目录
前言
刚刚过去的东京奥运会，中国队取得了不错的成绩。本文将分别基于Pandas和Pyecharts进行数据处理和数据可视化，并利用可视化图表对奥运会相关信息进行展示。
一、导入模块
import pandas as pd
from pyecharts.charts import Timeline, Line, Tree
from pyecharts import options as opts
from pyecharts.commons.utils import JsCode
from pyecharts.globals import ThemeType
二、Pandas数据处理
2.1 读取数据
df = pd.read_csv('D:/天池数据/2020东京奥运会奖牌数据可视化/2020东京奥运会奖牌数据.csv', index_col=0, encoding = 'gb18030')
df.head(10)
2.2 是否有缺失值
df.isnull().any()
各列数据均不存在确实情况。
2.3 查看中国每日数据
# 方法一
df1 = df[df['国家']=='中国']
df1
# 方法二
df1 = df[df.国家 == '中国']
df1
2.4 统计中国、美国、日本、澳大利亚4个国家数据
all_country_data = []
flg = {}
cols = ['国家']
countrys = ['中国','美国','日本','澳大利亚']
for country in countrys:
df1 = df[df['国家']==country]
df_t = df1.copy()
df2 = df.loc[df['国家']==country,['金牌','银牌','铜牌','总计']]
if len(df2.index.tolist()) >= len(cols):
cols += df2.index.tolist()
flg[country] = df1.iloc[:1, -1].values[0]
one_country_data = [country]
datasss = []
for i in range(df2.shape[0]):
datasss.append(df2[:i+1].apply(lambda x:x.sum()).values.tolist())
d1 = pd.DataFrame(data=datasss, columns=['金牌','银牌','铜牌','总计'])
for col in d1.columns:
df_t[col] = d1[col].values
df_t1 = df_t.loc[:,['金牌']]
one_country_data += df_t['金牌'].values.tolist()
all_country_data.append(one_country_data)
all_country_data
生成新的Dataframe：
d2 = pd.DataFrame(data=all_country_data,columns=cols)
d2 = d2.fillna(method = 'ffill',axis=1)
d2
method='ffill':用前一个非缺失值去填充缺失值。
method='bfill':用下一个非缺失值去填充缺失值。
这里采用前一个非缺失值对缺失值进行填充。同时，可根据需要获取多个国家数据，改变 countrys列表即可。
三、Pyecharts绘图
3.1 绘制基础折线图
CHN = []
x_data=cols[1:]
for d_time in cols[1:]:
CHN.append(d2[d_time][d2['国家']=='中国'].values.tolist()[0])
l1 = (
Line()
.add_xaxis(x_data)
# 中国线条
.add_yaxis(
'中国',
CHN,
label_opts=opts.LabelOpts(is_show=True))
.set_global_opts(
title_opts=opts.TitleOpts(
title='中国金牌',
pos_left='center',
),
yaxis_opts=opts.AxisOpts(
name='金牌/枚',
is_scale=True,
max_=40),
legend_opts=opts.LegendOpts(is_show=False),
)
)
l1.render_notebook()
3.2 加载样式
# 背景色
background_color_js = (
"new echarts.graphic.LinearGradient(0, 0, 0, 1, "
"[{offset: 0, color: '#c86589'}, {offset: 1, color: '#06a7ff'}], false)"
)
# 线条样式
linestyle_dic = { 'normal': {
'width': 4,
'shadowColor': '#696969',
'shadowBlur': 10,
'shadowOffsetY': 10,
'shadowOffsetX': 10,
}
}
timeline = Timeline(init_opts=opts.InitOpts(bg_color=JsCode(background_color_js),
width='980px',height='600px'))
timeline.add_schema(is_auto_play=True, is_loop_play=True,
is_timeline_show=True, play_interval=500)
CHN = []
x_data=cols[1:]
for d_time in cols[1:]:
CHN.append(d2[d_time][d2['国家']=='中国'].values.tolist()[0])
line = (
Line(init_opts=opts.InitOpts(bg_color=JsCode(background_color_js),
width='980px',height='600px'))
.add_xaxis(x_data)
# 中国线条
.add_yaxis(
'中国',
CHN,
symbol_size=10,
is_smooth=True,
label_opts=opts.LabelOpts(is_show=True),
markpoint_opts=opts.MarkPointOpts(
data=[opts.MarkPointItem(
name="",
type_='max',
value_index=0,
symbol='image://'+ flg['中国'],
symbol_size=[40, 25],
)],
label_opts=opts.LabelOpts(is_show=False),
)
)
.set_series_opts(linestyle_opts=linestyle_dic,label_opts=opts.LabelOpts(font_size=12, color='red' ))
.set_global_opts(
title_opts=opts.TitleOpts(
title='中国金牌',
pos_left='center',
pos_top='2%',
title_textstyle_opts=opts.TextStyleOpts(
color='#DC143C', font_size=20)
),
xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=14, color='red'),
axisline_opts=opts.AxisLineOpts(is_show=True,
linestyle_opts=opts.LineStyleOpts(width=2, color='#DB7093'))),
yaxis_opts=opts.AxisOpts(
name='金牌/枚',
is_scale=True,
max_=40,
name_textstyle_opts=opts.TextStyleOpts(font_size=16,font_weight='bold',color='#FFD700'),
axislabel_opts=opts.LabelOpts(font_size=13,color='red'),
splitline_opts=opts.SplitLineOpts(is_show=True,
linestyle_opts=opts.LineStyleOpts(type_='dashed')),
axisline_opts=opts.AxisLineOpts(is_show=True,
linestyle_opts=opts.LineStyleOpts(width=2, color='#DB7093'))
),
legend_opts=opts.LegendOpts(is_show=False, pos_right='1.5%', pos_top='2%',
legend_icon='roundRect',orient = 'horizontal'),
)
)
line.render_notebook()
3.3 动态展示中国每日金牌数据
# 背景色
background_color_js = (
"new echarts.graphic.LinearGradient(0, 0, 0, 1, "
"[{offset: 0, color: '#c86589'}, {offset: 1, color: '#06a7ff'}], false)"
)
# 线条样式
linestyle_dic = {'normal': {
'width': 4,
'shadowColor': '#696969',
'shadowBlur': 10,
'shadowOffsetY': 10,
'shadowOffsetX': 10,
}
}
timeline = Timeline(init_opts=opts.InitOpts(bg_color=JsCode(background_color_js),
width='980px', height='600px'))
timeline.add_schema(is_auto_play=True, is_loop_play=True,
is_timeline_show=True, play_interval=500)
CHN = []
x_data = cols[1:]
for d_time in cols[1:]:
CHN.append(d2[d_time][d2['国家'] == '中国'].values.tolist()[0])
line = (
Line(init_opts=opts.InitOpts(bg_color=JsCode(background_color_js),
width='980px', height='600px'))
.add_xaxis(x_data)
# 中国线条
.add_yaxis(
'中国',
CHN,
symbol_size=10,
is_smooth=True,
label_opts=opts.LabelOpts(is_show=True),
markpoint_opts=opts.MarkPointOpts(
data=[opts.MarkPointItem(
name="",
type_='max',
value_index=0,
symbol='image://' + flg['中国'],
symbol_size=[40, 25],
)],
label_opts=opts.LabelOpts(is_show=False),
)
)
.set_series_opts(linestyle_opts=linestyle_dic, label_opts=opts.LabelOpts(font_size=12, color='red'))
.set_global_opts(
title_opts=opts.TitleOpts(
title='中国金牌',
pos_left='center',
pos_top='2%',
title_textstyle_opts=opts.TextStyleOpts(color='#DC143C', font_size=20)),
xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=14, color='red'),
axisline_opts=opts.AxisLineOpts(is_show=True,
linestyle_opts=opts.LineStyleOpts(width=2, color='#DB7093'))),
yaxis_opts=opts.AxisOpts(
name='金牌/枚',
is_scale=True,
max_=40,
name_textstyle_opts=opts.TextStyleOpts(
font_size=16, font_weight='bold', color='#FFD700'),
axislabel_opts=opts.LabelOpts(
font_size=13, color='red', rotate=15),
splitline_opts=opts.SplitLineOpts(is_show=True,
linestyle_opts=opts.LineStyleOpts(type_='dashed')),
axisline_opts=opts.AxisLineOpts(is_show=True,
linestyle_opts=opts.LineStyleOpts(width=2, color='#DB7093'))
),
legend_opts=opts.LegendOpts(is_show=True, pos_right='1%', pos_top='2%',
legend_icon='roundRect', orient='vertical'),
)
)
timeline.add(line, '{}'.format(d_time))
timeline.render_notebook()
3.4 增加其他国家每日金牌数据
# 背景色
background_color_js = (
"new echarts.graphic.LinearGradient(0, 0, 0, 1, "
"[{offset: 0, color: '#c86589'}, {offset: 1, color: '#06a7ff'}], false)"
)
# 线条样式
linestyle_dic = { 'normal': {
'width': 4,
'shadowColor': '#696969',
'shadowBlur': 10,
'shadowOffsetY': 10,
'shadowOffsetX': 10,
}
}
timeline = Timeline(init_opts=opts.InitOpts(bg_color=JsCode(background_color_js),
width='980px',height='600px'))
timeline.add_schema(is_auto_play=True, is_loop_play=True,
is_timeline_show=True, play_interval=500)
CHN, USA, JPN, AUS = [], [], [], []
x_data=cols[1:]
for d_time in cols[1:]:
CHN.append(d2[d_time][d2['国家']=='中国'].values.tolist()[0])
USA.append(d2[d_time][d2['国家']=='美国'].values.tolist()[0])
JPN.append(d2[d_time][d2['国家']=='日本'].values.tolist()[0])
AUS.append(d2[d_time][d2['国家']=='澳大利亚'].values.tolist()[0])
line = (
Line(init_opts=opts.InitOpts(bg_color=JsCode(background_color_js),
width='980px',height='600px'))
.add_xaxis(x_data)
# 中国线条
.add_yaxis(
'中国',
CHN,
symbol_size=10,
is_smooth=True,
label_opts=opts.LabelOpts(is_show=True),
markpoint_opts=opts.MarkPointOpts(
data=[ opts.MarkPointItem(
name="",
type_='max',
value_index=0,
symbol='image://'+ flg['中国'],
symbol_size=[40, 25],
)],
label_opts=opts.LabelOpts(is_show=False),
)
)
# 美国线条
.add_yaxis(
'美国',
USA,
symbol_size=5,
is_smooth=True,
label_opts=opts.LabelOpts(is_show=True),
markpoint_opts=opts.MarkPointOpts(
data=[
opts.MarkPointItem(
name="",
type_='max',
value_index=0,
symbol='image://'+ flg['美国'],
symbol_size=[40, 25],
)
],
label_opts=opts.LabelOpts(is_show=False),
)
)
# 日本线条
.add_yaxis(
'日本',
JPN,
symbol_size=5,
is_smooth=True,
label_opts=opts.LabelOpts(is_show=True),
markpoint_opts=opts.MarkPointOpts(
data=[ opts.MarkPointItem(
name="",
type_='max',
value_index=0,
symbol='image://'+ flg['日本'],
symbol_size=[40, 25],
)],
label_opts=opts.LabelOpts(is_show=False),
)
)
# 澳大利亚线条
.add_yaxis(
'澳大利亚',
AUS,
symbol_size=5,
is_smooth=True,
label_opts=opts.LabelOpts(is_show=True),
markpoint_opts=opts.MarkPointOpts(
data=[ opts.MarkPointItem(
name="",
type_='max',
value_index=0,
symbol='image://'+ flg['澳大利亚'],
symbol_size=[40, 25],
)],
label_opts=opts.LabelOpts(is_show=False),
)
)
.set_series_opts(linestyle_opts=linestyle_dic)
.set_global_opts(
title_opts=opts.TitleOpts(
title='中国 VS 美国 VS 日本 VS 澳大利亚',
pos_left='center',
pos_top='2%',
title_textstyle_opts=opts.TextStyleOpts(
color='#DC143C', font_size=20)
),
xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=14, color='red'),
axisline_opts=opts.AxisLineOpts(is_show=True,
linestyle_opts=opts.LineStyleOpts(width=2, color='#DB7093'))),
yaxis_opts=opts.AxisOpts(
name='金牌/枚',
is_scale=True,
max_=40,
name_textstyle_opts=opts.TextStyleOpts(font_size=16,font_weight='bold',color='#FFD700'),
axislabel_opts=opts.LabelOpts(font_size=13,color='red',rotate=15),
splitline_opts=opts.SplitLineOpts(is_show=True,
linestyle_opts=opts.LineStyleOpts(type_='dashed')),
axisline_opts=opts.AxisLineOpts(is_show=True,
linestyle_opts=opts.LineStyleOpts(width=2, color='#DB7093'))
),
legend_opts=opts.LegendOpts(is_show=True, pos_right='1%', pos_top='2%',
legend_icon='roundRect',orient = 'vertical'),
))
timeline.add(line, '{}'.format(d_time))
timeline.render_notebook()
3.5 2020东京奥运会奖牌数世界分布
import requests
from pyecharts.charts import Map
# 获取数据：
url = 'https://app-sc.miguvideo.com/vms-livedata/olympic-medal/total-table/15/110000004609'
r = requests.get(url, timeout=30)
r.raise_for_status()
r.encoding = r.apparent_encoding
datas = r.json()['body']['allMedalData']
df = pd.DataFrame()
for data in datas:
df = df.append([[
data['countryName'],
data['goldMedalNum'],
data['silverMedalNum'],
data['bronzeMedalNum'],
data['totalMedalNum']]])
df.columns = ['国家', '金牌', '银牌', '铜牌', '奖牌']
df = df.reset_index(drop=True)
df['国家'].replace('俄奥委会','俄罗斯',inplace=True)
name_map = {
'Singapore Rep.': '新加坡',
...
'Comoros': '科摩罗'
}
m0 = (
Map()
.add("奖牌数", [list(z) for z in zip(df['国家'].values, df['奖牌'].values)], "world", is_map_symbol_show=False,
is_roam=False, name_map=name_map)
.set_series_opts(label_opts=opts.LabelOpts(is_show=False))
.set_global_opts(
title_opts=opts.TitleOpts(title="2020东京奥运会奖牌数世界分布"),
legend_opts=opts.LegendOpts(is_show=False),
visualmap_opts=opts.VisualMapOpts(
is_show=True,
max_=120,
is_piecewise=True,
split_number = 8,
),
)
)
m0.render_notebook()
首先，利用requests库爬取相关数据，并对数据进行相应的处理；之后，利用pyecharts绘制map地图对奖牌数的世界发布进行可视化。
3.6 2020东京奥运会金牌世界分布
m1 = (
Map()
.add("金牌", [list(z) for z in zip(df['国家'].values, df['金牌'].values)], "world", is_map_symbol_show=False,
is_roam=False, name_map=name_map)
.set_series_opts(label_opts=opts.LabelOpts(is_show=False))
.set_global_opts(
title_opts=opts.TitleOpts(title="2020东京奥运会金牌世界分布"),
legend_opts=opts.LegendOpts(is_show=False),
visualmap_opts=opts.VisualMapOpts(is_show=True, max_=40,
is_piecewise=True,
split_number = 8,
range_color=['#FFFFE0', '#FFA07A', '#CD5C5C', '#8B0000']
),
)
)
m1.render_notebook()
3.7 2020东京奥运会奖牌世界分布(动态)
timeline = Timeline(init_opts=opts.InitOpts(theme=ThemeType.DARK))
timeline.add_schema(is_auto_play=True, is_loop_play=True,
is_timeline_show=False, play_interval=800)
colls=['奖牌','金牌','银牌','铜牌']
maxx = [120,40,40,40]
for index, col in enumerate(colls):
m = (
Map()
.add(col, [list(z) for z in zip(df['国家'].values, df[col].values)], "world", is_map_symbol_show=False,
is_roam=False, name_map=name_map)
.set_series_opts(label_opts=opts.LabelOpts(is_show=False))
.set_global_opts(
legend_opts=opts.LegendOpts(is_show=False),
visualmap_opts=opts.VisualMapOpts(is_show=False,
max_=maxx[index],
is_piecewise=True,
split_number = 20,
),
graphic_opts=[opts.GraphicGroup(graphic_item=opts.GraphicItem(
rotation=JsCode("Math.PI / 4"),
bounding="raw",
right=110,
bottom=110,
z=100),
children=[
opts.GraphicRect(
graphic_item=opts.GraphicItem(
left="center", top="center", z=100
),
graphic_shape_opts=opts.GraphicShapeOpts(
width=400, height=50
),
graphic_basicstyle_opts=opts.GraphicBasicStyleOpts(
fill="rgba(0,0,0,0.3)"
),
),
opts.GraphicText(
graphic_item=opts.GraphicItem(
left="center", top="center", z=100
),
graphic_textstyle_opts=opts.GraphicTextStyleOpts(
text="2020奥运会{}分布".format(col),
font="bold 26px Microsoft YaHei",
graphic_basicstyle_opts=opts.GraphicBasicStyleOpts(
fill="#fff"
),
),
),
],
)
],
)
)
timeline.add(m, "{}分布".format(col))
timeline.render_notebook()
总结
本文利用Pandas对数据进行处理，并利用Pyecharts绘制折线图（Line）和地图（Map），并通过添加时间轴组件（Timeline）对奥运会数据进行动态的可视化展示。Pyecharts相关的参数说明以及其他类型的图表制作可以参阅Pyecharts的官方文档简介 - pyecharts - A Python Echarts Plotting Library built with love.
Original: https://blog.csdn.net/JUV_7/article/details/120938481
Author: 黄金猎犬
Title: 2020东京奥运会奖牌数据可视化
相关阅读
Title: conda安装指定版本TensorFlow
文章目录
一、系统环境
操作系统：Windows7 64位，
Python环境：Python3.7；conda 4.10.3
目标版本：TensorFlow1.14.0
二、安装步骤
预处理：在开始安装之前，建议检查一下环境变量是否配置正常，在Path中查看
D:\anaconda\condabin
D:\anaconda\Scripts
D:\anaconda\Library\bin
D:\anaconda\
如果后面出现"WARNING: pip is configured with locations that require TLS/SSL, however the ssl module in Python is not available"异常，大概率是环境变量问题。
1.如果先前配置过清华等镜像地址，建议首先执行
conda config --remove-key channels
将Anaconda的源恢复为默认
出现报错
CondaKeyError: 'channels': key 'channels' is not in the config file
即为恢复成功。
关于源的配置在"C:\Users\Administrator.condarc"文件中，恢复成功后可以看到：
show_channel_urls: true
2.然后需要配置源
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/win-64
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/win-64
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/win-64
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/win-64
conda config --set show_channel_urls yes
注意，这里要配置位http，配置https会出现关于ssl异常的报错
此外，在镜像地址后都添加了/win-64，这是根据清华镜像文件存放位置决定的，清华镜像地址为：https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
如果pip某些包发生"当前平台不存在该文件"异常，可以通过镜像目录查找文件地址
配置完成后，同样可以进入"C:\Users\Administrator.condarc"文件中进行确认
show_channel_urls: true
channels:
- http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/win-64
- http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/win-64
- http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/win-64
- http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/win-64
如果存在"- default"，请进行删除
3.上面两步都是针对镜像源的配置，接下来才是TensorFlow的流程。首先要配置虚拟环境。
conda create -n
如果出现了"CondaHTTPError: HTTP 000 CONNECTION FAILED for url"异常，就是上两步配置错了，就不要继续下面的步骤了。（这里主要考虑镜像地址问题，还有http问题）
4.安装完成后，需要激活虚拟环境，我这里是
activate tensorflow
有些人是"conda activate tensorflow"，但我这里会报错，找不到该命令。
然后对TensorFlow进行安装，我这里网络安装没有成功，所以直接下载了TensorFlow1.14.0文件
从镜像源处下载tensorflow并安装，镜像源地址：
https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple/tensorflow/
找到对应自己python版本的文件
注意，这里首先是找TensorFlow版本，即1.14.0，然后是python版本号，对应cp37，如果是python3.5就是cp35；最后是平台，即win_amd64
下载完成后，在激活的虚拟环境中执行
pip install D:\tensorflow-1.14.0-cp37-cp37m-win_amd64.whl
安装成功！！！
Original: https://blog.csdn.net/weixin_48289706/article/details/124981481
Author: finallhz
Title: conda安装指定版本TensorFlow
相关文章
人工智能
Android文字转语音播报
文章目录 前言 一、实现方式 * 1.Android系统自带TTS 2.第三方语音框架：云知声离线语音(32位：armeabi-v7a)、... 二、Android系统自带TTS * 1.集成工具类T...
人工智能
K-MEANS算法
python实例： import pandas as pd df = pd.read_csv('./datasets/ch1ex1.csv') points = df.values df.head()...
人工智能
百度语音合成模型Deep Voice3
INTRODUCTION Deep Voice3是由百度提出的一个全新的全卷积TTS架构。百度的主要工作分为如下五个方面： 提出了一个全卷积的 character-to-spectrogram 架构，...
人工智能
如何迭代pandas dataframe的行
How to iterate over rows in a DataFrame in Pandas-DataFrame按行迭代 在对DataFrame进行操作时，我们不可避免的需要逐行查看或操作数据，...
人工智能
地理空间聚类:种类和用途
详细综述的所有不同类型的集群与他们的用例 地理空间聚类（Geospatial Clustering） 地理空间聚类是将一组空间对象分组为称为"聚类"的组的方法。簇内的对象表现出高度的相似性，而簇则尽可...
人工智能
损失函数小结
损失函数用于衡量真实值y_true和预测值y_pred之间的差异。通常情况下y_true和y_pred维度相同，但特殊情况下维度不同，一般来讲框架(包括tensorflow和mindspore)会支持...
人工智能
[tensorflow]各个tensorflow版本和CUDA版本对应，以及各个GPU版本CUDA和cuDNN对应
目录 各个CPU版本tensorflow对应的环境要求 各个GPU版本tensorflow对应的CUDA版本 各个版本的CUDA和英伟达显卡驱动对应表 缺失cudnn64_7.dll文件 查看本地CU...
人工智能
PX4从放弃到精通（二十六）：GPS驱动
文章目录 前言 一、主程序 二、receive函数 三、parseChar函数 四、handleMessage函数 五、回调函数 * 1.configure函数 2.回调函数实现 前言 PX4 1.1...
人工智能
【动手学习深度学习】循环神经网络-3.语言模型
上一篇：【动手学习深度学习】循环神经网络-2.文本预处理 文章目录 * - 3.语言模型 - + 3.1 学习语言模型 + 3.2 马尔科夫模型与n元语法 + 3.3 自然语言统计 + 3.4 随机采...
人工智能
STGCN、ASTGCN、STSGCN、STFGNN模型的对比实验操作步骤
前言 这是我的本科毕业设计，没有用这些大佬们发布的数据集，第一是因为老师会说没有工作量，第二是他们的数据集都是预处理好了，比如PeMSD7如果要更其它的模型比较就没办法像ASTGCN、STSGCN、S...
人工智能
win10安装GPU版tensorflow和pycharm
环境:win11 下载：Anaconda3，Python3.8.0,tensorflow 2.5.0.注意：官网已说明tensorflow2以上不区分gpu和cpu版本。 总纲领：tensorflow...
人工智能
Tensorflow for Java + Spark-Scala分布式机器学习计算框架的应用实践
import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers ...
人工智能
如何实现声音克隆？
声音克隆项目地址 https://github.com/babysor/MockingBird 介绍 Python 深度学习AI - 声音克隆、声音模仿，是一个三阶段的深度学习框架，允许从几秒钟的音频...
人工智能
深度学习环境配置：Windows安装TensorFlow并在Jupyter notebook上使用
前言 深度学习环境配置：Windows安装TensorFlow并在Jupyter notebook上使用 01. 安装Anaconda 官网下载地址：https://www.anaconda.com/...
人工智能
【老生谈算法】matlab实现Kmeans聚类算法源码——Kmeans聚类算法
; matlab实现Kmeans聚类算法代码实现 1、文档下载： 本算法已经整理成文档如下，有需要的朋友可以点击进行下载 序号 文档（点击下载） 本项目文档 【老生谈算法】matlab实现Kmeans...
![[论文阅读笔记12]MeMOT: Multi-Object Tracking with Memory, 有记忆的MOT算法](https://www.itcode1024.com/wp-content/themes/begin/prune.php?src=https://img-blog.csdnimg.cn/36f091813592489488aa0c97d9dffe71.png#pic_center&w=280&h=210&a=&zc=1)
