python代碼統計工具
Ⅰ arcgis 怎麼用python做統計分析
方法/步驟
1
打開arcmap軟體，點擊工具欄上的ArcToolbox工具箱，在工具箱裡面選擇要進行數據處理的工具（工具的選擇視數據處理的內容而定），本文選擇了「Define Projection」定義投影的工具進行說明。
雙擊此工具，在彈出的工具窗口點擊右下角的「Show Help>>」按鈕。
2
點擊「Tool Help」按鈕，此時就打開了軟體的幫助文檔並定位到了此工具（define projection）對應的頁面，往下拉動滾動條，定位到此工具的python腳本的內容：
Syntax 介紹了此工具腳本的語法
Code Sample 介紹了腳本使用的例子
拷貝腳本使用例子裡面的代碼。
3
在軟體的主界面點擊「Geoprocessing」菜單-->點擊「Python」菜單項，即出現內嵌在arcigis中的python工具窗口。
python工具窗口的左邊是代碼編輯區域，右邊是信息提示區域。
4
把第2步拷貝的代碼語句粘貼到python工具窗口的左邊區域，修改一下工具腳本的參數（視具體工具和數據而定），連續點擊兩下回車鍵。
5
等待腳本程序的執行完成，完成之後在桌面右下角會彈出提示信息，同時pythong工具窗口的右邊區域也會有具體的工具腳本執行信息。
6
執行完成之後，在arcmap載入處理過的數據，右鍵查看屬性，可以看到通過此工具腳本（define projection）進行投影定義的數據已經具有了投影參數。
http://jingyan..com/article/eae07827ba96a51fec548513.html
Ⅱ 一名Python程序員會哪些好用的工具
很多Python學習者想必都會有如下感悟：最開始學習Python的時候，因為沒有去探索好用的工具，吃了很多苦頭。後來工作中深刻體會到，合理使用開發的工具的便利和高效。今天，我就把Python程序員使用頻率比較高的5款開發工具推薦給大家，希望對大家的工作和學習有幫助。
一、最強終端：Upterm
本來想推薦 fish 或者 zsh，但其實這兩個我也主要是貪圖自動補全這個特性。最近在用的這個 Upterm 其實很簡單好用，它是一個全平台的終端，可以說是終端里的 IDE，有著強大的自動補全功能。之前的名字叫 BlackWindow，有人跟他說這個名字不利於社區推廣，改名叫 Upterm 之後現在已經17000+ Star了。
二、互動式解釋器：Ptpython
一個互動式的 Python 解釋器。支持語法高亮、提示甚至是 vim 和 emacs 的鍵入模式。其實我們在課程里提供的在線終端也內置了 ptpython。
三、包管理必備：Anaconda
強烈推薦Anaconda ，它能幫你安裝好許多麻煩的東西，包括： Python 環境、pip 包管理工具、常用的庫、配置好環境路徑等等。這些事情小白自己一個個去做的話，容易遇到各種問題，帶來挫敗感。如果你想用Python搞數據方面的事情，就安裝它就好了，它甚至開發了一套JIT的解釋器Numba。所以 Anaconda有了JIT之後，對線上科學計算效率要求比較高的東西也可以搞了。
四、編輯器：Sublime3
小白的話當然還是推薦從PyCharm開始上手，但有時候寫一些輕量的小腳本，就會想用輕量級一點的工具。Sublime3很多地方都有了極大的提升，並且用起來比原來還要簡單。配合安裝Anaconda或CodeIntel插件，可以讓 Sublime擁有近乎IDE的體驗。
五、前端在線編輯器：CodeSandbox
雖然這個不算是真正意義上的Python開發工具，但如果後端工程師想寫前端的話，這個在線編輯器太方便了，簡直是節省了後端工程師的生命啊！不用安裝npm的幾千個包了，它已經在雲端完成了，采讓你直接就可以上手寫代碼、看效果。對於 React、Vue 這些主流前端框架都支持。算是一個推薦補充吧。
Ⅲ 利用python進行數據分析 用什麼軟體
與數據分析相關的 Python 庫
NumPy
NumPy 是 Python 科學計算的基礎包，它提供：
快速高效的多維數組對象 ndarray；
直接對數組執行數學運算及對數組執行元素級計算的函數；
線性代數運算、隨機數生成;
將 C、C++、Fortran 代碼集成到 Python 的工具等。
scipy.integrate: 數值積分常式和微分方程求解器；
scipy.linalg: 擴展了由 numpy.linalg 提供的線性代數常式和矩陣分解功能；
scipy.optimize: 函數優化器以及根查找演算法；
scipy.signal: 信號處理工具；
scipy.sparse: 稀疏矩陣和稀疏線性系統求解器；
scipy.special: SPECFUN（這是一個實現了許多常用數學函數的 Fortran 庫）的包裝器。
scipy.stats: 標准連續和離散概率分布、各種統計檢驗方法和更好的描述統計法；
scipy.weave: 利用內聯 C++ 代碼加速數組計算的工具。
它專為進行嚴格的數字處理而產生。多為很多大型金融公司使用，以及核心的科學計算組織如：Lawrence Livermore，NASA 用其處理一些本來使用 C++，Fortran 或Matlab 等所做的任務。
Pandas
Pandas 主要提供快速便捷地處理結構化數據的大量數據結構和函數。
Matplotlib
Matplotlib 是最流行的用於繪制數據圖表的 Python 庫。
IPython
IPython 是 Python 科學計算標准工具集的組成部分，是一個增強的 Python Shell，目的是提高編寫、測試、調試 Python 代碼的速度。主要用於互動式數據處理和利用matplotlib 對數據進行可視化處理。
SciPy
SciPy 是一組專門解決科學計算中各種標准問題域的包的集合。主要包括以下包：
Ⅳ 有哪些工具可以統計每周開發提交的具體python代碼行數
Python 不僅僅是一個設計優秀的程序語言，它能夠完成現實中的各種任務，你可以在任何場合應用Python, 從網站和游戲開發到機器人和太空梭控制。 盡管如此，Python 的應用領域分為下面幾類。下文將介紹一些Python 具體能幫我們做的事情
Ⅳ python是什麼意思
1、兩個值相加，然後返回值給符號左側的變數
舉例如下:
>>> a=1
>>> b=3
>>> a+=b（或者a+=3）
>>> a
4
2、用於字元串連接（變數值帶引號，數據類型為字元串）
>>> a='1'
>>> b='2'
>>> a+=b
>>> a
'12'
8、運算符優先順序
以下所列優先順序順序按照從低到高優先順序的順序；同行為相同優先順序。
Lambda #運算優先順序最低
邏輯運算符: or
邏輯運算符: and
邏輯運算符:not
成員測試: in, not in
同一性測試: is, is not
比較: <,<=,>,>=,!=,==
按位或: |
按位異或: ^
按位與: &
移位: << ,>>
加法與減法: + ,-
乘法、除法與取余: *, / ,%
正負號: +x,-x
具有相同優先順序的運算符將從左至右的方式依次進行，用小括弧()可以改變運算順序。
參考資料來源：網路-Python
Ⅵ 數據分析工具有哪些 python
IPython
IPython 是一個在多種編程語言之間進行交互計算的命令行 shell，最開始是用 python 開發的，提供增強的內省，富媒體，擴展的 shell
語法，tab 補全，豐富的歷史等功能。IPython 提供了如下特性：
更強的交互 shell(基於 Qt 的終端)
一個基於瀏覽器的記事本，支持代碼，純文本，數學公式，內置圖表和其他富媒體
支持交互數據可視化和圖形界面工具
靈活，可嵌入解釋器載入到任意一個自有工程里
簡單易用，用於並行計算的高性能工具
由數據分析總監，Galvanize 專家 Nir Kaldero 提供。
GraphLab Greate 是一個 Python 庫，由 C++ 引擎支持，可以快速構建大型高性能數據產品。
這有一些關於 GraphLab Greate 的特點：
可以在您的計算機上以交互的速度分析以 T 為計量單位的數據量。
在單一平台上可以分析表格數據、曲線、文字、圖像。
最新的機器學習演算法包括深度學習，進化樹和 factorization machines 理論。
可以用 Hadoop Yarn 或者 EC2 聚類在你的筆記本或者分布系統上運行同樣的代碼。
藉助於靈活的 API 函數專注於任務或者機器學習。
在雲上用預測服務便捷地配置數據產品。
為探索和產品監測創建可視化的數據。
由 Galvanize 數據科學家 Benjamin Skrainka 提供。
Pandas
pandas 是一個開源的軟體，它具有 BSD 的開源許可，為 Python
編程語言提供高性能，易用數據結構和數據分析工具。在數據改動和數據預處理方面，Python 早已名聲顯赫，但是在數據分析與建模方面，Python
是個短板。Pands 軟體就填補了這個空白，能讓你用 Python 方便地進行你所有數據的處理，而不用轉而選擇更主流的專業語言，例如 R 語言。
整合了勁爆的 IPyton 工具包和其他的庫，它在 Python 中進行數據分析的開發環境在處理性能，速度，和兼容方面都性能卓越。Pands
不會執行重要的建模函數超出線性回歸和面板回歸;對於這些，參考 statsmodel 統計建模工具和 scikit-learn 庫。為了把 Python
打造成頂級的統計建模分析環境，我們需要進一步努力，但是我們已經奮斗在這條路上了。
由 Galvanize 專家，數據科學家 Nir Kaldero 提供。
PuLP
線性編程是一種優化，其中一個對象函數被最大程度地限制了。PuLP 是一個用 Python
編寫的線性編程模型。它能產生線性文件，能調用高度優化的求解器，GLPK，COIN CLP/CBC，CPLEX，和GUROBI，來求解這些線性問題。
由 Galvanize 數據科學家 Isaac Laughlin 提供
Matplotlib
matplotlib 是基於 Python 的
2D(數據)繪圖庫，它產生(輸出)出版級質量的圖表，用於各種列印紙質的原件格式和跨平台的互動式環境。matplotlib 既可以用在 python 腳本，
python 和 ipython 的 shell 界面 (ala MATLAB? 或 Mathematica?)，web 應用伺服器，和6類 GUI
工具箱。
matplotlib 嘗試使容易事情變得更容易，使困難事情變為可能。你只需要少量幾行代碼，就可以生成圖表，直方圖，能量光譜(power
spectra)，柱狀圖，errorcharts，散點圖(scatterplots)等，。
為簡化數據繪圖，pyplot 提供一個類 MATLAB 的介面界面，尤其是它與 IPython
共同使用時。對於高級用戶，你可以完全定製包括線型，字體屬性，坐標屬性等，藉助面向對象介面界面，或項 MATLAB 用戶提供類似(MATLAB)的界面。
Galvanize 公司的首席科學官 Mike Tamir 供稿。
Scikit-Learn
Scikit-Learn 是一個簡單有效地數據挖掘和數據分析工具(庫)。關於最值得一提的是，它人人可用，重復用於多種語境。它基於
NumPy，SciPy 和 mathplotlib 等構建。Scikit 採用開源的 BSD 授權協議，同時也可用於商業。Scikit-Learn
具備如下特性：
分類(Classification) – 識別鑒定一個對象屬於哪一類別
回歸(Regression) – 預測對象關聯的連續值屬性
聚類(Clustering) – 類似對象自動分組集合
降維(Dimensionality Rection) – 減少需要考慮的隨機變數數量
模型選擇(Model Selection) –比較、驗證和選擇參數和模型
預處理(Preprocessing) – 特徵提取和規范化
Galvanize 公司數據科學講師，Isaac Laughlin提供
Spark
Spark 由一個驅動程序構成，它運行用戶的 main 函數並在聚類上執行多個並行操作。Spark
最吸引人的地方在於它提供的彈性分布數據集(RDD)，那是一個按照聚類的節點進行分區的元素的集合，它可以在並行計算中使用。RDDs 可以從一個 Hadoop
文件系統中的文件(或者其他的 Hadoop 支持的文件系統的文件)來創建，或者是驅動程序中其他的已經存在的標量數據集合，把它進行變換。用戶也許想要 Spark
在內存中永久保存 RDD，來通過並行操作有效地對 RDD 進行復用。最終，RDDs 無法從節點中自動復原。
Spark 中第二個吸引人的地方在並行操作中變數的共享。默認情況下，當 Spark
在並行情況下運行一個函數作為一組不同節點上的任務時，它把每一個函數中用到的變數拷貝一份送到每一任務。有時，一個變數需要被許多任務和驅動程序共享。Spark
支持兩種方式的共享變數：廣播變數，它可以用來在所有的節點上緩存數據。另一種方式是累加器，這是一種只能用作執行加法的變數，例如在計數器中和加法運算中。
Ⅶ 一般Python都用什麼可視化開發工具平台
常見的Python可視化庫有哪些？
Matplotlib
Matplotlib是一個Python 2維繪圖庫，已經成為Python中公認的數據可視化工具，通過Matplotlib你可以很輕松地畫一些或簡單或復雜地圖形，幾行代碼即可生成線圖、直方圖、功率譜、條形圖、錯誤圖、散點圖等等。
Seaborn
Seaborn是基於Mtplotlib產生的一個模塊，專攻於統計可視化，可以和pandas進行無縫鏈接，使初學者更容易上手。相對於Matplotlib，Seaborn語法更簡潔，兩者關系類似於NumPy、和Pandas之間的關系。
HoloViews
HoloViews是一個開源的Python庫，可以用非常少的代碼行中完成數據分析和可視化，除了默認的Matplotlib後端外，還添加了一個Bokeh後端。Bokeh提供了一個強大的平台，通過結合Bokeh提供的互動式小部件，可以使用HTML5 canvas和WebGL快速生成交互性和高維可視化，非常適合於數據的互動式探索。
Altair
Altair是Python的一個公認的統計可視化庫，它的API簡單、友好、一致，並建立在強大的vega-lite（互動式圖形語法）之上。Altair API不包含實際的可視化呈現代碼，而是按照vega-lite規范發出JSON數據結構。由此產生的數據可以在用戶界面中呈現，這種優雅的簡單性產生了漂亮且有效的可視化效果，且只需很少的代碼。
ggplot
ggplot是基於R的ggplot2和圖形語法的Python的繪圖系統，實現了更少的代碼繪制更專業的圖形。
它使用一個高級且富有表現力的API來實現線，點等元素的添加，顏色的更改等不同類型的可視化組件的組合或添加，而不需要重復使用相同的代碼，然而這對那些試圖進行高度定製的的來說，ggplot並不是最好的選擇，盡管它也可以製作一些非常復雜、好看的圖形。
Bokeh
Bokeh是一個Python互動式可視化庫，支持現代化Web瀏覽器展示。它提供風格優雅、簡潔的D3.js的圖形化樣式，並將此功能擴展到高性能交互的數據集，數據流上。使用Bokeh可以快速便捷地創建互動式繪圖、儀錶板和數據應用程序等。
Bokeh能與NumPy、Pandas，Blaze等大部分數組或表格式的數據結構完美結合。