​个人主页：Sarapines Programmer
系列专栏：《Python | 编程解码》
⏰诗赋清音：云生高巅梦远游， 星光点缀碧海愁。 山川深邃情难晤， 剑气凌云志自修。

目录

1. 初识Python

2. 实验报告四

实验目的

实验要求

实验代码

实验结果

实验体会

总结

1. 初识Python

Python是一种高级、通用、解释型的编程语言，具有简洁而清晰的语法，被广泛应用于软件开发、数据科学、人工智能等领域。以下是Python技术的一些主要特点和应用领域：

  1. 易学易用： Python的语法设计简单，容易学习和理解。这使得它成为初学者和专业开发人员的首选语言之一。

  2. 开源： Python是开源的，任何人都可以查看、修改和分发其源代码。这为开发者提供了自由和灵活性。

  3. 跨平台： Python可在多个操作系统上运行，包括Windows、Linux和macOS，使其成为跨平台开发的理想选择。

  4. 强大的社区支持： Python拥有庞大的全球开发者社区，用户可以获得丰富的文档、库和工具，方便解决各类问题。

  5. 广泛应用领域： Python在多个领域都有应用，包括Web开发、数据科学、机器学习、人工智能、自动化测试、网络编程等。

  6. 丰富的第三方库： Python拥有丰富的第三方库和框架，如NumPy、Pandas、Django、Flask等，提供了强大的工具来简化开发流程。

  7. 动态类型： Python是一种动态类型语言，允许开发者更加灵活地进行变量和对象的操作。

  8. 面向对象编程： Python支持面向对象编程，使得代码结构更加模块化、可维护性更强。

总体而言，Python是一门功能强大、灵活易用的编程语言，适用于各种规模和类型的项目，从小型脚本到大型应用，都能够得心应手。

2. 实验报告四

实验目的

  • 掌握Jupyter Notebook编程工具的基本用法：

    • 学习并掌握Jupyter Notebook的基本用法，包括代码编写、执行和Markdown文档的编辑等。

  • 理解并熟悉Python的Seaborn和Matplotlib画图：

    • 了解Seaborn和Matplotlib这两个Python库在数据可视化方面的作用。
    • 熟悉它们的画图函数和参数，能够使用它们创建各种图表。

  • 使用图像的RGB色彩模式并实现图像的数组表示与图像变换：

    • 理解图像的RGB色彩模式，了解每个像素由红、绿、蓝三个通道组成。
    • 学习如何将图像表示为数组，掌握图像数组的基本概念。
    • 实现图像的变换，例如通过调整色彩、大小或应用滤镜等方式对图像进行修改。

实验要求

  • 操作书上第九章内容：阅读并实践书籍中的第九章内容，深入了解相关知识和技能。

  • 请画出如图2.png所示的图形：进行图形绘制工作，按照图2.png的示例绘制相应的图形。

  • 通过编码获得fcity.jpg的手绘图像（如beijing.jpg所示）：利用编码技术，对fcity.jpg进行处理，生成类似beijing.jpg的手绘效果图像。这可能涉及图像处理算法和相关库的使用。

实验代码

1.操作书上第九章内容

## 1.操作书上第九章内容 import matplotlib.pyplot as pltimport numpy as npimport pandas as pd## 直线图data=np.arange(10)plt.plot(data)## 创建画布fig=plt.figure()axs=plt.subplots(2,3)axs## 折线图plt.figure()plt.plot([1,2,3,4,5,6,7],[10,15,13,16,18,20,10])plt.show()## 散点图# 0.准备数据x = [225.98, 247.07, 253.14, 457.85, 241.58, 301.01,20.67, 288.64, 163.56, 120.06, 207.83, 342.75, 147.9 ,53.06, 224.72,29.51,21.61, 483.21, 245.25, 399.25, 343.35]y = [196.63, 203.88, 210.75, 372.74, 202.41, 247.61,24.9 , 239.34, 140.32, 104.15, 176.84, 288.23, 128.79,49.64, 191.74,33.1 ,30.74, 400.02, 205.35, 330.64, 283.45]# 1.创建画布plt.figure(figsize=(20, 8), dpi=100)# 2.绘制图像plt.scatter(x, y)# 3.图像显示plt.show()## 柱状图movie_name = ['雷神3：诸神黄昏','正义联盟','东方快车谋杀案','寻梦环游记','全球风暴','降魔传','追捕','七十七天','密战','狂兽','其它']# 横坐标x = range(len(movie_name))# 票房数据y = [73853,57767,22354,15969,14839,8725,8716,8318,7916,6764,52222]# 1.创建画布plt.figure(figsize=(20, 8), dpi=100)# 2.绘制图像plt.bar(x, y, color=['b','r','g','y','c','m','y','k','c','g','b'], width=0.7)# 2.1 修改x轴显示plt.xticks(x, movie_name)# 2.2 添加网格plt.grid(linestyle="--", alpha=0.8)# 2.3 添加标题plt.title("电影票房收入对比")# 3.图像显示plt.show()## 绘制基本图像import randomfrom pylab import mpl# 设置显示中文字体mpl.rcParams["font.sans-serif"] = ["SimHei"]# 设置正常显示符号mpl.rcParams["axes.unicode_minus"] = Falsex=range(60)y_shanghai=[random.uniform(15,8) for i in x]# 建画布plt.figure(figsize=(20,8),dpi=80)# 绘折线图plt.plot(x,y_shanghai)# 显示图像plt.show()## 修改x,y间隔x=range(60)y_shanghai=[random.uniform(15,8) for i in x]# 建画布plt.figure(figsize=(20,8),dpi=80)# 绘折线图plt.plot(x,y_shanghai)# 修改x,y轴刻度x_ticks_label=["11点{}分".format(i) for i in x]y_ticks=range(40)# 修改x,y间隔plt.xticks(x[::5])plt.yticks(y_ticks[::5])# 显示图像plt.show()## 解决中文问题x=range(60)y_shanghai=[random.uniform(15,8) for i in x]# 建画布plt.figure(figsize=(20,8),dpi=80)# 绘折线图plt.plot(x,y_shanghai)# 修改x,y轴刻度x_ticks_label=["11点{}分".format(i) for i in x]y_ticks=range(40)# 修改x,y间隔plt.xticks(x[::5],x_ticks_label[::5])plt.yticks(y_ticks[::5])# 显示图像plt.show()## 添加网格信息x=range(60)y_shanghai=[random.uniform(15,8) for i in x]# 建画布plt.figure(figsize=(20,8),dpi=80)# 绘折线图plt.plot(x,y_shanghai)# 修改x,y轴刻度x_ticks_label=["11点{}分".format(i) for i in x]y_ticks=range(40)# 修改x,y间隔plt.xticks(x[::5],x_ticks_label[::5])plt.yticks(y_ticks[::5])#添加网格信息plt.grid(True,linestyle="--",alpha=1)# 显示图像plt.show()## 添加x、y轴还有标题描述信息x=range(60)y_shanghai=[random.uniform(15,8) for i in x]# 建画布plt.figure(figsize=(20,8),dpi=80)# 绘折线图plt.plot(x,y_shanghai)# 修改x,y轴刻度x_ticks_label=["11点{}分".format(i) for i in x]y_ticks=range(40)# 修改x,y间隔plt.xticks(x[::5],x_ticks_label[::5])plt.yticks(y_ticks[::5])#添加网格信息plt.grid(True,linestyle="--",alpha=1)# 2.3 添加描述信息plt.xlabel("时间")plt.ylabel("温度")plt.title("中午11点-12点某城市温度变化图", fontsize=20)# 显示图像plt.show()## 图像保存x=range(60)y_shanghai=[random.uniform(15,8) for i in x]# 建画布plt.figure(figsize=(20,8),dpi=80)# 绘折线图plt.plot(x,y_shanghai)# 修改x,y轴刻度x_ticks_label=["11点{}分".format(i) for i in x]y_ticks=range(40)# 修改x,y间隔plt.xticks(x[::5],x_ticks_label[::5])plt.yticks(y_ticks[::5])#添加网格信息plt.grid(True,linestyle="--",alpha=1)# 2.3 添加描述信息plt.xlabel("时间")plt.ylabel("温度")plt.title("中午11点-12点某城市温度变化图", fontsize=20)# 2.4 图像保存plt.savefig("./test.png")# 显示图像plt.show()## 在一个坐标系中绘制多个图像x=range(60)y_shanghai=[random.uniform(15,8) for i in x]y_beijing=[random.uniform(1,3) for i in x]# 建画布plt.figure(figsize=(20,8),dpi=80)# 绘折线图plt.plot(x, y_shanghai, label="上海")plt.plot(x, y_beijing, color="r", linestyle="--", label="北京")# 修改x,y轴刻度x_ticks_label=["11点{}分".format(i) for i in x]y_ticks=range(40)# 修改x,y间隔plt.xticks(x[::5],x_ticks_label[::5])plt.yticks(y_ticks[::5])#添加网格信息plt.grid(True,linestyle="--",alpha=1)# 2.3 添加描述信息plt.xlabel("时间")plt.ylabel("温度")plt.title("中午11点-12点某城市温度变化图", fontsize=20)# 2.4 图像保存plt.savefig("./test.png")# 2.5 显示图例plt.legend(loc=0)# 显示图像plt.show()## 只建画布+绘制图像x=range(60)y_shanghai=[random.uniform(15,8) for i in x]y_beijing=[random.uniform(1,3) for i in x]# 1.创建画布# plt.figure(figsize=(20, 8), dpi=100)fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(20, 8), dpi=100)# 2.绘制图像# plt.plot(x, y_shanghai, label="上海")# plt.plot(x, y_beijing, color="r", linestyle="--", label="北京")axes[0].plot(x, y_shanghai, label="上海")axes[1].plot(x, y_beijing, color="r", linestyle="--", label="北京")# 修改x,y轴刻度x_ticks_label=["11点{}分".format(i) for i in x]y_ticks=range(40)# 修改x,y间隔plt.xticks(x[::5],x_ticks_label[::5])plt.yticks(y_ticks[::5])#添加网格信息plt.grid(True,linestyle="--",alpha=1)# 2.3 添加描述信息plt.xlabel("时间")plt.ylabel("温度")plt.title("中午11点-12点某城市温度变化图", fontsize=20)# 2.4 图像保存plt.savefig("./test.png")# 2.5 显示图例plt.legend(loc=0)# 显示图像plt.show()## 完善# 0.准备数据x = range(60)y_shanghai = [random.uniform(15, 18) for i in x]y_beijing = [random.uniform(1, 3) for i in x]# 1.创建画布# plt.figure(figsize=(20, 8), dpi=100)fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(20, 8), dpi=100)# 2.绘制图像# plt.plot(x, y_shanghai, label="上海")# plt.plot(x, y_beijing, color="r", linestyle="--", label="北京")axes[0].plot(x, y_shanghai, label="上海")axes[1].plot(x, y_beijing, color="r", linestyle="--", label="北京")# 2.1 添加x,y轴刻度# 设置x,y轴刻度x_ticks_label = ["11点{}分".format(i) for i in x]y_ticks = range(40)# 修改x,y轴坐标刻度显示# plt.xticks(x_ticks_label[::5]) # 坐标刻度不可以直接通过字符串进行修改# plt.xticks(x[::5], x_ticks_label[::5])# plt.yticks(y_ticks[::5])axes[1].set_xticks(x[::5])axes[1].set_yticks(y_ticks[::5])axes[1].set_xticklabels(x_ticks_label[::5])# 2.2 添加网格显示# plt.grid(True, linestyle="--", alpha=1)axes[0].grid(True, linestyle="--", alpha=1)axes[1].grid(True, linestyle="--", alpha=1)# 2.3 添加描述信息# plt.xlabel("时间")# plt.ylabel("温度")# plt.title("中午11点-12点某城市温度变化图", fontsize=20)axes[0].set_xlabel("时间")axes[0].set_ylabel("温度")axes[0].set_title("中午11点-12点某城市温度变化图", fontsize=20)axes[1].set_xlabel("时间")axes[1].set_ylabel("温度")axes[1].set_title("中午11点-12点某城市温度变化图", fontsize=20)# 2.4 图像保存plt.savefig("./test.png")# 2.5 显示图例# plt.legend(loc=0)axes[0].legend(loc=0)axes[1].legend(loc=0)# 3.图像显示plt.show()## 波形图应用举例import numpy as np# 0.准备数据x = np.linspace(-10, 10, 1000)y = np.sin(x)# 1.创建画布plt.figure(figsize=(20, 8), dpi=100)# 2.绘制函数图像plt.plot(x, y)# 2.1 添加网格显示plt.grid()# 3.显示图像plt.show()## 利用seaborn画图import seaborn as snsimport numpy as npimport pandas as pdnp.random.seed(0) #确定随机数生成数据一样arr=np.random.randn(100)sns.distplot(arr,bins=10,hist=True,kde=True,rug=True)# 绘制双变量分布## 绘制散点图df=pd.DataFrame({"x":np.random.randn(500),"y":np.random.randn(500),"z":np.random.randn(500),"k":np.random.randn(500)})sns.jointplot("x","y",data=df,kind='scatter',color="red",size=5,ratio=5,space=1,dropna=True)sns.jointplot("x","y",data=df,kind='kde',color="red",size=5,ratio=5,space=1,dropna=True)sns.jointplot("x","y",data=df,kind='hex',color="blue",size=5,ratio=5,space=1,dropna=True)## 绘制成对双变量分布sns.pairplot(df)## 绘制类别散点图ddf=pd.DataFrame({"x":np.random.randn(5),"y":np.random.randn(5),"z":np.random.randn(5),"k":np.random.randn(5),"week":["one","two","three","four","five"]})ddfsns.swarmplot(x="week",y="x",data=ddf,hue="y")

2.请画出如图2.png所示的图形

## 请画出如图2.png所示的图形import turtle as tt.Turtle().screen.delay(0)#加速s=0t.pen t.seth(0)length=0while (length !=400): #当边长达到400时循环结束t.penup() #提起画笔t.goto(s,s) #新的起点坐标t.pendown() #放下画笔for i in range(4):t.fd(length)#边长t.left(90)#画笔方向向左旋转90度length += 10#边长加10s -= 5#改变画笔起点t.hideturtle() #绘图结束后把笔头隐藏起来t.done() #绘图结束后使窗口停留## 画圆柱import turtle as timport numpy as npt.Turtle().screen.delay(0)#加速s=0t.pen t.seth(0)length=0while (length ！=400): #当边长达到400时循环结束t.penup() #提起画笔t.goto(s,s) #新的起点坐标t.pendown() #放下画笔for i in range(90):t.fd(length)#边长t.left(4)#画笔方向向左旋转90度length =2*np.pi#边长加10s -= 5#改变画笔起点t.hideturtle(True) #绘图结束后把笔头隐藏起来t.done() #绘图结束后使窗口停留## 画圆import turtle as timport numpy as np#t.Turtle().screen.delay(0)#加速s=0t.pen t.seth(0)length=0r=1t.penup() #提起画笔t.goto(s,s) #新的起点坐标t.pendown() #放下画笔for i in range(360):t.fd(length)#边长t.left(4)#画笔方向向左旋转90度length =2*np.pi*r#边长加10t.hideturtle(True) #绘图结束后把笔头隐藏起来t.done() #绘图结束后使窗口停留

3.通过编码获得fcity.jpg的手绘图像（如beijing.jpg所示）

## 通过编码获得fcity.jpg的手绘图像（如beijing.jpg所示）from PIL import Imageimport numpy as npa = np.asarray(Image.open('C:/Users/86151/mycode/fcity.jpg').convert('L')).astype('float')depth = 10. # (0-100)grad = np.gradient(a)#取图像灰度的梯度值grad_x, grad_y = grad #分别取横纵图像梯度值grad_x = grad_x*depth/100.grad_y = grad_y*depth/100.#深度调整x、y的梯度值A = np.sqrt(grad_x**2 + grad_y**2 + 1.)#梯度归一化uni_x = grad_x/Auni_y = grad_y/Auni_z = 1./Avec_el = np.pi/2.2 # 光源的俯视角度，弧度值vec_az = np.pi/4. # 光源的方位角度，弧度值dx = np.cos(vec_el)*np.cos(vec_az) #光源对x 轴的影响dy = np.cos(vec_el)*np.sin(vec_az) #光源对y 轴的影响dz = np.sin(vec_el) #光源对z 轴的影响b = 255*(dx*uni_x + dy*uni_y + dz*uni_z) #光源归一化，梯度转化为灰度b = b.clip(0,255)#避免数据越界im = Image.fromarray(b.astype('uint8')) #重构图像im## 修改光源1from PIL import Imageimport numpy as npa = np.asarray(Image.open('C:/Users/86151/mycode/fcity.jpg').convert('L')).astype('float')depth = 10. # (0-100)grad = np.gradient(a)#取图像灰度的梯度值grad_x, grad_y = grad #分别取横纵图像梯度值grad_x = grad_x*depth/100.grad_y = grad_y*depth/100.#深度调整x、y的梯度值A = np.sqrt(grad_x**2 + grad_y**2 )#梯度归一化uni_x = grad_x/Auni_y = grad_y/Auni_z = 1./Avec_el = np.pi/2.2 # 光源的俯视角度，弧度值vec_az = np.pi/4. # 光源的方位角度，弧度值dx = np.cos(vec_el)*np.cos(vec_az) #光源对x 轴的影响dy = np.cos(vec_el)*np.sin(vec_az) #光源对y 轴的影响dz = np.sin(vec_el) #光源对z 轴的影响b = 255*(dx*uni_x + dy*uni_y + dz*uni_z) #光源归一化，梯度转化为灰度b = b.clip(0,255)#避免数据越界im = Image.fromarray(b.astype('uint8')) #重构图像im## 图像的数组表示from PIL import Image#图像处理的库import numpy as npim = np.array(Image.open('C:/Users/86151/mycode/fcity.jpg'))print(im.shape,im.dtype)## 修改光源2from PIL import Image#图像处理的库import numpy as npa1 = np.array(Image.open('C:/Users/86151/mycode/fcity.jpg'))print(a1.shape,a1.dtype)b1=[255,255,255]-a1im1 = Image.fromarray(b1.astype('uint8')) #重构图像im1## 修改光源3from PIL import Image#图像处理的库import numpy as npa = np.array(Image.open('C:/Users/86151/mycode/fcity.jpg').convert('L'))b=255-aim2 = Image.fromarray(b.astype('uint8')) #重构图像im2## 修改光源4from PIL import Image#图像处理的库import numpy as npa = np.array(Image.open('C:/Users/86151/mycode/fcity.jpg').convert('L'))b=(100/255)*a+150 #区间变换im3 = Image.fromarray(b.astype('uint8')) #重构图像im3## 修改光源5from PIL import Image#图像处理的库import numpy as npa = np.array(Image.open('C:/Users/86151/mycode/fcity.jpg').convert('L'))b=(255)*(a/255)**2#像素平方im3 = Image.fromarray(b.astype('uint8')) #重构图像im3## 修改光源6from PIL import Image#图像处理的库import numpy as npa = np.array(Image.open('C:/Users/86151/mycode/fcity.jpg').convert('L'))b=(255)*(a/255)**2#像素平方b = b.clip(0,255)im3 = Image.fromarray(b.astype('uint8')) #重构图像im3

实验结果

1.问题一

2.问题

3.问题三

实验体会

  1. 图像RGB色彩模式与数组表示与图像变换： 通过实验，初次了解如何利用Python使用图像的RGB色彩模式，并实现图像的数组表示与变换。在此过程中，熟悉了Python的Seaborn和Matplotlib库，使画图过程更加高效。

  2. Matplotlib画图中的问题和解决方法： 实验1记录了一些问题，例如在使用Matplotlib画图时，为了实现中文显示，需要添加语句mpl.rcParams["font.sans-serif"] = ["SimHei"]，并且搭配设置正常显示符号mpl.rcParams["axes.unicode_minus"] = False，以达到更好的效果。

  3. 绘制圆柱和圆的代码添加以及加速效果的思考： 在实验2中，自行添加了画圆柱和画圆的代码。发现使用t.Turtle().screen.delay(0)虽然可以加速，但经常导致内核终止现象，因此对于加速效果的使用需要权衡利弊。

总结

Python领域就像一片未被勘探的信息大海，引领你勇敢踏入Python数据科学的神秘领域。这是一场独特的学习冒险，从基本概念到算法实现，逐步揭示更深层次的模式分析、匹配算法和智能模式识别的奥秘。

渴望挑战Python信息领域的技术？不妨点击下方链接，一同探讨更多Python数据科学的奇迹吧。我们推出了引领趋势的 Python数据科学专栏：《Python | 编程解码》，旨在深度探索Python模式匹配技术的实际应用和创新。