python代码统计工具

Ⅰ arcgis 怎么用python做统计分析

方法/步骤

1
打开arcmap软件，点击工具栏上的ArcToolbox工具箱，在工具箱里面选择要进行数据处理的工具（工具的选择视数据处理的内容而定），本文选择了“Define Projection”定义投影的工具进行说明。
双击此工具，在弹出的工具窗口点击右下角的“Show Help>>”按钮。

2
点击“Tool Help”按钮，此时就打开了软件的帮助文档并定位到了此工具（define projection）对应的页面，往下拉动滚动条，定位到此工具的python脚本的内容：
Syntax 介绍了此工具脚本的语法
Code Sample 介绍了脚本使用的例子
拷贝脚本使用例子里面的代码。

3
在软件的主界面点击“Geoprocessing”菜单-->点击“Python”菜单项，即出现内嵌在arcigis中的python工具窗口。
python工具窗口的左边是代码编辑区域，右边是信息提示区域。

4
把第2步拷贝的代码语句粘贴到python工具窗口的左边区域，修改一下工具脚本的参数（视具体工具和数据而定），连续点击两下回车键。

5
等待脚本程序的执行完成，完成之后在桌面右下角会弹出提示信息，同时pythong工具窗口的右边区域也会有具体的工具脚本执行信息。

6
执行完成之后，在arcmap加载处理过的数据，右键查看属性，可以看到通过此工具脚本（define projection）进行投影定义的数据已经具有了投影参数。

http://jingyan..com/article/eae07827ba96a51fec548513.html

Ⅱ 一名Python程序员会哪些好用的工具

很多Python学习者想必都会有如下感悟：最开始学习Python的时候，因为没有去探索好用的工具，吃了很多苦头。后来工作中深刻体会到，合理使用开发的工具的便利和高效。今天，我就把Python程序员使用频率比较高的5款开发工具推荐给大家，希望对大家的工作和学习有帮助。
一、最强终端：Upterm
本来想推荐 fish 或者 zsh，但其实这两个我也主要是贪图自动补全这个特性。最近在用的这个 Upterm 其实很简单好用，它是一个全平台的终端，可以说是终端里的 IDE，有着强大的自动补全功能。之前的名字叫 BlackWindow，有人跟他说这个名字不利于社区推广，改名叫 Upterm 之后现在已经17000+ Star了。
二、交互式解释器：Ptpython
一个交互式的 Python 解释器。支持语法高亮、提示甚至是 vim 和 emacs 的键入模式。其实我们在课程里提供的在线终端也内置了 ptpython。
三、包管理必备：Anaconda
强烈推荐Anaconda ，它能帮你安装好许多麻烦的东西，包括： Python 环境、pip 包管理工具、常用的库、配置好环境路径等等。这些事情小白自己一个个去做的话，容易遇到各种问题，带来挫败感。如果你想用Python搞数据方面的事情，就安装它就好了，它甚至开发了一套JIT的解释器Numba。所以 Anaconda有了JIT之后，对线上科学计算效率要求比较高的东西也可以搞了。
四、编辑器：Sublime3
小白的话当然还是推荐从PyCharm开始上手，但有时候写一些轻量的小脚本，就会想用轻量级一点的工具。Sublime3很多地方都有了极大的提升，并且用起来比原来还要简单。配合安装Anaconda或CodeIntel插件，可以让 Sublime拥有近乎IDE的体验。
五、前端在线编辑器：CodeSandbox
虽然这个不算是真正意义上的Python开发工具，但如果后端工程师想写前端的话，这个在线编辑器太方便了，简直是节省了后端工程师的生命啊！不用安装npm的几千个包了，它已经在云端完成了，采让你直接就可以上手写代码、看效果。对于 React、Vue 这些主流前端框架都支持。算是一个推荐补充吧。

Ⅲ 利用python进行数据分析 用什么软件

与数据分析相关的 Python 库

NumPy

NumPy 是 Python 科学计算的基础包，它提供：

• 快速高效的多维数组对象 ndarray；

• 直接对数组执行数学运算及对数组执行元素级计算的函数；

• 线性代数运算、随机数生成;

• 将 C、C++、Fortran 代码集成到 Python 的工具等。

它专为进行严格的数字处理而产生。多为很多大型金融公司使用，以及核心的科学计算组织如：Lawrence Livermore，NASA 用其处理一些本来使用 C++，Fortran 或Matlab 等所做的任务。

Pandas

Pandas 主要提供快速便捷地处理结构化数据的大量数据结构和函数。

Matplotlib

Matplotlib 是最流行的用于绘制数据图表的 Python 库。

IPython

IPython 是 Python 科学计算标准工具集的组成部分，是一个增强的 Python Shell，目的是提高编写、测试、调试 Python 代码的速度。主要用于交互式数据处理和利用matplotlib 对数据进行可视化处理。

SciPy

SciPy 是一组专门解决科学计算中各种标准问题域的包的集合。主要包括以下包：

• scipy.integrate: 数值积分例程和微分方程求解器；

• scipy.linalg: 扩展了由 numpy.linalg 提供的线性代数例程和矩阵分解功能；

• scipy.optimize: 函数优化器以及根查找算法；

• scipy.signal: 信号处理工具；

• scipy.sparse: 稀疏矩阵和稀疏线性系统求解器；

• scipy.special: SPECFUN（这是一个实现了许多常用数学函数的 Fortran 库）的包装器。

• scipy.stats: 标准连续和离散概率分布、各种统计检验方法和更好的描述统计法；

• scipy.weave: 利用内联 C++ 代码加速数组计算的工具。

Ⅳ 有哪些工具可以统计每周开发提交的具体python代码行数

Python 不仅仅是一个设计优秀的程序语言，它能够完成现实中的各种任务，你可以在任何场合应用Python, 从网站和游戏开发到机器人和航天飞机控制。 尽管如此，Python 的应用领域分为下面几类。下文将介绍一些Python 具体能帮我们做的事情

Ⅳ python是什么意思

1、两个值相加，然后返回值给符号左侧的变量

举例如下:

>>> a=1

>>> b=3

>>> a+=b（或者a+=3）

>>> a

4

2、用于字符串连接（变量值带引号，数据类型为字符串）

>>> a='1'

>>> b='2'

>>> a+=b

>>> a

'12'

8、运算符优先级

以下所列优先级顺序按照从低到高优先级的顺序；同行为相同优先级。

Lambda #运算优先级最低

逻辑运算符: or

逻辑运算符: and

逻辑运算符:not

成员测试: in, not in

同一性测试: is, is not

比较: <,<=,>,>=,!=,==

按位或: |

按位异或: ^

按位与: &

移位: << ,>>

加法与减法: + ,-

乘法、除法与取余: *, / ,%

正负号: +x,-x

具有相同优先级的运算符将从左至右的方式依次进行，用小括号()可以改变运算顺序。

参考资料来源：网络-Python

Ⅵ 数据分析工具有哪些 python

IPython


IPython 是一个在多种编程语言之间进行交互计算的命令行 shell，最开始是用 python 开发的，提供增强的内省，富媒体，扩展的 shell
语法，tab 补全，丰富的历史等功能。IPython 提供了如下特性：

更强的交互 shell(基于 Qt 的终端)

一个基于浏览器的记事本，支持代码，纯文本，数学公式，内置图表和其他富媒体

支持交互数据可视化和图形界面工具

灵活，可嵌入解释器加载到任意一个自有工程里

简单易用，用于并行计算的高性能工具

由数据分析总监，Galvanize 专家 Nir Kaldero 提供。



GraphLab Greate 是一个 Python 库，由 C++ 引擎支持，可以快速构建大型高性能数据产品。

这有一些关于 GraphLab Greate 的特点：

可以在您的计算机上以交互的速度分析以 T 为计量单位的数据量。

在单一平台上可以分析表格数据、曲线、文字、图像。

最新的机器学习算法包括深度学习，进化树和 factorization machines 理论。

可以用 Hadoop Yarn 或者 EC2 聚类在你的笔记本或者分布系统上运行同样的代码。

借助于灵活的 API 函数专注于任务或者机器学习。

在云上用预测服务便捷地配置数据产品。

为探索和产品监测创建可视化的数据。

由 Galvanize 数据科学家 Benjamin Skrainka 提供。

Pandas

pandas 是一个开源的软件，它具有 BSD 的开源许可，为 Python
编程语言提供高性能，易用数据结构和数据分析工具。在数据改动和数据预处理方面，Python 早已名声显赫，但是在数据分析与建模方面，Python
是个短板。Pands 软件就填补了这个空白，能让你用 Python 方便地进行你所有数据的处理，而不用转而选择更主流的专业语言，例如 R 语言。

整合了劲爆的 IPyton 工具包和其他的库，它在 Python 中进行数据分析的开发环境在处理性能，速度，和兼容方面都性能卓越。Pands
不会执行重要的建模函数超出线性回归和面板回归;对于这些，参考 statsmodel 统计建模工具和 scikit-learn 库。为了把 Python
打造成顶级的统计建模分析环境，我们需要进一步努力，但是我们已经奋斗在这条路上了。

由 Galvanize 专家，数据科学家 Nir Kaldero 提供。

PuLP

线性编程是一种优化，其中一个对象函数被最大程度地限制了。PuLP 是一个用 Python
编写的线性编程模型。它能产生线性文件，能调用高度优化的求解器，GLPK，COIN CLP/CBC，CPLEX，和GUROBI，来求解这些线性问题。

由 Galvanize 数据科学家 Isaac Laughlin 提供

Matplotlib



matplotlib 是基于 Python 的
2D(数据)绘图库，它产生(输出)出版级质量的图表，用于各种打印纸质的原件格式和跨平台的交互式环境。matplotlib 既可以用在 python 脚本，
python 和 ipython 的 shell 界面 (ala MATLAB? 或 Mathematica?)，web 应用服务器，和6类 GUI
工具箱。

matplotlib 尝试使容易事情变得更容易，使困难事情变为可能。你只需要少量几行代码，就可以生成图表，直方图，能量光谱(power
spectra)，柱状图，errorcharts，散点图(scatterplots)等，。

为简化数据绘图，pyplot 提供一个类 MATLAB 的接口界面，尤其是它与 IPython
共同使用时。对于高级用户，你可以完全定制包括线型，字体属性，坐标属性等，借助面向对象接口界面，或项 MATLAB 用户提供类似(MATLAB)的界面。

Galvanize 公司的首席科学官 Mike Tamir 供稿。

Scikit-Learn



Scikit-Learn 是一个简单有效地数据挖掘和数据分析工具(库)。关于最值得一提的是，它人人可用，重复用于多种语境。它基于
NumPy，SciPy 和 mathplotlib 等构建。Scikit 采用开源的 BSD 授权协议，同时也可用于商业。Scikit-Learn
具备如下特性：

分类(Classification) – 识别鉴定一个对象属于哪一类别

回归(Regression) – 预测对象关联的连续值属性

聚类(Clustering) – 类似对象自动分组集合

降维(Dimensionality Rection) – 减少需要考虑的随机变量数量

模型选择(Model Selection) –比较、验证和选择参数和模型

预处理(Preprocessing) – 特征提取和规范化

Galvanize 公司数据科学讲师，Isaac Laughlin提供

Spark



Spark 由一个驱动程序构成，它运行用户的 main 函数并在聚类上执行多个并行操作。Spark
最吸引人的地方在于它提供的弹性分布数据集(RDD)，那是一个按照聚类的节点进行分区的元素的集合，它可以在并行计算中使用。RDDs 可以从一个 Hadoop
文件系统中的文件(或者其他的 Hadoop 支持的文件系统的文件)来创建，或者是驱动程序中其他的已经存在的标量数据集合，把它进行变换。用户也许想要 Spark
在内存中永久保存 RDD，来通过并行操作有效地对 RDD 进行复用。最终，RDDs 无法从节点中自动复原。

Spark 中第二个吸引人的地方在并行操作中变量的共享。默认情况下，当 Spark
在并行情况下运行一个函数作为一组不同节点上的任务时，它把每一个函数中用到的变量拷贝一份送到每一任务。有时，一个变量需要被许多任务和驱动程序共享。Spark
支持两种方式的共享变量：广播变量，它可以用来在所有的节点上缓存数据。另一种方式是累加器，这是一种只能用作执行加法的变量，例如在计数器中和加法运算中。

Ⅶ 一般Python都用什么可视化开发工具平台

常见的Python可视化库有哪些？
Matplotlib
Matplotlib是一个Python 2维绘图库，已经成为Python中公认的数据可视化工具，通过Matplotlib你可以很轻松地画一些或简单或复杂地图形，几行代码即可生成线图、直方图、功率谱、条形图、错误图、散点图等等。

Seaborn
Seaborn是基于Mtplotlib产生的一个模块，专攻于统计可视化，可以和pandas进行无缝链接，使初学者更容易上手。相对于Matplotlib，Seaborn语法更简洁，两者关系类似于NumPy、和Pandas之间的关系。

HoloViews
HoloViews是一个开源的Python库，可以用非常少的代码行中完成数据分析和可视化，除了默认的Matplotlib后端外，还添加了一个Bokeh后端。Bokeh提供了一个强大的平台，通过结合Bokeh提供的交互式小部件，可以使用HTML5 canvas和WebGL快速生成交互性和高维可视化，非常适合于数据的交互式探索。

Altair
Altair是Python的一个公认的统计可视化库，它的API简单、友好、一致，并建立在强大的vega-lite（交互式图形语法）之上。Altair API不包含实际的可视化呈现代码，而是按照vega-lite规范发出JSON数据结构。由此产生的数据可以在用户界面中呈现，这种优雅的简单性产生了漂亮且有效的可视化效果，且只需很少的代码。

ggplot
ggplot是基于R的ggplot2和图形语法的Python的绘图系统，实现了更少的代码绘制更专业的图形。
它使用一个高级且富有表现力的API来实现线，点等元素的添加，颜色的更改等不同类型的可视化组件的组合或添加，而不需要重复使用相同的代码，然而这对那些试图进行高度定制的的来说，ggplot并不是最好的选择，尽管它也可以制作一些非常复杂、好看的图形。

Bokeh
Bokeh是一个Python交互式可视化库，支持现代化Web浏览器展示。它提供风格优雅、简洁的D3.js的图形化样式，并将此功能扩展到高性能交互的数据集，数据流上。使用Bokeh可以快速便捷地创建交互式绘图、仪表板和数据应用程序等。
Bokeh能与NumPy、Pandas，Blaze等大部分数组或表格式的数据结构完美结合。