閱讀更多

1頂
0踩

編程語言
數據可視化是數據科學家工作中的重要組成部分。在項目的早期階段,你通常會進行探索性數據分析(Exploratory Data Analysis,EDA)以獲取對數據的一些理解。創建可視化方法確實有助于使事情變得更加清晰易懂,特別是對于大型、高維數據集。在項目結束時,以清晰、簡潔和引人注目的方式展現最終結果是非常重要的,因為你的受眾往往是非技術型客戶,只有這樣他們才可以理解。

Matplotlib 是一個流行的 Python 庫,可以用來很簡單地創建數據可視化方案。但每次創建新項目時,設置數據、參數、圖形和排版都會變得非常繁瑣和麻煩。在這篇博文中,我們將著眼于 5 個數據可視化方法,并使用 Python Matplotlib 為他們編寫一些快速簡單的函數。與此同時,這里有一個很棒的圖表,可用于在工作中選擇正確的可視化方法!

散點圖

散點圖非常適合展示兩個變量之間的關系,因為你可以直接看到數據的原始分布。 如下面第一張圖所示的,你還可以通過對組進行簡單地顏色編碼來查看不同組數據的關系。想要可視化三個變量之間的關系? 沒問題! 僅需使用另一個參數(如點大小)就可以對第三個變量進行編碼,如下面的第二張圖所示。


現在開始討論代碼。我們首先用別名 “plt” 導入 Matplotlib 的 pyplot 。要創建一個新的點陣圖,我們可調用 plt.subplots() 。我們將 x 軸和 y 軸數據傳遞給該函數,然后將這些數據傳遞給 ax.scatter() 以繪制散點圖。我們還可以設置點的大小、點顏色和 alpha 透明度。你甚至可以設置 Y 軸為對數刻度。標題和坐標軸上的標簽可以專門為該圖設置。這是一個易于使用的函數,可用于從頭到尾創建散點圖!
import matplotlib.pyplot as pltimport numpy as npdef scatterplot(x_data, y_data, x_label="", y_label="", title="", color = "r", yscale_log=False):

    # Create the plot object
    _, ax = plt.subplots()    # Plot the data, set the size (s), color and transparency (alpha)
    # of the points
    ax.scatter(x_data, y_data, s = 10, color = color, alpha = 0.75)    if yscale_log == True:
        ax.set_yscale('log')    # Label the axes and provide a title
    ax.set_title(title)
    ax.set_xlabel(x_label)
    ax.set_ylabel(y_label)

折線圖

當你可以看到一個變量隨著另一個變量明顯變化的時候,比如說它們有一個大的協方差,那最好使用折線圖。讓我們看一下下面這張圖。我們可以清晰地看到對于所有的主線隨著時間都有大量的變化。使用散點繪制這些將會極其混亂,難以真正明白和看到發生了什么。折線圖對于這種情況則非常好,因為它們基本上提供給我們兩個變量(百分比和時間)的協方差的快速總結。另外,我們也可以通過彩色編碼進行分組。

這里是折線圖的代碼。它和上面的散點圖很相似,只是在一些變量上有小的變化。
def lineplot(x_data, y_data, x_label="", y_label="", title=""):
    # Create the plot object
    _, ax = plt.subplots()    # Plot the best fit line, set the linewidth (lw), color and
    # transparency (alpha) of the line
    ax.plot(x_data, y_data, lw = 2, color = '#539caf', alpha = 1)    # Label the axes and provide a title
    ax.set_title(title)
    ax.set_xlabel(x_label)
    ax.set_ylabel(y_label)

直方圖

直方圖對于查看(或真正地探索)數據點的分布是很有用的。查看下面我們以頻率和 IQ 做的直方圖。我們可以清楚地看到朝中間聚集,并且能看到中位數是多少。我們也可以看到它呈正態分布。使用直方圖真得能清晰地呈現出各個組的頻率之間的相對差別。組的使用(離散化)真正地幫助我們看到了“更加宏觀的圖形”,然而當我們使用所有沒有離散組的數據點時,將對可視化可能造成許多干擾,使得看清真正發生了什么變得困難。

下面是在 Matplotlib 中的直方圖代碼。有兩個參數需要注意一下:首先,參數 n_bins 控制我們想要在直方圖中有多少個離散的組。更多的組將給我們提供更加完善的信息,但是也許也會引進干擾,使得我們遠離全局;另一方面,較少的組給我們一種更多的是“鳥瞰圖”和沒有更多細節的全局圖。其次,參數 cumulative 是一個布爾值,允許我們選擇直方圖是否為累加的,基本上就是選擇是 PDF(Probability Density Function,概率密度函數)還是 CDF(Cumulative Density Function,累積密度函數)。
def histogram(data, n_bins, cumulative=False, x_label = "", y_label = "", title = ""):
    _, ax = plt.subplots()
    ax.hist(data, n_bins = n_bins, cumulative = cumulative, color = '#539caf')
    ax.set_ylabel(y_label)
    ax.set_xlabel(x_label)
    ax.set_title(title)

想象一下我們想要比較數據中兩個變量的分布。有人可能會想你必須制作兩張直方圖,并且把它們并排放在一起進行比較。然而,實際上有一種更好的辦法:我們可以使用不同的透明度對直方圖進行疊加覆蓋。看下圖,均勻分布的透明度設置為 0.5 ,使得我們可以看到他背后的圖形。這樣我們就可以直接在同一張圖表里看到兩個分布。

對于重疊的直方圖,需要設置一些東西。首先,我們設置可同時容納不同分布的橫軸范圍。根據這個范圍和期望的組數,我們可以真正地計算出每個組的寬度。最后,我們在同一張圖上繪制兩個直方圖,其中有一個稍微更透明一些。
# Overlay 2 histograms to compare themdef overlaid_histogram(data1, data2, n_bins = 0, data1_name="", data1_color="#539caf", data2_name="", data2_color="#7663b0", x_label="", y_label="", title=""):
    # Set the bounds for the bins so that the two distributions are fairly compared
    max_nbins = 10
    data_range = [min(min(data1), min(data2)), max(max(data1), max(data2))]
    binwidth = (data_range[1] - data_range[0]) / max_nbins    if n_bins == 0
    	bins = np.arange(data_range[0], data_range[1] + binwidth, binwidth)    else: 
    	bins = n_bins    # Create the plot
    _, ax = plt.subplots()
    ax.hist(data1, bins = bins, color = data1_color, alpha = 1, label = data1_name)
    ax.hist(data2, bins = bins, color = data2_color, alpha = 0.75, label = data2_name)
    ax.set_ylabel(y_label)
    ax.set_xlabel(x_label)
    ax.set_title(title)
    ax.legend(loc = 'best')

柱狀圖

當你試圖將類別很少(可能小于10)的分類數據可視化的時候,柱狀圖是最有效的。如果我們有太多的分類,那么這些柱狀圖就會非常雜亂,很難理解。柱狀圖對分類數據很好,因為你可以很容易地看到基于柱的類別之間的區別(比如大小);分類也很容易劃分和用顏色進行編碼。我們將會看到三種不同類型的柱狀圖:常規的,分組的,堆疊的。在我們進行的過程中,請查看圖形下面的代碼。

常規的柱狀圖如下面的圖1。在 barplot() 函數中,xdata 表示 x 軸上的標記,ydata 表示 y 軸上的桿高度。誤差條是一條以每條柱為中心的額外的線,可以畫出標準偏差。

分組的柱狀圖讓我們可以比較多個分類變量。看看下面的圖2。我們比較的第一個變量是不同組的分數是如何變化的(組是G1,G2,……等等)。我們也在比較性別本身和顏色代碼。看一下代碼,y_data_list 變量實際上是一個 y 元素為列表的列表,其中每個子列表代表一個不同的組。然后我們對每個組進行循環,對于每一個組,我們在 x 軸上畫出每一個標記;每個組都用彩色進行編碼。

堆疊柱狀圖可以很好地觀察不同變量的分類。在圖3的堆疊柱狀圖中,我們比較了每天的服務器負載。通過顏色編碼后的堆棧圖,我們可以很容易地看到和理解哪些服務器每天工作最多,以及與其他服務器進行比較負載情況如何。此代碼的代碼與分組的條形圖相同。我們循環遍歷每一組,但這次我們把新柱放在舊柱上,而不是放在它們的旁邊。



def barplot(x_data, y_data, error_data, x_label="", y_label="", title=""):
    _, ax = plt.subplots()
    # Draw bars, position them in the center of the tick mark on the x-axis
    ax.bar(x_data, y_data, color = '#539caf', align = 'center')
    # Draw error bars to show standard deviation, set ls to 'none'
    # to remove line between points
    ax.errorbar(x_data, y_data, yerr = error_data, color = '#297083', ls = 'none', lw = 2, capthick = 2)
    ax.set_ylabel(y_label)
    ax.set_xlabel(x_label)
    ax.set_title(title)



def stackedbarplot(x_data, y_data_list, colors, y_data_names="", x_label="", y_label="", title=""):
    _, ax = plt.subplots()
    # Draw bars, one category at a time
    for i in range(0, len(y_data_list)):
        if i == 0:
            ax.bar(x_data, y_data_list[i], color = colors[i], align = 'center', label = y_data_names[i])
        else:
            # For each category after the first, the bottom of the
            # bar will be the top of the last category
            ax.bar(x_data, y_data_list[i], color = colors[i], bottom = y_data_list[i - 1], align = 'center', label = y_data_names[i])
    ax.set_ylabel(y_label)
    ax.set_xlabel(x_label)
    ax.set_title(title)
    ax.legend(loc = 'upper right')



def groupedbarplot(x_data, y_data_list, colors, y_data_names="", x_label="", y_label="", title=""):
    _, ax = plt.subplots()
    # Total width for all bars at one x location
    total_width = 0.8
    # Width of each individual bar
    ind_width = total_width / len(y_data_list)
    # This centers each cluster of bars about the x tick mark
    alteration = np.arange(-(total_width/2), total_width/2, ind_width)

    # Draw bars, one category at a time
    for i in range(0, len(y_data_list)):
        # Move the bar to the right on the x-axis so it doesn't
        # overlap with previously drawn ones
        ax.bar(x_data + alteration[i], y_data_list[i], color = colors[i], label = y_data_names[i], width = ind_width)
    ax.set_ylabel(y_label)
    ax.set_xlabel(x_label)
    ax.set_title(title)
    ax.legend(loc = 'upper right')

箱形圖

我們之前看了直方圖,它很好地可視化了變量的分布。但是如果我們需要更多的信息呢?也許我們想要更清晰的看到標準偏差?也許中值與均值有很大不同,我們有很多離群值?如果有這樣的偏移和許多值都集中在一邊呢?

這就是箱形圖所適合干的事情了。箱形圖給我們提供了上面所有的信息。實線框的底部和頂部總是第一個和第三個四分位(比如 25% 和 75% 的數據),箱體中的橫線總是第二個四分位(中位數)。像胡須一樣的線(虛線和結尾的條線)從這個箱體伸出,顯示數據的范圍。

由于每個組/變量的框圖都是分別繪制的,所以很容易設置。xdata 是一個組/變量的列表。Matplotlib 庫的 boxplot() 函數為 ydata 中的每一列或每一個向量繪制一個箱體。因此,xdata 中的每個值對應于 ydata 中的一個列/向量。我們所要設置的就是箱體的美觀。

def boxplot(x_data, y_data, base_color="#539caf", median_color="#297083", x_label="", y_label="", title=""):
    _, ax = plt.subplots()

    # Draw boxplots, specifying desired style
    ax.boxplot(y_data
               # patch_artist must be True to control box fill
               , patch_artist = True
               # Properties of median line
               , medianprops = {'color': median_color}
               # Properties of box
               , boxprops = {'color': base_color, 'facecolor': base_color}
               # Properties of whiskers
               , whiskerprops = {'color': base_color}
               # Properties of whisker caps
               , capprops = {'color': base_color})

    # By default, the tick label starts at 1 and increments by 1 for
    # each box drawn. This sets the labels to the ones we want
    ax.set_xticklabels(x_data)
    ax.set_ylabel(y_label)
    ax.set_xlabel(x_label)
    ax.set_title(title)

結語

使用 Matplotlib 有 5 個快速簡單的數據可視化方法。將相關事務抽象成函數總是會使你的代碼更易于閱讀和使用!我希望你喜歡這篇文章,并且學到了一些新的有用的技巧。

英文原文:5 Quick and Easy Data Visualizations in Python with Code
  • 大小: 251.3 KB
  • 大小: 60.9 KB
  • 大小: 87.3 KB
  • 大小: 199.8 KB
  • 大小: 137.6 KB
  • 大小: 34.5 KB
  • 大小: 14.4 KB
  • 大小: 16.2 KB
  • 大小: 18.7 KB
  • 大小: 16.8 KB
來自: oschina
1
0
評論 共 0 條 請登錄后發表評論

發表評論

您還沒有登錄,請您登錄后再發表評論

相關推薦

  • Python數據分析與挖掘

    92講視頻課+16大項目實戰+源碼+¥800元課程禮包+講師社群1V1答疑+社群閉門分享會=99元   為什么學習數據分析?       人工智能、大數據時代有什么技能是可以運用在各種行業的?數據分析就是。       從海量數據中獲得別人看不見的信息,創業者可以通過數據分析來優化產品,營銷人員可以通過數據分析改進營銷策略,產品經理可以通過數據分析洞察用戶習慣,金融從業者可以通過數據分析規避投資風險,程序員可以通過數據分析進一步挖掘出數據價值,它和編程一樣,本質上也是一個工具,通過數據來對現實事物進行分析和識別的能力。不管你從事什么行業,掌握了數據分析能力,往往在其崗位上更有競爭力。    本課程共包含五大模塊: 一、先導篇: 通過分析數據分析師的一天,讓學員了解全面了解成為一個數據分析師的所有必修功法,對數據分析師不在迷惑。   二、基礎篇: 圍繞Python基礎語法介紹、數據預處理、數據可視化以及數據分析與挖掘......這些核心技能模塊展開,幫助你快速而全面的掌握和了解成為一個數據分析師的所有必修功法。   三、數據采集篇: 通過網絡爬蟲實戰解決數據分析的必經之路:數據從何來的問題,講解常見的爬蟲套路并利用三大實戰幫助學員扎實數據采集能力,避免沒有數據可分析的尷尬。   四、分析工具篇: 講解數據分析避不開的科學計算庫Numpy、數據分析工具Pandas及常見可視化工具Matplotlib。   五、算法篇: 算法是數據分析的精華,課程精選10大算法,包括分類、聚類、預測3大類型,每個算法都從原理和案例兩個角度學習,讓你不僅能用起來,了解原理,還能知道為什么這么做。

  • Python代碼實現5種最好的、簡單的數據可視化

    數據可視化數據科學家工作的重要組成部分。在項目的早期階段,您通常會進行探索性數據分析(EDA)以獲得對數據的一些見解。創建可視化確實有助于使事情更清晰、更容易理解,尤其是對于更大、更高維度的數據集。在項目即將結束時,能夠以...

  • 案例上手 Python 數據可視化

    課程亮點 6 個常用的數據可視化工具使用方法 20 個案例貫穿各個工具的學習過程 基于 GUI / HTML / Web 網站多種繪圖風格 中、美、日三國不同思想的制圖工具 從靜態到交互,滿足不同需要的圖示 課程背景 數據可視化數據分析和機器學習的重要環節,比如數據清洗、特征工程、機器學習、數據分析(特別是報告)、評估等環節都會用到“數據可視化”技術。 數據可視化同時還廣泛存在于各...

  • 有這5小段代碼在手,輕松實現數據可視化Python+Matplotlib)

    本文要講的是Matplotlib,一個強大的Python可視化庫。一共5小段代碼輕松實現散點圖、折線圖、直方圖、柱狀圖、箱線圖,每段代碼只有10行,也是再簡單不過了吧!...

  • python數據分析(數據可視化

    數據分析初始階段,通常都要進行可視化處理。數據可視化旨在直觀展示信息的分析結果和構思,令某些抽象數據具象化,這些抽象數據包括數據測量單位的性質或數量。本章用的程序庫matplotlib是建立在Numpy之上的一個Python圖庫,它提供了一個面向對象的API和一個過程式類的MATLAB API,他們可以并行使用

  • 6 種 Python 數據可視化工具

    (點擊上方公眾號,可快速關注)英文:Chris Moffitt?,編譯:伯樂在線/李加慶簡介在 Python 中,將數據可視化有多種選擇,正是因為這種多樣性,何時選用何種方案才變得極具挑戰性。本文包含了一些較為流行的工具以及如何使用它們來創建簡單的條形圖,我將使用下面幾種工具來完成繪圖示例:PandasSeabornggplotBokehpygalPlotly在示例中,我將使用 pandas 處理

  • Excel太煩、python太難,我用它就能輕松搞定數據可視化

    小李在一家連鎖超市企業的IT部門,經常要幫業務部分做數據分析,公司信息化建設發展比較落后,IT部門也只有兩個人,各種各樣的數據表經常讓小李加班加到頭疼,每次辛辛苦苦做好的分析報告,老板還總嫌丑。 眾所周知,超市的數據量十分的大,而且是實時變動的,小李平時做數據分析都是用的Excel,處理一些小數據量的數據很方便,但一碰到大數據量就會卡死,更別說實時更新數據了,而且用excel做一些復雜...

  • Python 數據可視化

    Seaborn 庫 手冊翻譯導語: 原文翻譯+一點總結

  • 數據可視化技術:python數據可視化工具庫匯總(共21個)

    Python數據可視化庫 在數據分析中最好展示數據的方式就是形象地繪制對應的圖像,讓人能夠更好地理解數據。什么樣的數據、什么樣的場景用什么樣的圖表都是有一定的規定的。(這個以后寫一篇博客來記錄一下。當然我后續還會把自己的一些學習數據可視化的筆記放上來。)這里主要分享一些比較常用的python可視化庫。感興趣的小伙伴往下看。 matplotlib Matplotlib是接觸最多的可視化庫,它可以很輕...

  • Python繪圖介紹

    現如今大數據已人盡皆知,但在這個信息大爆炸的時代里,空有海量數據是無實際使用價值,更不要說幫助管理者進行業務決策。那么數據有什么價值呢?用什么樣的手段才能把數據的價值直觀而清晰的表達出來? 答案是要提供像人眼一樣的直覺的、交互的和反應靈敏的可視化環境。數據可視化將技術與藝術完美結合,借助圖形化的手段,清晰有效地傳達與溝通信息,直觀、形象地顯示海量的數據和信息,并進行交互處理。 數據可視

  • 從青銅到王者,進階數據可視化2.0的五個Python

    數據可視化的工具和程序庫已經極大豐盛,當你習慣其中一種或數種時,你會干得很出色,但是如果你因此而沾沾自喜,就會錯失從青銅到王者的新工具和程序庫。如果你仍然堅持使用Matplotlib(這太神奇了),Seaborn(這也很神奇),Pandas(基本,簡單的可視化)和Bokeh,那么你真的需要停下來了解一下新事物了。例如,python中有許多令人驚嘆的可視化庫,而且通用化程度已經很高,例如下面這五個:...

  • Python數據分析與可視化學習筆記(一)數據分析與可視化概述

    數據分析與可視化(一)1.1 數據分析1.1.1數據、信息與數據分析 1.1 數據分析 1.1.1數據、信息與數據分析 數據數據是指對客觀事件進行記錄并可以鑒別的符號,是對客觀事物的性質、狀態以及相互關系等進行記載的物理符號或這些物理符號的組合。它是可識別的、抽象的符號。是信息的表現形式和載體,可以是符號、文字、數字、語音、圖像、視頻等。 信息:信息是數據的內涵,信息是加載于數據之上,對數據作具有含義的解釋。(用來消除不確定性) 數據和信息是不可分離的,信息依賴數據來表達,數據則生動具體表達出信息。

  • 深度好文 |Matplotlib 可視化最有價值的 50 個圖表(附完整 Python代碼) ...

    數據分析和可視化中最有用的 50 個 Matplotlib 圖表。 這些圖表列表允許您使用 python 的 matplotlib 和 seaborn 庫選擇要顯示的可視化對象。 介紹這些圖表根據可視化目標的7個不同情景進行分組。 例如,如果要想象兩個變量之間的關系,請查看“關聯”部分下的圖表。 或者,如果您想要顯示值如何隨時間變化,請查看“變化”部分...

  • Python拉勾網數據采集與可視化

    Python中文社區Python中文開發者的精神部落全文簡介本文是先采集拉勾網上面的數據,采集的是Python崗位的數據,然后用Python進行可視化。主要涉及的是爬蟲&數據可視化的知識。爬蟲部分先用Python來抓取拉勾網上面的數據,采用的是簡單好用的requests模塊。主要注意的地方是,拉勾網屬于動態網頁,所以會用到瀏覽器的F12開發者工具進行抓包。抓包以后會發現,其實網頁是一個POST的形

  • python可視化系列】python數據可視化利器--pyecharts

    前言echarts是什么?下面是來自官方的介紹:?ECharts,縮寫來自Enterprise Charts,商業級數據圖表,Echarts 是百度開源的一個數據可視化純Javascript(JS) 庫。主要用于數據可視化,可以流暢的運行在PC和移動設備上,兼容當前絕大部分瀏覽器(IE6/7/8/9/10/11,chrome,firefox,Safari等),底層依賴輕量級的Canvas類庫ZRe...

  • Python編程-數據可視化項目實踐

    Python數據可視化項目實踐 1.數據可視化 數據可視化指的是通過可視化表示來探索數據,它與數據挖掘緊密相關。而數據挖掘指的是使用代碼來探索數據集的規律和關聯。 前面,我們練習使用Python最流行的工具之一matplotlib,它是一個數學繪圖庫,我們已經使用它來繪制簡單的圖表,如折線圖和散點圖。然后,我們基于隨機漫步概念生成了一個更有趣的數據集–根據一系列隨機決策生成的圖表。 我們還使用了...

  • java后臺+微信小程序 實現完整的點餐系統

    后臺技術選型: JDK8 MySQL Spring-boot Spring-data-jpa Lombok Freemarker Bootstrap Websocket 小程序端技術選型 微信小程序 小程序端 掃碼點餐 菜品分類顯示 模擬支付 評論系統 購物車

  • 2019年高教社杯全國大學生數學建模C題優秀論文(附代碼

    2019年高教社杯全國大學生數學建模C題優秀論文(附代碼

  • pokemmo的資源

    pokemmo必須的4個rom 分別為綠寶石 火紅 心金 黑白 還有漢化補丁 資源不錯哦 記得下載

  • 程序員的MySQL學習寶典

    <p> 程序員的必經之路! </p> <p> 【限時優惠】 </p> <p> <br> </p> <p> 現在下單,還享四重好禮:<br> 1、教學課件免費下載<br> 2、課程案例代碼免費下載<br> 3、專屬VIP學員群免費答疑<br> 4、下單還送800元編程大禮包 </p> <p> <br> </p> <p> 【超實用課程內容】? </p> <p> 根據《2019-2020年中國開發者調查報告》顯示,超83%的開發者都在使用MySQL數據庫。使用量大同時,掌握MySQL早已是運維、DBA的必備技能,甚至部分IT開發崗位也要求對數據使用和原理有深入的了解和掌握。 學習編程,你可能會猶豫選擇 C++ 還是 Java;入門數據科學,你可能會糾結于選擇 Python 還是 R;但無論如何, MySQL 都是 IT 從業人員不可或缺的技能!? </p> <p> <br> </p> <p> ?套餐中一共包含2門MySQL數據庫必學的核心課程(共98課時)? </p> <p> ?課程1:《MySQL數據庫從入門到實戰應用》? </p> <p> ?課程2:《高性能MySQL實戰課》? </p> <p> <br> </p> <p> ?【哪些人適合學習這門課程?】? </p> <p> 1)平時只接觸了語言基礎,并未學習任何數據庫知識的人;? </p> <p> 2)對MySQL掌握程度薄弱的人,課程可以讓你更好發揮MySQL最佳性能; </p> <p> 3)想修煉更好的MySQL內功,工作中遇到高并發場景可以游刃有余; </p> <p> 4)被面試官打破沙鍋問到底的問題問到懷疑人生的應聘者。 </p> <p> <br> </p> <p> 【課程主要講哪些內容?】 </p> <p> 課程一:<span>《MySQL數據庫從入門到實戰應用》 主要從基礎篇,SQL語言篇、MySQL進階篇三個角度展開講解,幫助大家更加高效的管理MySQL數據庫。</span> </p> <p> <br> </p> <p> <img src="https://img-bss.csdnimg.cn/202006261532354009.png" alt=""> </p> <p> <br> </p> <p> 課程二:《高性能MySQL實戰課》主要從高可用篇、MySQL8.0新特性篇,性能優化篇,面試篇四個角度展開講解,幫助大家<span>發揮MySQL的最佳性能的優化方法,<span>掌握如何處理海量業務數據和高并發請求</span></span> </p> <p> <br> </p> <p> <img src="https://img-bss.csdnimg.cn/202006261533103261.png" alt=""> </p> <p> <br> </p> <p> 【你能收獲到什么?】? </p> <p> 1.基礎再提高,針對MySQL核心知識點學透,用對; </p> <p> 2.能力再提高,日常工作中的代碼換新貌,不怕問題; </p> <p> 3.面試再加分,巴不得面試官打破沙鍋問到底,競爭力MAX。 </p> <p> <br> </p> <p> 【課程如何觀看?】? </p> <p> 1、登錄CSDN學院 APP 在我的課程中進行學習; </p> <p> 2、移動端:CSDN 學院APP(注意不是CSDN APP哦)? </p> <p> 本課程為錄播課,課程永久有效觀看時長 【資料開放】 課件、課程案例代碼完全開放給你,你可以根據所學知識,自行修改、優化。? </p> <p> 下載方式:電腦登錄課程觀看頁面,點擊右側課件,可進行課程資料的打包下載。 </p>

Global site tag (gtag.js) - Google Analytics 开心农场种蔬菜赚钱 湖北体彩11选五 工行保本理财产品最新 上海天天彩选4号码统计 2018理财平台排行榜 北京快三每天开奖时间 三明期货配资 36选7怎么算中奖 二分时时彩开奖 期货配资网上开户 辽宁11选5玩法说明 山西十一选五开奖预测 湖南体彩幸运赛车综合 彩票平台排名前十官网 中国平安股票分析论文 北京pc蛋蛋28压单双方法 广西十一选五中奖助手