axes，复数加es的名词13个？
在英语中，许多名词在复数形式中需要加上“es”。这些名词包括：axes（斧头），boxes（盒子），glasses（眼镜），watches（手表），buses（公共汽车），brushes（刷子），churches（教堂），matches（火柴），kisses（吻），potatoes（土豆），tomatoes（番茄），bunches（一束），以及dishes（碗碟）。这些名词的复数形式遵循一定的规则，通常是在单数形式的末尾加上“es”。这些名词在英语中使用频繁，因此对于英语学习者来说，掌握它们的复数形式是非常重要的。
catia中间坐标轴怎么设置？
在CATIA中，你可以在构建三维模型的过程中，设置中心坐标轴，用于方便地对模型进行操作和计算。以下是详细步骤：
1. 打开CATIA软件，新建一个三维模型，在视图窗口中，可以看到三个坐标轴，分别代表X轴、Y轴和Z轴。
2. 在菜单栏中选择“工具箱”->“基础工具”->“生成单元”，然后在空间中生成一个点（用于标记中心点）。
3. 在工具箱中找到“坐标轴系统”工具，单击它，然后在视图窗口中，选择刚刚生成的点，作为中心点。
4. 在坐标轴系统窗口中，你可以设置和修改X、Y、Z轴的长度、方向和轴名等属性，还可以在设置中心点的同时，对坐标轴进行偏移。
5. 单击“确定”按钮，就可以在视图窗口中看到中心点和你设置好的中心坐标轴了。
通过这些步骤，你就可以设置CATIA中的中心坐标轴了。它可以帮助你更方便地控制和计量三维模型。
python三维坐标系如何控制坐标范围？
在Python中控制三维坐标系的坐标范围，可以通过设置坐标轴的范围来实现。可以使用matplotlib库中的Axes3D类来创建三维坐标系，并通过调用set_xlim3d、set_ylim3d和set_zlim3d方法来分别设置X、Y和Z轴的范围。
例如，使用ax.set_xlim3d(xmin, xmax)方法来设置X轴的最小值xmin和最大值xmax。这样就可以控制三维坐标系的坐标范围，使其满足实际需求。
ax开头的单词？
1、axis n. 轴，轴线；对称中心线，对称轴；（国家间的）联盟；斑鹿（=chital，复数axis）
2、axe n.斧，斧子 v.削减，撤销；解雇，开除；（用斧）砍
3、axial adj.轴的；轴向的 n.（Axial）人名；（法）阿克西亚尔
4、axes n.轴线；轴心；坐标轴（axis的复数）；斧头（axe的复数）
5、axis abbr.自动X射线检查（Automatic X-ray Inspection）
如何利用Python抓取静态网站及其内部资源？
这次分享一个房地产网站数据采集及可视化分析的Python实际案例，应用效果还是有，步骤如下：
1、获取目标网站2、分析网站，确定数据采集的方法3、对采集的数据进行处理4、最后可视化先看看最终效果：首先获取目标网站，可以发现获取的数据信息都在网页上面，所以可以直接使用xpath标签定位获取网页上的数据，而不用担心动态网页的数据会出现变化：然后获取各个采集字段的具体xpath，包括房源信息、房价、地区、建面（面积）等字段的xpa，部分代码如下：fymc=n.xpath('./div/div[1]/a/text()')[0]#房源名称 fj=n.xpath('./div/div[6]/div/span[1]/text()')[0]#房价 diqu=n.xpath('./div/div[2]/span[1]/text()')[0]#地区 mj=n.xpath('./div/div[3]/span/text()')[0]
然后我们要爬取页数要设置，可以看到页数链接明显出现变化，而且还是规律性的，所以可以构造一个循环采集指定页数的信息（也就是翻页采集），部分代码如下：for i in range(1,6): url='https://nn.fang.lianjia.com/loupan/pg'+str(i) #print(url)
翻页采集搞定了，接下来就是数据处理，先判断采集的数据有没有空值或者缺失值，就必须使用numpy和pandas这两个模块进行数据处理，部分代码如下：data=pd.read_csv(r'C:/Users/Administrator/Desktop/链家数据.csv',encoding='gbk') #data.describe()#做描述性分析，判断有没有空值或者缺失值
然后查看采集的数据发现，建面面积这个字段既有中文又有数字和特殊符号，我们要对这个字段进行拆分，拆分为最大面积和最小面积，代码如下：data['最小面积']=data['面积'].str.split(expand=True)[1].str.split('-',expand=True)[0] data['最大面积']=data['面积'].str.split(expand=True)[1].str.split('-',expand=True)[1].str.split('㎡',expand=True)[0] data=data.drop('面积',axis=1)
处理完采集的数据，接下来就是对数据进行可视化，可视化就用到matplotlib这个模块，我们用了三个图去可视化数据，包括折线图、饼图、条形图，部分代码如下：#制作可视化图表 plt.figure(figsize=(10,8)) plt.suptitle("南宁房价可视化分析",fontsize=20) plt.subplot(2,2,1) #不同地区的房源数量--饼图 plt.title('不同地区的房源数量占比--饼图') explode=[0,0,0,0,0.2,0] plt.pie(x=data.地区.value_counts(),labels=data.地区.value_counts().index, explode=explode,autopct='%.3f%%') plt.subplot(2,2,2) plt.title('不同地区的房源数量--条形图') plt.ylim(0,20) x=data.地区.value_counts().index y=data.地区.value_counts() plt.bar(x=x,height=y,width=0.5) for a,b in zip(x,y): plt.text(a,b+0.2,str(b),ha='center',va='bottom',fontsize=10.5,color='green') plt.subplot(2,1,2) plt.title('不同地区平均房价——折线图') plt.ylim(0,30000) qingxiu=int(data[data['地区']=="青秀区"].房价.mean()) xixiangtang=int(data[data['地区']=="西乡塘区"].房价.mean()) xingning=int(data[data['地区']=="兴宁区"].房价.mean()) liangqing=int(data[data['地区']=="良庆区"].房价.mean()) yongning=int(data[data['地区']=="邕宁区"].房价.mean()) dq=['青秀区','西乡塘区','兴宁区','良庆区','邕宁区'] mean_fj=[qingxiu,xixiangtang,xingning,liangqing,yongning] #折线图# plt.plot(dq,mean_fj,label='不同地区平均房价') for a,b in zip(dq,mean_fj): plt.text(a,b+0.2,str(b),ha='center',va='top',fontsize=10.5) plt.legend(loc=1,fontsize=13) plt.show()
最后不多说了，附上完整代码：import requests from lxml import etree import csv import pandas as pd import matplotlib.pyplot as plt from pylab import mpl import time with open('C:/Users/Administrator/Desktop/链家数据.csv','w',encoding='gbk') as f: f.write('房源名称,房价,地区,面积\n') f.close() for i in range(1,6): url='https://nn.fang.lianjia.com/loupan/pg'+str(i) #print(url) headers={ 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36' } r=requests.get(url,headers=headers).content b=etree.HTML(r) c=b.xpath('/html/body/div[3]/ul[2]/li') try: for n in c: fymc=n.xpath('./div/div[1]/a/text()')[0]#房源名称 fj=n.xpath('./div/div[6]/div/span[1]/text()')[0]#房价 diqu=n.xpath('./div/div[2]/span[1]/text()')[0]#地区 mj=n.xpath('./div/div[3]/span/text()')[0] with open('C:/Users/Administrator/Desktop/链家数据.csv','a',encoding='gbk') as f1: f1.write('{},{},{},{}\n'.format(fymc,fj,diqu,mj)) print("数据爬取成功！") except: pass time.sleep(20) mpl.rcParams['font.sans-serif']=['SimHei'] mpl.rcParams['axes.unicode_minus']=False data=pd.read_csv(r'C:/Users/Administrator/Desktop/链家数据.csv',encoding='gbk') #数据处理，拆分面积字段为两列数据，最小面积和最大面积 #data.describe() data['最小面积']=data['面积'].str.split(expand=True)[1].str.split('-',expand=True)[0] data['最大面积']=data['面积'].str.split(expand=True)[1].str.split('-',expand=True)[1].str.split('㎡',expand=True)[0] data=data.drop('面积',axis=1) #制作可视化图表 plt.figure(figsize=(10,8)) plt.suptitle("南宁房价可视化分析",fontsize=20) plt.subplot(2,2,1) #不同地区的房源数量--饼图 plt.title('不同地区的房源数量占比--饼图') explode=[0,0,0,0,0.2,0] plt.pie(x=data.地区.value_counts(),labels=data.地区.value_counts().index, explode=explode,autopct='%.3f%%') plt.subplot(2,2,2) plt.title('不同地区的房源数量--条形图') plt.ylim(0,20) x=data.地区.value_counts().index y=data.地区.value_counts() plt.bar(x=x,height=y,width=0.5) for a,b in zip(x,y): plt.text(a,b+0.2,str(b),ha='center',va='bottom',fontsize=10.5,color='green') plt.subplot(2,1,2) plt.title('不同地区平均房价——折线图') plt.ylim(0,30000) qingxiu=int(data[data['地区']=="青秀区"].房价.mean()) xixiangtang=int(data[data['地区']=="西乡塘区"].房价.mean()) xingning=int(data[data['地区']=="兴宁区"].房价.mean()) liangqing=int(data[data['地区']=="良庆区"].房价.mean()) yongning=int(data[data['地区']=="邕宁区"].房价.mean()) dq=['青秀区','西乡塘区','兴宁区','良庆区','邕宁区'] mean_fj=[qingxiu,xixiangtang,xingning,liangqing,yongning] #折线图# plt.plot(dq,mean_fj,label='不同地区平均房价') for a,b in zip(dq,mean_fj): plt.text(a,b+0.2,str(b),ha='center',va='top',fontsize=10.5) plt.legend(loc=1,fontsize=13) plt.show()
还没有评论，来说两句吧...