【Python】编程练习的解密与实战（四）

⏰诗赋清音：云生高巅梦远游， 星光点缀碧海愁。 山川深邃情难晤， 剑气凌云志自修。

目录

🪐1. 初识Python

🪐2. 研究报告四

🌍研究目的

🌍研究要求

🌍研究代码

🌍研究结果

🌍研究体会

📝总结

🪐1. 初识Python

Python是一种高级、通用、解释型的编程语言，具有简洁而清晰的语法，被广泛应用于软件开发、数据科学、人工智能等领域。以下是Python技术的一些主要特点和应用领域：

1. 易学易用： Python的语法设计简单，容易学习和理解。这使得它成为初学者和专业开发人员的首选语言之一。

2. 开源： Python是开源的，任何人都可以查看、修改和分发其源代码。这为开发者提供了自由和灵活性。

3. 跨平台： Python可在多个操作系统上运行，包括Windows、Linux和macOS，使其成为跨平台开发的理想选择。

4. 强大的社区支持： Python拥有庞大的全球开发者社区，用户可以获得丰富的文档、库和工具，方便解决各类问题。

5. 广泛应用领域： Python在多个领域都有应用，包括Web开发、数据科学、机器学习、人工智能、自动化测试、网络编程等。

6. 丰富的第三方库： Python拥有丰富的第三方库和框架，如NumPy、Pandas、Django、Flask等，提供了强大的工具来简化开发流程。

7. 动态类型： Python是一种动态类型语言，允许开发者更加灵活地进行变量和对象的操作。

8. 面向对象编程： Python支持面向对象编程，使得代码结构更加模块化、可维护性更强。

总体而言，Python是一门功能强大、灵活易用的编程语言，适用于各种规模和类型的项目，从小型脚本到大型应用，都能够得心应手。

🪐2. 研究报告四

🌍研究目的

• 掌握Jupyter Notebook编程工具的基本用法：

  • 学习并掌握Jupyter Notebook的基本用法，包括代码编写、执行和Markdown文档的编辑等。

• 理解并熟悉Python的Seaborn和Matplotlib画图：

  • 了解Seaborn和Matplotlib这两个Python库在数据可视化方面的作用。
  • 熟悉它们的画图函数和参数，能够使用它们创建各种图表。

• 使用图像的RGB色彩模式并实现图像的数组表示与图像变换：

  • 理解图像的RGB色彩模式，了解每个像素由红、绿、蓝三个通道组成。
  • 学习如何将图像表示为数组，掌握图像数组的基本概念。
  • 实现图像的变换，例如通过调整色彩、大小或应用滤镜等方式对图像进行修改。

  ---

  🌍研究要求

  • 操作书上第九章内容：阅读并实践书籍中的第九章内容，深入了解相关知识和技能。

  • 请画出如图2.png所示的图形：进行图形绘制工作，按照图2.png的示例绘制相应的图形。

  • 通过编码获得fcity.jpg的手绘图像（如beijing.jpg所示）：利用编码技术，对fcity.jpg进行处理，生成类似beijing.jpg的手绘效果图像。这可能涉及图像处理算法和相关库的使用。

    ---

    🌍研究代码

    1. 操作书上第九章内容

    ## 1.操作书上第九章内容 
    import matplotlib.pyplot as plt
    import numpy as np
    import pandas as pd
    ## 直线图
    data=np.arange(10)
    plt.plot(data)
    ## 创建画布
    fig=plt.figure()
    axs=plt.subplots(2,3)
    axs
    ## 折线图
    plt.figure()
    plt.plot([1,2,3,4,5,6,7],[10,15,13,16,18,20,10])
    plt.show()
    ## 散点图
    # 0.准备数据
    x = [225.98, 247.07, 253.14, 457.85, 241.58, 301.01,  20.67, 288.64,
           163.56, 120.06, 207.83, 342.75, 147.9 ,  53.06, 224.72,  29.51,
            21.61, 483.21, 245.25, 399.25, 343.35]
    y = [196.63, 203.88, 210.75, 372.74, 202.41, 247.61,  24.9 , 239.34,
           140.32, 104.15, 176.84, 288.23, 128.79,  49.64, 191.74,  33.1 ,
            30.74, 400.02, 205.35, 330.64, 283.45]
    # 1.创建画布
    plt.figure(figsize=(20, 8), dpi=100)
    # 2.绘制图像
    plt.scatter(x, y)
    # 3.图像显示
    plt.show()
    ## 柱状图
    movie_name = ['雷神3：诸神黄昏','正义联盟','东方快车谋杀案','寻梦环游记','全球风暴','降魔传','追捕','七十七天','密战','狂兽','其它']
    # 横坐标
    x = range(len(movie_name))
    # 票房数据
    y = [73853,57767,22354,15969,14839,8725,8716,8318,7916,6764,52222]
    # 1.创建画布
    plt.figure(figsize=(20, 8), dpi=100)
    # 2.绘制图像
    plt.bar(x, y, color=['b','r','g','y','c','m','y','k','c','g','b'], width=0.7)
    # 2.1 修改x轴显示
    plt.xticks(x, movie_name)
    # 2.2 添加网格
    plt.grid(line, alpha=0.8)
    # 2.3 添加标题
    plt.title("电影票房收入对比")
    # 3.图像显示
    plt.show()
    ## 绘制基本图像
    import random
    from pylab import mpl
    # 设置显示中文字体
    mpl.rcParams["font.sans-serif"] = ["SimHei"]
    # 设置正常显示符号
    mpl.rcParams["axes.unicode_minus"] = False
    x=range(60)
    y_shanghai=[random.uniform(15,8) for i in x]
    # 建画布
    plt.figure(figsize=(20,8),dpi=80)
    # 绘折线图
    plt.plot(x,y_shanghai)
    # 显示图像
    plt.show()
    ## 修改x,y间隔
    x=range(60)
    y_shanghai=[random.uniform(15,8) for i in x]
    # 建画布
    plt.figure(figsize=(20,8),dpi=80)
    # 绘折线图
    plt.plot(x,y_shanghai)
    # 修改x,y轴刻度
    x_ticks_label=["11点{}分".format(i) for i in x]
    y_ticks=range(40)
    # 修改x,y间隔
    plt.xticks(x[::5])
    plt.yticks(y_ticks[::5])
    # 显示图像
    plt.show()
    ## 解决中文问题
    x=range(60)
    y_shanghai=[random.uniform(15,8) for i in x]
    # 建画布
    plt.figure(figsize=(20,8),dpi=80)
    # 绘折线图
    plt.plot(x,y_shanghai)
    # 修改x,y轴刻度
    x_ticks_label=["11点{}分".format(i) for i in x]
    y_ticks=range(40)
    # 修改x,y间隔
    plt.xticks(x[::5],x_ticks_label[::5])
    plt.yticks(y_ticks[::5])
    # 显示图像
    plt.show()
    ## 添加网格信息
    x=range(60)
    y_shanghai=[random.uniform(15,8) for i in x]
    # 建画布
    plt.figure(figsize=(20,8),dpi=80)
    # 绘折线图
    plt.plot(x,y_shanghai)
    # 修改x,y轴刻度
    x_ticks_label=["11点{}分".format(i) for i in x]
    y_ticks=range(40)
    # 修改x,y间隔
    plt.xticks(x[::5],x_ticks_label[::5])
    plt.yticks(y_ticks[::5])
    #添加网格信息
    plt.grid(True,line,alpha=1)
    # 显示图像
    plt.show()
    ## 添加x、y轴还有标题描述信息
    x=range(60)
    y_shanghai=[random.uniform(15,8) for i in x]
    # 建画布
    plt.figure(figsize=(20,8),dpi=80)
    # 绘折线图
    plt.plot(x,y_shanghai)
    # 修改x,y轴刻度
    x_ticks_label=["11点{}分".format(i) for i in x]
    y_ticks=range(40)
    # 修改x,y间隔
    plt.xticks(x[::5],x_ticks_label[::5])
    plt.yticks(y_ticks[::5])
    #添加网格信息
    plt.grid(True,line,alpha=1)
    # 2.3 添加描述信息
    plt.xlabel("时间")
    plt.ylabel("温度")
    plt.title("中午11点-12点某城市温度变化图", fontsize=20)
    # 显示图像
    plt.show()
    ## 图像保存
    x=range(60)
    y_shanghai=[random.uniform(15,8) for i in x]
    # 建画布
    plt.figure(figsize=(20,8),dpi=80)
    # 绘折线图
    plt.plot(x,y_shanghai)
    # 修改x,y轴刻度
    x_ticks_label=["11点{}分".format(i) for i in x]
    y_ticks=range(40)
    # 修改x,y间隔
    plt.xticks(x[::5],x_ticks_label[::5])
    plt.yticks(y_ticks[::5])
    #添加网格信息
    plt.grid(True,line,alpha=1)
    # 2.3 添加描述信息
    plt.xlabel("时间")
    plt.ylabel("温度")
    plt.title("中午11点-12点某城市温度变化图", fontsize=20)
    # 2.4 图像保存
    plt.savefig("./test.png")
    # 显示图像
    plt.show()
    ## 在一个坐标系中绘制多个图像
    x=range(60)
    y_shanghai=[random.uniform(15,8) for i in x]
    y_beijing=[random.uniform(1,3) for i in x]
    # 建画布
    plt.figure(figsize=(20,8),dpi=80)
    # 绘折线图
    plt.plot(x, y_shanghai, label="上海")
    plt.plot(x, y_beijing, color="r", line, label="北京")
    # 修改x,y轴刻度
    x_ticks_label=["11点{}分".format(i) for i in x]
    y_ticks=range(40)
    # 修改x,y间隔
    plt.xticks(x[::5],x_ticks_label[::5])
    plt.yticks(y_ticks[::5])
    #添加网格信息
    plt.grid(True,line,alpha=1)
    # 2.3 添加描述信息
    plt.xlabel("时间")
    plt.ylabel("温度")
    plt.title("中午11点-12点某城市温度变化图", fontsize=20)
    # 2.4 图像保存
    plt.savefig("./test.png")
    # 2.5 显示图例
    plt.legend(loc=0)
    # 显示图像
    plt.show()
    ## 只建画布+绘制图像
    x=range(60)
    y_shanghai=[random.uniform(15,8) for i in x]
    y_beijing=[random.uniform(1,3) for i in x]
    # 1.创建画布
    # plt.figure(figsize=(20, 8), dpi=100)
    fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(20, 8), dpi=100)
    # 2.绘制图像
    # plt.plot(x, y_shanghai, label="上海")
    # plt.plot(x, y_beijing, color="r", line, label="北京")
    axes[0].plot(x, y_shanghai, label="上海")
    axes[1].plot(x, y_beijing, color="r", line, label="北京")
    # 修改x,y轴刻度
    x_ticks_label=["11点{}分".format(i) for i in x]
    y_ticks=range(40)
    # 修改x,y间隔
    plt.xticks(x[::5],x_ticks_label[::5])
    plt.yticks(y_ticks[::5])
    #添加网格信息
    plt.grid(True,line,alpha=1)
    # 2.3 添加描述信息
    plt.xlabel("时间")
    plt.ylabel("温度")
    plt.title("中午11点-12点某城市温度变化图", fontsize=20)
    # 2.4 图像保存
    plt.savefig("./test.png")
    # 2.5 显示图例
    plt.legend(loc=0)
    # 显示图像
    plt.show()
    ## 完善
    # 0.准备数据
    x = range(60)
    y_shanghai = [random.uniform(15, 18) for i in x]
    y_beijing = [random.uniform(1, 3) for i in x]
    # 1.创建画布
    # plt.figure(figsize=(20, 8), dpi=100)
    fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(20, 8), dpi=100)
    # 2.绘制图像
    # plt.plot(x, y_shanghai, label="上海")
    # plt.plot(x, y_beijing, color="r", line, label="北京")
    axes[0].plot(x, y_shanghai, label="上海")
    axes[1].plot(x, y_beijing, color="r", line, label="北京")
    # 2.1 添加x,y轴刻度
    # 设置x,y轴刻度
    x_ticks_label = ["11点{}分".format(i) for i in x]
    y_ticks = range(40)
    # 修改x,y轴坐标刻度显示
    # plt.xticks(x_ticks_label[::5]) # 坐标刻度不可以直接通过字符串进行修改
    # plt.xticks(x[::5], x_ticks_label[::5])
    # plt.yticks(y_ticks[::5])
    axes[1].set_xticks(x[::5])
    axes[1].set_yticks(y_ticks[::5])
    axes[1].set_xticklabels(x_ticks_label[::5])
    # 2.2 添加网格显示
    # plt.grid(True, line, alpha=1)
    axes[0].grid(True, line, alpha=1)
    axes[1].grid(True, line, alpha=1)
    # 2.3 添加描述信息
    # plt.xlabel("时间")
    # plt.ylabel("温度")
    # plt.title("中午11点-12点某城市温度变化图", fontsize=20)
    axes[0].set_xlabel("时间")
    axes[0].set_ylabel("温度")
    axes[0].set_title("中午11点-12点某城市温度变化图", fontsize=20)
    axes[1].set_xlabel("时间")
    axes[1].set_ylabel("温度")
    axes[1].set_title("中午11点-12点某城市温度变化图", fontsize=20)
    # 2.4 图像保存
    plt.savefig("./test.png")
    # 2.5 显示图例
    # plt.legend(loc=0)
    axes[0].legend(loc=0)
    axes[1].legend(loc=0)
    # 3.图像显示
    plt.show()
    ## 波形图应用举例
    import numpy as np
    # 0.准备数据
    x = np.linspace(-10, 10, 1000)
    y = np.sin(x)
    # 1.创建画布
    plt.figure(figsize=(20, 8), dpi=100)
    # 2.绘制函数图像
    plt.plot(x, y)
    # 2.1 添加网格显示
    plt.grid()
    # 3.显示图像
    plt.show()
    ## 利用seaborn画图
    import seaborn as sns
    import numpy as np
    import pandas as pd
    np.random.seed(0) #确定随机数生成数据一样
    arr=np.random.randn(100)
    sns.distplot(arr,bins=10,hist=True,kde=True,rug=True)
    # 绘制双变量分布
    ## 绘制散点图
    df=pd.DataFrame({"x":np.random.randn(500),"y":np.random.randn(500),"z":np.random.randn(500),"k":np.random.randn(500)})
    sns.jointplot("x","y",data=df,kind='scatter',color="red",size=5,ratio=5,space=1,dropna=True)
    sns.jointplot("x","y",data=df,kind='kde',color="red",size=5,ratio=5,space=1,dropna=True)
    sns.jointplot("x","y",data=df,kind='hex',color="blue",size=5,ratio=5,space=1,dropna=True)
    ## 绘制成对双变量分布
    sns.pairplot(df)
    ## 绘制类别散点图
    ddf=pd.DataFrame({"x":np.random.randn(5),"y":np.random.randn(5),"z":np.random.randn(5),"k":np.random.randn(5),"week":["one","two","three","four","five"]})
    ddf
    sns.swarmplot(x="week",y="x",data=ddf,hue="y")
    

    2. 请画出如图2.png所示的图形

    ## 请画出如图2.png所示的图形
    import turtle as t
    t.Turtle().screen.delay(0)  #加速
    s=0
    t.pen 
    t.seth(0)
    length=0
    while (length !=400): #当边长达到400时循环结束
        t.penup()       #提起画笔
        t.goto(s,s)     #新的起点坐标
        t.pendown()     #放下画笔
        for i in range(4):
            t.fd(length)    #边长
            t.left(90)  #画笔方向向左旋转90度
        length += 10    #边长加10
        s -= 5    #改变画笔起点
    t.hideturtle()         #绘图结束后把笔头隐藏起来
    t.done()               #绘图结束后使窗口停留
    ## 画圆柱
    import turtle as t
    import numpy as np
    t.Turtle().screen.delay(0)  #加速
    s=0
    t.pen 
    t.seth(0)
    length=0
    while (length ！=400): #当边长达到400时循环结束
        t.penup()       #提起画笔
        t.goto(s,s)     #新的起点坐标
        t.pendown()     #放下画笔
        for i in range(90):
            t.fd(length)    #边长
            t.left(4)  #画笔方向向左旋转90度
        length =2*np.pi    #边长加10
        s -= 5    #改变画笔起点
    t.hideturtle(True)         #绘图结束后把笔头隐藏起来
    t.done()               #绘图结束后使窗口停留
    ## 画圆
    import turtle as t
    import numpy as np
    #t.Turtle().screen.delay(0)  #加速
    s=0
    t.pen 
    t.seth(0)
    length=0
    r=1
    t.penup()       #提起画笔
    t.goto(s,s)     #新的起点坐标
    t.pendown()     #放下画笔
    for i in range(360):
        t.fd(length)    #边长
        t.left(4)  #画笔方向向左旋转90度
        length =2*np.pi*r    #边长加10  
    t.hideturtle(True)         #绘图结束后把笔头隐藏起来
    t.done()               #绘图结束后使窗口停留
    

    3. 通过编码获得fcity.jpg的手绘图像（如beijing.jpg所示）

    ## 通过编码获得fcity.jpg的手绘图像（如beijing.jpg所示）
    from PIL import Image
    import numpy as np
    a = np.asarray(Image.open('C:/Users/86151/mycode/fcity.jpg').convert('L')).astype('float')
    depth = 10. # (0-100)
    grad = np.gradient(a)#取图像灰度的梯度值
    grad_x, grad_y = grad #分别取横纵图像梯度值
    grad_x = grad_x*depth/100.
    grad_y = grad_y*depth/100.  #深度调整x、y的梯度值
    A = np.sqrt(grad_x**2 + grad_y**2 + 1.)  #梯度归一化
    uni_x = grad_x/A
    uni_y = grad_y/A
    uni_z = 1./A
    vec_el = np.pi/2.2 # 光源的俯视角度，弧度值
    vec_az = np.pi/4. # 光源的方位角度，弧度值
    dx = np.cos(vec_el)*np.cos(vec_az) #光源对x 轴的影响
    dy = np.cos(vec_el)*np.sin(vec_az) #光源对y 轴的影响
    dz = np.sin(vec_el) #光源对z 轴的影响
    b = 255*(dx*uni_x + dy*uni_y + dz*uni_z) #光源归一化，梯度转化为灰度
    b = b.clip(0,255)  #避免数据越界
    im = Image.fromarray(b.astype('uint8')) #重构图像
    im
    ## 修改光源1
    from PIL import Image
    import numpy as np
    a = np.asarray(Image.open('C:/Users/86151/mycode/fcity.jpg').convert('L')).astype('float')
    depth = 10. # (0-100)
    grad = np.gradient(a)#取图像灰度的梯度值
    grad_x, grad_y = grad #分别取横纵图像梯度值
    grad_x = grad_x*depth/100.
    grad_y = grad_y*depth/100.  #深度调整x、y的梯度值
    A = np.sqrt(grad_x**2 + grad_y**2 )  #梯度归一化
    uni_x = grad_x/A
    uni_y = grad_y/A
    uni_z = 1./A
    vec_el = np.pi/2.2 # 光源的俯视角度，弧度值
    vec_az = np.pi/4. # 光源的方位角度，弧度值
    dx = np.cos(vec_el)*np.cos(vec_az) #光源对x 轴的影响
    dy = np.cos(vec_el)*np.sin(vec_az) #光源对y 轴的影响
    dz = np.sin(vec_el) #光源对z 轴的影响
    b = 255*(dx*uni_x + dy*uni_y + dz*uni_z) #光源归一化，梯度转化为灰度
    b = b.clip(0,255)  #避免数据越界
    im = Image.fromarray(b.astype('uint8')) #重构图像
    im
    ## 图像的数组表示
    from PIL import Image  #图像处理的库
    import numpy as np
    im = np.array(Image.open('C:/Users/86151/mycode/fcity.jpg'))
    print(im.shape,im.dtype)
    ## 修改光源2
    from PIL import Image  #图像处理的库
    import numpy as np
    a1 = np.array(Image.open('C:/Users/86151/mycode/fcity.jpg'))
    print(a1.shape,a1.dtype)
    b1=[255,255,255]-a1
    im1 = Image.fromarray(b1.astype('uint8')) #重构图像
    im1
    ## 修改光源3
    from PIL import Image  #图像处理的库
    import numpy as np
    a = np.array(Image.open('C:/Users/86151/mycode/fcity.jpg').convert('L'))
    b=255-a
    im2 = Image.fromarray(b.astype('uint8')) #重构图像
    im2
    ## 修改光源4
    from PIL import Image  #图像处理的库
    import numpy as np
    a = np.array(Image.open('C:/Users/86151/mycode/fcity.jpg').convert('L'))
    b=(100/255)*a+150 #区间变换
    im3 = Image.fromarray(b.astype('uint8')) #重构图像
    im3
    ## 修改光源5
    from PIL import Image  #图像处理的库
    import numpy as np
    a = np.array(Image.open('C:/Users/86151/mycode/fcity.jpg').convert('L'))
    b=(255)*(a/255)**2  #像素平方
    im3 = Image.fromarray(b.astype('uint8')) #重构图像
    im3
    ## 修改光源6
    from PIL import Image  #图像处理的库
    import numpy as np
    a = np.array(Image.open('C:/Users/86151/mycode/fcity.jpg').convert('L'))
    b=(255)*(a/255)**2  #像素平方
    b = b.clip(0,255)
    im3 = Image.fromarray(b.astype('uint8')) #重构图像
    im3
    

    ---

    🌍研究结果

    1.问题一

    

    

    

    

    

    

    

    

    

    

    

    

    

    

    

    

    

    

    

    

    2.问题

    

    

    

    3.问题三

    

    

    

    

    

    

    

    

    ---

    🌍研究​​​​​​​体会

    1. 图像RGB色彩模式与数组表示与图像变换： 通过实验，初次了解如何利用Python使用图像的RGB色彩模式，并实现图像的数组表示与变换。在此过程中，熟悉了Python的Seaborn和Matplotlib库，使画图过程更加高效。

    2. Matplotlib画图中的问题和解决方法： 实验1记录了一些问题，例如在使用Matplotlib画图时，为了实现中文显示，需要添加语句mpl.rcParams["font.sans-serif"] = ["SimHei"]，并且搭配设置正常显示符号mpl.rcParams["axes.unicode_minus"] = False，以达到更好的效果。

    3. 绘制圆柱和圆的代码添加以及加速效果的思考： 在实验2中，自行添加了画圆柱和画圆的代码。发现使用t.Turtle().screen.delay(0)虽然可以加速，但经常导致内核终止现象，因此对于加速效果的使用需要权衡利弊。

    ---

    📝总结

    Python领域就像一片未被勘探的信息大海，引领你勇敢踏入Python数据科学的神秘领域。这是一场独特的学习冒险，从基本概念到算法实现，逐步揭示更深层次的模式分析、匹配算法和智能模式识别的奥秘。

    渴望挑战Python信息领域的技术？不妨点击下方链接，一同探讨更多Python数据科学的奇迹吧。我们推出了引领趋势的💻 Python数据科学专栏：《Python | 编程解码》，旨在深度探索Python模式匹配技术的实际应用和创新。🌐🔍