当前位置: 首页 > article >正文

Python数据可视化入门:从零开始掌握三大核心库

在数据科学领域数据可视化是连接数据与洞见的关键桥梁。通过图表和图形我们能够直观地理解数据模式、发现异常值、并向他人清晰传达分析结果。Python作为数据分析的主流语言提供了丰富强大的可视化工具库。本文将带你从零开始系统学习Python数据可视化的三大核心库Matplotlib、Seaborn和Plotly。1. 环境准备与数据加载在开始之前我们需要确保已安装必要的库。如果你还没有安装可以使用以下命令pip install matplotlib seaborn plotly pandas numpy让我们从加载必要的库和一些示例数据开始import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns import plotly.express as px # 设置中文显示 plt.rcParams[font.sans-serif] [SimHei, Arial Unicode MS, DejaVu Sans] plt.rcParams[axes.unicode_minus] False # 创建示例数据 np.random.seed(42) dates pd.date_range(2023-01-01, periods100, freqD) categories [A, B, C, D] data pd.DataFrame({ 日期: dates, 数值1: np.random.randn(100).cumsum() 20, 数值2: np.random.randn(100).cumsum() 15, 类别: np.random.choice(categories, 100), 销量: np.random.randint(50, 500, 100) })2. Matplotlib基础可视化库Matplotlib是Python可视化生态系统的基石提供了最大的灵活性和控制力。2.1 基础图表绘制# 创建画布和子图 fig, axes plt.subplots(2, 2, figsize(12, 8)) # 1. 折线图 axes[0, 0].plot(data[日期], data[数值1], colorroyalblue, linewidth2, label趋势线1) axes[0, 0].plot(data[日期], data[数值2], colorcoral, linewidth2, linestyle--, label趋势线2) axes[0, 0].set_title(时间序列趋势图, fontsize12, fontweightbold) axes[0, 0].set_xlabel(日期) axes[0, 0].set_ylabel(数值) axes[0, 0].legend() axes[0, 0].grid(True, alpha0.3) # 2. 散点图 scatter axes[0, 1].scatter(data[数值1], data[销量], cdata[销量], cmapviridis, s50, alpha0.7, edgecolorsw, linewidth0.5) axes[0, 1].set_title(数值与销量关系散点图) axes[0, 1].set_xlabel(数值1) axes[0, 1].set_ylabel(销量) plt.colorbar(scatter, axaxes[0, 1]) # 3. 柱状图 category_avg data.groupby(类别)[销量].mean() bars axes[1, 0].bar(category_avg.index, category_avg.values, color[#FF6B6B, #4ECDC4, #FFD166, #06D6A0]) axes[1, 0].set_title(各类别平均销量) axes[1, 0].set_xlabel(类别) axes[1, 0].set_ylabel(平均销量) # 添加数值标签 for bar in bars: height bar.get_height() axes[1, 0].text(bar.get_x() bar.get_width()/2., height 5, f{height:.0f}, hacenter, vabottom) # 4. 直方图 axes[1, 1].hist(data[销量], bins15, colorskyblue, edgecolorblack, alpha0.7) axes[1, 1].axvline(data[销量].mean(), colorred, linestyle--, linewidth2, labelf均值: {data[销量].mean():.1f}) axes[1, 1].set_title(销量分布直方图) axes[1, 1].set_xlabel(销量) axes[1, 1].set_ylabel(频数) axes[1, 1].legend() plt.tight_layout() plt.savefig(matplotlib_basics.png, dpi300, bbox_inchestight) plt.show()2.2 样式定制与美化# 使用样式表 plt.style.use(seaborn-v0_8-darkgrid) fig, ax plt.subplots(figsize(10, 6)) # 创建更美观的折线图 for i, category in enumerate(categories, 1): subset data[data[类别] category] ax.plot(subset[日期], subset[数值1], linewidth2.5, markero, markersize4, labelf类别 {category}) # 图表装饰 ax.set_title( 多类别时间序列趋势分析, fontsize16, fontweightbold, pad20) ax.set_xlabel(时间, fontsize12) ax.set_ylabel(观测值, fontsize12) ax.legend(locupper left, fontsize10, frameonTrue, shadowTrue) ax.grid(True, alpha0.4) # 添加平均线 ax.axhline(ydata[数值1].mean(), colorred, linestyle:, linewidth2, alpha0.7, labelf总体均值: {data[数值1].mean():.1f}) # 添加填充区域 ax.fill_between(data[日期], data[数值1].rolling(7).mean() - data[数值1].rolling(7).std(), data[数值1].rolling(7).mean() data[数值1].rolling(7).std(), alpha0.2, colorgray, label7日移动标准差范围) plt.legend() plt.xticks(rotation45) plt.tight_layout() plt.show()3. Seaborn统计可视化利器Seaborn基于Matplotlib提供了更高层次的API和美观的默认样式特别适合统计可视化。3.1 关系型图表# 设置Seaborn样式 sns.set_style(whitegrid) sns.set_palette(husl) # 创建多图表布局 fig, axes plt.subplots(2, 2, figsize(14, 10)) # 1. 箱线图 sns.boxplot(datadata, x类别, y销量, axaxes[0, 0]) axes[0, 0].set_title(各类别销量分布箱线图) # 2. 小提琴图 sns.violinplot(datadata, x类别, y销量, innerquartile, palettemuted, axaxes[0, 1]) axes[0, 1].set_title(销量分布小提琴图) # 3. 热力图 correlation data[[数值1, 数值2, 销量]].corr() sns.heatmap(correlation, annotTrue, fmt.2f, cmapcoolwarm, center0, squareTrue, cbar_kws{shrink: 0.8}, axaxes[1, 0]) axes[1, 0].set_title(变量相关性热力图) # 4. 联合分布图 sns.jointplot(datadata, x数值1, y销量, kindscatter, height6, ratio4, marginal_kws{bins: 15, kde: True}) plt.suptitle(数值1与销量的联合分布, y1.02) plt.tight_layout() plt.show()3.2 高级统计图表# 创建更复杂的统计图表 plt.figure(figsize(12, 8)) # 1. 分布矩阵图 g sns.PairGrid(data[[数值1, 数值2, 销量, 类别]], hue类别, paletteSet2, height2.5) g.map_diag(sns.histplot, kdeTrue) g.map_offdiag(sns.scatterplot, s40, edgecolorw, linewidth0.5) g.add_legend() plt.suptitle(多变量分布矩阵图, y1.02, fontsize16, fontweightbold) plt.tight_layout() # 2. 回归图 plt.figure(figsize(10, 6)) sns.regplot(datadata, x数值1, y销量, scatter_kws{s: 60, alpha: 0.6}, line_kws{color: red, linewidth: 2.5}, ci95) # 95%置信区间 plt.title(数值1与销量的回归关系, fontsize14) plt.xlabel(数值1) plt.ylabel(销量) plt.grid(True, alpha0.3) plt.show()4. Plotly交互式可视化Plotly提供了丰富的交互式图表功能适合网页展示和深度数据探索。4.1 基础交互图表import plotly.graph_objects as go from plotly.subplots import make_subplots # 创建交互式折线图 fig go.Figure() # 添加多条轨迹 for category in categories: subset data[data[类别] category] fig.add_trace(go.Scatter( xsubset[日期], ysubset[数值1], modelinesmarkers, namef类别 {category}, hovertemplateb日期/b: %{x}br b数值/b: %{y:.2f}br b类别/b: category extra/extra )) # 更新布局 fig.update_layout( title 交互式多类别时间序列图, xaxis_title日期, yaxis_title数值, hovermodex unified, templateplotly_white, height500 ) # 添加控件 fig.update_layout( updatemenus[ dict( typebuttons, directionright, x0.5, y1.15, buttonslist([ dict(label全部, methodupdate, args[{visible: [True, True, True, True]}]), dict(label仅A类, methodupdate, args[{visible: [True, False, False, False]}]), ]), ) ] ) fig.show()4.2 高级交互功能# 创建仪表板式多图表 fig make_subplots( rows2, cols2, subplot_titles(类别分布, 销量趋势, 数值分布, 3D散点图), specs[[{type: pie}, {type: scatter}], [{type: histogram}, {type: scatter3d}]], vertical_spacing0.12, horizontal_spacing0.1 ) # 1. 饼图 category_counts data[类别].value_counts() fig.add_trace( go.Pie(labelscategory_counts.index, valuescategory_counts.values, hole.3, hoverinfolabelpercentvalue, textinfopercentlabel), row1, col1 ) # 2. 趋势图 for category in categories: subset data[data[类别] category] fig.add_trace( go.Scatter(xsubset[日期], ysubset[销量], modelines, namecategory, visiblelegendonly), # 默认不显示 row1, col2 ) # 3. 直方图 fig.add_trace( go.Histogram(xdata[数值1], nbinsx20, name数值1分布, opacity0.7), row2, col1 ) fig.add_trace( go.Histogram(xdata[数值2], nbinsx20, name数值2分布, opacity0.7), row2, col1 ) # 4. 3D散点图 fig.add_trace( go.Scatter3d(xdata[数值1], ydata[数值2], zdata[销量], modemarkers, markerdict(size5, colordata[销量], colorscaleViridis, showscaleTrue), textdata[类别], hoverinfotextxyz), row2, col2 ) # 更新布局 fig.update_layout( title_text 综合数据仪表板, height800, showlegendTrue, templateplotly_white ) fig.update_xaxes(title_text日期, row1, col2) fig.update_yaxes(title_text销量, row1, col2) fig.update_xaxes(title_text数值, row2, col1) fig.update_yaxes(title_text频数, row2, col1) fig.show()5. 实用技巧与最佳实践5.1 图表选择指南def recommend_chart(data_type, purpose): 根据数据类型和目的推荐图表类型 recommendations { 比较: { 少量类别: [柱状图, 雷达图], 多类别: [条形图, 平行坐标图], 时间序列: [折线图, 面积图] }, 分布: { 单变量: [直方图, 密度图, 箱线图], 多变量: [散点图矩阵, 联合分布图] }, 关系: { 两变量: [散点图, 回归图], 多变量: [气泡图, 3D散点图, 热力图] }, 组成: { 静态: [饼图, 环形图, 堆叠柱状图], 动态: [旭日图, 树状图] } } return recommendations.get(purpose, {}).get(data_type, [请提供更具体的需求]) # 使用示例 print(比较时间序列数据建议图表:, recommend_chart(时间序列, 比较))5.2 配色方案选择def get_color_palette(chart_type, color_blind_friendlyTrue): 根据图表类型返回合适的配色方案 palettes { 分类数据: { color_blind: [#1f77b4, #ff7f0e, #2ca02c, #d62728], vibrant: [#E63946, #F4A261, #2A9D8F, #264653] }, 顺序数据: { sequential: [#f7fbff, #c6dbef, #6baed6, #2171b5, #08306b], diverging: [#ca0020, #f4a582, #f7f7f7, #92c5de, #0571b0] }, 突出显示: { highlight: [#999999, #999999, #999999, #E63946, #999999] } } if chart_type in [饼图, 柱状图, 条形图]: return palettes[分类数据][color_blind if color_blind_friendly else vibrant] elif chart_type in [热力图, 密度图]: return palettes[顺序数据][sequential] else: return None6. 完整实战案例def create_sales_dashboard(data): 创建销售数据仪表板 # 创建子图布局 fig make_subplots( rows3, cols3, specs[[{type: indicator}, {type: indicator}, {type: indicator}], [{type: bar, colspan: 2}, None, {type: pie}], [{type: scatter, colspan: 3}, None, None]], subplot_titles(, , , 月度销售趋势, 类别占比, 每日销售详情), vertical_spacing0.15, horizontal_spacing0.1, row_heights[0.15, 0.4, 0.45] ) # 计算指标 total_sales data[销量].sum() avg_daily_sales data[销量].mean() best_category data.groupby(类别)[销量].sum().idxmax() # 1. 指标卡 fig.add_trace( go.Indicator( modenumber, valuetotal_sales, title总销售额, number{prefix: ¥, valueformat: ,.0f}, domain{row: 0, column: 0} ), row1, col1 ) fig.add_trace( go.Indicator( modenumber, valueavg_daily_sales, title日均销售额, number{prefix: ¥, valueformat: ,.1f}, domain{row: 0, column: 1} ), row1, col2 ) fig.add_trace( go.Indicator( modenumberdelta, valuedata[销量].iloc[-1], title今日销售额, number{prefix: ¥, valueformat: ,.0f}, delta{reference: data[销量].iloc[-2], relative: True}, domain{row: 0, column: 2} ), row1, col3 ) # 2. 柱状图月度趋势 data[月份] data[日期].dt.month monthly_sales data.groupby(月份)[销量].sum().reset_index() fig.add_trace( go.Bar(xmonthly_sales[月份], ymonthly_sales[销量], marker_color[#1f77b4 if x ! monthly_sales[销量].idxmax() else #ff7f0e for x in range(len(monthly_sales))], name月度销售额), row2, col1 ) # 3. 饼图类别占比 category_sales data.groupby(类别)[销量].sum() fig.add_trace( go.Pie(labelscategory_sales.index, valuescategory_sales.values, hole0.4, textinfopercentlabel, hoverinfolabelvaluepercent, markerdict(colors[#2ca02c, #d62728, #9467bd, #8c564b])), row2, col3 ) # 4. 散点图每日详情 for category in categories: subset data[data[类别] category] fig.add_trace( go.Scatter(xsubset[日期], ysubset[销量], modemarkerslines, namecategory, markerdict(size8), linedict(width1, dashdot)), row3, col1 ) # 更新布局 fig.update_layout( title_text 销售数据仪表板, height900, showlegendTrue, templateplotly_white, hovermodex unified ) # 更新坐标轴标签 fig.update_xaxes(title_text月份, row2, col1) fig.update_yaxes(title_text销售额, row2, col1) fig.update_xaxes(title_text日期, row3, col1) fig.update_yaxes(title_text销售额, row3, col1) return fig # 生成仪表板 dashboard create_sales_dashboard(data) dashboard.show()总结通过本文的学习你应该已经掌握了Matplotlib作为基础绘图库提供了最大的灵活性和控制力Seaborn基于Matplotlib的高级接口特别适合统计可视化Plotly创建交互式图表的强大工具适合网页展示选择建议快速探索使用Seaborn语法简洁默认美观出版质量使用Matplotlib完全控制每个细节交互展示使用Plotly创建网页交互图表学术论文Matplotlib Seaborn组合商业报告Plotly交互图表 静态图片导出最佳实践提醒始终从问题出发选择图表类型保持图表简洁避免过度装饰确保图表在黑白打印时也能清晰可读为色盲用户考虑配色方案添加清晰的标题和标签注明数据来源和时间范围数据可视化不仅是技术更是艺术。不断练习从模仿优秀案例开始逐渐形成自己的风格。记住最好的图表是能最清晰传达信息的图表。

相关文章:

Python数据可视化入门:从零开始掌握三大核心库

在数据科学领域,数据可视化是连接数据与洞见的关键桥梁。通过图表和图形,我们能够直观地理解数据模式、发现异常值、并向他人清晰传达分析结果。Python作为数据分析的主流语言,提供了丰富强大的可视化工具库。本文将带你从零开始,…...

基于MPC的四旋翼高度动力学及X-Y平面位置控制设计的实践与仿真

基于MPC的四旋翼高度动力学以及x-y平面位置控制设计 简介:本项目侧重于MPC控制器设计,用于控制四旋翼的高度动力学以及x-y平面位置 就方向动力学而言,使用了定制的离散PID(DPID)控制器 该项目在MATLAB 2022b中进行了完全编码和仿真 此外&…...

从零开始掌握小红书数据采集:xhs库的5大实战应用场景

从零开始掌握小红书数据采集:xhs库的5大实战应用场景 【免费下载链接】xhs 基于小红书 Web 端进行的请求封装。https://reajason.github.io/xhs/ 项目地址: https://gitcode.com/gh_mirrors/xh/xhs 你是否曾经想过如何批量获取小红书上的热门内容&#xff1f…...

Autovisor:智能优化在线课程学习效率的自动化解决方案

Autovisor:智能优化在线课程学习效率的自动化解决方案 【免费下载链接】Autovisor 2025智慧树刷课脚本 基于Python Playwright的自动化程序 [有免安装版] 项目地址: https://gitcode.com/gh_mirrors/au/Autovisor 在数字化学习日益普及的今天,在线…...

编译系统概述

前置知识:硬件-操作系统-用户操作系统是什么?往下描述,操作系统是对硬件控制的封装,往上描述,是管理程序的软件。操作系统主要有这几大部分组成:1.操作系统如何管理CPU:进程、线程、调度和同步机…...

Javase(三)三大特性之封装

封装现实生活中,比如鼠标,我们知道它是全部装在一个装置里面,只暴露出一个接口能够我们充电或连接电脑,里面的设计、电路等都不暴露给我们这些使用者看,这样子能很好的保护里面的东西不被破坏。在Java中也是如此&#…...

跨境人都在用的TT跨境出海矩阵软件哪个靠谱?

你有没有过这种经历?拍十几条TT营销视频花了整整一周,上线后播放量却寥寥无几,账号矩阵的日更计划完全跟不上?做跨境TT矩阵,核心痛点从来不是多账号登录,而是内容量产、成本控制和合规风险的三重夹击。到底…...

互联网大厂Java求职面试:三轮技术问答与详细解析(涵盖Spring Boot、微服务、数据库ORM等)

互联网大厂Java求职面试:三轮技术问答与详细解析 文章标签 Java,Spring Boot,微服务,面试,Jakarta EE,JVM,Hibernate,JUnit,Maven,Redis,Kubernetes文章简述 本文以严肃的面试官与风趣的水货程序员谢飞机之间的对话形式,模拟互联网大厂Java求职面试的三轮…...

STM32智能垃圾桶开发实战:语音识别与自动分类

1. 项目概述这个智能垃圾桶项目是我去年为一个社区环保活动设计的硬件方案。当时社区正在推广垃圾分类,但居民反映传统分类垃圾桶使用不便,经常出现错投混投的情况。于是我就琢磨着用STM32做个能听懂人话、自动开盖的智能垃圾桶,让垃圾分类变…...

2026年必看:高端内存条品牌优选指南

随着电竞行业的快速发展,高性能内存条成为了越来越多玩家的刚需。然而,在众多品牌中选择一款性能可靠、性价比高的产品并不容易。本文将为你推荐一个值得信赖的品牌——Deseroyer毁灭者,并通过具体数据和案例支撑,帮助你做出明智的…...

论文AI率过高怎么降?实测有效方法+免费工具推荐

当前不少学生和科研人员在写论文时都遇到过AIGC率超标的问题,不用焦虑,只要找对方法,就能有效消除AI生成痕迹,顺利通过学校的AIGC检测。 一、AIGC检测的核心逻辑是什么? 很多人会疑惑:明明是自己逐字敲的论…...

单片机代码版本管理工具横向评测与应用

1. 单片机开发中的代码版本管理痛点作为一名在嵌入式领域摸爬滚打多年的工程师,我深知单片机项目开发中最让人头疼的场景之一:当你需要对比两个版本的程序差异时,面对密密麻麻的汇编和C代码,用肉眼逐行比对简直是场噩梦。特别是在…...

一种改进的鹈鹕优化算法(IPOA)用于函数寻优研究附Matlab代码

✅作者简介:热爱科研的Matlab仿真开发者,擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。🍎 往期回顾关注个人主页:Matlab科研工作室🍊个人信条:格物致知,完整Matlab代码及仿真咨询…...

基于MPC模型预测的两轮差速移动机器人多种轨迹跟踪控制(带参考文献)

✅作者简介:热爱科研的Matlab仿真开发者,擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。🍎 往期回顾关注个人主页:Matlab科研工作室👇 关注我领取海量matlab电子书和…...

企业PTC软件正版化路径与长期价值分析

企业PTC软件正版化路径和长期价值分析我帮一家制造业客户处理软件正版化问题,提醒一句到他们的巨头供应商PTC的许可证使用率常年徘徊在30%左右,年均浪费成本超过800万,这事儿在行业内其实挺普遍的。如果说你正在为软件许可证管理头疼&#xf…...

eos低开视图查询,筛选空字符的数据,事件中的查询条件怎么写?

问题描述: eos低开视图查询,筛选空字符的数据,事件中的查询条件怎么写? 解决方案: 查询空字符串,可在查询条件中使op"empty",参考示例如下。 this.finalCondition.and.items.push({propertyName: "n…...

基于单片机的全自动咖啡机控制系统设计

一、摘要 全自动咖啡机控制系统控制系统对于现今的日常家居生活和商业模式售卖都有着重大的影响力,随着社会快节奏的发展,传统的人工冲泡模式效率远远满足不了人们的日常需求,并且在冲调多口味咖啡方面,也没有良好的原料精准配比。…...

Windows下OpenClaw安装详解:对接Kimi-VL-A3B-Thinking图文模型

Windows下OpenClaw安装详解:对接Kimi-VL-A3B-Thinking图文模型 1. 为什么选择OpenClaw与Kimi-VL-A3B-Thinking组合 去年我在处理大量图文资料归档时,发现手动整理效率极低。直到尝试将OpenClaw与Kimi-VL-A3B-Thinking模型对接后,才真正实现…...

3款高效开源工具实现抖音无水印视频解析与下载

3款高效开源工具实现抖音无水印视频解析与下载 【免费下载链接】DouYinBot 抖音无水印下载 项目地址: https://gitcode.com/gh_mirrors/do/DouYinBot 🎯 核心价值解析:技术赋能内容获取 在数字化内容爆炸的时代,抖音作为主流短视频平…...

多元化团队从多元化投资机构开始

初创企业往往口头上重视多元化,但在实际招聘实践中却行动缓慢。对于成长阶段的公司来说,从熟悉的硅谷人才渠道招聘是阻力最小的路径,但如果创始人想要一个多元化的团队,就必须从第一个员工开始将这一价值观付诸实践。Taskrabbit创…...

研究表明:员工不懂AI使用方法,企业难辞其咎

员工对AI工具使用方法缺乏了解,这与企业在试点项目、部署和许可证上投入多少资金无关,Forrester的最新研究显示了这一问题。Forrester使用人工智能商数(AIQ)来衡量员工对AI工具的理解程度,结果数据"令人震惊"…...

基于西门子S7-200 PLC与组态王技术的变频恒压供水控制系统设计与实物制作——软硬件设计详解

基于西门子S7-200 PLC和组态王小区变频恒压供水控制系统的设计,可制作对应实物,软硬件设计今天,我决定深入研究一个自动化控制领域中的典型项目:基于西门子S7-200 PLC和组态王软件的小区变频恒压供水控制系统。这个项目听起来有点…...

H5动态公共导航栏

CommonNavBar.vue&#xff1a; <template><divclass"common-nav-bar":style"navBarStyle"><!-- 状态栏占位&#xff0c;可以按项目需要删除或调整高度 --><div class"status-bar-placeholder"></div><!-- 主导…...

时间序列分类新范式:从技术突破到商业落地全指南

时间序列分类新范式&#xff1a;从技术突破到商业落地全指南 【免费下载链接】InceptionTime 项目地址: https://gitcode.com/gh_mirrors/in/InceptionTime 时间序列分类是数据分析领域的核心挑战&#xff0c;传统方法往往在多尺度特征捕捉、实时性分析和复杂场景适应性…...

数据管理效率低下?MongoDB Compass 重新定义数据库可视化:从入门到精通的非线性学习路径

数据管理效率低下&#xff1f;MongoDB Compass 重新定义数据库可视化&#xff1a;从入门到精通的非线性学习路径 【免费下载链接】compass The GUI for MongoDB. 项目地址: https://gitcode.com/gh_mirrors/com/compass 当你面对命令行中密密麻麻的 MongoDB 数据时&…...

三千年的欲望、痕迹与自感:资本批判与伦理中间件

三千年的欲望、痕迹与自感&#xff1a;资本批判与伦理中间件岐金兰 丙午神农---引言&#xff1a;被命名的与未命名的在人类文明的长河中&#xff0c;有一个东西从未缺席&#xff0c;却长期被剥夺了命名的权利。它比语言更古老&#xff0c;比理性更顽强&#xff0c;比任何社会制…...

终极Cursor Pro破解指南:免费解锁AI编程助手完整功能

终极Cursor Pro破解指南&#xff1a;免费解锁AI编程助手完整功能 【免费下载链接】cursor-free-vip [Support 0.45]&#xff08;Multi Language 多语言&#xff09;自动注册 Cursor Ai &#xff0c;自动重置机器ID &#xff0c; 免费升级使用Pro 功能: Youve reached your tria…...

拆解中金2025财报:飞轮效应,如何驱动高质量增长?

2025年的中国资本市场&#xff0c;有三条主线在交汇&#xff1a;创新驱动、资本市场深化改革、个人养老金全面推开。它们分别指向一家投行必须具备的三种能力——资产端的挖掘、交易端的兑现、资金端的配置。 与此同时&#xff0c;证券行业正在经历一场无声的洗牌。牌照红利在…...

HRS广濑电机(HIROSE)推出 AU1 系列获电动车行业顶级制造商采用

HRS广濑电机AU1系列获电动车行业顶级制造商采用作为车载USB Type-C标准化的引领者加速推动下一代车辆的设计进程广濑电机(Hirose Electric)的AU1系列成为连接器行业中首个获大型电动车制造商采纳为其车载USB Type-C接口规格的解决方案。借此契机&#xff0c;我司将与该OEM厂商携…...

nba篮球数据项目书

import pandas as pd import randomdef get_2000_nba_players():"""生成2000条NBA球员数据&#xff08;基于真实球员名 合理数据&#xff09;100%成功&#xff0c;无需网络请求"""# 真实NBA球员名&#xff08;前200名真实球员&#xff09;real_…...