python学习——day07

迈不过友情╰ 2022-05-18 02:52 374阅读 0赞

本文参与「少数派读书笔记征文活动」[https://sspai.com/post/45653][https_sspai.com_post_45653]

参考文章：[http://www.cnblogs.com/graceting/p/3877214.html][http_www.cnblogs.com_graceting_p_3877214.html]

首先，归结今天遇到的问题：

**1.主函数：**Python使用缩进对齐组织代码的执行，所有没有缩进的代码（非函数定义和类定义），都会在载入时自动执行，这些代     码，可以认为是Python的main函数。为了区分主执行文件还是被调用的文件，Python引入了一个变量\_\_name\_\_，当文件是被调     用时，\_\_name\_\_的值为模块名，当文件被执行时，\_\_name\_\_为'\_\_main\_\_'

**   典型的Python文件结构：  
![70][]**

**2.缩进：**python采用标准的4个空格缩进，Pycharm设置缩进：File->Setting->Editor->Code Style->Python  
**3.raw\_input()：**将所有输入作为字符串看待，返回字符串类型；直接读取控制台的输入（任何类型的输入它都可以接收）

#raw_input() 将所有输入作为字符串看待
    a = raw_input("input:")
    >>> input:123
    type(a)
    >>> <type 'str'>              # 字符串
    a = raw_input("input:")
    >>> input:runoob
    type(a)
    >>> <type 'str'>              # 字符串

#input() 需要输入 python 表达式
    a = input("input:")
    >>> input:123                  # 输入整数
    type(a)
    >>> <type 'int'>               # 整型
    a = input("input:")    
    >>> input:"runoob"           # 正确，字符串表达式
    type(a)
    >>> <type 'str'>             # 字符串
    a = input("input:")
    >>> input:runoob               # 报错，不是表达式
    Traceback (most recent call last):
      File "<stdin>", line 1, in <module>
      File "<string>", line 1, in <module>
    NameError: name 'runoob' is not defined

**4.跟踪异常：**

import traceback
    try:
        1/0
    except Exception e:
        #print e    #只报错，不能了解哪个文件哪个函数哪一行出错
        traceback.print_exc()    #直接打印，还可接受file参数直接写入到一个文件
        #traceback.format_exc()   #返回字符串

**5.pycharm科学模式(Scientific Mode)：**  
如果主要利用python进行数据分析，可以采用科学模式，具体介绍见：[http://www.jetbrains.com/help/pycharm/matplotlib-support.html][http_www.jetbrains.com_help_pycharm_matplotlib-support.html]  
**6.控制台闪退：**将python程序打包成可执行文件后运行，程序出错时会闪退，可以在程序中使用try...except捕获异常，并在except末尾加上os.system("pause")  
备注：  
1.只添加os.system("pause")不捕获异常，仍然会闪退  
2.如果是GUI程序且程序正常运行不需要控制台，可以加上-w参数：**pyinstaller -w -F xxx.py  
7.python文件的关闭函数close()：  
txt=open("xxx.txt","r").read()** 返回的是字符串txt，不是文件句柄，所有txt.close()无效；此语句后程序会自动关闭文件。

### 实例1（体育竞技分析：模拟N场比赛——室内排球） ###

\-输入：球员的水平  
\-输出：可预测的比赛成绩

**比赛规则：**  
\-双人击球比赛：A&B,回合制，5局3胜(1-4局25分，第五局15分，且每局比分相差2分及以上)  
\-开始时一方先发球，直至判分，接下来胜者发球

**-计算思维：抽象+自动化  
\-模拟：抽象比赛过程+自动化执行N场比赛**

**自顶向下**  
\-将一个总问题表达为若干个小问题组成的形式  
\-使用同样方法进一步分解小问题  
\-直至，小问题可以用计算机简单明了的解决

**自底向上（执行）**  
\-分单元测试，逐步组装  
\-按照自顶向下相反的路径操作  
\-直至，系统各部分以组装的额思路都经过测试和验证

**第一阶段：程序总体框架及步骤（步骤->函数->参数）**  
步骤：  
1.打印程序的介绍性信息        -printIntro()  
2.从用户处获得程序运行参数：运动员A/B的能力值以及模拟比赛的场次、数量    -getInputs()  
3.利用球员的能力值，模拟n场比赛（即n次模拟一场比赛）    -simNGames()  
4.输出球员A和B获胜比赛的场次及概率        -printSummary()

![70 1][]

# CalSportCompeV1.py
    
    #排球运动
    
    import random
    import os
    
    #打印提示信息
    def printInfo():
    	print("这个程序模拟两个选手A和B的某种竞技比赛：")
    	print("程序运行需要A和B的能力值（以0到1之间的小数表示）：")
    
    
    #获取输入信息
    def getInputs():
    	proA = eval(input("请输入选手A的能力值（0-1）："))
    	proB = eval(input("请输入选手B的能力值（0-1）："))
    	n = eval(input("模拟比赛的场次："))
    	return proA, proB, n
    
    
    def simNGames(proA, proB, n):
    	countA, countB = 0, 0
    	for i in range(n):          #n场模拟依次进行
    		if SimOneGame(proA, proB) == 1:     #A方赢
    			countA += 1
    		else:       #B方赢
    			countB += 1
    	return countA, countB
    
    
    def SimOneGame(proA, proB):
    	#随机决定发球方（正式排球比赛中，通常以抛硬币的方式决定）
    	temp=0.5
    	while temp == 0.5:
    		temp = random.random()
    	if temp<0.5:
    		serve = "A"  # 发球方
    	else:
    		serve="B"
    
    	setA,setB=0,0       #赢的回合数
    	while not gameOver(setA,setB):
    		scoreA, scoreB = 0, 0       #每回合的分数
    		while not setOver(scoreA, scoreB,setA+setB+1):      #每回合的最后一分肯定是此回合胜方所发，所以不需要再手动设定发球方
    			if serve == "A":
    				if random.random() < proA:      #A方赢
    					scoreA += 1
    				else:
    					scoreB+=1
    					serve = "B"
    			else:
    				if random.random() < proB:      #B方赢
    					scoreB += 1
    				else:
    					scoreA+=1
    					serve = "A"
    
    		if scoreA>scoreB:
    			setA+=1
    		else:
    			setB+=1
    
    	return (1 if (setA > setB) else 0)
    
    #判断回合是否结束
    def setOver(scoreA, scoreB,sets):
    	if sets==5:         #若比赛进行到第5回合
    		if scoreA >= 15 or scoreB >= 15:
    			if(abs(scoreA-scoreB)>=2):      #满15分相差2分及以上才算结束
    				return True
    			else:       #未满15分
    				False
    		else:
    			return False
    	else:           #第1-4回合
    		if scoreA >= 25 or scoreB >= 25:
    			if(abs(scoreA-scoreB)>=2):       #满25分相差2分及以上才算结束
    				return True
    			else:
    				return False
    		else:       #未满25分
    			return False
    
    #判断比赛是否结束
    def gameOver(setA,setB):
    	if setA==3 or setB==3:      #先赢三局者获胜
    		return True
    	else:
    		return False
    
    #输出最终结果
    def printSummary(countA, countB):
    	print("选手A获胜{0}场比赛，占比{1:.2f}%".format(countA, countA / (countA + countB) * 100))
    	print("选手B获胜{0}场比赛，占比{1:.2f}%".format(countB, countB / (countA + countB) * 100))
    
    
    #主函数
    #main()
    if __name__ == "__main__":
    	printInfo()
    	proA, proB, n = getInputs()
    	print("竞技分析开始，共模拟{}场比赛".format(n))
    	countA, countB = simNGames(proA, proB, n)
    	printSummary(countA, countB)
    	#os.system("pause")

输出：  
这个程序模拟两个选手A和B的某种竞技比赛：  
程序运行需要A和B的能力值（以0到1之间的小数表示）：  
请输入选手A的能力值（0-1）：0.66  
请输入选手B的能力值（0-1）：0.7  
模拟比赛的场次：1000  
竞技分析开始，共模拟1000场比赛  
选手A获胜277场比赛，占比27.70%  
选手B获胜723场比赛，占比72.30%  
(ps:即使是看起来很小的差距，场次多了，差距还是大呀)

### 计算思维：第3种人类思维特征 ###

![70 2][]

**python学习方法**

![70 3][]  
**应用开发的四个步骤：**  
1.产品定义：对应用需求充分理解和明确定义  
2.系统架构：以系统方式思考产品的技术实现  
3.设计与实现：结合架构完成关键设计与系统实现  
4.用户体验：从用户角度思考应用效果

### **安装Python第三方库：** ###

**Python社区：**PyPI(Python Package Index) [https://pypi.org/][https_pypi.org]

**方法1：使用pip命令**  
pip install <库名>：安装  
pip install -U <库名>：更新  
pip uninstall <库名>：卸载  
pip download <库名>：下载但不安装  
pip show <库名>:列出库的详细信息  
pip search <关键词>：根据关键词和库名搜索库  
pip list:当前系统已经安装的库

**方法2：集成安装方法**  
Anaconde开发环境：支持近800个第三方库([https://www.anaconda.com/][https_www.anaconda.com])  
包含多个主流工具  
适合数据计算领域开发

**方法3：文件安装方法**  
**\*有些第三方库没有提供可执行文件而是源文件，安装前需要编译**  
UCI页面：[https://www.lfd.uci.edu/~gohlke/pythonlibs/][https_www.lfd.uci.edu_gohlke_pythonlibs]  
给出了windows系统上第三方库编译后的可执行文件

### OS库：提供通用的、基本的操作系统交互功能（Windows、Mac OS、Linux） ###

**路径操作：os.path子库，处理文件路径及信息**

<table> 
 <tbody> 
  <tr> 
   <td style="width:340px;"><strong>函数</strong></td> 
   <td style="width:443px;"><strong>描述</strong></td> 
  </tr> 
  <tr> 
   <td style="width:340px;">os.path.abspath(path)</td> 
   <td style="width:443px;">返回path在当前系统中的绝对路径</td> 
  </tr> 
  <tr> 
   <td style="width:340px;">os.path.normpath(path)</td> 
   <td style="width:443px;">归一化path的表示形式，同一用\\分隔符</td> 
  </tr> 
  <tr> 
   <td style="width:340px;">os.path.relpath(path)</td> 
   <td style="width:443px;">返回当前程序与文件之间的相对路径</td> 
  </tr> 
  <tr> 
   <td style="width:340px;">os.path.dirname(path)</td> 
   <td style="width:443px;"> <p>返回path中的目录名称</p> <p>os.path.dirname("D://PYE//file.txt")</p> <p>&gt;&gt;&gt;&nbsp; 'D://PYE'</p> </td> 
  </tr> 
  <tr> 
   <td style="width:340px;">os.path.basename(path)</td> 
   <td style="width:443px;"> <p>返回path中最后的文件名称</p> <p>os.path.basename("D://PYE//file.txt")</p> <p>&gt;&gt;&gt; 'file.txt'</p> </td> 
  </tr> 
  <tr> 
   <td style="width:340px;">os.path.join(path,*paths)</td> 
   <td style="width:443px;"> <p>组合path与paths，返回一个路径字符串</p> <p>os.path.join("D:/","PYE/file.txt")</p> <p>&gt;&gt;&gt; 'D:/PYE/file.txt'</p> </td> 
  </tr> 
  <tr> 
   <td style="width:340px;">os.path.exists(path)</td> 
   <td style="width:443px;">判断path所对应文件或目录是否存在，返回True或False</td> 
  </tr> 
  <tr> 
   <td style="width:340px;">os.path.isfile(path)</td> 
   <td style="width:443px;">判断path所对应是否为已存在的文件，返回True或False</td> 
  </tr> 
  <tr> 
   <td style="width:340px;">os.path.isdir(path)</td> 
   <td style="width:443px;">判断path所对应是否为已存在的目录，返回True或False</td> 
  </tr> 
  <tr> 
   <td style="width:340px;">os.path.getatime(path)</td> 
   <td style="width:443px;"> <p>返回path对应文件或目录上一次的访问时间（可用time库格式化）</p> <p>time.ctime(os.path.getatime("D:/PYE/file.txt"))</p> <p>&gt;&gt;&gt; 'Sun Feb 11 21:43:53 2018'</p> </td> 
  </tr> 
  <tr> 
   <td style="width:340px;">os.path.getmtime(path)</td> 
   <td style="width:443px;">返回path对应文件或目录最近一次的修改时间</td> 
  </tr> 
  <tr> 
   <td style="width:340px;">os.path.getctime(path)</td> 
   <td style="width:443px;">返回path对应文件或目录的创建时间</td> 
  </tr> 
  <tr> 
   <td style="width:340px;">os.path.getsize(path)</td> 
   <td style="width:443px;">返回path对应文件的大小，以字节为单位</td> 
  </tr> 
 </tbody> 
</table>

获取当前目录路径和上级路径

import os
    
    #获取当前目录
    print(os.getcwd())
    print(os.path.abspath(os.path.dirname(__file__)))
    #获取上级目录
    print(os.path.abspath(os.path.dirname(os.path.dirname(__file__))))
    print(os.path.abspath(os.path.dirname(os.getcwd())))
    print(os.path.abspath(os.path.join(os.getcwd(),"..")))
    #获取上上经济目录
    print(os.path.abspath(os.path.join(os.getcwd(),"../..")))

**进程管理：启动系统中其他程序**  
os.system(command)  
\-执行程序或命令command  
\-在Windows系统中，返回值为cmd的调用返回信息

import os
    os.system("C:\\Windows\\System32\\calc.exe")         #运行计算机程序
    >>> 0

os.system("C:\\Windows\\System32\\mspaint.exe \
    F:\\PycharmProjects\\project1\\data\\pywcloud2.png")      #运行画图工具，并自动打开一张图片

**环境参数：获得系统软硬件信息等环境参数**

<table> 
 <tbody> 
  <tr> 
   <td style="width:348px;"><strong>函数</strong></td> 
   <td style="width:471px;"><strong>描述</strong></td> 
  </tr> 
  <tr> 
   <td style="width:348px;">os.chdir(path)</td> 
   <td style="width:471px;">修改当前程序操作的路径</td> 
  </tr> 
  <tr> 
   <td style="width:348px;">os.getcwd</td> 
   <td style="width:471px;">返回程序的当前路径</td> 
  </tr> 
  <tr> 
   <td style="width:348px;">os.getlogin()</td> 
   <td style="width:471px;">获得当前系统登录用户名称</td> 
  </tr> 
  <tr> 
   <td style="width:348px;">os.cpu_count()</td> 
   <td style="width:471px;">获得当前系统的CPU数量</td> 
  </tr> 
  <tr> 
   <td style="width:348px;">os.urandom(n)</td> 
   <td style="width:471px;">获得n个字节长度的随即字符串，通常用于加解密运算</td> 
  </tr> 
 </tbody> 
</table>

### 实例2：第三方库自动安装脚本 ###

（友情提示：别在pycharm中运行，在控制台用python运行就好，否则容易卡掉。。。）

<table> 
 <tbody> 
  <tr> 
   <td><strong>库名</strong></td> 
   <td style="width:500px;"><strong>用途</strong></td> 
  </tr> 
  <tr> 
   <td>NumPy</td> 
   <td style="width:500px;">N维数据表示和运算</td> 
  </tr> 
  <tr> 
   <td>Matplotlib</td> 
   <td style="width:500px;">二维数据可视化</td> 
  </tr> 
  <tr> 
   <td>PIL</td> 
   <td style="width:500px;">图像处理</td> 
  </tr> 
  <tr> 
   <td>Scikit-Learn</td> 
   <td style="width:500px;">机器学习和数据挖掘</td> 
  </tr> 
  <tr> 
   <td>Requests</td> 
   <td style="width:500px;">HTTP协议访问及网络爬虫</td> 
  </tr> 
  <tr> 
   <td>Beautiful Soup</td> 
   <td style="width:500px;">HTML和XML解析器</td> 
  </tr> 
  <tr> 
   <td>Wheel</td> 
   <td style="width:500px;">Python第三方库文件打包工具</td> 
  </tr> 
  <tr> 
   <td>Django</td> 
   <td style="width:500px;">Python最流行的Web开发框架</td> 
  </tr> 
  <tr> 
   <td>Flask</td> 
   <td style="width:500px;">轻量级Web开发框架</td> 
  </tr> 
  <tr> 
   <td>WeRoBot</td> 
   <td style="width:500px;">微信机器人开发框架</td> 
  </tr> 
  <tr> 
   <td>SymPy</td> 
   <td style="width:500px;">数学符号计算工具</td> 
  </tr> 
  <tr> 
   <td>Pandas</td> 
   <td style="width:500px;">高效数据分析和计算</td> 
  </tr> 
  <tr> 
   <td>Networks</td> 
   <td style="width:500px;">复杂网络和图结构的建模和分析</td> 
  </tr> 
  <tr> 
   <td>PyQt5</td> 
   <td style="width:500px;">基于Qt的专业级GUI开发框架</td> 
  </tr> 
  <tr> 
   <td>PyOpenGL</td> 
   <td style="width:500px;">多平台OpenGL开发接口</td> 
  </tr> 
  <tr> 
   <td>PyPDF2</td> 
   <td style="width:500px;">PDF文件内容提取及处理</td> 
  </tr> 
  <tr> 
   <td>docopt</td> 
   <td style="width:500px;">Python命令行解析</td> 
  </tr> 
  <tr> 
   <td>PyGame</td> 
   <td style="width:500px;">简单小游戏开发框架</td> 
  </tr> 
 </tbody> 
</table>

#BatchInstall.py
    
    import os
    import traceback
    
    libs={"matplotlib","pillow","sklearn","requests","beautifulsoup4","wheel",\
          "networks","sympy","django","flask","werobot","pyqt5","pandas",\
          "pyopengl","pypdf2","docopt","pygame"}
    global lib
    
    try:
    	for lib in libs:
    		os.system("pip3 install "+lib)
    		print("Successful——"+lib)
    except:
    	print("Failed Somehow——"+lib)
    	traceback.print_exc()

### 一、从数据处理到人工智能 ###

数据表示(用程序表达)->数据清洗(归一化、数据转换、异常值处理)->数据统计(数量、分布、中位数等)->数据可视化->数据挖掘(获取、产生数据外的价值)->人工智能(数据/语言/图像/视觉等方面深度分析与决策)

**Python库之数据分析**

*  Numpy:表达N维数组的最基础库 [http://www.numpy.org/][http_www.numpy.org]
 *  Pandas:Python数据分析高层次应用库  [http://pandas.pydata.org/ ][http_pandas.pydata.org]  
    Series=索引+一维数据  
    DataFrame=行列索引+二维数据
 *  SciPy:数学、科学和工程计算功能库 [https://www.scipy.org/ ][https_www.scipy.org_]  
    傅里叶变换、信号处理类、线性代数类、图像处理类、稀疏图压缩类、稀疏图运算类、优化算法类

**Python库之数据可视化**

*  Matplotlib:高质量的二维数据可视化功能库 [https://matplotlib.org/][https_matplotlib.org]
 *  Seaborn:统计类数据可视化功能库 [http://seaborn.pydata.org/][http_seaborn.pydata.org]
 *  Mayavi:三位科学数据可视化功能库 [http://docs.enthought.com/mayavi/mayavi/][http_docs.enthought.com_mayavi_mayavi]

**Python库之文本处理**

*  PyPDF2:用来处理pdf文件的工具箱 [http://mstamy2.github.io/PyPDF2/][http_mstamy2.github.io_PyPDF2]
 *  NLTK:自然语言文本处理（支持语言文本分类、标记、语法句法、语义分析等） [http://www.nltk.org/][http_www.nltk.org]
 *  Python-docx:创新或更新Microsoft Word文件的第三方库 [http://python-docx.readthedocs.io/en/latest/index.html][http_python-docx.readthedocs.io_en_latest_index.html]

**Python库之机器学习**

*  Scikit-learn:机器学习方法工具集 [http://scikit-learn.org/][http_scikit-learn.org]  
    \-提供一批统一化的机器学习方法功能接口  
    \-提供聚类、分类、回归、强化学习等计算功能
 *  TensorFlow:AlphaGo背后的机器学习计算框架  [http://www.tensorflow.org/][http_www.tensorflow.org]
 *  MXNet:基于神经网络的深度学习计算框架 [http://mxnet.incubator.apache.org/][http_mxnet.incubator.apache.org]  
    \-提供可扩展的神经网络及深度学习计算功能  
    \-可用于自动驾驶、机器翻译、语音识别等众多领域

import numpy as np
    from PyPDF2 import PdfFileReader,PdfFileMerger
    from nltk.corpus import treebank #corpus是保留字
    from docx import Document
    import tensorflow as tf
    
    #Numpy
    def npSum():
    	a=np.array([0,1,2,3,4])
    	b=np.array([9,8,7,6,5])
    	c=a**2+b**3
    
    	return c
    
    print(npSum())
    
    #PyPDF2
    merger=PdfFileMerger()      #pdf文件合并
    input1=opne("document1.pdf","rb")
    input2=open("document2.pdf","rb")
    merger.append(fileobj=input1,pages(0,3))
    merger.merge(position=2,fileobj=input2,pages(0,1))
    output=open("document-output.pdf","wb")
    merger.write(output)
    
    #NLTK
    t=treebank.parsed_sents('wsj_0001.mrg')[0]
    t.draw()
    
    #Python-docx
    document=Document()
    document.add_heading('Document Title',0)    #标题
    p=document.add_paragraph('A plain paragraph having some') #段落
    document.add_page_break()   #分页符
    document.save('demo.docx')      #生成外部文件
    
    #TensorFlow
    init=tf.global_variables_initializer()
    sess=tf.Session()
    sess.run(init)
    res=sess.run(result)
    print('result:'+res)

### 实例3：霍兰德人格分析雷达图 ###

\-需求：雷达图方式验证霍兰德人格分析  
\-输入：各职业人群结合兴趣的调研数据

#HollandRadarDraw
    
    import numpy as np
    import matplotlib.pyplot as plt
    import matplotlib
    
    """
    The font.family property has five values: 'serif' (e.g., Times), ## 'sans-serif' (e.g., Helvetica), '
    cursive' (e.g., Zapf-Chancery), ## 'fantasy' (e.g., Western), and 'monospace' (e.g., Courier).  
    Each of ## these font families has a default list of font
    """
    matplotlib.rcParams['font.family']='SimHei'   #黑体
    radar_labels=np.array(['研究型(I)','艺术型(A)','社会型(S)','企业型(E)','常规型(C)','现实型(R)'])
    #            艺术家 实验员 工程师 推销员 社会工作者 记事员
    data=np.array([[0.40,0.32,0.35,0.30,0.30,0.88],   #研究型
                   [0.85,0.35,0.30,0.40,0.40,0.30],   #艺术型
                   [0.43,0.89,0.30,0.28,0.22,0.30],   #社会型
                   [0.30,0.25,0.48,0.85,0.45,0.40],   #企业型
                   [0.20,0.38,0.87,0.45,0.32,0.28],   #常规型
                   [0.34,0.31,0.38,0.40,0.92,0.28]])  #现实型
    #数值的大小用"圆半径"表示
    data_labels=("艺术家","实验员","工程师","推销员","社会工作者","记事员")
    
    """
    numpy.linespace(start,stop,num=50,endpoint=True,retstep=False,dtype=None)
    在制定的间隔内返回均匀间隔的数字
    num:整数，可选，默认=50，即样本的数量，不可为负
    endpoint:端点，可选，默认=True，即包含stop点
    dtype:输出数组的类型，可选，如果不给出具体值，则自动参考输入变量
    step:浮点数，可选，当restep=True时，返回样本的间距
    """
    angles=np.linspace(0,2*np.pi,6,endpoint=False)   #2*pi，即360度
    #[0   1.04719755 2.0943951  3.14159265 4.1887902  5.23598776]
    
    """
    numpy.concatenate((a1,a2,...),axis=0,out=None)
    沿着现有的轴连接一串数组
    a1,a2,...:除了与轴对应的维度（默认情况下为第一个）外，数组必须具有相同的形状
    axis:数组将要连接的轴，默认值为0
    out:存放返回值
    """
    data=np.concatenate((data,[data[0]]))       #data的最后一行数据即对应angles“翻转一圈”后的0度
    """
    data=[[0.4  0.32 0.35 0.3  0.3  0.88]
     [0.85 0.35 0.3  0.4  0.4  0.3 ]
     [0.43 0.89 0.3  0.28 0.22 0.3 ]
     [0.3  0.25 0.48 0.85 0.45 0.4 ]
     [0.2  0.38 0.87 0.45 0.32 0.28]
     [0.34 0.31 0.38 0.4  0.92 0.28]
     [0.4  0.32 0.35 0.3  0.3  0.88]]
     
     data[0]——numpy.ndarray
     [data[0]]——list
     data——numpy.ndarray
    """
    angles=np.concatenate((angles,[angles[0]]))     #角度
    #[0   1.04719755 2.0943951  3.14159265 4.1887902  5.23598776  0]
    
    fig=plt.figure(facecolor="white")   #设置背景颜色
    plt.subplot(111,polar=True)     #由“横纵坐标图”变成“雷达图”
    """
    subplot(nrows,ncols,index,**kwargs)
    返回给定网格位置的子图轴
    如果nrows，ncols和index都小于10，它们也可以作为单个连接的三位数给出，
    subplot(2,3,3)和subplot(233)都在当前窗口右上角创建了轴线，占据了
    1/3的宽度和1/2的高度
    polar:默认=False，判断子图是否是极坐标的投影
    """
    plt.plot(angles,data,'o-',linewidth=1,alpha=0.2)    #alpha透明度
    """
    plot(*args,**kwargs)
    """
    plt.fill(angles,data,alpha=0.25)    #“横纵坐标与plot相同”（0 45 90 135 180 225 270 315 ）
    """
    fill(*args,**kwargs)
    通过提供多个x,y,[color]组绘制多个多边形,并填充
    """
    plt.thetagrids(angles*180/np.pi,radar_labels,frac=1.2)  #“修正角度”；绕一圈圆周(0,60,120,180,240,300,0)
    """
    thetagrids(*args,**kwargs)
    在极坐标图中得到或设置网格线的theta位置
    frac是极轴半径的一部分，标明标签的位置（(1 is the edge). e.g., 
    1.05 is outside the axes and 0.95 is inside the axes.）
    """
    plt.figtext(0.52,0.95,'霍兰德人格分析',ha='center',size=20)
    """
    figtext(x,y,s,*args,**kwargs)
    x,y:float，文本在坐标系中的位置
    s:文本1
    ha/horizontalalignment：{'center','right','left'}
    size/fontsize
    """
    legend=plt.legend(data_labels,loc=(0.94,0.80),labelspacing=0.1)
    """
    legend(*args,**kwargs)
    labelspacing:图例条目之间的垂直空间，以字体大小单位测量
    """
    plt.setp(legend.get_texts(),fontsize='large')
    """
    setp(*args,*kwargs)——getp
    即set property
    """
    plt.grid(True)  #网格呈现
    #plt.savefig('holland_radar.jpg')        #保存输出图形
    plt.show()

输出：  
![70 4][]

# #

[https_sspai.com_post_45653]: https://sspai.com/post/45653
[http_www.cnblogs.com_graceting_p_3877214.html]: http://www.cnblogs.com/graceting/p/3877214.html
[70]: /images/20220518/80339048293c4f2ba6f926dbb58c3385.png
[http_www.jetbrains.com_help_pycharm_matplotlib-support.html]: http://www.jetbrains.com/help/pycharm/matplotlib-support.html
[70 1]: /images/20220518/156b7149c40b4faa9f739339206dc790.png
[70 2]: /images/20220518/8d1cef67e66c437189f48629fb48e0c4.png
[70 3]: /images/20220518/2b864b603053410cbf0d4a4f774f57c4.png
[https_pypi.org]: https://pypi.org/
[https_www.anaconda.com]: https://www.anaconda.com/
[https_www.lfd.uci.edu_gohlke_pythonlibs]: https://www.lfd.uci.edu/~gohlke/pythonlibs/
[http_www.numpy.org]: http://www.numpy.org/
[http_pandas.pydata.org]: http://pandas.pydata.org/%C2%A0
[https_www.scipy.org_]: https://www.scipy.org/
[https_matplotlib.org]: https://matplotlib.org/
[http_seaborn.pydata.org]: http://seaborn.pydata.org/
[http_docs.enthought.com_mayavi_mayavi]: http://docs.enthought.com/mayavi/mayavi/
[http_mstamy2.github.io_PyPDF2]: http://mstamy2.github.io/PyPDF2/
[http_www.nltk.org]: http://www.nltk.org/
[http_python-docx.readthedocs.io_en_latest_index.html]: http://python-docx.readthedocs.io/en/latest/index.html
[http_scikit-learn.org]: http://scikit-learn.org/
[http_www.tensorflow.org]: http://www.tensorflow.org/
[http_mxnet.incubator.apache.org]: http://mxnet.incubator.apache.org/
[70 4]: /images/20220518/fc5ddb6a94724d459529fdd7d21e9a17.png