1. delphi 发邮件，有没有一种可以放在电脑桌面的可以提醒记事的小工具？

1. TimeRecorder 4.20 定时提醒您各种事务，记录发生的事情和时间，并可用作备忘录和定时关 download.pchome.net/multimedia/viewer/12803.html

2. TimeRecorder 4.22 定时提醒您各种事务，记录发生的事情和时间，并可用作备忘录和定时关机。您是否有过这 www.onlinedown.net/soft/1823.htm

3. TurboNote＋ 6.0 一款很不错的备忘录软件 download.pchome.net/home/calendar/895.html

4. Active Desktop Calendar

5.5 汉化版 ActiveDesktopCalendar是一个强大易用的可定制备忘录、任务、闹铃的日历工具，可以在 www.onlinedown.net/soft/29744.htm 5. ASPmemo ASP备忘录 1.3.0 ASPmemo ASP备忘录 download.pchome.net/development/sever/asp/12604.html

6. 程序员小贴士 1.00 Delphi函数及Windows API查询、用户数据集、通讯录、备忘录等功能 download.pchome.net/development/helpbuilder/17684.html

7. Date Reminder 1.4 非常实用的日程安排和备忘录工具 download.pchome.net/home/remind/7166.html

8. 迷你备忘录 1.2 时钟的备忘录 download.pchome.net/home/remind/7213.html

9. 心灵日记本 1.3 备忘录，文章摘要以及常用信息保存 download.pchome.net/home/remind/14396.html

10. 文曲星文件转换器 0.99 把txt文件转换成为*.wqx文件，传到文曲星上在“备忘录”中阅读 download.pchome.net/utility/dict/4886.html

11. geo-notes 0.9999 一款小巧的备忘录 download.pchome.net/home/remind/7222.html

12. KF备忘录 1.0 KF备忘录 download.pchome.net/home/remind/7156.html

13. TimeRecorder V4.21.4 定时提醒您各种事务，记录发生的事情和时间，并可用作备忘录和定时关机。您是否有 download.21cn.com/list.php?id=27308

14. AbNote 1.1a 是一个备忘录和信息管理工具。将信息的细节录入其中，以便分类和查询。 www.onlinedown.net/soft/11401.htm

15. round clock 2.20 备忘录式程序 download.pchome.net/home/remind/7219.html

16. 时兴备忘录管理信息系统 1.1 能对个人通讯信息进行灵活地全面地管理。 download.pchome.net/utility/file/editor/16443.html

17. 时间记录(TimeRecord) 3.10 定时提醒您各种事务，记录发生的事情和时间，并可用作备忘录和定时关机。您是否有过这 www.onlinedown.net/soft/2347.htm

18. 名天备忘录(MemoPad) 2.0.0 Beta 2 可用来记事、备忘，记录各种事项并设定提醒，都是相当实用的功能，相信是您最好的记录 www.onlinedown.net/soft/1868.htm

19. 名天备忘录 V2.0.0 Beta 2 可用来记事、备忘，记录各种事项并设定提醒，都是相当 www.skycn.com/soft/12220.html

20. 记事本、备忘录、通讯录 V1.0 内含记事本、备忘录、通讯录，进口价格、国产价格等， www.skycn.com/soft/18072.html

21. TurboNote 5.4 汉化版 一款很不错的备忘录软件。你可以把需要提示的事件，电话号码，心得等随手在上面记下来 www.onlinedown.net/soft/5534.htm

22. 风无憾备忘录 3.2 美观大方的界面，人性化的功能，这就是风无憾备忘录的特点，它不但可以设定无限日期内 www.onlinedown.net/soft/21876.htm

23. 文曲星文件转换器 0.99 把txt文件转换成为*.wqx文件，传到文曲星上在“备忘录”中阅读 antivirus.pchome.net/utility/dict/4886.html

24. Date Reminder 1.6 是一个非常实用的日程安排和备忘录工具。小巧实用，图文并茂。有了它，你就不会再忘记 www.onlinedown.net/soft/11224.htm

25. TurboNote 6.0 一款很不错的备忘录软件。你可以把需要提示的事件，电话号码，心得等随手在上面记下来 www.onlinedown.net/soft/5532.htm

26. 时兴备忘录管理信息系统 1.1 能对个人通讯信息进行灵活地全面地管理。 antivirus.pchome.net/utility/file/editor/16443.html

27. 密码备忘录 2004 Build 1106 我是一只网虫，随着接触计算机的时间

2. 零基础怎样成为程序员？

作为一个软件工程专业的学生 可以告诉你，你可以 先了解程序员 具体是干什么的，然后你再慎重考虑一下 自己到底有多么喜欢这个工作，等你想清楚这个问题之后，你就可以准备去学习程序了

一个程序员，心里必须清楚 程序=算法+数据结构+程序设计方法+语言工具和环境

接下来你就可以学习一门你喜欢的语言，嗯 那么我建议你学习c语言，c语言是使用最广泛的一种语言， C语言是一种计算机程序设计语言，它既具有高级语言的特点，又具有汇编语言的特点。它由美国贝尔研究所的D.M.Ritchie于1972年推出，1978年后，C语言已先后被移植到大、中、小及微型机上，它可以作为工作系统设计语言，编写系统应用程序，也可以作为应用程序设计语言，编写不依赖计算机硬件的应用程序。它的应用范围广泛，具备很强的数据处理能力，不仅仅是在软件开发上，而且各类科研都需要用到C语言，适于编写系统软件，三维，二维图形和动画，具体应用比如单片机以及嵌入式系统开发。

学好了c语言，学习其他语言来说就很简单了，前提是你必须掌握好c语言，这样 你就可以 更好的学习 接下来的事情呢

在学习c语言的过程中 你可以自己编写一些编写一些简单的程序，你可以模仿 可以抄袭，自己 动手敲一敲代码，我们可以从 hello world 开始，然后 你可以从杨辉三角 进行，

数据结构一定要 慢慢的进行学习数据结构是计算机存储、组织数据的方式。数据结构是指相互之间存在一种或多种特定关系的数据元素的集合。通常情况下，精心选择的数据结构可以带来更高的运行或者存储效率。数据结构往往同高效的检索算法和索引技术有关。

目前 程序员工资最高的是 Java 程序 所以啊 你可以选择学习java语言，希望你能学好它，这样就 这样程序员的道路上 走了会更好 希望你能关注我的 今日头条，有什么不懂的问题 你也可以 给我留言，欢迎给我点赞

3. 美国旅行注意事项有哪些？

赴美留学必备物品25项Checklist

1.机票

2.护照

3.I-20

4.录取函

5.证件

6.各种公证(未婚，出生，无犯罪记录，亲属，成绩单，毕业证书，学位证书)

7.成绩单(多带几份)(本科、研究生)

8.毕业证书、学位证书

9.T/G成绩

10.护照照片(两寸、一寸多印几张)

11.最完全的通讯录。建议也把一个备份放到自己Yahoo什么的邮箱中。电话号码本(包含E-Mail地址)

a)在美国接待你的人的电话b)系里的电话c)在美国的亲友的电话d)家里的电话(记住到美国后向国内拨打电话是这样的:先拨011,然后拨86,然后拨你所在城市的区号,然后是你要拨打的电话号码。

12.钱：带足2000美元，再设法另外筹备一些。整钱(付房租)，零钱(过机场，海关，打电话)。

13.眼镜(3付)。墨镜。

14.药：

a)消化不良水土不服：霍香正气丸、丽珠肠乐、泻痢停、黄连素b)过敏：息斯敏、扑尔敏c)流感：银翘片、康泰克、感冒通、消炎、消火牛黄解毒片、西瓜霜润喉片d)镇痛、消炎：APC、芬必得、外伤、烫伤、云南白药、创可贴、正红花油e)皮肤：皮炎平、达克宁霜f)痔疮(男士必备)：容昌肛泰g)BTW：秋天去打流感疫苗(免费)

15.CD、VCD、磁带、软件、随身听(for磁带)。

16.软件(多多益善)：

基本的原则是宜精不宜多。应该把自己过去工作中积累的数据和文件整理一下，记录在Zip或是CD-R上带来。来了之后一般要做一个Presentation，最好也要事先准备。

a)WinME,Win98,Win2K,中文Office2000.b)Photoshop,PhotoDelux,AdobeAcrobat,AdobeIllustrator8.0,AdobePageMaker,AdobePremiere,c)Matlab,Maple,Origind)VisualStudio,Delphi,JBuilder,C++Buildere)MacromediaFireworks,Authorware,Flash,Dreamweaver,Drumbeat2000,Shockwavef)金山词霸2001,中文之星，MagicWin,Njstar(南极星)，RichWin,RichView,EditPlus,UltraEdit,FolderGuard,QuikView,WinEdit,WinZip,WinRAR,UlteraZipKey(星云小屋)，g)Kv300,Rising,NortonAntivirus,McaFeeAntivirus,Av98,CIH终结者(星云小屋)，Kill98,h)GostView,AdobeAcrobatReader,MicrosoftDirectXSDK(星云小屋)，InstallshieldProfessional6.0.i)Winamp,Realplay,豪杰超级DVD，超级结巴,CoolEditPro2000,AudioCatalyst(星云小屋),AdaptecEasyCDCreatorv4.0Deluxe,j)NortonUtilities,NotronAntivirus,Notronghost,SymnatechSppeddisk

17.书：

a)字典：新英汉、新汉英、科技、专业、外加快译通(双译)。b)数学(数学手册、微积分、线性代数、数值分析、复变函数)。c)专业书籍(中文：？？？；英文：？？？)。d)Unix，C/C++，htmle)唐诗宋词三百首、菜谱和烹饪常识。

18.衣服:

a)正式服装：西装(1)、领带(2)、领带夹。

b)上衣：1，T-shirt(12):各种质地,色泽,长短,厚薄T恤.2，长袖纯棉休闲衬衣多带。短袖适用打领带的衬衣一件。衣服颜色可多样化，但以纯色为宜。风格力求简单朴素，但质地要好，比如裤子的坠性(不易起折)。3，外套:夹克衫、休闲衫(3-4，厚薄不同)。防水或防风的茄克类外套(1-2)。风衣(带防风帽子)。4，运动短装一套。运动外装一套。5，大衣/皮衣一两件。中长羽绒服，要面子可拆开单独洗的。6，毛衣:一到两件偏薄的，一圆领，一小鸡心领。

c)裤子:1，牛仔裤(3)，休闲裤(3-5)。现在的裤子不都可随意改裤长么，建议大家先买回家用热水洗一水，再去改裤长，这样或可防止烘干缩水。2，春秋裤和线裤不必多。3，沙滩裤(12)。4，游泳裤。

d)内衣裤(12套)。

e)袜子(6-10)。

f)皮手套一副。

g)鞋：休闲皮鞋两双，无毛靴子一双，旅游鞋一双，运动鞋一双。非常舒适拖鞋一双。鞋垫(10)。

h)墨镜，要所谓消偏振光的(这是我听别人说的，物理原理我不懂)。开车用得着

i)被子：1，薄被一床，可考虑丝绵被或太空棉，勿太薄，按室内20度考虑。薄毯子一条可选。被罩。2，抽真空枕头一个，枕头套两个，枕巾。双人床的床单两条(美国通常的床比中国的单人床宽不少)，双人床罩。

j)暖和的帽子。

19.箱包：

a)双肩书包一个，要质量好,可能要放笔记本电脑。一个比书包稍大的双肩背旅行包作为登机的随身行李，在美国出去旅游用得找。b)箱子：我建议大家买好的,我无法想象100块的箱子可以用，比较好的箱子应该在400到600RMB之间吧。高档的箱子是工程塑料外壳，上面可以站人的那种，巨沉，贵至400RMB以上。较普通的是帆布面加衬底的那种，半硬不硬，200RMB左右。建议一样买一个，贵重怕压的东西放在体面箱子中。小箱子1个。c)附：免费托运行李须知:前往美国的旅客:两件托运行李和一件手提行李。托运行李每件最大重量70LBS/32KGS,每件最大三边之和62inches/158cm。手提行李最大重量40LBS/18KGS,最大三边之和45inches/113cm。坐飞机携带行李的重量两件大的托运行李,每件32公斤,尺寸是长+宽+高=158厘米,注意不是周长。去商店说买76号箱子,就这尺寸.一件手提行李,理论上5公斤,好象有个什么五十几厘米的长宽高限止,但没人管的。

20.餐具/炊具：

a)可在微波炉中加热的塑料饭盒和竹木筷子。勺子。b)炊具：炒菜用的单柄锅一个(要有锅盖，铲子)。电饭锅和炖汤的陶瓷电锅都可这里买。菜刀一把，不要带砍骨头的刀，你在超市买了排骨可让那里的人帮你切的。菜板一个，最好是塑料的。带一个小不锈钢锅，煮煮牛奶麦片什么的，而且它不占地方，因为你可把光盘全放在里面，X光也过不了，关于光盘，过海关应该没有问题(仅仅根据个人经验)。如果你喜喝开水泡茶带个烧水壶，然后把你带的药全放里面。有人说美国没有保温瓶卖，我就买了一个，和中国的很象。很多中国人来了后还会买一个电火锅，这样请朋友来吃饭就方便了，不用做很多菜。

21.生活用品：

a)针线盒、剪刀、指甲剪、梳子、毛巾、牙刷等必备物品。最好随身带，因为行李有可能比你晚到一两天。洗发水、牙膏、牙刷、毛巾、指甲钳、香皂、试砗、护肤用品、针线包、折叠伞、笔、记事本、小闹钟、拖鞋、理发工具等等。牙刷和毛巾多带一些。b)计算器。计算机用小麦克风。c)质量上佳而且小巧的相机可以随身携带。胶卷可以带两个，KODAK在这里很流行。d)充电电池，建议带4×2。干电池也可以带两组。e)电动剃须刀，在这里买一个还说得过去的电动剃须刀要$50以上。刀片不用多带。f)相册。

22.球拍。

23.小礼品：准备送给老板以及帮过忙的朋友。用不着特别名贵，但是要多备几份。如果是鬼子的话，推荐送丝绸：男的送领带，女的送丝巾。

24.文具：自动铅笔、圆珠笔、格尺、三角板、橡皮、书包。

25.美国地图。

留学生活饮食观

留学生初来异地，除了得自行打理日常生活，应付课业外，还得亲自打理自己的饮食。在吞咽了几次冰冷的沙拉和三明治之后，便忍不住开始怀念家乡妈妈的拿手好菜，愈吃就愈发觉得委曲而心酸。于是，许多从未进过庖厨的君子在吃不惯美式速食和学校餐厅的伙食之后，只好试着"洗手下厨学作羹"。无奈纵使有万般热情和诚意，炊煮大事确是十分现实而冷酷，但看你有多深厚的功力和材料是否周全。于是，烤箱端出来的烤鸡一片焦黑；锅里的鱼却没有煮熟；蛋糕发不起来，变成黏答答的蛋饼，都是常有的事。可怜的是，生活课业的压力已经叫人喘不过气来，偏偏进了厨房又挫折连连，人生落难至此，岂不哀哉！

因此，许多乏人照顾的留学生，出国三个月，大都脸色苍白，形容憔悴，精神恍惚。不出六个月而患有胃疾者，大有人在。其主要原因乃不善料理三餐，以至营养失调之故，导致留学生营养失调的饮食习惯，不外乎下述六种类型：

1)"填饱肚子"型

为了省钱、省时，同时也懒得花心思在食物上。三餐照常打理，只是重量不重质，吃东西只为了填饱肚子。速食面、电视餐、热狗、汉堡，来者不拒，解决一餐是一餐。到了周末才找几个朋友上馆子打打牙祭。

2)"暴饮暴食"型

这种人通常对工作过份投入，非到工作告一段落，才发现头昏眼花，口干舌燥，饿得人直发慌。于是狠狠地大吃一顿，或两顿合为一顿吃，吃个人仰马翻。

3)"补偿心理"型

有些人因精神上有所失落，或功课压力太重，不断地吃东西来寻求补偿。这种人通常什么都可以吃，水果、饼干、蛋糕、马铃薯片、汽水、巧克力、坚果，乱吃一通，而且吃个不停。

4)"节食减肥"型

这一类型几乎清一色是女性。为了保持身材，对牛排、蛋糕、冰淇淋、巧克力、起司等敬而远之。每天以水果、生菜或低卡路里的食物果腹。吃得手脚发软，头昏眼花。

5)"口脑并用"型

这种人最懂得如何有效利用时间，进餐的时间也不忘"并行处理"。一边进食，一边看报纸、读小说或听电视新闻播报。也有人一边啃三明治，一边赶报告；或一面吃便当，一面想着自己的论文。爱因斯坦就是这种类型的极至--站在餐厅门口，满脸困惑，不知道自己是已用餐毕将离去，还是正要入内用餐。

6)"远庖厨"型

这一类的朋友，大多没有进庖厨的兴趣或经验。从前的日常三餐大抵都是"茶来伸手，饭来张口"。到了责无旁贷时，才发现洗、切、煮、炒，到最后的善后料理，简直是繁琐而无趣，更谈不上成就感。常常是兴致勃勃的大张旗鼓，不一会却油烟密布，呛得直打喷嚏不说，偏又警铃大作，惊动了周遭的室友和邻居，叫人尴尬得不知所措；要不就是油花四溅，骇得花容失色，抱头四窜。最后只好狼狈不堪的败阵下来。因此，久而久之，也就从善如流。速食面、冷冻餐和餐馆外卖就成了三餐不变的公式。

试想，没有健康的身体，那来充沛的体力应付繁重的课业和琐碎的事务？如果仗着自己年轻体强，就不经心的任意耗损而不善加维护，等到学位拿到时，身体的机能却发生了故障。只怕你要花好长，甚至一辈子的时间和大把银子来修护。说不定还严重到影响你日后工作的效率和生活情趣，岂非得不偿失！因此，要想齐家、治国、平天下，首重修身，要修身，就要先把你的胃肠修好。每天摄取均衡的营养，养成良好的饮食习惯。使生理机能运作正常，以维持健康的身体，充沛的体力。如此，纵有万般险阻横于前，必能无坚不摧，无难不克，无事不成！

以下就来和各位谈谈日常的饮食问题。虽是老生常谈，但是如果你属于上文所述的"六型"之一，将可以从本文获取一些正确的饮食观念，从而调整你的饮食习惯。也许，从此就改变了你的一生。

一天到底要吃几餐才算正常？各方意见不一。通常都采一日三餐的饮食方式，但每天五小餐也未尝不可，端视个人习惯与需要而定。至于日常饮食的基本原则如下：

1)吃得巧而不吃得饱

无论一日三餐或一日五餐，其总量必须控制在符合体位的标准需要。长期大吃大喝，不仅损伤消化功能，多吃下的部分，身体不能充分吸收或排出体外，造成粮食浪费并使体内机能负担过重，引发各种疾病。且热量超过身体所需，使脂肪贮积，体重上升，健康状况则每下愈况。

2)按时进餐

三餐定时。过早或过迟，甚至两餐并为一餐吃，就会造成饱的时候太饱，饿的时候太饿，对胃肠都有害。因为空腹时胃酸会刺激胃壁；吃得太饱，会增加胃的负担，而减低胃肠的抵抗力。两者都是引起胃疾的主因。

3)早餐吃得好

大早起来，为了赶着上课或上班，许多人都草草把早餐打发。有些人干脆不吃，反正也没有什么特别饥饿的感觉。要知道从前夜晚餐到翌日清晨，一个人最低限度有十个小时未进食。如果清早不补充营养，怎能应付一天的消耗。所以，对早餐的重要性应有深切的认识。

4)睡前一杯奶

临睡前既不宜吃太饱也不宜空腹。最好吃少量容易消化的食物，如：一杯牛奶外加两片饼干或一片吐司。也不宜吃含水份太多的食物，以免造成肠胃及膀胱的不适，影响睡眠。至于常需要熬夜或夜猫子，都有消夜的习惯，切记勿吃有刺激性或脂肪太多的食物。酒、咖啡及浓茶皆不宜。

5)轻松愉快的吃

进食的时候，心情好坏与四周环境是否宁静与胃疾有密切的关系。放松心情，不要集中心思边吃边想问题。若使大脑皮层长期处于过分紧张的状态中，容易影响肠胃液的分泌。如此，肠胃既不能充分的发挥消化和吸收的功能，同时，也不能发挥它正常的杀菌能力。

6)细嚼慢咽助消化

饭前不宜饮大量的茶水，以免冲淡胃液的酸度，影响消化。吃饭时勿用汤水泡饭，这样的吃法虽简便快速，但是对于胃力薄弱的人却凭添加重了原本不应由它来负担的第一步磨碎工作，以至加重胃的负荷，形成消化不良。吞咽食物时，宜将口腔紧闭，避免空气进入胃部，引起胀气。再者，进食时则宜少说话，否则会影响咀嚼。如果必须说话，不妨暂停进食。至于太粗、太硬、太烫、太冷或太刺激的食物都易伤胃，应该避免。

7)抗拒零食的诱惑

吃零食最大的危险就是使人身体过胖，其次就是造成营养不良。因为我们平常所吃的零食大部份都缺少维他命和矿物质，所以被称为"垃圾食物"(junkfood)。不仅如此，零食还会消耗我们体内的维他命B来燃烧所吃进的醣类。体内维他命逐渐减少，会使人神经紧张、暴躁及精神不易集中、精力减退和失眠。同时，零食使我们在吃正餐时胃口减低，以至吸收不到正常的营养。如果必要，在两餐之间不妨喝水或果。既可帮助消化，又可补充体内所需要的水分。

正确的饮食习惯，固然可以减少胃疾，让身体充份吸收食物中的营养。但是真正懂得调摄者，还要注意食物中养份的均衡摄取。至于偏颇的生活，例如：运动的过度与不足；日光的过多与过少；精神的抑郁与亢奋等，都应避免。如此，你便可以吃得营养，吃得健康。

数目众多费用昂贵在美国就医的注意事项

病是留学生最头疼的事情，一是美国医疗费用昂贵，二是很难找到合适的医院。这里，笔者跟即将启程的准留学生们谈谈，在美就医应注意哪些问题？

美国医院林立，因此对初抵异地的中国学生来说，有时的确不知如何去就医。美国纽约、洛杉矶、旧金山等大城市的中国城里有不少中国人开设的诊所，从跌打损伤、耳鼻喉科到开刀、针灸等，一应俱全，而且收费较低。留学生可以从发行全美的中文报纸《世界日报》分类广告中找到此类诊所信息，此外还可查阅当地电话簿中的分类广告。在美国无论看什么病都必须先电话预约挂号，切莫贸然前往，许多医生都不会接受未预约的病人。

美国的医疗费用昂贵举世闻名，因此建议留学生尽早参加医疗保险。一般来说，美国高校都有学生保险制度。留学生平时最好随身携带医疗保险卡和信用卡，因为就医时，医院多半会要求病人填写医疗保险公司名称、保险期限及号码。保险公司通常会要求就医者先付清自付款(Deductitle)部分。

对留学生来说，头痛、发烧、伤风、感冒这类小毛小病，可去超市或药房买些药片自行解决。但如果是大病最好去医院就诊，千万不要为省钱而贻误病情。对于病情严重必须住院治疗，但又因经济原因没有参加医疗保险者，美国有些州(如加州)和医院会帮助病人寻找一些慈善团体提供救济。

在美国留学期间，留学生如果不幸遭遇意外，诸如：摔伤、碰伤、割伤、枪伤、车祸及心脏病突发等，需要有人伸出援手时，均应立刻拨打911紧急救难电话，呼叫救护车。据悉，英语不流利者，只要拨通该号码后，即使不说话，警车和救护车也会及时赶到。笔者的一位朋友曾在家里意外休克，家人急拨911呼唤救护车，结果五分钟内来了三辆车：一辆警车、一辆救火车和一辆救护车。

4. 现在MFC还流行吗？

以下内容给小白观看，不做技术之争。

用过MFC之后的工程师再去用其他的技术，框架，如Qt，WPF 之类的，都会觉得非常友好。当然后面这俩现在也没多大的动静了。

11年的时候，智能手机不像现在尚未普及，开发给普通用户使用的软件，大部分都集中在PC电脑端，而用户系统绝大多数是Windows，所以如果要开发一个普通用户在电脑上用的应用程序，比如一个杀毒软件，一个邮件工具，就要做成一个exe格式的可执行文件，用户双击即可打开。

那时候开发人员首选的就是微软的visualStudio系列开发套件，不得不说这个是傻瓜式，超赞的开发工具，可以选择创建纯窗口应用，也就是那种打开后一个黑洞洞的命令行看着跟黑客帝国一样哗啦啦跑运行信息的，也可以创建带用户界面的应用，此时大多数人首选就是MFC框架，这毕竟是微软官方提供的库，当然也有高手喜欢用跨平台的Qt，那这个不在我们的讨论范围。

回到MFC，它提供了非常标准的控件，举个例子，比如说我们要做一个简单的某某管理系统，你要编辑用户姓名用编辑框。要选择性别可以用单选框等等，这个思路跟安卓iOS开发是一样的，提供标准控件拿来开箱即用。

在Windows应用开发中，用户可以自定义消息进行传递和处理，系统自身也会有大量的系统消息。比如，用户鼠标左键点击事件，窗口缩放事件，键盘按钮按下和起来事件，那么这些事件可以被捕获进而处理。

MFC是非常优秀的框架，但是相对于JAVA和Python等语言，上手的难度要高，学习曲线相对陡峭。记得当初为了做一个漂亮的界面出来，当时自定义了很多控件，重绘了控件的外形和事件。比如要做一个透明按钮，一个带光晕的按钮。需要接管系统gdi绘图，处理各类传导到控件里的消息，为了做出mfc的漂亮界面，还要去深入了解下一些相对底层一些的东西。

当初为了做界面，我们还深入研究了大神们自己开源的duilib，以及迅雷放出来的一个界面库。

那么这样一来，也就是说开发人员需要花费大量的时间和精力去研究非业务层的东西。这个对于企业来说，是生产力和效率的低下。同样一个给所有订阅的用户发通知邮件的功能，你用Python和JAVA来做直接用现成的邮件库只要几分钟，你用c++试试你要多久？这是开发效率决定的。

另外一点也很恐怖，c++的一个特性决定了菜鸟是很难驾驭它的，就是内存管理，谁申请谁释放。如果你使用了第三方的界面库，刚好这个库的作者在某些地方申请了内存，一点一点内存泄露没释放，时间长了内存占用越来越多，系统就崩溃了！所以以前很多电脑桌面应用程序用着用着就卡死了，不动了，然后就把电脑都拖死机了。而JAVA，内置强大的垃圾清理体系，很多JAVA程序员搞了几年都不知道还有内存分配一说，你说，是不是轻松了好多？这是产品的安全性和稳定性决定的。不是这门语言不好，而是真正能用好它的人太少。

再加上移动互联网的浪潮过来，Pc端的应用已经没有太多的增长了，上一个现象级的非游戏类PC应用你说的上来吗？

再加上现在网络的提速，web交互技术的发展，很多本来cs架构的系统都升级到bs架构，不需要做桌面应用程序，当然无需安装，无需上门维护，不会闪退崩溃，也不需要考虑系统的兼容性，开发成本低，开发效率高。

种种因素结合，MFC逐渐式微不是没有道理的，但不能说是因为这个语言框架或技能不好，而是时代在前行和发展。

计算机语言也是一样，有一些会被遗忘在历史长河，有一些如erlang这种被遗忘多年了却又因为大数据兴起而又被重新引发兴趣的。

语言都是工具，工具的目的都是为了快速解决问题，流行是因为当前的环境和时机需要它。如果感觉不流行了，也要赶紧找到当前的大趋势，否则，空有屠龙之术，没有施展之地。

5. indy桥有什么优势？

Indy桥（Indy Bridge）是一种在Delphi编程语言中使用的组件库，用于连接不同的应用程序，使其能够相互通信和交换数据。以下是其优势：

1. 跨平台性：Indy桥可用于多个平台，例如Windows、Linux、iOS、Android等，可以帮助开发人员创建跨平台的网络应用程序。

2. 多协议支持：Indy桥支持各种常见的网络协议，例如HTTP、FTP、SMTP、POP3、IMAP等，使得开发人员可以轻松地构建各种类型的网络应用程序。

3. 易于使用：Indy桥提供了易于使用的API，开发人员可以通过简单的代码实现网络操作，例如发送电子邮件、下载文件等。

4. 可扩展性：Indy桥是一个可扩展的组件库，可以通过添加新的组件和功能来满足不同项目的需求。

5. 开源：Indy桥是一个开放源代码的项目，这意味着开发人员可以自由地修改和分发该库，并且可以直接参与到Indy桥的开发过程中。

需要注意的是，Indy桥并不是唯一的网络组件库，其他选项包括Synapse、ICS等，开发人员可以根据项目需求选择最适合自己的工具。

6. 为什么现在Python那么火？

为什么用Python，它能用在哪儿，能做什么呢？

Python在约40年前出现以来，已经有数以千计基于这项技术的网站和软件项目，Python因其独有的特点从众多开发语言中脱颖而出，深受世界各地的开发者喜爱。

01 Python有什么优点呢？

下面，我们列举了Python最显著的一面。所有这些优点使它非常流行，也正因于此，众多跨国公司选择了Python作为他们的编程语言，关于这些公司的更多信息，您可以阅读我们之前的文章。

1. 简单

我们可以说Python是简约的语言，非常易于读写，遇到问题时，程序员可以把更多的注意力放在问题本身上，而不用花费太多精力在程序语言、语法上。

2. 免费

Python是免费开源的。这意味着程序员不用花钱，就可以共享、复制和交换它，这也帮助Python形成了强壮的社区，使用它更加完善，技术发展更快。专业人士可以在社区和初学者分享他们的知识和经验。

找到你可以使用的开源库会得到什么好处？削减一半的项目支出！

3. 兼容性

Python兼容众多平台，所以开发者不会遇到使用其他语言时常会遇到的困扰。

4. 面向对象

Python既支持面向过程，也支持面向对象编程。在面向过程编程中，程序员复用代码，在面向对象编程中，使用基于数据和函数的对象。尽管面向对象的程序语言通常十分复杂，Python却设法保持简洁。

5. 库

Python社区创造了一大堆各种各样的Python库。在他们的帮助下,你可以管理文档,执行单元测试、数据库、web浏览器、电子邮件、密码学、图形用户界面和更多的东西。所有东西包括在标准库,然而,除了它,还有很多其他的库。

02 Python语言的用途

多年来，Python在各种流行编程语言中一直排名靠前。它几乎可以适用任何开发，它旨在提高程序员的开发效率而不在于他们编的代码。Python适用于网站、桌面应用开发，自动化脚本，复杂计算系统，科学计算，生命支持管理系统，物联网，游戏，机器人，自然语言处理等很多方面。而且，既使对于那些从没有开发经验的人来讲，Python的代码也是简洁易懂的。由于Python程序代码简单，所以和与其他程序语言相比，后期的程序维护更容易，更舒心。从商业角度来看，需要的成本降低，程序员的效率提高

03 谁使用Python

Python开发人员社区不断状大，支持库持续增多，使Python成为世界上功能最丰富的编程语言之一，可以适用于任何项目开发。但我们仍要指出，Python在科学领域非常流行，特别是在数据挖掘和机器学习等方面。为了全面理解Python相对于其他语言的优势，我们将把Python和最流行的WEB技术做下比较，先从PHP开始。

04 Python和PHP

从开发的角度来看，PHP是面向WEB的语言。PHP应用程序更像是一组单独的脚本，甚至只是一个单独入口。而Python是多用途语言，也可以用于WEB开发，基于Python的WEB应用是加载到内存的完整应用，有自己的内容声明，保存所有的查询和请求。选择Python还是PHP进行web应用开发需要注意以下几点:

▲Python和PHP web开发的比较

1. 通用性

当今时代，趋势和流行非常重要，一些客户和产品负责人只想使用最流行最热门的技术来开发他们的项目，造成了技术精湛的开发人员却完全没有客户和工作的情况出现。所以在开始学习任何东西前，要确保你要学的技术在未来1、5或10年内仍保持流行，不会被遗忘。

不过，你大可不必担心，因为PHP和Python都属于世界上最流行的编程语言。PHP用于构建Wikipedia, Yahoo, WordPress, Friendster, MailChimp, Flickr 等许多“巨头”，但不要以为Python没什么用，它也用来构建了YouTube, Instagram,桌面版的Dropbox, Reddit, Bitbucket, Quora, Spotify, Pinterest, Facebook的内部服务，以及 PayPal系统的一部分

2. 框架

当你选择一项技术的时候，工具的多样性也是极其重要的，它会使你的工作简单、方便。如果一个技术为不同的任务提供了多种工具，程序员就不必每件事都要从头开始了。PHP最流行的框架是Laravel, Symfony, CodeIgniter, Yii 1 and 2，Phalcon 和其他一些，这些工具能帮你创建功能强大而整洁的应用程序，而Python却没有这么多引以为豪的框架，最好用的是Django 和 Flask，但是，我们可以向你保证，随着Python社区的成长，这种情况会很快改变。

3. 学习

这通常是学生第一个想要知道的问题，学习教育的过程越容易，意味着开始工作和赚钱越快。

Python当然是这类的赢家，它的语法容易，简单易学，而PHP却不是这样。掌握PHP需要花费很多的时间和努力。Python允许你犯些小错但不会破坏代码，给新手一些信心继续学习。从新手的角度来看，想学一些更容易、更灵活的技术，而Python正是这样的技术。你可以用Python创建安全的应用程序，但使用用PHP却需要额外的工具。不过不要忘记，PHP是专门用于WEB开发的，也的确用在这方面较多。

7. 可视化编程软件有哪些好的推荐？

python了解一下

全文超过6W子，只能贴出部分，全文可私信小编获取

目录

准备工作一、关联（Correlation）关系图1、散点图（Scatter plot）2、边界气泡图（Bubble plot with Encircling）3、散点图添加趋势线（Scatter plot with linear regression line of best fit）4、分面散点图添加趋势线（Each regression line in its own column）5、抖动图（Jittering with stripplot）6、计数图（Counts Plot）7、边缘直方图（Marginal Histogram）8、边缘箱图（Marginal Boxplot）9、相关性热图（Correllogram）10、矩阵图 （Pairwise Plot）二、偏差 （Deviation）关系图11、发散型柱形图 （Diverging Bars）12、发散型文本图（Diverging Texts）-水平方向13、发散型文本图（Diverging Texts）-垂直方向14、发散型点图（Diverging Dot Plot）15、带Marker的发散型棒棒糖图 （Diverging Lollipop Chart with Markers）16、面积图（Area Chart）三、排序 （Ranking）关系图17、排序柱形图（Ordered Bar Chart）18、棒棒糖图(Lollipop Chart)19、点图 （Dot Plot）20、坡图（Slope Chart）21、哑铃图（Dumbbell Plot）四、分布（Distribution）关系图21、连续变量堆积直方图（Stacked Histogram for Continuous Variable）22、类别变量堆积直方图（Stacked Histogram for Categorical Variable）23、密度图(Density Plot)24、带直方图的密度图(Density Curves with Histogram)25、山峰叠峦图(Joy Plot)26、分布点图(Distributed Dot Plot)27、箱图（boxplot）28、箱图结合点图（Dot + Box Plot）29、小提琴图（Violin Plot）30、金字塔图(Population Pyramid)31、分类图（Categorical Plots）五、组成（Composition）关系图32、华夫饼图（Waffle Chart）33、饼图（Pie Chart）34、树状图（Treemap）35、柱状图（Bar Chart）六、变化（Change）关系图36、时间序列图（Time Series Plot）37、波峰和波谷添加注释的时间序列图（Time Series with Peaks and Troughs Annotated）38、自相关和部分自相关图（Autocorrelation (ACF) and Partial Autocorrelation (PACF) Plot）39、交叉相关图（Cross Correlation plot）40、时间序列分解图（Time Series Decomposition Plot）41、多重时间序列图（Multiple Time Series）42、双坐标系时间序列图（Plotting with different scales using secondary Y axis）43、带误差阴影的时间序列图（Time Series with Error Bands）44、堆积面积图（Stacked Area Chart）45、非堆积面积图（Area Chart UnStacked）46、日历热力图（Calendar Heat Map）47、季节图（Seasonal Plot）七、分组（ Groups）关系图48、聚类树形图（Dendrogram）49、聚类图（Cluster Plot）50、安德鲁斯曲线（Andrews Curve）51、平行坐标图（Parallel Coordinates）

准备工作

主要是导入绘图模块，设置绘图风格。

import numpy as npimport pandas as pdimport matplotlib as mplimport matplotlib.pyplot as pltimport seaborn as snsimport warningswarnings.filterwarnings(action='once')plt.style.use('seaborn-whitegrid')sns.set_style("whitegrid")print(mpl.__version__)print(sns.__version__)

34、树状图（Treemap）

类似饼图的效果，面积大小反应变量大小。

!pip install squarify#安装依赖包import squarify# Import Datadf_raw = pd.read_csv("./datasets/mpg_ggplot2.csv")# Prepare Datadf = df_raw.groupby('class').size().reset_index(name='counts')labels = df.apply(lambda x: str(x[0]) + "\n (" + str(x[1]) + ")", axis=1)sizes = df['counts'].values.tolist()colors = [plt.cm.Set2(i / float(len(labels))) for i in range(len(labels))]# Draw Plotplt.figure(figsize=(10, 8), dpi=100)squarify.plot(sizes=sizes, label=labels, color=colors, alpha=.8)# Decorateplt.title('Treemap of Vechile Class')plt.axis('off')plt.show()

35、柱状图（Bar Chart）

柱子高度表示变量大小。

import random# Import Datadf_raw = pd.read_csv("./datasets/mpg_ggplot2.csv")# Prepare Datadf = df_raw.groupby('manufacturer').size().reset_index(name='counts')n = df['manufacturer'].unique().__len__() + 1all_colors = list(plt.cm.colors.cnames.keys())random.seed(100)c = random.choices(all_colors, k=n)# Plot Barsplt.figure(figsize=(12, 8), dpi=80)plt.bar(df['manufacturer'], df['counts'], color=c, width=.5)for i, val in enumerate(df['counts'].values):plt.text(i,val,float(val),horizontalalignment='center',verticalalignment='bottom',fontdict={'fontweight': 500,'size': 12})# Decorationplt.gca().set_xticklabels(df['manufacturer'],rotation=60,horizontalalignment='right')plt.title("Number of Vehicles by Manaufacturers", fontsize=18)plt.ylabel('# Vehicles')plt.ylim(0, 45)plt.show()

更多关于柱状图：

「Python可视化|matplotlib12-垂直|水平|堆积条形图详解」六、变化（Change）关系图36、时间序列图（Time Series Plot）¶

该图展示给定指标随时间的变化趋势。

# Import Datadf = pd.read_csv('./datasets/AirPassengers.csv')# Draw Plotplt.figure(figsize=(12, 8), dpi=80)plt.plot(df['date'], df['value'], color='#dc2624')# Decorationplt.ylim(50, 750)xtick_location = df.index.tolist()[::12]xtick_labels = [x[-4:] for x in df.date.tolist()[::12]]plt.xticks(ticks=xtick_location,labels=xtick_labels,rotation=0,fontsize=12,horizontalalignment='center',alpha=.7)plt.yticks(fontsize=12, alpha=.7)plt.title("Air Passengers Traffic (1949 - 1969)", fontsize=18)plt.grid(axis='both', alpha=.3)# Remove bordersplt.gca().spines["top"].set_alpha(0.0)plt.gca().spines["bottom"].set_alpha(0.3)plt.gca().spines["right"].set_alpha(0.0)plt.gca().spines["left"].set_alpha(0.3)plt.show()

37、波峰和波谷添加注释的时间序列图（Time Series with Peaks and Troughs Annotated）

# Import Datadf = pd.read_csv('./datasets/AirPassengers.csv')# Get the Peaks and Troughsdata = df['value'].valuesdoublediff = np.diff(np.sign(np.diff(data)))peak_locations = np.where(doublediff == -2)[0] + 1doublediff2 = np.diff(np.sign(np.diff(-1 * data)))trough_locations = np.where(doublediff2 == -2)[0] + 1# Draw Plotplt.figure(figsize=(12, 8), dpi=80)plt.plot('date', 'value', data=df, color='tab:blue', label='Air Traffic')plt.scatter(df.date[peak_locations],df.value[peak_locations],marker=mpl.markers.CARETUPBASE,color='tab:green',s=100,label='Peaks')plt.scatter(df.date[trough_locations],df.value[trough_locations],marker=mpl.markers.CARETDOWNBASE,color='tab:red',s=100,label='Troughs')# Annotatefor t, p in zip(trough_locations[1::5], peak_locations[::3]):plt.text(df.date[p],df.value[p] + 15,df.date[p],horizontalalignment='center',color='darkgreen')plt.text(df.date[t],df.value[t] - 35,df.date[t],horizontalalignment='center',color='darkred')# Decorationplt.ylim(50, 750)xtick_location = df.index.tolist()[::6]xtick_labels = df.date.tolist()[::6]plt.xticks(ticks=xtick_location,labels=xtick_labels,rotation=45,fontsize=12,alpha=.7)plt.title("Peak and Troughs of Air Passengers Traffic (1949 - 1969)",fontsize=18)plt.yticks(fontsize=12, alpha=.7)# Lighten bordersplt.gca().spines["top"].set_alpha(.0)plt.gca().spines["bottom"].set_alpha(.3)plt.gca().spines["right"].set_alpha(.0)plt.gca().spines["left"].set_alpha(.3)plt.legend(loc='upper left')plt.grid(axis='y', alpha=.3)plt.show()

38、自相关和部分自相关图（Autocorrelation (ACF) and Partial Autocorrelation (PACF) Plot）

自相关，展示时间序列与其自身滞后的相关性。部分自相关，展示任何给定滞后相对于当前序列的自相关。

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf# Import Datadf = pd.read_csv('./datasets/AirPassengers.csv')# Draw Plotfig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 6), dpi=80)plot_acf(df.value.tolist(), ax=ax1, lags=50)plot_pacf(df.value.tolist(), ax=ax2, lags=20)# Decorate# lighten the bordersax1.spines["top"].set_alpha(.3)ax2.spines["top"].set_alpha(.3)ax1.spines["bottom"].set_alpha(.3)ax2.spines["bottom"].set_alpha(.3)ax1.spines["right"].set_alpha(.3)ax2.spines["right"].set_alpha(.3)ax1.spines["left"].set_alpha(.3)ax2.spines["left"].set_alpha(.3)# font size of tick labelsax1.tick_params(axis='both', labelsize=12)ax2.tick_params(axis='both', labelsize=12)plt.show()

39、交叉相关图（Cross Correlation plot）

展示两个时间序列相互之间的滞后。

import statsmodels.tsa.stattools as stattools# Import Datadf = pd.read_csv('./datasets/mortality.csv')x = df['mdeaths']y = df['fdeaths']# Compute Cross Correlationsccs = stattools.ccf(x, y)[:100]nlags = len(ccs)# Compute the Significance level# ref: https://stats.stackexchange.com/questions/3115/cross-correlation-significance-in-r/3128#3128conf_level = 2 / np.sqrt(nlags)# Draw Plotplt.figure(figsize=(12, 7), dpi=80)plt.hlines(0, xmin=0, xmax=100, color='gray') # 0 axisplt.hlines(conf_level, xmin=0, xmax=100, color='gray')plt.hlines(-conf_level, xmin=0, xmax=100, color='gray')plt.bar(x=np.arange(len(ccs)), height=ccs, width=.3)# Decorationplt.title('$Cross\; Correlation\; Plot:\; mdeaths\; vs\; fdeaths,fontsize=18)plt.xlim(0, len(ccs))plt.show()

40、时间序列分解图（Time Series Decomposition Plot）¶

该图将时间序列分解为趋势、季节和残差分量（trend, seasonal and residual components.）。

from statsmodels.tsa.seasonal import seasonal_decomposefrom dateutil.parser import parse# Import Datadf = pd.read_csv('./datasets/AirPassengers.csv')dates = pd.DatetimeIndex([parse(d).strftime('%Y-%m-01') for d in df['date']])df.set_index(dates, inplace=True)# Decomposeresult = seasonal_decompose(df['value'], model='multiplicative')# Plotplt.figure(figsize=(12, 7), dpi=80)#plt.rcParams.update({'figure.figsize': (10, 10)})result.plot().suptitle('Time Series Decomposition of Air Passengers')plt.show()

41、多重时间序列图（Multiple Time Series）

# Import Datadf = pd.read_csv('./datasets/mortality.csv')# Define the upper limit, lower limit, interval of Y axis and colorsy_LL = 100y_UL = int(df.iloc[:, 1:].max().max() * 1.1)y_interval = 400mycolors = ['tab:red', 'tab:blue', 'tab:green', 'tab:orange']# Draw Plot and Annotatefig, ax = plt.subplots(1, 1, figsize=(10, 6), dpi=80)columns = df.columns[1:]for i, column in enumerate(columns):plt.plot(df.date.values, df[column].values, lw=1.5, color=mycolors[i])plt.text(df.shape[0] + 1,df[column].values[-1],column,fontsize=14,color=mycolors[i])# Draw Tick linesfor y in range(y_LL, y_UL, y_interval):plt.hlines(y,xmin=0,xmax=71,colors='black',alpha=0.3,linestyles="--",lw=0.5)# Decorationsplt.tick_params(axis="both",which="both",bottom=False,top=False,labelbottom=True,left=False,right=False,labelleft=True)# Lighten bordersplt.gca().spines["top"].set_alpha(.3)plt.gca().spines["bottom"].set_alpha(.3)plt.gca().spines["right"].set_alpha(.3)plt.gca().spines["left"].set_alpha(.3)plt.title('Number of Deaths from Lung Diseases in the UK (1974-1979)',fontsize=18)plt.yticks(range(y_LL, y_UL, y_interval),[str(y) for y in range(y_LL, y_UL, y_interval)],fontsize=12)plt.xticks(range(0, df.shape[0], 12),df.date.values[::12],horizontalalignment='left',rotation=45,fontsize=12)plt.ylim(y_LL, y_UL)plt.xlim(-2, 80)plt.show()

42、双坐标系时间序列图（Plotting with different scales using secondary Y axis）

# Import Datadf = pd.read_csv("./datasets/economics.csv")x = df['date']y1 = df['psavert']y2 = df['unemploy']# Plot Line1 (Left Y Axis)fig, ax1 = plt.subplots(1, 1, figsize=(12, 6), dpi=100)ax1.plot(x, y1, color='tab:red')# Plot Line2 (Right Y Axis)ax2 = ax1.twinx() # instantiate a second axes that shares the same x-axisax2.plot(x, y2, color='tab:blue')# Decorations# ax1 (left Y axis)ax1.set_xlabel('Year', fontsize=18)ax1.tick_params(axis='x', rotation=70, labelsize=12)ax1.set_ylabel('Personal Savings Rate', color='#dc2624', fontsize=16)ax1.tick_params(axis='y', rotation=0, labelcolor='#dc2624')ax1.grid(alpha=.4)# ax2 (right Y axis)ax2.set_ylabel("# Unemployed (1000's)", color='#01a2d9', fontsize=16)ax2.tick_params(axis='y', labelcolor='#01a2d9')ax2.set_xticks(np.arange(0, len(x), 60))ax2.set_xticklabels(x[::60], rotation=90, fontdict={'fontsize': 10})ax2.set_title("Personal Savings Rate vs Unemployed: Plotting in Secondary Y Axis",fontsize=18)fig.tight_layout()plt.show()

43、带误差阴影的时间序列图（Time Series with Error Bands）

from dateutil.parser import parsefrom scipy.stats import sem# Import Datadf_raw = pd.read_csv('./datasets/orders_45d.csv',parse_dates=['purchase_time', 'purchase_date'])# Prepare Data: Daily Mean and SE Bandsdf_mean = df_raw.groupby('purchase_date').quantity.mean()df_se = df_raw.groupby('purchase_date').quantity.apply(sem).mul(1.96)# Plotplt.figure(figsize=(10, 6), dpi=80)plt.ylabel("# Daily Orders", fontsize=12)x = [d.date().strftime('%Y-%m-%d') for d in df_mean.index]plt.plot(x, df_mean, color="#c72e29", lw=2)plt.fill_between(x, df_mean - df_se, df_mean + df_se, color="#f8f2e4")# Decorations# Lighten bordersplt.gca().spines["top"].set_alpha(0)plt.gca().spines["bottom"].set_alpha(1)plt.gca().spines["right"].set_alpha(0)plt.gca().spines["left"].set_alpha(1)plt.xticks(x[::6], [str(d) for d in x[::6]], fontsize=12)plt.title("Daily Order Quantity of Brazilian Retail with Error Bands (95% confidence)",fontsize=14)# Axis limitss, e = plt.gca().get_xlim()plt.xlim(s, e - 2)plt.ylim(4, 10)# Draw Horizontal Tick linesfor y in range(5, 10, 1):plt.hlines(y,xmin=s,xmax=e,colors='black',alpha=0.5,linestyles="--",lw=0.5)plt.show()

44、堆积面积图（Stacked Area Chart）

# Import Datadf = pd.read_csv('./datasets/nightvisitors.csv')# Decide Colors mycolors = ['#dc2624', '#2b4750', '#45a0a2', '#e87a59', '#7dcaa9', '#649E7D', '#dc8018', '#C89F91'] # Draw Plot and Annotatefig, ax = plt.subplots(1,1,figsize=(12, 8), dpi= 80)columns = df.columns[1:]labs = columns.values.tolist()# Prepare datax = df['yearmon'].values.tolist()y0 = df[columns[0]].values.tolist()y1 = df[columns[1]].values.tolist()y2 = df[columns[2]].values.tolist()y3 = df[columns[3]].values.tolist()y4 = df[columns[4]].values.tolist()y5 = df[columns[5]].values.tolist()y6 = df[columns[6]].values.tolist()y7 = df[columns[7]].values.tolist()y = np.vstack([y0, y2, y4, y6, y7, y5, y1, y3])# Plot for each columnlabs = columns.values.tolist()ax = plt.gca()ax.stackplot(x, y, labels=labs, colors=mycolors, alpha=0.8)ax.tick_params(axis='x', rotation=45, labelsize=12)# Decorationsax.set_title('Night Visitors in Australian Regions', fontsize=18)ax.set(ylim=[0, 100000])ax.legend(fontsize=10, ncol=4)plt.xticks(x[::5], fontsize=10, horizontalalignment='center')plt.yticks(np.arange(10000, 100000, 20000), fontsize=10)plt.xlim(x[0], x[-1])# Lighten bordersplt.gca().spines["top"].set_alpha(0)plt.gca().spines["bottom"].set_alpha(.3)plt.gca().spines["right"].set_alpha(0)plt.gca().spines["left"].set_alpha(.3)plt.show()

45、非堆积面积图（Area Chart UnStacked）

# Import Datadf = pd.read_csv("./datasets/economics.csv")# Prepare Datax = df['date'].values.tolist()y1 = df['psavert'].values.tolist()y2 = df['uempmed'].values.tolist()columns = ['psavert', 'uempmed']# Draw Plotfig, ax = plt.subplots(1, 1, figsize=(12, 6), dpi=80)ax.fill_between(x,y1=y1,y2=0,label=columns[1],alpha=0.5,color='#dc2624',linewidth=2)ax.fill_between(x,y1=y2,y2=0,label=columns[0],alpha=0.5,color='#649E7D',linewidth=2)# Decorationsax.set_title('Personal Savings Rate vs Median Duration of Unemployment',fontsize=18)ax.set(ylim=[0, 30])ax.legend(loc='best', fontsize=12)plt.xticks(x[::50], fontsize=10, horizontalalignment='center')plt.yticks(np.arange(2.5, 30.0, 2.5), fontsize=10)plt.xlim(-10, x[-1])plt.tick_params(axis='x', rotation=45, labelsize=12)# Draw Tick linesfor y in np.arange(2.5, 30.0, 2.5):plt.hlines(y,xmin=0,xmax=len(x),colors='black',alpha=0.3,linestyles="--",lw=0.5)# Lighten bordersplt.gca().spines["top"].set_alpha(0)plt.gca().spines["bottom"].set_alpha(.3)plt.gca().spines["right"].set_alpha(0)plt.gca().spines["left"].set_alpha(.3)plt.show()

46、日历热力图（Calendar Heat Map）

很好地展示数据在假日的趋势。

!pip install calmap -i https://pypi.tuna.tsinghua.edu.cn/simple#安装依赖包import numpy as npnp.random.seed(sum(map(ord, 'calmap')))import pandas as pdimport calmapcalmap.calendarplot(events,monthticks=3,daylabels='MTWTFSS',dayticks=[0, 2, 4, 6],cmap='YlGn',fillcolor='grey',linewidth=0,fig_kws=dict(figsize=(8, 4)))

47、季节图（Seasonal Plot）

该图比较某个指标在不同年份同一天/年/月/周等的时间序列的表现。

from dateutil.parser import parse# Import Datadf = pd.read_csv('./datasets/AirPassengers.csv')# Prepare datadf['year'] = [parse(d).year for d in df.date]df['month'] = [parse(d).strftime('%b') for d in df.date]years = df['year'].unique()# Draw Plotmycolors = ['#dc2624', '#2b4750', '#45a0a2', '#e87a59', '#7dcaa9', '#649E7D','#dc8018', '#C89F91', '#6c6d6c', '#4f6268', '#c7cccf', 'firebrick']plt.figure(figsize=(10, 6), dpi=80)for i, y in enumerate(years):plt.plot('month','value',data=df.loc[df.year == y, :],color=mycolors[i],label=y)plt.text(df.loc[df.year == y, :].shape[0] - .9,df.loc[df.year == y, 'value'][-1:].values[0],y,fontsize=12,color=mycolors[i])# Decorationplt.ylim(50, 750)plt.xlim(-0.3, 11)plt.ylabel('$Air Traffic)plt.yticks(fontsize=11, alpha=.7)plt.xticks(fontsize=11, alpha=.7)plt.title("Monthly Seasonal Plot: Air Passengers Traffic (1949 - 1969)",fontsize=16)plt.grid(axis='y', alpha=.3)# Remove bordersplt.gca().spines["top"].set_alpha(0.0)plt.gca().spines["bottom"].set_alpha(0.5)plt.gca().spines["right"].set_alpha(0.0)plt.gca().spines["left"].set_alpha(0.5)# plt.legend(loc='upper right', ncol=2, fontsize=12)plt.show()

七、分组（ Groups）关系图48、聚类树形图（Dendrogram）

展示通过聚类形成的组内及组间相似性水平。

import scipy.cluster.hierarchy as shc# Import Datadf = pd.read_csv('./datasets/USArrests.csv')# Plotplt.figure(figsize=(12, 8), dpi=80)plt.title("USArrests Dendograms", fontsize=18)dend = shc.dendrogram(shc.linkage(df[['Murder', 'Assault', 'UrbanPop','Rape']],method='ward'),labels=df.State.values,color_threshold=200)plt.xticks(fontsize=12)plt.yticks(fontsize=12)plt.show()

49、聚类图（Cluster Plot）

通过聚类计算距离，将同一类圈起来。

from sklearn.cluster import AgglomerativeClusteringfrom scipy.spatial import ConvexHull# Import Datadf = pd.read_csv('./datasets/USArrests.csv')# Agglomerative Clusteringcluster = AgglomerativeClustering(n_clusters=5,affinity='euclidean',linkage='ward')cluster.fit_predict(df[['Murder', 'Assault', 'UrbanPop', 'Rape']])# Plotplt.figure(figsize=(12, 8), dpi=80)plt.scatter(df.iloc[:, 0], df.iloc[:, 1], c=cluster.labels_, cmap='tab10')# Encircledef encircle(x, y, ax=None, **kw):if not ax: ax = plt.gca()p = np.c_[x, y]hull = ConvexHull(p)poly = plt.Polygon(p[hull.vertices, :], **kw)ax.add_patch(poly)# Draw polygon surrounding verticesencircle(df.loc[cluster.labels_ == 0, 'Murder'],df.loc[cluster.labels_ == 0, 'Assault'],ec="k",fc="#dc2624",linewidth=0)encircle(df.loc[cluster.labels_ == 1, 'Murder'],df.loc[cluster.labels_ == 1, 'Assault'],ec="k",fc="#2b4750",linewidth=0)encircle(df.loc[cluster.labels_ == 2, 'Murder'],df.loc[cluster.labels_ == 2, 'Assault'],ec="k",fc="#649E7D",linewidth=0)encircle(df.loc[cluster.labels_ == 3, 'Murder'],df.loc[cluster.labels_ == 3, 'Assault'],ec="k",fc="#C89F91",linewidth=0)encircle(df.loc[cluster.labels_ == 4, 'Murder'],df.loc[cluster.labels_ == 4, 'Assault'],ec="k",fc="#c7cccf",linewidth=0)# Decorationsplt.xlabel('Murder')plt.xticks(fontsize=12)plt.ylabel('Assault')plt.yticks(fontsize=12)plt.title('Agglomerative Clustering of USArrests (5 Groups)', fontsize=18)plt.show()

50、安德鲁斯曲线（Andrews Curve）

展示是否存在基于给定分组的特征的固有分组。例如下图，如果数据集中的列不能帮助区分组（cyl），则行将不会被很好地分隔开。

from pandas.plotting import andrews_curves# Importdf = pd.read_csv("./datasets/mtcars.csv")df.drop(['cars', 'carname'], axis=1, inplace=True)# Plotplt.figure(figsize=(10, 6), dpi=80)andrews_curves(df, 'cyl', colormap='Set2_r')# Lighten bordersplt.gca().spines["top"].set_alpha(0)plt.gca().spines["bottom"].set_alpha(.3)plt.gca().spines["right"].set_alpha(0)plt.gca().spines["left"].set_alpha(.3)plt.title('Andrews Curves of mtcars', fontsize=18)plt.xlim(-3, 3)plt.grid(alpha=0.3)plt.xticks(fontsize=12)plt.yticks(fontsize=12)plt.show()

51、平行坐标图（Parallel Coordinates）

展示某个特征是否有助于分组。如果一个特征隔离，分组受到影响，则该特征对该分组非常必要。

from pandas.plotting import parallel_coordinates# Import Datadf_final = pd.read_csv("./datasets/diamonds_filter.csv")# Plotplt.figure(figsize=(11, 7), dpi=80)parallel_coordinates(df_final, 'cut', colormap='Set2_r')# Lighten bordersplt.gca().spines["top"].set_alpha(0)plt.gca().spines["bottom"].set_alpha(.3)plt.gca().spines["right"].set_alpha(0)plt.gca().spines["left"].set_alpha(.3)plt.title('Parallel Coordinated of Diamonds', fontsize=18)plt.grid(alpha=0.3)plt.xticks(fontsize=12)plt.yticks(fontsize=12)plt.show()