在天池实验室通过编辑按钮可以进入DSW，在一些比赛中可以fork到自己的天池实验室，然后编辑进入编程，运行命令，下载数据集，最后点击天池保存到天池。也就是主要把学习赛的内容保存到自己的天池实验室当中。
Python入门与实践 python学习 python的作用：数据分析，数据挖掘：numpy，pandas，matplotlib。
机器学习深度学习算法。
网络开发：Django，Flask。
爬虫：Request
这个太简单了，但是我又不想跳过
python上
python中
Python中的函数、lambda表达式、类与对象、魔法方法。python下
如何利用docker打比赛 Docker 介绍Docker是一个开源的应用容器引擎，让开发者可以打包他们的应用以及依赖包到一个可移植的镜像中，然后发布
到任何流行的Linux或Windows机器上，也可以实现虚拟化。容器是完全使用沙箱机制，相互乙同个云有仕何按口。
优点:
1、简化程序:
Docker改变了虚拟化的方式，使开发者可以直接将自己的成果放入Docker中进行管理。2、避免选择恐惧症:
Web应用、后台应用、数据库应用、大数据应用比如Hadoop集群、消息队列等等都可以打包成一个镜像部署。3、节省开支:
一方面，云计算时代到来，使开发者不必为了追求效果而配置高额的硬件，Docker改变了高性能必然高价格的思维定势。
Docker Desktop是Docker在Windows 10和macOS操作系统上的官方安装方式，这个方法依然属于先在虚拟机中安装Linux然后再安装Docker的方法。
windows版本的下载地址
常见问题:"Docker Desktop requires the Server service to be enabled “
解决方法:
Step1:在命令行运行cmd，输入命令services.msc并回车;
Step2:在弹出的窗口中查找并选中Server,双击，将Server的服务状态设置为“启动”
先了解什么是容器，然后手把手安装docker。
主要就是打比赛，把比赛fork到自己的天池实验室当中来。
2020美国总统献金数据分析 kaggle上的数据分析项目首先安装环境之前有一些不会变的命令
pip install numpy
pip install pandas
pip install matplotlib
该数据集包含城市酒店和度假酒店的预订信息，包括预订时间、停留时间，成人/儿童/婴儿人数以及可用停车位数量等信息。
适用场景:社会科学、旅行、酒店、用户行为，不具有明显的行业标识，可进行常规用户行为分析。
数据量:32列共12W数据量。
：酒店类型，是否取消预定，停留时间，到达年份，到达月份，第几周到达，当月第几日到达，呆在周末的夜晚数，周过夜数，成人数量，儿童数量，婴儿数量，BB餐是什么意思，国家，市场部门，分配渠道，是否是回头客，早先预定没有取消（历史取消数），分配房屋类型，预订次数，定金类型，房间号，公司，当天等待清单，消费者类型，存托凭证，可用停车位数量，特殊需求总数，预定日期。。。
步骤：1.探索数据：读入文件，查看各列类型均值和直方图，有个大概的了解。
2.数据可视化分析：此时需要根据问题来进行可视化分析，所以画这个图是要有理解的，比如各列的各个数据取一部分筛选，列中剔除用==，关联用&。其实画这些所有的图就x轴代表对象索引遍历生成的列表，y轴就是这个对象的值。那么这个对象又是什么呢？这个对象就是已经筛选出来的行[’’].value_counts()。
可以定义的问题:
1)酒店各月份预订量与主要客源分布:（plot）月份预定量通过折线图，画法就是画两条不同的线，具体画法一样。先df列名是hotel且没有被取消预定的行，在这些行中arrival_date_month不一样的有几行，月份肯定12个不同值，统计出每个不同值的和保存在一个对象里。横坐标是根据对象索引创建的列表，纵坐标是这个对象的value。再通过x和y的循环标上数字。客源的主要分布：查看所有属性，分布肯定是和地域有关，直接groupby(df.country).count()再排序就可以。
2）酒店预订量和取消量：（bar）这个就比较简单了，就看is_canceled这个属性是不是0和1，画一个条形图就可以了。
3）酒店消费群体划分：（pie）成人，儿童，婴儿，这个明显适合画饼状图.。这个图依然可以用上一个图创建的对象，脑子不要太死板了。但是我理解错了，消费群体划分其实是按照部门market_segment来划分,饼状图是没有坐标轴的。
4）预订取消与历史取消数的关系：关系图应该怎么画？答：stripplot(分布散点图)，这个散点分布图就是
5）各类旅客日均开销
1)基本情况:城市酒店和假日酒店预订需求和入住率比较;
2)用户行为:提前预订时长、入住时长、预订间隔、餐食预订情况;
3)—年中最佳预订酒店时间;
4)利用Logistic预测酒店预订。
总结：
SQL入门与实践 机器学习入门与实践 强化学习入门与实践 趣味视觉AI应用入门与实践 知识积累os.walk()能够遍历出文件夹下所有的文件和文件夹，此函数的返回值是一个迭代器，所以一般配合for循环来使用。os.walk("./")表示调用当前文件所在的文件夹下的所有。
df.info():主要介绍数据集各列的数据类型，是否为空值，内存占用情况；
df.describe(): 主要介绍数据集各列的数据统计情况（最大值、最小值、标准偏差、分位数等等）。
df.hist(figsize=(20,15))画直方图，figsize表示每张直方图的尺寸大小，dpi 确定了图形每英寸包含的像素数，图形尺寸相同的情况下， dpi 越高，则图像的清晰度越高
.index=range(i.shape[0])索引下标等于矩阵的行数
value_counts()是一种查看表格某列中有多少个不同值的快捷方法，并计算每个不同值有在该列中有多少重复值。
value_counts()是Series拥有的方法，一般在Dataframe中使用时，需要指定对哪一列或行使用
list(range(len(通过遍历创建列表
plt.xlim() 显示的是x轴的作图范围，同时plt.ylim() 显示的是y轴的作图范围，而 plt.xticks() 表达的是x轴的刻度内容的范围简而言之就是把x的刻度显示换成其他的列表。
.groupby()分组以及分组后的继续运算。
当给画好的统计图上数字文本标识的时候，直接上代码就行：只需要修改传入括号里的实参就可以了。
for x,y in zip(x,y):
plt.text(x,y+0.1,’%d’ % y,ha = ‘center’,va = ‘bottom’)
画图准则就是先筛选行的df，再在这些行的基础上[筛选的列].value_counts。也就是最后落实在哪个属性，就哪个属性的value_counts()
plt.subplot(2,3,1)也可以简写plt.subplot(231)表示把显示界面分割成2*3的网格。其中，第一个参数是行数，第二个参数是列数，第三个参数表示图形的标号。说白了subplot就是画好几个图，把这好几个图都分格局。
seaborn的知识：
sns.distplot直方图：bins指x平均分成几等份，fit画一个回归线。
sns.jointplot直方图和散点图的结合版：数据量小就用散点图，数据量大的时候就设定参数kind=’‘hex’’,这个图是真的好看。
sns.pairplot数据集中两两之间的特征都画出来就不用for循环了。
sns.replot和sns.implot都可以绘制回归关系
sns.stripplot用于多变量分析，为了防止点都堆在一起，设置jitter=True更清晰一些。
sns.boxplot盒图或者箱线图
sns.violinplot小提琴图
sns.swarmplot树形散点图
sns.barplot条形图
sns.pointplot点图可以更好地描述变化差异
sns.factorplot多层面部分类图
FacetGrid用来布局，一般用法是创建FacetGrid对象，然后用这个对象来调用map函数来画图。
heatmap最实用的图：热度图，
