。比如pypy，cython，或者直接ctypes掛C庫。純python寫個原型，然後就開是不斷的profiling和加速吧。很輕易可以達到和C一個數量級的速度，但是寫程序、調試的時間少了很多。

並行計算：
R v15 之後有了自帶的parallel包，用挺輕松的。不過其實就是不停的fork，或者mpi，內存消耗挺厲害的。parSapply，parApply什麼的，真是很好用。

Python雖然有GIL——並行計算的死敵，但是有multiprocessing(fork依賴) ，是可以共享數據的什麼的，估計內存消耗方面比R好點，數據零散的話overhead很多。到了MPI的話，mpi4py還是挺好用的。用cython的話結合openmp可以打破GIL，但是過程中不能調用python的對象。

學習曲線：假設什麼編程都不會的同學。
R一開始還是很容易上手的，查到基本的命令，包，直接print一下就有結果了。但是如果要自己寫演算法、優化性能的時候，學習難度陡增。

Python么，挺好學的，絕大多數的幫助文檔都比R好了許多。有些包用起來沒R方便。總的來說深入吼R陡。

擴展資源：
基本上新的統計方法都會有R的package，安裝實用都不麻煩。但是基本上都是搞統計的人寫的計算機包。所以效能上可能有問好。比較出名的有兩個包的管理網站，cran-r 和bioconctor。 所以搞生化的估計R用起來很方便。

python的統計計算包們比R少，多很年輕，還在不斷的開發中。優於是計算機人寫的統計包，用起來的時候要多漲個心眼。

畫圖：
R自帶的那些工具就挺好用了，然後還有ggplot這種非常優美的得力工具。

python 有matplotlib，畫出來效果感覺比R自帶的好一些些，而且界面基於QT，跨平台支持。可能是R用得多了，pyplot用起來還是不太順手，覺得其各個組建的統一性不高。

IDE：
Rstudio非常不錯，提供類matlab環境。（用過vim-r-plugin，用過emacs + ess現在用vim。）

windows 下有python(x,y) 還有許多商業的工具。（本人現在的emacs環境還不是很順手~）

建議：
如果只是處理（小）數據的，用R。結果更可靠，速度可以接受，上手方便，多有現成的命令、程序可以用。

要自己搞個演算法、處理大數據、計算量大的，用python。開發效率高，一切盡在掌握。

ps：盲目地用R的包比盲目的地用python的包要更安全。起碼R會把你指向一篇論文，而python只是指向一堆代碼。R出問題了還有論文作者、審稿人陪葬。

Ⅵ 你都用Python 來做什麼

當我知道可以做這些之後，我特別想會。因為論文查閱、答案確認查詢；想知道豆瓣8分以上電影，或者穿越類的電影、處理工資數據考核表等。

可以干什麼

1、上學吧答案神器 主要實現的是無限制獲取上學吧網站上的題目答案（繞過 IP 限制），並實現了自動識別驗證碼，只用輸入某個題目的網址，即可一鍵獲取答案，速度非常快。「想要哈哈，自己或者給孩子輔導作業必備啊？」

2、抓取某系統內全部學生姓名學號及選課信息

3、掃描研究生系統上的弱密碼用戶、模擬登錄圖書館系統並自動續借

4、給釣魚網站批量提交垃圾信息 經常會收到含有釣魚網站鏈接的簡訊的，一般都是盜取 QQ 密碼的偏多，其實可以使用 Python 來批量給對方的伺服器提交垃圾數據（需要先抓包），這樣騙子看到信息之後就不知道哪些是真的哪些是假的了，說不定可以解救一部分填了密碼的同學。

5、網易雲音樂批量下載 可以批量下載網易雲音樂熱歌榜的歌曲，可以自己設定數量，速度非常快。

6、批量下載讀者雜志某一期的全部文章

7、 獲取城市PM2.5濃度和排名

8、爬取某網商品價格信息

你都用 Python 來做什麼？

那Python 作為一種功能強大的編程語言，因其簡單易學而受到很多開發者的青睞。那麼，Python 的應用領域有哪些呢？

Python 的應用領域非常廣泛，幾乎所有大中型互聯網企業都在使用 Python 完成各種各樣的任務，例如國外的 Google、Youtube、Dropbox，國內的網路、新浪、搜狐、騰訊、阿里、網易、淘寶、知乎、豆瓣、汽車之家、美團等等。概括起來，Python 的應用領域主要有如下幾個。

Web應用開發

Python 經常被用於 Web 開發，盡管目前 PHP、JS 依然是 Web 開發的主流語言，但 Python 上升勢頭更勁。尤其隨著 Python 的 Web 開發框架逐漸成熟（比如 Django、flask、TurboGears、web2py 等等），程序員可以更輕松地開發和管理復雜的 Web 程序。例如，通過 mod_wsgi 模塊，Apache 可以運行用 Python 編寫的 Web 程序。Python 定義了 WSGI 標准應用介面來協調 HTTP 伺服器與基於 Python 的 Web 程序之間的通信。舉個最直觀的例子，全球最大的搜索引擎 Google，在其網路搜索系統中就廣泛使用 Python 語言。另外，我們經常訪問的集電影、讀書、音樂於一體的豆瓣網（如圖 1 所示），也是使用 Python 實現的。

圖2Python開發的游戲

除此之外，Python 可以直接調用 Open GL 實現 3D 繪制，這是高性能游戲引擎的技術基礎。事實上，有很多 Python 語言實現的游戲引擎，例如 Pygame、Pyglet 以及 Cocos 2d 等。以上也僅是介紹了 Python 應用領域的「冰山一角」，例如，還可以利用 Pygame 進行游戲編程；用 PIL 和其他的一些工具進行圖像處理；用 PyRo 工具包進行機器人控制編程，等等。有興趣的讀者，可自行搜索資料進行詳細了解。

Ⅶ python構成一個程序最基本的三部分

python程序可以分解為模塊、語句、表達式和對象四部分
1，模塊包含語句
2，語句包含表達式
3，表達式建立並處理對象