Python實(shí)現(xiàn)城市公交網(wǎng)絡(luò)分析與可視化
更新時(shí)間：2021年12月28日 16:43:51 作者：葉庭云
這篇文章主要介紹了通過Python爬取城市公交站點(diǎn)、線路及其經(jīng)緯度數(shù)據(jù)，并做可視化數(shù)據(jù)分析。文中的示例代碼講解詳細(xì)，感興趣的可以學(xué)習(xí)一下
一、數(shù)據(jù)查看和預(yù)處理
數(shù)據(jù)獲取自高德地圖API，包含了天津市公交線路和站點(diǎn)名稱及其經(jīng)緯度數(shù)據(jù)。
import pandas as pd
df = pd.read_excel('site_information.xlsx')
df.head()
字段說明：
- 線路名稱：公交線路的名稱
- 上下行：0表示上行；1表示下行
- 站序號(hào)：公交線路上行或下行依次經(jīng)過站的序號(hào)
- 站名稱：站點(diǎn)名稱
- 經(jīng)度（分）：站點(diǎn)的經(jīng)度
- 緯度（分）：站點(diǎn)的緯度
數(shù)據(jù)字段少，結(jié)構(gòu)也比較簡單，下面來充分了解我們的數(shù)據(jù)和進(jìn)行預(yù)處理。
總的數(shù)據(jù)有 30396 條，站名稱缺失了 5 條，緯度（分）缺失了 1 條，經(jīng)度（分）缺失了 38 條，為了處理方便，直接把有缺失值的行刪除。
經(jīng)緯度數(shù)據(jù)是7031.982、2348.1016這樣的，需要將其轉(zhuǎn)換為以度為單位。
df2 = df1.copy() df2['經(jīng)度（分）'] = df1['經(jīng)度（分）'].apply(float) / 60 df2['緯度（分）'] = df1['緯度（分）'].apply(float) / 60 df2.head()
處理后的數(shù)據(jù)里，共有 618 條公交線路，4851個(gè)站點(diǎn)數(shù)據(jù)。
重新保存為處理后數(shù)據(jù)
df2.to_excel("處理后數(shù)據(jù).xlsx", index=False)
二、數(shù)據(jù)分析
分析天津市公交站點(diǎn)的分布情況
# -*- coding: UTF-8 -*-
"""
@Author ：葉庭云
@公眾號(hào) ：修煉Python
@CSDN ：https://yetingyun.blog.csdn.net/
"""
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib as mpl
import random
df = pd.read_excel("處理后數(shù)據(jù).xlsx")
x_data = df['經(jīng)度（分）']
y_data = df['緯度（分）']
colors = ['#FF0000', '#0000CD', '#00BFFF', '#008000', '#FF1493', '#FFD700', '#FF4500', '#00FA9A', '#191970', '#9932CC']
colors = [random.choice(colors) for i in range(len(x_data))]
mpl.rcParams['font.family'] = 'SimHei'
plt.style.use('ggplot')
# 設(shè)置大小
plt.figure(figsize=(12, 6), dpi=200)
# 繪制散點(diǎn)圖 經(jīng)度 緯度 傳進(jìn)去 設(shè)置 顏色 點(diǎn)的大小
plt.scatter(x_data, y_data, marker="o", s=9., c=colors)
# 添加描述信息 x軸 y軸 標(biāo)題
plt.xlabel("經(jīng)度")
plt.ylabel("緯度")
plt.title("天津市公交站點(diǎn)分布情況")
plt.savefig('經(jīng)緯度散點(diǎn)圖.png')
plt.show()
結(jié)果如下：
通過 matplotlib 繪制散點(diǎn)圖可視化天津市公交站點(diǎn)的分布情況，容易看出天津市的公交熱點(diǎn)分布區(qū)域。為了能更形象地分析公交線路網(wǎng)絡(luò)，我們可以將數(shù)據(jù)可視化在實(shí)際地圖上，利用 Pyecharts 的BMap。
# -*- coding: UTF-8 -*-
"""
@Author ：葉庭云
@公眾號(hào) ：修煉Python
@CSDN ：https://yetingyun.blog.csdn.net/
"""
import pandas as pd
from pyecharts.charts import BMap
from pyecharts import options as opts
from pyecharts.globals import CurrentConfig
# 引用本地js資源渲染
CurrentConfig.ONLINE_HOST = 'D:/python/pyecharts-assets-master/assets/'
df = pd.read_excel('處理后數(shù)據(jù).xlsx', encoding='utf-8')
df.drop_duplicates(subset='站名稱', inplace=True)
longitude = list(df['經(jīng)度（分）'])
latitude = list(df['緯度（分）'])
datas = []
a = []
for i, j in zip(longitude, latitude):
a.append([i, j])
datas.append(a)
print(datas)
BAIDU_MAP_AK = "改成你的百度地圖AK"
c = (
BMap(init_opts=opts.InitOpts(width="1200px", height="800px"))
.add_schema(
baidu_ak=BAIDU_MAP_AK, # 申請(qǐng)的BAIDU_MAP_AK
center=[117.20, 39.13], # 天津市經(jīng)緯度中心
zoom=10,
is_roam=True,
)
.add(
"",
type_="lines",
is_polyline=True,
data_pair=datas,
linestyle_opts=opts.LineStyleOpts(opacity=0.2, width=0.5, color='red'),
# 如果不是最新版本的話可以注釋下面的參數(shù)（效果差距不大）
progressive=200,
progressive_threshold=500,
)
)
c.render('公交網(wǎng)絡(luò)地圖.html')
結(jié)果如下：
在地圖上可以看到，和平區(qū)、南開區(qū)公交線路網(wǎng)絡(luò)密集，交通便利。
公交線路網(wǎng)絡(luò)中 i 節(jié)點(diǎn)代表第 i 條線路，其中節(jié)點(diǎn) i 的度定義為與線路 i 可以經(jīng)過換乘能夠到達(dá)的線路的數(shù)目，線路網(wǎng)絡(luò)的度大小反映了該條公交線路與其他線路的連通程度，構(gòu)建算法分析公交線路網(wǎng)絡(luò)度的分布。
# -*- coding: UTF-8 -*-
"""
@Author ：葉庭云
@公眾號(hào) ：修煉Python
@CSDN ：https://yetingyun.blog.csdn.net/
"""
import xlrd
import matplotlib.pyplot as plt
import pandas as pd
import matplotlib as mpl
df = pd.read_excel("site_information.xlsx")
# 用pandas的操作去重 得到每條線路的名稱
loc = df['線路名稱'].unique()
# 得到每一條線路名稱的列表
line_list = list(loc)
print(line_list)
# 打開Excel表格
data = xlrd.open_workbook("site_information.xlsx")
# print(data) # <xlrd.book.Book object at 0x000001F1111C38D0> 在內(nèi)存中
# 獲取特定Sheet 索引為0 也就是第一個(gè)表
table = data.sheets()[0] # 從零開始
# 每條線路對(duì)應(yīng)有哪些站點(diǎn) 字典推導(dǎo)式
site_dic = {k: [] for k in line_list}
site_list = []
for i in range(1, table.nrows):
# 每一行的數(shù)據(jù) 返回的是一個(gè)列表
x = table.row_values(i)
if x[1] == "0":
# 上行 站點(diǎn)數(shù)據(jù) 每條線路對(duì)應(yīng)有哪些站點(diǎn) 添加進(jìn)列表
site_dic[x[0]].append(x[3])
site_list.append(x[3])
else:
continue
# print(len(site_dic)) # 618條線路
# print(len(site_list)) # 15248條站點(diǎn)數(shù)據(jù)
print(f"公交網(wǎng)絡(luò)共有 {len(line_list)} 條線路") # 618條線路
# 先初始化一個(gè)統(tǒng)計(jì)每個(gè)節(jié)點(diǎn)的度的列表 與線路名稱列表里的索引一一對(duì)應(yīng)
node_count = [m * 0 for m in range(len(line_list))]
# 以每條線路為一個(gè)節(jié)點(diǎn) 線路名稱為鍵 值為一個(gè)列表 里面包含每條路線上行經(jīng)過的所有站點(diǎn)
sites = [site for site in site_dic.values()]
# print(sites)
for j in range(len(sites)): # 類似冒泡法排序 比較多少趟
for k in range(j, len(sites) - 1): # 每趟比較后 往后推一個(gè) 直到比較完 和防止越界
if len(sites[j]) > len(sites[k + 1]):
for x in sites[j]:
if x in sites[j] and x in sites[k + 1]: # 只要這兩條線路有公共站點(diǎn) 節(jié)點(diǎn)度數(shù)加1
node_count[j], node_count[k + 1] = node_count[j] + 1, node_count[k + 1] + 1
break # 兩條線路對(duì)應(yīng)在列表索引的值加1 這兩條線的比較結(jié)束
else:
for x in sites[k + 1]:
if x in sites[j] and x in sites[k + 1]: # 只要這兩條線路有公共站點(diǎn) 節(jié)點(diǎn)度數(shù)加1
node_count[j], node_count[k + 1] = node_count[j] + 1, node_count[k + 1] + 1
break # 兩條線路對(duì)應(yīng)在列表索引的值加1 這兩條線的比較結(jié)束
# print(node_count)
# 節(jié)點(diǎn)編號(hào) 與 節(jié)點(diǎn)的度數(shù)索引對(duì)應(yīng)
node_number = [y for y in range(len(node_count))]
# 線性網(wǎng)絡(luò)度的最大值 175
print(f"線路網(wǎng)絡(luò)的度的最大值為：{max(node_count)}")
print(f"線路網(wǎng)絡(luò)的度的最小值為：{min(node_count)}")
print(f"線路網(wǎng)絡(luò)的度的平均值為：{sum(node_count) / len(node_count)}")
# 設(shè)置大小 圖的像素
# 設(shè)置字體 matplotlib 不支持顯示中文 自己本地設(shè)置
plt.figure(figsize=(10, 6), dpi=150)
mpl.rcParams['font.family'] = 'SimHei'
# 繪制每個(gè)節(jié)點(diǎn)度的分布
plt.bar(node_number, node_count, color="purple")
# 添加描述信息
plt.xlabel("節(jié)點(diǎn)編號(hào)n")
plt.ylabel("節(jié)點(diǎn)的度數(shù)K")
plt.title("線路網(wǎng)絡(luò)中各節(jié)點(diǎn)的度的大小分布", fontsize=15)
plt.savefig("線路網(wǎng)絡(luò)中各節(jié)點(diǎn)的度的大小.png")
plt.show()
結(jié)果如下：
公交網(wǎng)絡(luò)共有 618 條線路
線路網(wǎng)絡(luò)的度的最大值為：175
線路網(wǎng)絡(luò)的度的最小值為：0
線路網(wǎng)絡(luò)的度的平均值為：55.41423948220065
import xlrd
import matplotlib.pyplot as plt
import pandas as pd
import matplotlib as mpl
import collections
df = pd.read_excel("site_information.xlsx")
# 用pandas的操作去重 得到每條線路的名稱
loc = df['線路名稱'].unique()
# 得到每一條線路名稱的列表
line_list = list(loc)
print(line_list)
# 打開Excel表格
data = xlrd.open_workbook("site_information.xlsx")
# print(data) # <xlrd.book.Book object at 0x000001F1111C38D0> 在內(nèi)存中
# 獲取特定Sheet 索引為0 也就是第一個(gè)表
table = data.sheets()[0] # 從零開始
# 每條線路對(duì)應(yīng)有哪些站點(diǎn) 字典推導(dǎo)式
site_dic = {k: [] for k in line_list}
site_list = []
for i in range(1, table.nrows):
# 每一行的數(shù)據(jù) 返回的是一個(gè)列表
x = table.row_values(i)
if x[1] == "0":
# 上行 站點(diǎn)數(shù)據(jù) 每條線路對(duì)應(yīng)有哪些站點(diǎn) 添加進(jìn)列表
site_dic[x[0]].append(x[3])
site_list.append(x[3])
else:
continue
# print(len(site_dic)) # 618條線路
# print(len(site_list)) # 15248條站點(diǎn)數(shù)據(jù)
# 先初始化一個(gè)統(tǒng)計(jì)每個(gè)節(jié)點(diǎn)的度的列表 與線路名稱列表里的索引一一對(duì)應(yīng)
node_count = [m * 0 for m in range(len(line_list))]
# 以每條線路為一個(gè)節(jié)點(diǎn) 線路名稱為鍵 值為一個(gè)列表 里面包含每條路線上行經(jīng)過的所有站點(diǎn)
sites = [site for site in site_dic.values()]
# print(sites)
for j in range(len(sites)): # 類似冒泡法排序 比較多少趟
for k in range(j, len(sites) - 1): # 每趟比較后 往后推一個(gè) 直到比較完 和防止越界
if len(sites[j]) > len(sites[k + 1]):
for x in sites[j]:
if x in sites[j] and x in sites[k + 1]: # 只要這兩條線路有公共站點(diǎn) 節(jié)點(diǎn)度數(shù)加1
node_count[j], node_count[k + 1] = node_count[j] + 1, node_count[k + 1] + 1
break # 兩條線路對(duì)應(yīng)在列表索引的值加1 這兩條線的比較結(jié)束
else:
for x in sites[k + 1]:
if x in sites[j] and x in sites[k + 1]: # 只要這兩條線路有公共站點(diǎn) 節(jié)點(diǎn)度數(shù)加1
node_count[j], node_count[k + 1] = node_count[j] + 1, node_count[k + 1] + 1
break # 兩條線路對(duì)應(yīng)在列表索引的值加1 這兩條線的比較結(jié)束
# print(node_count)
# 節(jié)點(diǎn)編號(hào) 與 節(jié)點(diǎn)的度數(shù)索引對(duì)應(yīng)
node_number = [y for y in range(len(node_count))]
# 線性網(wǎng)絡(luò)度的最大值 175
# print(max(node_count))
# 設(shè)置大小 圖的像素
# 設(shè)置字體 matplotlib 不支持顯示中文 自己本地設(shè)置
plt.figure(figsize=(10, 6), dpi=150)
mpl.rcParams['font.family'] = 'SimHei'
# 分析節(jié)點(diǎn)的度K的概率分布
# 統(tǒng)計(jì)節(jié)點(diǎn)的度為K的 分別有多少個(gè)
node_count = collections.Counter(node_count)
node_count = node_count.most_common()
# 點(diǎn)
node_dic = {_k: _v for _k, _v in node_count}
# 按鍵從小到大排序 得到一個(gè)列表 節(jié)點(diǎn)的度
sort_node = sorted(node_dic)
# 按順序得到鍵對(duì)應(yīng)的值 即有相同節(jié)點(diǎn)的度的個(gè)數(shù)
sort_num = [node_dic[q] for q in sort_node]
# 概率分布中度平均值 總的度數(shù)加起來 / 個(gè)數(shù)
# print(sum(sort_node)/len(sort_node))
# 概率分布中最大的度值 也就個(gè)數(shù)最多那個(gè)
print(f"概率分布中概率最大的度值為：{max(sort_num)}")
probability = [s1 / sum(sort_num) for s1 in sort_num] # 概率分布
print(probability)
# 天津市公交線路節(jié)點(diǎn)概率分布圖像
plt.bar(sort_node, probability, color="red")
# 添加描述信息
plt.xlabel("節(jié)點(diǎn)的度K")
plt.ylabel("節(jié)點(diǎn)度為K的概率P(K)")
plt.title("線路網(wǎng)絡(luò)中節(jié)點(diǎn)度的概率分布", fontsize=15)
plt.savefig("線路網(wǎng)絡(luò)中節(jié)點(diǎn)度的概率分布.png")
plt.show()
結(jié)果如下：
概率分布中概率最大的度值為：16
天津市公交線路網(wǎng)絡(luò)的度分布如上圖所示，本文收集的天津市線路網(wǎng)絡(luò)共有 618 條線路組成，線路網(wǎng)絡(luò)的度的最大值為175。概率分布中概率最大的度值為16，度平均值為55.41，表明天津市公交網(wǎng)絡(luò)提供的換乘機(jī)會(huì)較多，使得可達(dá)性較高。其中概率較大的度值大多集中在 7~26 之間。使得節(jié)點(diǎn)強(qiáng)度分布相對(duì)來說不夠均勻，造成天津市很多路段公交線路較少，少數(shù)路段經(jīng)過線路過于密集，造成資源的浪費(fèi)。
聚類系數(shù)是研究節(jié)點(diǎn)鄰居之間的連接緊密程度，因此不必考慮邊的方向。對(duì)于有向圖，將其當(dāng)成無向圖來處理。網(wǎng)絡(luò)聚類系數(shù)大，表明網(wǎng)絡(luò)中節(jié)點(diǎn)與其附近節(jié)點(diǎn)之間的連接緊密度程度高，即與實(shí)際站點(diǎn)之間的公交線路連接密集。計(jì)算得到天津公交復(fù)雜網(wǎng)絡(luò)的聚類系數(shù)為0.091，相對(duì)其他城市較低。
根據(jù)公式：
同規(guī)模的隨機(jī)網(wǎng)絡(luò)聚集系數(shù)約為0.00044，進(jìn)一步體現(xiàn)了網(wǎng)絡(luò)的小世界特性。
import xlrd
import matplotlib.pyplot as plt
import pandas as pd
import matplotlib as mpl
# 讀取數(shù)據(jù)
df = pd.read_excel("site_information.xlsx")
# 用pandas的操作去重 得到每條線路的名稱
loc = df['線路名稱'].drop_duplicates()
# 得到每一條線路名稱的列表 按照Excel表里以次下去的順序
line_list = list(loc)
# print(line_list)
# 打開Excel表格
data = xlrd.open_workbook("site_information.xlsx")
# print(data) # <xlrd.book.Book object at 0x000001F1111C38D0> 在內(nèi)存中
# 獲取特定Sheet 索引為0 也就是第一個(gè)表
table = data.sheets()[0] # 從零開始
# 每條線路對(duì)應(yīng)有哪些站點(diǎn) 字典推導(dǎo)式
site_dic = {k: [] for k in line_list}
site_list = []
for i in range(1, table.nrows):
# 每一行的數(shù)據(jù) 返回的是一個(gè)列表
x = table.row_values(i)
if x[1] == "0":
# 只取上行站點(diǎn)數(shù)據(jù) 每條線路對(duì)應(yīng)有哪些站點(diǎn) 添加進(jìn)列表
site_dic[x[0]].append(x[3])
site_list.append(x[3])
else:
continue
# print(len(site_dic)) # 618條線路
# print(len(site_list)) # 15248條站點(diǎn)數(shù)據(jù)
# 先初始化一個(gè)統(tǒng)計(jì)每個(gè)節(jié)點(diǎn)的度的列表 與線路名稱列表里的索引一一對(duì)應(yīng)
node_count = [m * 0 for m in range(len(line_list))]
# 以每條線路為一個(gè)節(jié)點(diǎn) 線路名稱為鍵 值為一個(gè)列表 里面包含每條路線上行經(jīng)過的所有站點(diǎn)
sites = [site for site in site_dic.values()]
# print(sites)
# 統(tǒng)計(jì)各節(jié)點(diǎn)的度
for j in range(len(sites) - 1): # 類似冒泡法排序 比較多少趟
for k in range(j, len(sites) - 1): # 每趟比較后 往后推一個(gè) 直到比較完 和防止越界
if len(sites[j]) > len(sites[k + 1]):
for x in sites[j]:
if x in sites[j] and x in sites[k + 1]: # 只要這兩條線路有公共站點(diǎn) 節(jié)點(diǎn)度數(shù)加1
node_count[j], node_count[k + 1] = node_count[j] + 1, node_count[k + 1] + 1
break # 兩條線路對(duì)應(yīng)在列表索引的值加1 這兩條線的比較結(jié)束
else:
for x in sites[k + 1]:
if x in sites[j] and x in sites[k + 1]: # 只要這兩條線路有公共站點(diǎn) 節(jié)點(diǎn)度數(shù)加1
node_count[j], node_count[k + 1] = node_count[j] + 1, node_count[k + 1] + 1
break # 兩條線路對(duì)應(yīng)在列表索引的值加1 這兩條線的比較結(jié)束
# 找到該節(jié)點(diǎn)的鄰居節(jié)點(diǎn) 鄰居節(jié)點(diǎn)間實(shí)際的邊數(shù)
Ei = []
# 對(duì)每條線路進(jìn)行找鄰接節(jié)點(diǎn) 并統(tǒng)計(jì)其鄰接節(jié)點(diǎn)點(diǎn)實(shí)際的邊數(shù)
for a in range(len(sites)):
neighbor = []
if node_count[a] == 0:
Ei.append(0)
continue
if node_count[a] == 1:
Ei.append(0)
continue
for b in range(len(sites)):
if a == b: # 自身 不比
continue
if len(sites[a]) > len(sites[b]): # 從站點(diǎn)多的線路里選取站點(diǎn) 看是否有公共站點(diǎn)
for x in sites[a]:
if x in sites[a] and x in sites[b]: # 找到鄰居節(jié)點(diǎn)
neighbor.append(sites[b])
break
else:
for x in sites[b]:
if x in sites[a] and x in sites[b]: # 找到鄰居節(jié)點(diǎn)
neighbor.append(sites[b])
break
# 在鄰居節(jié)點(diǎn)中判斷這些節(jié)點(diǎn)的實(shí)際邊數(shù) 又類似前面的方法 判斷兩兩是否相連
count = 0
for c in range(len(neighbor) - 1):
for d in range(c, len(neighbor) - 1): # 每趟比較后 往后推一個(gè) 直到比較完 和防止越界
try:
if len(sites[c]) > len(sites[d + 1]):
for y in sites[c]:
if y in sites[c] and y in sites[d + 1]: # 鄰居節(jié)點(diǎn)這兩個(gè)也相連
count += 1
break
else:
continue
else:
for y in sites[d + 1]:
if y in sites[c] and y in sites[d + 1]: # 鄰居節(jié)點(diǎn)這兩個(gè)也相連
count += 1
break
else:
continue
except IndexError:
break
Ei.append(count)
# 每個(gè)節(jié)點(diǎn)的鄰居節(jié)點(diǎn)間實(shí)際相連的邊數(shù)
# print(Ei)
# 節(jié)點(diǎn)編號(hào) 與 節(jié)點(diǎn)的度數(shù)索引對(duì)應(yīng)
node_number = [y for y in range(len(node_count))]
# 設(shè)置字體 matplotlib 不支持顯示中文 自己本地設(shè)置
mpl.rcParams['font.family'] = 'SimHei'
# 設(shè)置大小 圖的像素
plt.figure(figsize=(10, 6), dpi=150)
# 公交線路網(wǎng)絡(luò)的聚類系數(shù)分布圖像 相鄰節(jié)點(diǎn)的連通程度
Ci = []
for m in range(len(node_number)):
if node_count[m] == 0:
Ci.append(0)
elif node_count[m] == 1:
Ci.append(0)
else: # 2 * 該節(jié)點(diǎn)鄰居節(jié)點(diǎn)實(shí)際連接邊數(shù) / 最大邊數(shù)
Ci.append(2 * Ei[m] / (node_count[m] * (node_count[m] - 1)))
# 各節(jié)點(diǎn)鄰居節(jié)點(diǎn)的連通程度 計(jì)算平均聚類系數(shù)
print("天津市公交線路網(wǎng)絡(luò)平均聚類系數(shù)為：{:.4f}".format(sum(Ci) / len(Ci)))
plt.bar(node_number, Ci, color="blue")
# 添加描述信息
plt.xlabel("節(jié)點(diǎn)編號(hào)n")
plt.ylabel("節(jié)點(diǎn)的聚類系數(shù)")
plt.title("線路網(wǎng)絡(luò)中各節(jié)點(diǎn)的聚類系數(shù)分布", fontsize=15)
plt.savefig("聚類系數(shù)分布.png")
plt.show()
結(jié)果如下：
天津市公交線路網(wǎng)絡(luò)平均聚類系數(shù)為：0.0906
以上就是Python實(shí)現(xiàn)城市公交網(wǎng)絡(luò)分析與可視化的詳細(xì)內(nèi)容，更多關(guān)于Python城市公交網(wǎng)絡(luò)分析 可視化的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
這篇文章主要為大家介紹了Python sys模塊中maxsize()方法教程示例,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪2023-09-09
Keras神經(jīng)網(wǎng)絡(luò)efficientnet模型搭建yolov3目標(biāo)檢測(cè)平臺(tái)
這篇文章主要為大家介紹了Keras利用efficientnet系列模型搭建yolov3目標(biāo)檢測(cè)平臺(tái)的過程詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪2022-05-05
關(guān)于django的驗(yàn)證碼的使用，在網(wǎng)上找到了相關(guān)的資料，現(xiàn)在整理一下分享給大家，下面這篇文章主要給大家介紹了關(guān)于Django驗(yàn)證碼的生成與使用的相關(guān)資料，需要的朋友可以參考借鑒，下面來一起看看吧。2017-05-05
詳解Python中的時(shí)間格式的讀取與轉(zhuǎn)換(time模塊)
這篇文章主要介紹了Python中的時(shí)間格式的讀取與轉(zhuǎn)換(time模塊),文末給大家介紹了python的時(shí)間獲取與轉(zhuǎn)化：time模塊和datetime模塊的相關(guān)知識(shí)，需要的朋友可以參考下2023-05-05
一旦創(chuàng)建好了數(shù)據(jù)模型，Django就會(huì)自動(dòng)為我們提供一個(gè)數(shù)據(jù)庫抽象API，允許創(chuàng)建、檢索、更新和刪除對(duì)象操作，本文就詳細(xì)的介紹一下，感興趣的可以了解一下2021-08-08
python實(shí)現(xiàn)PDF中表格轉(zhuǎn)化為Excel的方法
這篇文章主要為大家詳細(xì)介紹了python實(shí)現(xiàn)PDF中表格轉(zhuǎn)化為Excel的方法，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2020-06-06
tensorflow 模型權(quán)重導(dǎo)出實(shí)例
今天小編就為大家分享一篇tensorflow 模型權(quán)重導(dǎo)出實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2020-01-01
利用Python裁切tiff圖像且讀取tiff,shp文件的實(shí)例
這篇文章主要介紹了利用Python裁切tiff圖像且讀取tiff,shp文件的實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2020-03-03
用Python的itertools模塊來創(chuàng)建具有迭代功能的函數(shù)十分具有技巧性,這里我們就來看一下借助itertools模塊、Python使用迭代器打印螺旋矩陣的思路及代碼示例2016-07-07
python import 上級(jí)目錄的導(dǎo)入
這篇文章主要介紹了python import 上級(jí)目錄的導(dǎo)入,文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-11-11