【数据分析】算法+Echarts小练
'''
处理逻辑:
按number去处理
先遍历所有的number挨个去找有没有在列表里的,在列表里的拿出另外一个append
把number去除的列表
'''
li = []
with open(r'F:\数据分析专用\通话圈分析\new\test1.txt', 'r') as f:
lines = f.readlines()
for line in lines:
li.append(line.strip().split('\t')) b = len(li)
for i in range(b):
for j in range(b):
x = list(set(li[i] + li[j]))
y = len(li[j]) + len(li[i])
if i == j or li[i] == 0 or li[j] == 0:
break
elif len(x) < y:
li[i] = x
li[j] = [0] fin_li = ([i for i in li if i != [0]]) for i, v in enumerate(fin_li):
with open(r'F:\数据分析专用\通话圈分析\file\%s.txt' % i, 'a') as f:
for v1 in v:
f.write(v1+'\n')
通话圈整合
li = []
with open(r'F:\数据分析专用\通话圈分析\new\test1.txt', 'r') as f:
lines = f.readlines()
for line in lines:
li.append(line.strip().split('\t'))
for i in range(45):
with open(r'F:\数据分析专用\通话圈分析\file\%s.txt'%i, 'r') as fb:
with open(r'F:\数据分析专用\通话圈分析\group\%s.txt'%i,'w')as fp:
lins = fb.readlines()
for i in lins:
# print(i.strip())
for ind in li:
if i.strip() == ind[0]:
# print(ind)
fp.write(' '.join(ind)+'\n')
整合圈整合
'''
先生成nodes和links
'''
num = 0
while num <= 44:
with open(r'F:\数据分析专用\通话圈分析\group\%s.txt' % num, 'r') as f:
lines = f.readlines()
nodes_name = []
for line in lines:
nodes_name.append(line.strip().split(' ')[0])
nodes_nam = list(set(nodes_name))
# print(nodes_name)
nodes = []
for i in nodes_nam:
dic = {}
dic['name'] = i
dic['symbolSize'] = int(nodes_name.count(i)) * 2
nodes.append(dic)
# print(nodes)
links = []
links_path = []
for line in lines:
links_path.append(line.strip().split(' '))
for li in links_path:
dic_path = {}
dic_path['source'] = li[0]
dic_path['target'] = li[1]
links.append(dic_path) from pyecharts import Graph graph = Graph("关系图-环形引导布局示例", width=1200, height=600)
graph.add("", nodes, links, repulsion=80, graph_repulsion=20, graph_edge_length=350,
line_curve=0.1, label_text_color=None, line_width=1.5, ) graph.render(r'F:\数据分析专用\通话圈分析\img\%s.html' % num) num += 1
Echarts

【数据分析】算法+Echarts小练的更多相关文章
- java算法题每日一练01,java入门简单算法题小练
1.给数组做反序 public class Ak01 { public static void main(String[] args) { int[] a = new int[]{22,48,41,2 ...
- 算法小练#1 - Dany Yang
开始记录每周做过的算法题,这是第一周,新的开始 1021. 删除最外层的括号 题目要求如下: 有效括号字符串为空 ("")."(" + A + ")& ...
- python requests抓取NBA球员数据,pandas进行数据分析,echarts进行可视化 (前言)
python requests抓取NBA球员数据,pandas进行数据分析,echarts进行可视化 (前言) 感觉要总结总结了,希望这次能写个系列文章分享分享心得,和大神们交流交流,提升提升. 因为 ...
- js 计时器小练-20160601
今天要做一个计时器小练,所以我就做了练习,代码如下. // 初始化时间,以及定义全局量去接收计时器 var timer = 0; var t; var h, min, sec, millisec; / ...
- 1179: 零起点学算法86——小明A+B(未弄懂)
1179: 零起点学算法86——小明A+B Time Limit: 1 Sec Memory Limit: 32 MB 64bit IO Format: %lldSubmitted: 2540 ...
- Java实现 蓝桥杯 算法提高 小X的购物计划
试题 算法提高 小X的购物计划 问题描述 小X打算去超市shopping.小X没什么钱,只有N元.超市里有M种物品,每种物品都需要money,在小X心中有一个重要度.有的物品有无限件,有的物品只有几件 ...
- Java实现蓝桥杯VIP算法训练 小生物的逃逸
试题 算法训练 小生物的逃逸 资源限制 时间限制:1.0s 内存限制:256.0MB 问题描述 空间中有n个球,这些球不相交也不相切.有m个可以视为质点的小生物,可能在某些球内,也可能在所有球之外,但 ...
- 拉勾网招聘数据分析(Echarts, SQL, java)
这次的数据分析与决策课程,我做的是通过爬取拉勾网上的招聘信息,并用爬取到的数据整体分析互联网行业数据,项目做得差不多了,先总结下吧,后边有时间了再完善. 主要工具: Echarts, SQL, ja ...
- python数据分析算法(决策树2)CART算法
CART(Classification And Regression Tree),分类回归树,,决策树可以分为ID3算法,C4.5算法,和CART算法.ID3算法,C4.5算法可以生成二叉树或者多叉树 ...
随机推荐
- Python列表的复制
1.直接按名字赋值: my_habit = ['game', 'running'] friend_habit = my_habit my_habit.append('swimming') friend ...
- Spring Boot学习总结(3)——SpringBoot魅力所在
使用Java做Web应用开发已经有近20年的历史了,从最初的Servlet1.0一步步演化到现在如此多的框架,库以及整个生态系统.经过这么长时间的发展,Java作为一个成熟的语言,也演化出了非常成熟的 ...
- MySQL:浅析 Impossible WHERE noticed after reading const tables
使用 EXPLAIN 执行计划的时候,在 Extra 中偶尔会看到这样的描述: Impossible WHERE noticed after reading const tables 字面上的意思是: ...
- 用 Python 理解 Web 并发模型
用 Python 理解 Web 并发模型 http://www.jianshu.com/users/1b1fde012122/latest_articles 来源:MountainKing 链接: ...
- 基于ZF中的.htaccess文件学习Apache的Rewrite语法
首先我们看一下这个.htaccess文件: RewriteEngine On RewriteCond %{REQUEST_FILENAME} -s [OR] RewriteCond %{REQUEST ...
- 什么是 SHTML
什么是 SHTML 使用SSI(Server Side Include)的html文件扩展名,SSI(Server Side Include),通常称为“服务器端嵌入”或者叫“服务器端包含”,是一种类 ...
- 初识——Vim
有些东西吧,总是碰见,低头不见抬头见,但又不知道是什么.用来干嘛的?总是搞的心里痒痒.所以一定要学习一下. 近期一段时间,总是碰到一个词儿:VIM,在这儿看到了,我不理他,隔一会儿丫的又跑我眼睛里,总 ...
- N数码问题的启发式搜索算法--A*算法python实现
一.启发式搜索:A算法 1)评价函数的一般形式 : f(n) = g(n) + h(n) g(n):从S0到Sn的实际代价(搜索的横向因子) h(n):从N到目标节点的估计代价,称为启发函数(搜索的纵 ...
- TensorFlow——分布式的TensorFlow运行环境
当我们在大型的数据集上面进行深度学习的训练时,往往需要大量的运行资源,而且还要花费大量时间才能完成训练. 1.分布式TensorFlow的角色与原理 在分布式的TensorFlow中的角色分配如下: ...
- Elasticsearch之cur查询索引
前提, Elasticsearch之curl创建索引库 Elasticsearch之curl创建索引 Elasticsearch之curl创建索引库和索引时注意事项 Elasticsearch之cur ...