seaborn

NumPy 学习资料 书籍 NumPy Cookbook_[Idris2012] NumPy Beginner's Guide,3rd_[Idris2015] Python数据分析基础教程：NumPy学习指南（第2版） 网络资料 100 Numpy Exercises Pandas Exercises accompany "Pandas for Everyone" 菜鸟教程：NumPy教程 NumPy Documentation NumPy 中文文档 Pandas 学习资料 书籍 Pandas for Everyone: Python Data Analysis_[Chen2018] Pandas Cookbook: Recipes for Scientific Computing, Time Series Analysis and Data Visualization using Python_[Petrou2017] pandas: powerful Python data analysis toolkit Mastering Pandas for Finance_[Heydt2015] Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython,2nd_[Mckinney2017]

# 工作年限与收入之间的散点图 # 导入第三方模块 import pandas as pd import seaborn as sns import matplotlib.pyplot as plt # 导入数据集 income = pd.read_csv(r'F:\\python_Data_analysis_and_mining\\07\\Salary_Data.csv') print(income.shape) print(income.head()) # 绘制散点图 sns.lmplot(x = 'YearsExperience', y = 'Salary', data = income, ci = None) # 显示图形 plt.show() # 简单线性回归模型的参数求解 # 样本量 n = income.shape[0] # 计算自变量、因变量、自变量平方、自变量与因变量乘积的和 sum_x = income.YearsExperience.sum() sum_y = income.Salary.sum() sum_x2 = income.YearsExperience.pow(2).sum() xy = income.YearsExperience * income.Salary sum_xy = xy.sum() # 根据公式计算回归模型的参数 b = (sum

假设检验可以建立批判思维，切忌盲目追寻他人的观点。在各个领域都应用广泛，例如犯罪学，科学研究中都会假设某个推理，然后通过一系列结论去证明这个推断是否成立，如果成立则接受假设，若不成立则接受反面推断。 假设检验的四个步骤 一、问题是什么 1.明确问题是什么，根据问题假定两个假设：零假设和备选假设，两个假设是对立的。零假设总是表述为研究没有改变，没有效果，不起作用 2.判断检验类型 单样本检验检验=》检验单个样本的平均值是否等于目标值 相关配对检验=》检验相关或配对观测之差的平均值是否等于目标值 独立双样本检验=》检验两个独立样本的平均值之差是否等于目标值 3.确定抽样分布类型 当样本数量大于30时，符合中心极限定理，抽样分布呈正态分布 样本数量小于30时，抽样分布符合t分布或其他分布 4.确定检验方向 单尾检验 　　　　左尾：若备选假设包含有<，则选左尾检验 　　　　右尾：若备选假设包含有>，则选右尾检验 双尾检验 　　　　将判断标准一分为二位于抽样分布的两侧，左右侧各占一半判断标准，若假设中包含不等号，则属于双尾检验。 二、做出结论标准是什么（证据是什么） 在假设零假设成立时，计算样本平均值的概率： p值 当样本分布符合t分布是 计算p值得方法如下 ： 根据t值，查找t表格，得到p值 三、判断标准是什么 设定 显著水平α 四、做出结论 当p<=α时，拒绝零假设，接受备选假设 p

说到pyecharts，相信很多人不会陌生，一个优秀的python可视化包。<br> pyecharts是中国人开发的，相比较matplotlib、seaborn等老牌可视化库，pyecharts是十分符合国内用户习惯的，尤其在地理空间图表方面。<br> 本文是想试探一下pyecharts在绘制地理图表方面的功底如何，那就开始吧！ 安装pyecharts pyecharts支持pip、conda安装，快捷方便，推荐在jupyter notebook环境下愉快的玩耍。 pip install pyecharts 本文python版本为3.6，演示环境为jupyter notebook。 pyecharts地理图表可视化 1、导入相关模块 pyecharts库中负责地理坐标系的模块是 Geo ，负责地图的模块是 Map ，负责百度地图的模块是 BMap ，负责图表配置的模块是 options 。在 pyecharts 中，图表的一切皆通过 options来修饰调整。<br> 另提一句，因为需要用到案例数据，这里还需要导入样本库-sample from example.commons import Faker from pyecharts import options as opts from pyecharts.charts import Geo from pyecharts

《Python程序设计与应用》在线课程使用说明 网页版链接 20200223 更新 一、简介 本课程内容包括Python基础语法与Python应用（数据处理、可视化等）。 具体章节：Python基础、内置基本数据类型、程序结构、函数、异常处理、集合与字典类型、文件操作、Python应用（科学计算numpy、pandas、matplotlib、seaborn、网络信息安全基础）。 主要资源： 超星MOOC平台：视频、章节测验、作业及考试（陆续增加中）。 PTA编程题集：Python MOOC题集（覆盖主要章节）。 PPT课件：请选课的老师联系课程负责人。 课程链接： https://mooc1-1.chaoxing.com/course/204546236.html 课程负责人 ：集美大学计算机工程学院 郭老师 QQ：34729742 教师交流群 ：Java&Python MOOC 教师讨论群 群号：938999254 课程相关博客： https://www.cnblogs.com/zhrb/tag/python3/ **课程相关工具：**IDLE、Jupyter Notebook 二、快速加入课程 加入步骤： 将教师超星平台账号（姓名，在超星上 注册过的 手机号或邮箱）、学校、班级等信息发给负责人用来建立班级。 建立班级后，教师通过自己学校所在超星平台导入班级。也可通过将

来源： oschina 链接： https://my.oschina.net/u/4399905/blog/3302215

python -m pip install --upgrade pip pip install --user numpy scipy matplotlib jupyter pandas sympy nose pip install matplotlib -i http://pypi.douban.com/simple --trusted-host pypi.douban.com pip install numpy -i http://pypi.douban.com/simple --trusted-host pypi.douban.com pip install pandas -i http://pypi.douban.com/simple --trusted-host pypi.douban.com pip install seaborn scipy -i http://pypi.douban.com/simple --trusted-host pypi.douban.com 来源： oschina 链接： https://my.oschina.net/readerror/blog/3276031

提高Python数据分析速度的八个小技巧 01 使用Pandas Profiling预览数据 这个神器我们在之前的文章中就详细讲过，使用Pandas Profiling可以在进行数据分析之前对数据进行快速预览，拿我们使用过很多次的NBA数据集来说，导入数据集之后 一行代码就生成丰富的交互式数据EDA报告 可以看到，除了之前我们需要的一些描述性统计数据，该报告还包含以下信息： 类型推断：检测数据帧中列的数据类型。 要点：类型，唯一值，缺失值 分位数统计信息，例如最小值，Q1，中位数，Q3，最大值，范围，四分位数范围 描述性统计数据，例如均值，众数，标准偏差，总和，中位数绝对偏差，变异系数，峰度，偏度 最常使用的值 直方图 相关性矩阵 缺失值矩阵，计数，热图和缺失值树状图 文本分析：了解文本数据的类别（大写，空格），脚本（拉丁，西里尔字母）和块（ASCII） 02 使用cufflinks绘制图表 上一个神器Pandas Profiling可以快速帮助我们预览数据，那么这个神器cufflinks可以帮我们直接使用DataFrame快速绘制交互式图表。就像seaborn封装了matplotlib一样，cufflinks在plotly的基础上做了一进一步的包装，方法统一，参数配置简单。 对pandas熟悉的同学可能知道pandas可以直接调用.plot()绘图，我们来看看 df.plot()