|
更多干貨內(nèi)容請關(guān)注微信公眾號“AI 前線”，（ID：ai-front） 去年我在使用 Medium 平臺時，只用它來讀別人寫的文章，也就是在消費內(nèi)容，從而讀了一大堆關(guān)于 Python 的文章。最近，我開始使用該平臺的社區(qū)功能，例如去關(guān)注別的開發(fā)者。我也學(xué)會了如何給別人的文章點贊，并將這些文章中最有趣部分的標(biāo)注出來。我的目標(biāo)是成為 Medium 平臺開發(fā)者社區(qū)中的活躍成員。 我還意識到，既然在平臺上讀了這么多精彩的內(nèi)容，我有義務(wù)對社區(qū)做一些回饋。這是我創(chuàng)作我的第一篇文章“我們?yōu)楹涡枰?Python 環(huán)境，以及如何用 Conda 管理 Python（原標(biāo)題：Why you need Python environments and how to manage them with Conda，鏈接： https://medium./why-you-need-python-environments-and-how-to-manage-them-with-conda-85f155f4353c）”的主要意圖之一。 在本文中，我想要向你分享 從去年至今我發(fā)現(xiàn)的最有趣、最深刻、最有啟發(fā)性的文章。 我的另一個目標(biāo)是創(chuàng)建一個系統(tǒng)、全面的列表，為 Python 學(xué)員們記錄最有價值的內(nèi)容。 我收藏了非常多精彩的資源，很難說哪一個是最好的。因此，我將這些文章分為 10 類——順便一提，這也恰好反映出 Python 的多用途、多目標(biāo)的性質(zhì)。 這些類別如下：
在你正式開始閱讀之前，我還要再啰嗦一句：你應(yīng)該怎樣利用這篇文章呢？你并不需要一口氣將本文讀完。你只需收藏本文，然后將其作為入門教程或參考手冊。有了上面的分類，你可以直接跳到你最感興趣的部分。 如果我這篇文章有任何的遺漏，或是你有其他好的資源推薦，歡迎留言，以便于我升級本文內(nèi)容。在此謝過了！ 此文是一個全面的 Python 介紹。如果你初學(xué) Python，那么這篇文章是必讀的。文章介紹了 Python 的基礎(chǔ)知識：變量、控制流、循環(huán)及迭代、集合類、數(shù)組、結(jié)構(gòu)體、字典等等。此文也涵蓋了面向?qū)ο缶幊痰幕A(chǔ)。因此，如果你剛剛開始學(xué)習(xí) Python 開發(fā)，那么從此文開始讀起是最合適的。 Learning Python: From Zero to Hero https://medium./learning-python-from-zero-to-hero-120ea540b567 你是否了解 Python 中下劃線 ( _ ) 的特殊含義呢？Python 中的下劃線有五種不同用法。閱讀這篇文章學(xué)習(xí)一下吧！ Understanding the underscore( _ ) of Python https:///understanding-the-underscore-of-python-309d1a029edc 數(shù)據(jù)類（data classes）是 Python3.7 中的一個全新的特性。當(dāng)需要創(chuàng)建特定數(shù)據(jù)域的類時，數(shù)據(jù)類可以大大簡化模型。這篇文章為數(shù)據(jù)類提供了一個通俗易懂的解釋，并給出了幾個例子。 A brief tour of Python 3.7 data classes https:///a-brief-tour-of-python-3-7-data-classes-22ee5e046517 Python3.6 中有聲明類型的語法。但是你需要使用外部工具，如 mypy 或 PyCharm，來強制類型檢查。這篇文章非常適合入門學(xué)習(xí)如何在你的代碼中實現(xiàn)靜態(tài)類型。 How to Use Static Type Checking in Python 3.6 https:///@ageitgey/learn-how-to-use-static-type-checking-in-python-3-6-in-10-minutes-12c86d72677b 該教程展示了一個迭代器類（itertor class）的例子，并講解了各種不同的生成器函數(shù)（generator functions）。
How?—?and why?—?you should use Python Generators https://medium./how-and-why-you-should-use-python-generators-f6fb56650888 這篇文章和接下來的一篇（1.7）講解了 Python 中的多線程和并行處理的相關(guān)知識。這一篇簡介了 Python 的有關(guān)進程和線程的并行處理特性，下一篇文章介紹了更多高級知識。 Intro to Threads and Processes in Python https:///@bfortuner/python-multithreading-vs-multiprocessing-73072ce5600b 本文很好地概覽了多線程及其最復(fù)雜部分：線程同步及通信。 Let's Synchronize Threads in Python https:///synchronization-primitives-in-python-564f89fee732 本文給出了一些數(shù)據(jù)科學(xué)領(lǐng)域編寫產(chǎn)品級別代碼的建議。這些建議有助于組織、優(yōu)化你的代碼。文章包含許多主題，包括日志、instrumentation 及測試，介紹了版本控制的基礎(chǔ)知識，并就代碼可靠性給出了若干建議。文章中的建議很中肯，而且很有實用價值。 How to write a production-level code in Data Science? https:///how-to-write-a-production-level-code-in-data-science-5d87bd75ced 如果你剛剛?cè)腴T Pandas 和 DataFrames，并對 SQL 理解得比較到位，那么我強烈建議你閱讀這篇文章。這篇文章整理了一個珍貴的術(shù)語庫，并附有樣例。文章可以幫助你將 SQL 查詢需求轉(zhuǎn)換為 Pandas 語法并學(xué)習(xí)使用這一新語法。 How to rewrite your SQL queries in Pandas https:///how-to-rewrite-your-sql-queries-in-pandas-and-more-149d341fc53e Python 開發(fā)者們很高產(chǎn)，但大家應(yīng)該都聽說過這件事：Python 很慢。我覺得這篇文章很有必要一讀，因為它介紹了 Python 的性能優(yōu)化特性。
Yes, Python is Slow, and I Don't Care https:///yes-python-is-slow-and-i-dont-care-13763980b5a1 如果你需要用 Pandas 處理海量數(shù)據(jù)，你便需要格外注意編碼方式，以求性能最優(yōu)化。 本篇及下一篇文章回顧了在 Pandas DataFrame 下實現(xiàn)函數(shù)的幾種方法，并對比了他們的運行速度。 A Beginner's Guide to Optimizing Pandas Code for Speed https://engineering./a-beginners-guide-to-optimizing-pandas-code-for-speed-c09ef2c6a4d6 在 Pandas DataFrame 下實現(xiàn)函數(shù)的另外一些方法。這些方法利用并行來獲取更快的速度。 Data Pre-Processing in Python: How I learned to love parallelized applies with Dask and Numba https:///how-i-learned-to-love-parallelized-applies-with-python-pandas-dask-and-numba-f06b0b367138 本文比較了三種并行 IO 操作方法的內(nèi)存效率。最新的方法是使用 asyncio 模塊。該模塊是 Python 3.5 及以上版本的 Python 標(biāo)準(zhǔn)庫的一部分。如果你希望你的代碼既性能好又內(nèi)存占用小，那么你很適合讀一下這篇文章。 Memory efficiency of parallel IO operations in Python https://code./memory-efficiency-of-parallel-io-operations-in-python-6e7d6c51905d 這篇文章講解了如何使用 Aho-Corasick 算法和字典樹數(shù)據(jù)結(jié)構(gòu)在海量數(shù)據(jù)中進行搜索和替換關(guān)鍵字。這種巧妙的操作令我十分驚嘆。 Regex was taking 5 days to run. So I built a tool that did it in 15 minutes https://medium./regex-was-taking-5-days-flashtext-does-it-in-15-minutes-55f04411025f 這篇文章展示了多進程 Python 應(yīng)用的一個高級優(yōu)化技術(shù)。 Dismissing Python Garbage Collection at Instagram https://engineering./dismissing-python-garbage-collection-at-instagram-4dca40b29172 介紹了一個速度奇快的新型微服務(wù)框架：Japronto。 A million requests per second with Python https://medium./million-requests-per-second-with-python-95c137af319 這個教程很適合新手入門。該教程總結(jié)了 PyCharm 和 Anaconda 的安裝過程，并含有一個十分鐘左右的視頻，向你展示安裝的詳細步驟。 Install PyCharm and Anaconda (Windows/Mac/Ubuntu) https:///@GalarnykMichael/setting-up-pycharm-with-anaconda-plus-installing-packages-windows-mac-db2b158bd8c 這篇文章講解了如何在軟件開發(fā)過程中使用 Docker。對于新手是一個很好的入門教程。 Docker 是一個開源工具，可在軟件容器內(nèi)部自動部署應(yīng)用。 Docker Tutorial?—?Getting Started with Python, Redis, and Nginx https:///docker-tutorial-getting-started-with-python-redis-and-nginx-81a9d740d091 本文是個非常好的教程，附有示例 Docker 文件——如果你在使用 Docker 開發(fā) Python Web 應(yīng)用，那么這篇文章值得一看！ How to write Dockerfiles for Python Web Apps https://blog./how-to-write-dockerfiles-for-python-web-apps-6d173842ae1d Apache Spark 是一個大型數(shù)據(jù)處理引擎，可以通過 PySpark 庫在 Python 中使用。在大數(shù)據(jù)和機器學(xué)習(xí)領(lǐng)域，該庫是一個優(yōu)秀的原型構(gòu)建工具。這篇文章可作為在 Python 中使用 Spark 的入門教程。 Get Started with PySpark and Jupyter Notebook in 3 Minutes https://blog./get-started-pyspark-jupyter-guide-tutorial-ae2fe84f594f 對于 Python 程序員來說，Jupyter 是一個必不可少的工具。這篇文章很好地介紹了 Jupyter 的最新版本。 JupyterLab first impressions https:///@brianray_7981/jupyterlab-first-impressions-e6d70d8a175d 這篇文章采用展示示例代碼和視頻的形式，講解了八大機器學(xué)習(xí)算法：線性回歸，邏輯回歸，決策樹，支持向量機，K 近鄰，隨機森林，K-Means 聚類及主成分分析。這是我最喜歡的文章之一，初學(xué)者必讀。 The Hitchhiker's Guide to Machine Learning in Python https://medium./the-hitchhikers-guide-to-machine-learning-algorithms-in-python-bfad66adb378 本系列共 7 篇文章非常精彩（感謝作者 Daniel Jeffries 的貢獻?。Ｖ豢礃?biāo)題就可以知道：不擅長數(shù)學(xué)不代表你學(xué)不懂人工智能原理！試一試吧——真的很值得一讀！
Learning AI if You Suck at Math —— Part 1 https:///learning-ai-if-you-suck-at-math-8bdfb4b79037 Learning AI if You Suck at Math —— Part 2 —— Practical Projects https:///learning-ai-if-you-suck-at-math-part-two-practical-projects-47d7a1e4e21f Learning AI if You Suck at Math —— Part 3 —— Building an AI Dream Machine or Budget Friendly Special https:///learning-ai-if-you-suck-at-math-p3-building-an-ai-dream-machine-or-budget-friendly-special-d5a3023140ef Learning AI if You Suck at Math —— Part 4 —— Tensors Illustrated (with Cats!) https:///learning-ai-if-you-suck-at-math-p4-tensors-illustrated-with-cats-27f0002c9b32 Learning AI if You Suck at Math —— Part 5 —— Deep Learning and Convolutional Neural Nets in Plain English https:///learning-ai-if-you-suck-at-math-p5-deep-learning-and-convolutional-neural-nets-in-plain-english-cda79679bbe3 Learning AI if You Suck at Math —— Part 6 —— Math Notation Made Easy! https:///learning-ai-if-you-suck-at-math-p6-math-notation-made-easy-1277d76a1fe5 Learning AI if You Suck at Math —— Part 7 —— The Magic of Natural Language Processing https:///learning-ai-if-you-suck-at-math-p7-the-magic-of-natural-language-processing-f3819a689386 參與 Kaggle 比賽是一個提升機器學(xué)習(xí)技術(shù)的絕佳方式。該教程向你展示了如何解決一個 Kaggle 上的機器學(xué)習(xí)問題，并向比賽提交你的結(jié)果。 Machine Learning Zero-to-Hero: Everything you need in order to compete on Kaggle for the first time https:///machine-learning-zero-to-hero-everything-you-need-in-order-to-compete-on-kaggle-for-the-first-time-18644e701cf1 TensorFlow 1.3 介紹了三種新的高級框架：Estimator，Experiment 和 Dataset。這篇文章講解了這三種框架，并給出了使用樣例。 Higher-Level APIs in TensorFlow https:///onfido-tech/higher-level-apis-in-tensorflow-67bfb602e6c0 這篇教程講解了如何使用 Flask 和 TensorFlow serving 使你的 TensorFlow 模型可以從 web 上訪問。 現(xiàn)在你有一個模型，你希望能從 web 上訪問它。實現(xiàn)這一功能的方法有好幾種，但最快、最健壯的方法就是使用 TensorFlow serving。 Deploy TensorFlow models https:///deploy-tensorflow-models-9813b5a705d5 線性回歸是在因變量和一個或多個獨立變量之間建立線性關(guān)系的方法。它是機器學(xué)習(xí)領(lǐng)域中應(yīng)用最廣泛的算法之一。 這篇文章講解了線性回歸的數(shù)學(xué)基礎(chǔ)，然后給出了使用 Python Statsmodels 和 Scikit-Learn 庫的例子。如果你是一個新手，我強烈建議你閱讀這篇文章。 Simple and Multiple Linear Regression in Python https:///simple-and-multiple-linear-regression-in-python-c928425168f9 在這篇文章中，Elior 講解了三種維數(shù)約減方法：主成分分析（PCA），t-SNE 和自編碼器。 “我們對于維度約減的需求常常與可視化相關(guān)（將維度約減為 2-3 維以供作圖），但也不全是這樣。有時候我們可能會對性能要求較高，可以忍受一些精度上的犧牲。這樣，我們就能將 1,000 維的數(shù)據(jù)約減到 10 維，從而更快地操作這些數(shù)據(jù)（比如計算距離）?！?/p> Reducing Dimensionality from Dimensionality Reduction Techniques https:///reducing-dimensionality-from-dimensionality-reduction-techniques-f658aec24dfe 這份教程介紹了使用隨機森林解決機器學(xué)習(xí)問題的詳細步驟。該文講解得十分細致，從數(shù)據(jù)的準(zhǔn)備和清洗，到模型的構(gòu)建和改進，再到最后的結(jié)果可視化。十分值得一讀。 Random Forest in Python https:///random-forest-in-python-24d0893d51c0 在機器學(xué)習(xí)領(lǐng)域中，需要學(xué)習(xí)的概念有很多。其中之一便是邏輯回歸。這篇文章提供了一個良好的起點，我已經(jīng)給我的學(xué)員們推薦了好幾次了。 “邏輯回歸是一種機器學(xué)習(xí)分類算法，用來預(yù)測因變量所屬類別的概率。在邏輯回歸中，因變量是一個二元變量，其數(shù)據(jù)值為 1（表示‘是’‘成功’等等）或 0（表示‘否’‘失敗’等等）。” Building A Logistic Regression in Python https:///building-a-logistic-regression-in-python-step-by-step-becd4d56c9c8 該系列教程介紹了特征工程。特征工程是數(shù)據(jù)科學(xué)家最重要的任務(wù)之一。特征工程的本質(zhì)是什么？下面引述了一個經(jīng)典的解釋：
Understanding Feature Engineering (Part 1) —— Continuous Numeric Data https:///understanding-feature-engineering-part-1-continuous-numeric-data-da4e47099a7b Understanding Feature Engineering (Part 2) —— Categorical Data https:///understanding-feature-engineering-part-2-categorical-data-f54324193e63 Understanding Feature Engineering (Part 3) —— Traditional Methods for Text Data https:///understanding-feature-engineering-part-3-traditional-methods-for-text-data-f6f7d70acd41 Understanding Feature Engineering (Part 4) —— Deep Learning Methods for Text Data https:///understanding-feature-engineering-part-4-deep-learning-methods-for-text-data-96c44370bbfa 這篇文章展示了十種實用的機器學(xué)習(xí)算法，解釋了其基本概念，并推薦了入門級的 Python 庫和介紹教程。 Ten Machine Learning Algorithms You Should Know to Become a Data Scientist https:///ten-machine-learning-algorithms-you-should-know-to-become-a-data-scientist-8dc93d8ca52e 我愛好知識共享，而 OpenDataScience 的機器學(xué)習(xí)課程是一個很好的資源。如果你對這個系列感興趣，你可以從這篇文章的開頭找到課程的所有主題。 Open Machine Learning Course. Topic 1. Exploratory Data Analysis with Pandas https:///open-machine-learning-course/open-machine-learning-course-topic-1-exploratory-data-analysis-with-pandas-de57880f1a68 本文是很好的時間序列分析的入門文章。文中包含了一個評估 Tesla 和 GM 股價的例子，還用 Facebook Prophet 包構(gòu)建了一個預(yù)測模型。 Time Series Analysis in Python: An Introduction https:///time-series-analysis-in-python-an-introduction-70d5a5b1d52a FaceID 的實現(xiàn)算法是蘋果公司的專利產(chǎn)品。這篇文章分析了 FaceID 可能的工作原理，并使用 Siamese 卷積網(wǎng)絡(luò)給出了一個 FaceID 的實現(xiàn)，對概念加以驗證。 How I implemented iPhone X's FaceID using Deep Learning in Python https:///how-i-implemented-iphone-xs-faceid-using-deep-learning-in-python-d5dbaa128e1d 根據(jù)這個教程，你可以學(xué)到如何使用 TensorFlow 在 COCO 數(shù)據(jù)集上搭建自己的物體識別引擎。 Tracking the Millennium Falcon with TensorFlow https://medium./tracking-the-millenium-falcon-with-tensorflow-c8c86419225e 近日，人們提出了用深度神經(jīng)網(wǎng)絡(luò)換臉的概念。Deepfakes 是這一領(lǐng)域最有名的算法之一。該算法甚至被用于一些主流媒體中。 這篇文章展示了換臉?biāo)惴ㄈ绾螒?yīng)用在游戲行業(yè)中，并解釋了該算法的基本原理。我相信我們從中可以得出這樣一個結(jié)論：深度學(xué)習(xí)幾乎可以被應(yīng)用到任何行業(yè) / 領(lǐng)域中。 Using Deep Learning to improve FIFA 18 graphics https:///using-deep-learning-to-improve-fifa-18-graphics-529ec44ea37e 我對圖像識別的概念很感興趣。這篇文章采用了“邊做邊學(xué)”的思想，主要講述了構(gòu)建以下兩個應(yīng)用的詳細步驟：
Deep Learning with Keras on Google Compute Engine https:///google-cloud/keras-inception-v3-on-google-compute-engine-a54918b0058 通過使用相似任務(wù)的預(yù)訓(xùn)練網(wǎng)絡(luò)，你可以讓自己的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度更快。 “眾所周知，卷積網(wǎng)絡(luò)的訓(xùn)練需要消耗大量數(shù)據(jù)和資源。例如，ImageNet ILSVRC 模型的訓(xùn)練使用了 120 萬張圖片、多個 GPU，耗時長達 2-3 周。” How to use transfer learning and fine-tuning in Keras and Tensorflow to build an image recognition system and classify (almost) any object https:///how-to-use-transfer-learning-and-fine-tuning-in-keras-and-tensorflow-to-build-an-image-recognition-94b0b02444f2 文本分類是自然語言處理中的基本概念之一。這篇教程介紹步驟如下：
Machine Learning, NLP: Text Classification using scikit-learn, python and NLTK https:///machine-learning-nlp-text-classification-using-scikit-learn-python-and-nltk-c52b92a7c73a 這篇文章講解了文本分類的工作原理，并演示了如何用兩層神經(jīng)網(wǎng)絡(luò)實現(xiàn)文本分類。 Text Classification using Neural Networks https:///text-classification-using-neural-networks-f5cd7b8765c6 這篇文章介紹了如何將對話內(nèi)容定義轉(zhuǎn)換為 TensorFlow 模型，以及如何據(jù)此搭建聊天機器人框架。 Contextual Chatbots with Tensorflow https:///contextual-chat-bots-with-tensorflow-4391749d0077 通過學(xué)習(xí)本教程，你可以自己創(chuàng)建一個簡單的基于 Telegram 的聊天機器人，并在 Heroku 上部署這個機器人。 How to Create and Deploy a Telegram Bot? https:///how-to-create-and-deploy-a-telegram-bot-2addd8aec6b4 這是另一個基于 Telegram 的聊天機器人的例子。該文章講解了如何利用 Zappa 工具將機器人部署到 AWS Lambda 平臺上。該任務(wù)一周就能完成，聽起來很有趣，不是嗎？：） I built a serverless Telegram bot over the weekend. Here's what I learned https://medium./how-to-build-a-server-less-telegram-bot-227f842f4706 該系列文章和接下來的一篇文章（7.2）可以幫助你通過搭建一個區(qū)塊鏈了解其工作原理。我一直喜歡通過動手做來學(xué)，這也是為什么我尤其喜歡這類文章。 Let's Build the Tiniest Blockchain https:///crypto-currently/lets-build-the-tiniest-blockchain-e70965a248b 文章的第二部分： Let's Make the Tiniest Blockchain Bigger https:///crypto-currently/lets-make-the-tiniest-blockchain-bigger-ac360a328f4d Learn Blockchains by Building One https:///learn-blockchains-by-building-one-117428612f46 利用 Python 微框架 Flask 創(chuàng)建 Python 全棧應(yīng)用的優(yōu)秀教程。 How to use Python and Flask to build a web app?—?an in-depth tutorial https://medium./how-to-use-python-and-flask-to-build-a-web-app-an-in-depth-tutorial-437dbfe9f1c6 這篇文章分為 3 部分。作者是一個軟件工程師，正在為一個個人項目搭建微服務(wù)。小提示：構(gòu)建個人項目是提升開發(fā)技術(shù)的絕佳方式！該系列教程內(nèi)容如下： 搭建微服務(wù)的框架： Building Microservices with Python, Part 1 https:///@ssola/building-microservices-with-python-part-i-5240a8dcc2fb 在 Docker 中創(chuàng)建微服務(wù)的基礎(chǔ)設(shè)施： Building Microservices with Python, Part 2 https:///@ssola/building-microservices-with-python-part-2-9f951199094a 最后同樣重要的，構(gòu)建微服務(wù)的商業(yè)邏輯： Building Microservices with Python, Part 3 https:///@ssola/building-microservices-with-python-part-3-a556a4c4bc00 ElasticSearch 是實現(xiàn)自由文本搜索的一個優(yōu)秀的工具。通過學(xué)習(xí)本教程，你可以構(gòu)建一個 ElasticSearch 服務(wù)器，向其上再如數(shù)據(jù)，并將其與一個基于 Django 的應(yīng)用連接起來。 ElasticSearch with Django the easy way https://medium./elasticsearch-with-django-the-easy-way-909375bc16cb BeautifulSoup 是一個抽取 HTML 頁面數(shù)據(jù)的有用工具。這篇文章闡述了其工作原理。 How to scrape websites with Python and BeautifulSoup https://medium./how-to-scrape-websites-with-python-and-beautifulsoup-5946935d93fe 利用 Scrapy，你可以下載網(wǎng)站并使用 CSS 選擇器從 HTML 頁面中抽取數(shù)據(jù)。這是 web 爬取的一個成熟的解決方案。這篇文章演示了這種機制是如何工作的，并給出了一個從真實網(wǎng)站中爬取數(shù)據(jù)的例子。 Using Scrapy to Build your Own Dataset https:///using-scrapy-to-build-your-own-dataset-64ea2d7d4673 這篇文章解釋了如何使用 Selenium webdriver 和 Geckodriver 來打開一個瀏覽器窗口并用 Python 控制該窗口。 30-minute Python Web Scraper https:///30-minute-python-web-scraper-39d6d038e5da 這篇文章為使用 Python 中的 API 提供了一個很好的例子。我相信作者提出了一個重要問題：在瘋狂襲來的信息海洋中選擇最有用信息是一個很困難的任務(wù)。實際上這也就是我創(chuàng)建這篇文章合集供大家參考的原因。 Medium 平臺上有大量內(nèi)容、諸多用戶和堆積如山的文章。當(dāng)你想要尋找最有趣的用戶來與之互動時，你常常會被洪水般的視覺噪聲所干擾。 How I used Python to find interesting people to follow on Medium https://medium./how-i-used-python-to-find-interesting-people-on-medium-be9261b924b0 這篇文章給出了一個非常實用的表格，幫助你根據(jù)應(yīng)用場景選擇合適的數(shù)據(jù)可視化方法。隨后，文章深入分析了 6 種數(shù)據(jù)可視化類型，并給出了使用 Python Matplotlib 的例子，實現(xiàn)了以下內(nèi)容：兩種散點圖，線圖，柱狀圖，條形圖和箱形圖。 5 Quick and Easy Data Visualizations in Python with Code https:///5-quick-and-easy-data-visualizations-in-python-with-code-a2284bae952f 這一系列文章回答了以下問題：“如何為我們的可視化添加交互功能？”該教程使用 Python，帶領(lǐng)你體驗完全交互的例子，即 Bokeh 交互可視化庫，并附有公共數(shù)據(jù)集。 Data Visualization with Bokeh in Python, Part I: Getting Started https:///data-visualization-with-bokeh-in-python-part-one-getting-started-a11655a467d4 Data Visualization with Bokeh in Python, Part II: Interactions https:///data-visualization-with-bokeh-in-python-part-ii-interactions-a4cf994e2512 Data Visualization with Bokeh in Python, Part III: Making a Complete Dashboard https:///data-visualization-with-bokeh-in-python-part-iii-a-complete-dashboard-dc6a86aa6e23 以上就是文章合集的所有內(nèi)容。衷心感謝這些優(yōu)秀的資源，其中有很多已經(jīng)為我的 Python 學(xué)員們提供了幫助。我在閱讀整理的過程中也學(xué)到了很多。 如果喜歡本合集，請點贊，以便更多的人能看到這篇文章。如果有任何建議或問題，歡迎留言！ 感謝大家的閱讀！ 最后還要感謝我的妻子 Krisztina Szerovay 為本文設(shè)計封面！ |
|
|
