NETWORK CHART(网络图)

代码下载地址

网络图 （或图表或图形）显示了一组实体之间的互连。每个实体由一个或多个节点表示。节点之间的连接通过链接（或边）表示。网络的理论与实现是一个广阔的研究领域。整个网络都可以致力于此。例如，网络可以是有向的或无向的，加权的或未加权的。有许多不同的输入格式。为了指导您该领域，我建议按照建议的顺序执行以下示例。请注意关于该工具，我主要依靠NetworkX库(2.4版本)。但是请注意，还应考虑使用Graph Tool，尤其是在涉及高维网络时。该章节主要内容有：

  1. 来自pandas基础网格图绘制 Basic Network from pandas data frame
  2. 自定义NetworkX图形外观 Custom NetworkX graph appearance
  3. 网络布局的可能性 Network layout possibilities
  4. 有向或无向网络 Directed or Undirected network
  5. 将颜色映射到网络节点 Map a color to network nodes
  6. 将颜色映射到网络的边 Map colour to the edges of a Network
  7. 网络图的背景颜色 Background colour of network chart
  8. 来自相关性矩阵的网络 Network from correlation matrix

    NetworkX安装：
pip install networkx==2.4

本文参考：

https://python-graph-gallery.com/network-chart/

from IPython.core.interactiveshell import InteractiveShell

InteractiveShell.ast_node_interactivity = "all"

1. 自pandas基础网格图绘制 Basic Network from pandas data frame

该示例可能是您可以实现的最基本的网络图表。网络图由节点组成。这些节点通过边相互连接。因此，基本格式是数据帧，其中每行描述一个连接。在这里，我们用4条线构造一个数据框，描述此图的4个连接！因此，如果您的连接带有一个csv文件，请加载该文件并准备对其进行可视化！FROM表示起点，to表示终点。

# libraries 导入模块

import pandas as pd

import numpy as np

import networkx as nx

import matplotlib.pyplot as plt


# Build a dataframe with 4 connections

df = pd.DataFrame({ 'from':['A', 'B', 'C','A'], 'to':['D', 'A', 'E','C']})

df

# Build your graph

# 绘制网络图，每次结果可能不一样

G=nx.from_pandas_edgelist(df, 'from', 'to')

# Plot it

nx.draw(G, with_labels=True)

plt.show()
.dataframe tbody tr th:only-of-type { vertical-align: middle }
\3cpre>\3ccode>.dataframe tbody tr th { vertical-align: top }
.dataframe thead th { text-align: right }

from to
0 A D
1 B A
2 C E
3 A C

2. 自定义NetworkX图形外观 Custom NetworkX graph appearance

现在，让我们看一下自定义图表外观的参数。自定义分为三个主要类别：节点，节点标签和边：

  • 节点 Nodes
  • 标签 Labels
  • 边 Edges
  • 总结 All
## 节点 Nodes

# libraries 载入库

import pandas as pd

import numpy as np

import networkx as nx

import matplotlib.pyplot as plt

# Build a dataframe with your connections

df = pd.DataFrame({ 'from':['A', 'B', 'C','A'], 'to':['D', 'A', 'E','C']})

df

# Build your graph 建立表格

G=nx.from_pandas_edgelist(df, 'from', 'to')

# Graph with Custom nodes: 自定义表格

# with_labels是否显示标签，node_size节点大小，node_color节点颜色，node_shape节点形状，alpha透明度，linewidths线条宽度

nx.draw(G, with_labels=True, node_size=1500, node_color="skyblue", node_shape="s", alpha=0.5, linewidths=10)

plt.show()
.dataframe tbody tr th:only-of-type { vertical-align: middle }
\3cpre>\3ccode>.dataframe tbody tr th { vertical-align: top }
.dataframe thead th { text-align: right }

from to
0 A D
1 B A
2 C E
3 A C 

## 标签 Labels

# libraries

import pandas as pd

import numpy as np

import networkx as nx

import matplotlib.pyplot as plt

# Build a dataframe with your connections

df = pd.DataFrame({ 'from':['A', 'B', 'C','A'], 'to':['D', 'A', 'E','C']})

df

# Build your graph

G=nx.from_pandas_edgelist(df, 'from', 'to')

# Custom the edges:

# font_size标签字体大小，font_color标签字体颜色,font_weight字体形式

nx.draw(G, with_labels=True, node_size=1500, font_size=25, font_color="yellow", font_weight="bold")

plt.show()
.dataframe tbody tr th:only-of-type { vertical-align: middle }
\3cpre>\3ccode>.dataframe tbody tr th { vertical-align: top }
.dataframe thead th { text-align: right }

from to
0 A D
1 B A
2 C E
3 A C 

## 边 Edges

# libraries

import pandas as pd

import numpy as np

import networkx as nx

import matplotlib.pyplot as plt

# Build a dataframe with your connections

df = pd.DataFrame({ 'from':['A', 'B', 'C','A'], 'to':['D', 'A', 'E','C']})

df

# Build your graph

G=nx.from_pandas_edgelist(df, 'from', 'to')

# Chart with Custom edges:

# width边线条宽，edge_color边线条颜色

nx.draw(G, with_labels=True, width=10, edge_color="skyblue", style="solid")
.dataframe tbody tr th:only-of-type { vertical-align: middle }
\3cpre>\3ccode>.dataframe tbody tr th { vertical-align: top }
.dataframe thead th { text-align: right }

from to
0 A D
1 B A
2 C E
3 A C 

## 总结 All

# libraries

import pandas as pd

import numpy as np

import networkx as nx

import matplotlib.pyplot as plt

# Build a dataframe with your connections

df = pd.DataFrame({ 'from':['A', 'B', 'C','A'], 'to':['D', 'A', 'E','C']})

df

# Build your graph

G=nx.from_pandas_edgelist(df, 'from', 'to')

# All together we can do something fancy

nx.draw(G, with_labels=True, node_size=1500, node_color="skyblue", node_shape="o", alpha=0.5, linewidths=4, font_size=25, font_color="grey", font_weight="bold", width=2, edge_color="grey")
.dataframe tbody tr th:only-of-type { vertical-align: middle }
\3cpre>\3ccode>.dataframe tbody tr th { vertical-align: top }
.dataframe thead th { text-align: right }

from to
0 A D
1 B A
2 C E
3 A C

3. 网络布局的可能性 Network layout possibilities

实际上，有一种算法可以计算每个节点的最佳位置。NetworkX已开发并提出了几种算法。此页面通过采用相同的小型数据集并对其应用不同的布局算法来说明此概念。如果您不知道哪一个最适合您，则默认情况下将其设置为默认值！默认Spring布局

# libraries

import pandas as pd

import numpy as np

import networkx as nx

import matplotlib.pyplot as plt

# Build a dataframe with your connections

df = pd.DataFrame({ 'from':['A', 'B', 'C','A','E','F','E','G','G','D','F'], 'to':['D', 'A', 'E','C','A','F','G','D','B','G','C']})

df

# Build your graph

G=nx.from_pandas_edgelist(df, 'from', 'to')
.dataframe tbody tr th:only-of-type { vertical-align: middle }
\3cpre>\3ccode>.dataframe tbody tr th { vertical-align: top }
.dataframe thead th { text-align: right }

from to
0 A D
1 B A
2 C E
3 A C
4 E A
5 F F
6 E G
7 G D
8 G B
9 D G
10 F C 
# Fruchterman Reingold Fruchterman Reingold引导布局算法布局

nx.draw(G, with_labels=True, node_size=1500, node_color="skyblue", pos=nx.fruchterman_reingold_layout(G))

plt.title("fruchterman_reingold")


Text(0.5, 1.0, 'fruchterman_reingold')



# Circular 环形布局

nx.draw(G, with_labels=True, node_size=1500, node_color="skyblue", pos=nx.circular_layout(G))

plt.title("circular")


Text(0.5, 1.0, 'circular')



# Random 随机布局

nx.draw(G, with_labels=True, node_size=1500, node_color="skyblue", pos=nx.random_layout(G))

plt.title("random")


Text(0.5, 1.0, 'random')



# Spectral 光谱式布局

nx.draw(G, with_labels=True, node_size=1500, node_color="skyblue", pos=nx.spectral_layout(G))

plt.title("spectral")


Text(0.5, 1.0, 'spectral')



# Spring 跳跃式布局

nx.draw(G, with_labels=True, node_size=1500, node_color="skyblue", pos=nx.spring_layout(G))

plt.title("spring")


Text(0.5, 1.0, 'spring')

4. 有向或无向网络 Directed or Undirected network

网络图可以在2个主要类别进行分割：有向网络和无向网络。如果它是定向的，那么在两个节点之间就有一个流的概念，这样就留下了一个去其他地方的地方。就像钱从A公司流向B公司一样。这就是为什么你可以看到（某种程度上）左边图表上的箭头，它给出了方向。例如，流量从B流向A。如果它是无向的，则这两个节点之间只有一个链接，例如，先生A和先生B是朋友。

生成图形时，必须使用适合您需要的函数：Graph（）用于无向（默认），DiGraph用于有向图

# libraries

import pandas as pd

import numpy as np

import networkx as nx

import matplotlib.pyplot as plt

##  DIRECTED 有向图

# Build a dataframe with your connections

# This time a pair can appear 2 times, in one side or in the other!

df = pd.DataFrame({ 'from':['D', 'A', 'B', 'C','A'], 'to':['A', 'D', 'A', 'E','C']})

df

# Build your graph. Note that we use the DiGraph function to create the graph!

# create_using=nx.DiGraph()创建有向图,默认是无向图

G=nx.from_pandas_edgelist(df, 'from', 'to', create_using=nx.DiGraph())

# Make the graph 有向图

nx.draw(G, with_labels=True, node_size=1500, alpha=0.3, arrows=True)
.dataframe tbody tr th:only-of-type { vertical-align: middle }
\3cpre>\3ccode>.dataframe tbody tr th { vertical-align: top }
.dataframe thead th { text-align: right }

from to
0 D A
1 A D
2 B A
3 C E
4 A C 

# UNDIRECTED 无向图

# Build a dataframe with your connections

# This time a pair can appear 2 times, in one side or in the other!

df = pd.DataFrame({ 'from':['D', 'A', 'B', 'C','A'], 'to':['A', 'D', 'A', 'E','C']})

df

# Build your graph. Note that we use the Graph function to create the graph!

G=nx.from_pandas_edgelist(df, 'from', 'to', create_using=nx.Graph())

# Make the graph

nx.draw(G, with_labels=True, node_size=1500, alpha=0.3, arrows=True)

plt.title("UN-Directed")
.dataframe tbody tr th:only-of-type { vertical-align: middle }
\3cpre>\3ccode>.dataframe tbody tr th { vertical-align: top }
.dataframe thead th { text-align: right }

from to
0 D A
1 A D
2 B A
3 C E
4 A C 
Text(0.5, 1.0, 'UN-Directed')

5. 将颜色映射到网络节点 Map a color to network nodes

一个常见的任务是按照节点的功能为网络图表的每个节点着色（我们称其为映射颜色）。它允许在图表中显示更多信息。有两种可能性：

  1. 您要映射的要素是一个数值。然后，我们将使用连续的色标。在左图上，A比C暗，比B暗。
  2. 该功能是分类的。在右图上，A和B属于同一组，D和E分组在一起，而C在他的组中单独存在。我们使用了分类色标。

通常我们使用2个表。第一个提供节点之间的链接。第二个提供每个节点的功能。您可以如下链接这两个文件。

  • 连续颜色
  • 分类颜色
## Continuous color scale 连续颜色

# libraries

import pandas as pd

import numpy as np

import networkx as nx

import matplotlib.pyplot as plt

# Build a dataframe with your connections

df = pd.DataFrame({ 'from':['A', 'B', 'C','A'], 'to':['D', 'A', 'E','C']})

# And a data frame with characteristics for your nodes

carac = pd.DataFrame({ 'ID':['A', 'B', 'C','D','E'], 'myvalue':['123','25','76','12','34'] })

# 设置值

carac

# Build your graph 建立图

G =nx.from_pandas_edgelist(df, 'from', 'to', create_using=nx.Graph() )

# The order of the node for networkX is the following order:

# 节点顺序

G.nodes()

# Thus, we cannot give directly the 'myvalue' column to netowrkX, we need to arrange the order!

# Here is the tricky part: I need to reorder carac, to assign the good color to each node

# 根据myvalue设置颜色,并匹配节点顺序和ID号

carac = carac.set_index('ID')

carac =carac.reindex(G.nodes())

carac

# Plot it, providing a continuous color scale with cmap:

# node_color设定颜色，输入的必须是float数组或者int值；cmap颜色条

nx.draw(G, with_labels=True, node_color=np.array(carac['myvalue'].values,dtype='float32'), cmap=plt.cm.Blues)
.dataframe tbody tr th:only-of-type { vertical-align: middle }
\3cpre>\3ccode>.dataframe tbody tr th { vertical-align: top }
.dataframe thead th { text-align: right }

ID myvalue
0 A 123
1 B 25
2 C 76
3 D 12
4 E 34 
NodeView(('A', 'D', 'B', 'C', 'E'))
.dataframe tbody tr th:only-of-type { vertical-align: middle }
\3cpre>\3ccode>.dataframe tbody tr th { vertical-align: top }
.dataframe thead th { text-align: right }

myvalue
ID
A 123
D 12
B 25
C 76
E 34 

## Categorical color scale 连续颜色

# libraries

import pandas as pd

import numpy as np

import networkx as nx

import matplotlib.pyplot as plt

# Build a dataframe with your connections

df = pd.DataFrame({ 'from':['A', 'B', 'C','A'], 'to':['D', 'A', 'E','C']})

# And a data frame with characteristics for your nodes

carac = pd.DataFrame({ 'ID':['A', 'B', 'C','D','E'], 'myvalue':['group1','group1','group2','group3','group3'] })

# Build your graph

# 建立图

G=nx.from_pandas_edgelist(df, 'from', 'to', create_using=nx.Graph() )

# The order of the node for networkX is the following order:

# 打印节点顺序

G.nodes()

# Thus, we cannot give directly the 'myvalue' column to netowrkX, we need to arrange the order!

# Here is the tricky part: I need to reorder carac to assign the good color to each node

carac= carac.set_index('ID')

# 根据节点顺序设定值

carac=carac.reindex(G.nodes())

# And I need to transform my categorical column in a numerical value: group1->1, group2->2...

# 设定类别

carac['myvalue']=pd.Categorical(carac['myvalue'])

carac['myvalue'].cat.codes

# Custom the nodes:

nx.draw(G, with_labels=True, node_color=carac['myvalue'].cat.codes, cmap=plt.cm.Set1, node_size=1500)


NodeView(('A', 'D', 'B', 'C', 'E'))

ID

A    0

D    2

B    0

C    1

E    2

dtype: int8

6. 将颜色映射到网络的边 Map colour to the edges of a Network

我们假设我们对网络的每个边缘都有一个功能，例如，此功能可以是此链接表示的金额（数字值），也可以是发生在哪个洲（类别值）。我们希望边缘根据此变量而有所不同。

  • 数值型 numerical
  • 类别型 categorical
## 数值型 numerical

# libraries

import pandas as pd

import numpy as np

import networkx as nx

import matplotlib.pyplot as plt

# Build a dataframe with your connections

# value设定链接值

df = pd.DataFrame({ 'from':['A', 'B', 'C','A'], 'to':['D', 'A', 'E','C'], 'value':[1, 10, 5, 5]})

df

# Build your graph

G=nx.from_pandas_edgelist(df, 'from', 'to', create_using=nx.Graph() )

# Custom the nodes:

# edge_color设置边的颜色

nx.draw(G, with_labels=True, node_color='skyblue', node_size=1500, edge_color=df['value'], width=10.0, edge_cmap=plt.cm.Blues)
.dataframe tbody tr th:only-of-type { vertical-align: middle }
\3cpre>\3ccode>.dataframe tbody tr th { vertical-align: top }
.dataframe thead th { text-align: right }

from to value
0 A D 1
1 B A 10
2 C E 5
3 A C 5 

## 类别型 categorical

# libraries

import pandas as pd

import numpy as np

import networkx as nx

import matplotlib.pyplot as plt

# Build a dataframe with your connections

# value设置类型

df = pd.DataFrame({ 'from':['A', 'B', 'C','A'], 'to':['D', 'A', 'E','C'], 'value':['typeA', 'typeA', 'typeB', 'typeB']})

df

# And I need to transform my categorical column in a numerical value typeA->1, typeB->2...

# 转换为类别

df['value']=pd.Categorical(df['value'])

df['value'].cat.codes

# Build your graph

G=nx.from_pandas_edgelist(df, 'from', 'to', create_using=nx.Graph() )

# Custom the nodes:

nx.draw(G, with_labels=True, node_color='skyblue', node_size=1500, edge_color=df['value'].cat.codes, width=10.0, edge_cmap=plt.cm.Set2)
.dataframe tbody tr th:only-of-type { vertical-align: middle }
\3cpre>\3ccode>.dataframe tbody tr th { vertical-align: top }
.dataframe thead th { text-align: right }

from to value
0 A D typeA
1 B A typeA
2 C E typeB
3 A C typeB 
0    0

1    0

2    1

3    1

dtype: int8

7. 网络图的背景颜色 Background colour of network chart

你可以改变背景颜色您的网络图与 fig.set_facecolor()。 请注意，如果要保留png的背景色，则需要添加fig.get_facecolor。

# libraries

import pandas as pd

import numpy as np

import networkx as nx

import matplotlib.pyplot as plt

# Build a dataframe with your connections

df = pd.DataFrame({ 'from':['A', 'B', 'C','A'], 'to':['D', 'A', 'E','C'] })

df

# Build your graph

G=nx.from_pandas_edgelist(df, 'from', 'to', create_using=nx.Graph() )

# Custom the nodes:

fig = plt.figure()

nx.draw(G, with_labels=True, node_color='skyblue', node_size=1500, edge_color='white')

# 设置背景颜色

fig.set_facecolor("#00000F")

# If you want to save the figure to png:

# 保存图像需要设定facecolor=fig.get_facecolor() ，否者背景颜色为白色

# plt.savefig('yourname.png', facecolor=fig.get_facecolor()，dpi=300)
.dataframe tbody tr th:only-of-type { vertical-align: middle }
\3cpre>\3ccode>.dataframe tbody tr th { vertical-align: top }
.dataframe thead th { text-align: right }

from to
0 A D
1 B A
2 C E
3 A C

8. 来自相关性矩阵的网络 Network from correlation matrix

本页说明了如何绘制相关网络：基于相关矩阵构建的网络。假设您有10个人，并且知道他们彼此之间的亲密关系。可以在网络中表示这些关系。每个人都是一个节点。如果2个人足够接近（我们设定了一个阈值），则它们由边链接。那将显示人口结构！

# libraries

import pandas as pd

import numpy as np

import networkx as nx

import matplotlib.pyplot as plt

# I build a data set: 10 individuals and 5 variables for each

ind1=[5,10,3,4,8,10,12,1,9,4]

ind5=[1,1,13,4,18,5,2,11,3,8]

# 建立矩阵

df = pd.DataFrame({ 'A':ind1, 'B':ind1 + np.random.randint(10, size=(10)) , 'C':ind1 + np.random.randint(10, size=(10)) , 'D':ind1 + np.random.randint(5, size=(10)) , 'E':ind1 + np.random.randint(5, size=(10)), 'F':ind5, 'G':ind5 + np.random.randint(5, size=(10)) , 'H':ind5 + np.random.randint(5, size=(10)), 'I':ind5 + np.random.randint(5, size=(10)), 'J':ind5 + np.random.randint(5, size=(10))})

df

# Calculate the correlation between individuals. We have to transpose first, because the corr function calculate the pairwise correlations between columns.

# 计算相关性

corr = df.corr()

corr

# Transform it in a links data frame (3 columns only):

# 将相关系数矩阵压平

links = corr.stack().reset_index()

# 设置列名

links.columns = ['var1', 'var2','value']

#links

# Keep only correlation over a threshold and remove self correlation (cors (A,A)=1)

# 剔除相同编号的行以及相关系数小于0.8的行

links_filtered=links.loc[ (links['value'] > 0.8) & (links['var1'] != links['var2']) ]

#links_filtered

# Build your graph

# 作图

G=nx.from_pandas_edgelist(links_filtered, 'var1', 'var2')

# Plot the network:

nx.draw(G, with_labels=True, node_color='orange', node_size=500, edge_color='black', linewidths=5, font_size=15)
.dataframe tbody tr th:only-of-type { vertical-align: middle }
\3cpre>\3ccode>.dataframe tbody tr th { vertical-align: top }
.dataframe thead th { text-align: right }

A B C D E F G H I J
0 5 13 6 8 8 1 4 2 1 3
1 10 19 10 14 12 1 3 4 4 5
2 3 9 3 5 3 13 17 13 14 15
3 4 6 5 4 5 4 7 4 7 4
4 8 13 9 12 10 18 19 19 20 19
5 10 13 13 11 11 5 8 9 7 9
6 12 16 14 15 13 2 2 3 6 3
7 1 7 6 3 4 11 14 14 14 11
8 9 11 9 9 9 3 4 5 7 5
9 4 9 4 7 4 8 8 8 10 8
.dataframe tbody tr th:only-of-type { vertical-align: middle }
\3cpre>\3ccode>.dataframe tbody tr th { vertical-align: top }
.dataframe thead th { text-align: right }

A B C D E F G H I J
A 1.000000 0.816480 0.901905 0.936634 0.949857 -0.409401 -0.505922 -0.327200 -0.325622 -0.276172
B 0.816480 1.000000 0.706978 0.928908 0.876425 -0.380840 -0.440560 -0.291830 -0.369119 -0.214817
C 0.901905 0.706978 1.000000 0.830659 0.926892 -0.343944 -0.416735 -0.200915 -0.245105 -0.230368
D 0.936634 0.928908 0.830659 1.000000 0.939070 -0.282163 -0.397256 -0.212778 -0.229146 -0.151093
E 0.949857 0.876425 0.926892 0.939070 1.000000 -0.412766 -0.488815 -0.301198 -0.346611 -0.278961
F -0.409401 -0.380840 -0.343944 -0.282163 -0.412766 1.000000 0.972397 0.968543 0.975579 0.965554
G -0.505922 -0.440560 -0.416735 -0.397256 -0.488815 0.972397 1.000000 0.952668 0.923379 0.957782
H -0.327200 -0.291830 -0.200915 -0.212778 -0.301198 0.968543 0.952668 1.000000 0.956089 0.973569
I -0.325622 -0.369119 -0.245105 -0.229146 -0.346611 0.975579 0.923379 0.956089 1.000000 0.927947
J -0.276172 -0.214817 -0.230368 -0.151093 -0.278961 0.965554 0.957782 0.973569 0.927947 1.000000

[python] 基于NetworkX实现网络图的绘制的更多相关文章

  1. [python] 基于matplotlib实现树形图的绘制

    树形图Tree diagram (代码下载) 本文旨在描述如何使用Python实现基本的树形图.要实现这样的树形图,首先需要有一个数值矩阵.每一行代表一个实体(这里是一辆汽车).每列都是描述汽车的变量 ...

  2. Python基于共现提取《釜山行》人物关系

    Python基于共现提取<釜山行>人物关系 一.课程介绍 1. 内容简介 <釜山行>是一部丧尸灾难片,其人物少.关系简单,非常适合我们学习文本处理.这个项目将介绍共现在关系中的 ...

  3. python基于LeanCloud的短信验证

    python基于LeanCloud的短信验证 1. 获取LeanCloud的Id.Key 2. 安装Flask框架和Requests库 pip install flask pip install re ...

  4. Python使用Plotly绘图工具，绘制直方图

    今天我们再来讲解一下Python使用Plotly绘图工具如何绘制直方图 使用plotly绘制直方图需要用到graph_objs包中的Histogram函数 我们将数据赋值给函数中的x变量,x = da ...

  5. Python使用Plotly绘图工具，绘制面积图

    今天我们来讲一下如何使用Python使用Plotly绘图工具,绘制面积图 绘制面积图与绘制散点图和折线图的画法类似,使用plotly graph_objs 中的Scatter函数,不同之处在于面积图对 ...

  6. Python使用Plotly绘图工具，绘制饼图

    今天我们来学习一下如何使用Python的Plotly绘图工具,绘制饼图 使用Plotly绘制饼图的方法,我们需要使用graph_objs中的Pie函数 函数中最常用的两个属性values,用于赋值给需 ...

  7. Python使用Plotly绘图工具，绘制甘特图

    今天来讲一下如何使用Python 的绘图工具Plotly来绘制甘特图的方法 甘特图大家应该了解熟悉,就是通过条形来显示项目的进度.时间安排等相关情况的. 我们今天来学习一下,如何使用ployly来绘制 ...

  8. Python使用Plotly绘图工具，绘制气泡图

    今天来讲讲如何使用Python 绘图工具,Plotly来绘制气泡图. 气泡图的实现方法类似散点图的实现.修改散点图中点的大小,就变成气泡图. 实现代码如下: import plotly as py i ...

  9. Python 基于Python实现的ssh兼sftp客户端(上)

    基于Python实现的ssh兼sftp客户端   by:授客 QQ:1033553122 实现功能 实现ssh客户端兼ftp客户端:实现远程连接,执行linux命令,上传下载文件 测试环境 Win7 ...

随机推荐

  1. IDEA中直接将 SpringBoot项目打包成 Docker镜像时 pom.xml的配置

    <plugins> <plugin> <groupId>org.springframework.boot</groupId> <artifactI ...

  2. struts项目向前台返回图片。

    读取项目路径WebRoot下的图片 编写action package com.sadj.market.action; import java.io.BufferedInputStream; impor ...

  3. Linux 下搭建 Hadoop 环境

    Linux 下搭建 Hadoop 环境 作者:Grey 原文地址: 博客园:Linux 下搭建 Hadoop 环境 CSDN:Linux 下搭建 Hadoop 环境 环境要求 操作系统:CentOS ...

  4. 13.MongoDB系列之分片简介

    1. 分片概念 分片是指跨机器拆分数据的过程,有时也会用术语分区.MongoDB既可以手工分片,也支持自动分片 2. 理解集群组件 分片的目标之一是由多个分片组成的集群对应用程序来说就像是一台服务器. ...

  5. CSAPP实验attacklab

    attacklab 实验报告和答案文件都在 https://github.com/thkkk/attacklab

  6. windows设置开机启动程序

    1.新建文件,填写路径 @echo off cd F:\程序路径\ //后面填写3D所在的路径 F: //程序的个盘符 run.bat 把这个文件填写完成后,改个名字,后缀改为bat,并把这个文件放在 ...

  7. 齐博x1.1用户登录接口

    用户的登录主要涉及到小程序登录.APP的帐号密码登录.APP的微信开发平台帐号登录.相应的地址是:http://qb.net/index.php/index/wxapp.login/index.htm ...

  8. python深拷贝、浅拷贝

      .copy() 浅拷贝 如上图 定义列表A指向一个元素,列表A里面嵌套两层列表分布指向两个元素,定义列表B,列表B=A,列表C浅拷贝列表A 从图上可以看出,列表A和列表B指向的是同一个列表元素,而 ...

  9. VUE v-model 语法糖

    v-model 语法糖 描述:弹出利用v-model语法糖 父组件 子组件

  10. Aspose.Cell篇章3，设置写入到Excel文件的各种样式及输出

    Aspose.Cell的Style.Number设置全部设置 /// <summary> /// 单元格样式编号 /// 0 General General /// 1 Decimal 0 ...