Folium库使用心得（二）

此篇主要针对在【入门级-用Pandas揭秘美国选民的总统喜好】赛题背景下，使用Folium库的具体历程，主要涉及时间轴和热力图绘制。

第一步：数据准备
涉及pandas库对数据的读取和处理
添加表头–read_csv;
合并表格–merge；
提出列，设置数据结构–DataFrame;
查看数据信息–head,shape属性查看数据的规模，调nfo函数查看数据信息,describe函数查看数据分布。
填充空值–fillna

# 导入相关处理包
import pandas as pd
# 读取候选人信息，由于原始数据没有表头，需要添加表头
candidates = pd.read_csv("weball20.txt", sep = '|',names=['CAND_ID','CAND_NAME','CAND_ICI','PTY_CD','CAND_PTY_AFFILIATION','TTL_RECEIPTS','TRANS_FROM_AUTH','TTL_DISB','TRANS_TO_AUTH','COH_BOP','COH_COP','CAND_CONTRIB','CAND_LOANS','OTHER_LOANS','CAND_LOAN_REPAY','OTHER_LOAN_REPAY','DEBTS_OWED_BY','TTL_INDIV_CONTRIB','CAND_OFFICE_ST','CAND_OFFICE_DISTRICT','SPEC_ELECTION','PRIM_ELECTION','RUN_ELECTION','GEN_ELECTION','GEN_ELECTION_PRECENT','OTHER_POL_CMTE_CONTRIB','POL_PTY_CONTRIB','CVG_END_DT','INDIV_REFUNDS','CMTE_REFUNDS'])
# 读取候选人和委员会的联系信息
ccl = pd.read_csv("ccl.txt", sep = '|',names=['CAND_ID','CAND_ELECTION_YR','FEC_ELECTION_YR','CMTE_ID','CMTE_TP','CMTE_DSGN','LINKAGE_ID'])
# 关联两个表数据
ccl = pd.merge(ccl,candidates)
# 提取出所需要的列
ccl = pd.DataFrame(ccl, columns=[ 'CMTE_ID','CAND_ID', 'CAND_NAME','CAND_PTY_AFFILIATION'])

# 读取个人捐赠数据，由于原始数据没有表头，需要添加表头
# 提示：读取本文件大概需要5-10s
itcont = pd.read_csv('itcont_2020_20200722_20200820.txt', sep='|',names=['CMTE_ID','AMNDT_IND','RPT_TP','TRANSACTION_PGI','IMAGE_NUM','TRANSACTION_TP','ENTITY_TP','NAME','CITY','STATE','ZIP_CODE','EMPLOYER','OCCUPATION','TRANSACTION_DT','TRANSACTION_AMT','OTHER_ID','TRAN_ID','FILE_NUM','MEMO_CD','MEMO_TEXT','SUB_ID'])

merge数据需要有共同的索引，这里为CMTE_ID:

# 将候选人与委员会关系表ccl和个人捐赠数据表itcont合并，通过 CMTE_ID
c_itcont =  pd.merge(ccl,itcont)
# 提取需要的数据列
c_itcont = pd.DataFrame(c_itcont, columns=[ 'CAND_NAME','NAME', 'STATE','EMPLOYER','OCCUPATION','TRANSACTION_AMT', 'TRANSACTION_DT','CAND_PTY_AFFILIATION'])

--------Tip: merge使用-----------

【1】merge函数：通过键拼接列，横向拼接

merge: 合并数据集， 通过left， right确定连接字段，默认是两个数据集相同的字段
参数 说明
left 参与合并的左侧DataFrame
right 参与合并的右侧DataFrame
how 连接方式：‘inner’（默认）；还有，‘outer’、‘left’、‘right’
on 用于连接的列名，必须同时存在于左右两个DataFrame对象中，如果位指定，则以left和right列名的交集作为连接键
left_on 左侧DataFarme中用作连接键的列
right_on 右侧DataFarme中用作连接键的列
left_index 将左侧的行索引用作其连接键
right_index 将右侧的行索引用作其连接键
sort 根据连接键对合并后的数据进行排序，默认为True。有时在处理大数据集时，禁用该选项可获得更好的性能
suffixes 字符串值元组，用于追加到重叠列名的末尾，默认为（‘_x’,‘_y’）.例如，左右两个DataFrame对象都有‘data’，则结果中就会出现‘data_x’，‘data_y’
copy 设置为False，可以在某些特殊情况下避免将数据复制到结果数据结构中。默认总是赋值

PS:

merge合并的两个字段类型必须相同，如果不同会报错，可以使用astype转换成相同类型的字段。
merge的两个文件中如果有重复数据条目，merge的输出dataframe的数据条目会大于输入的dataframe。

可以实现：

当左右连接字段不相同时，使用left_on,right_on
merge默认按相同字段合并，且取两个都有的
合并后，删除重复的列
参数how的使用
“1)默认：inner 内连接，取交集”
“2)outer 外连接，取并集，并用nan填充”
“3)left 左连接，左侧取全部，右侧取部分”
左侧数据集全要，右边与之对应，未含有的设置为空
“4) right 有连接，左侧取部分，右侧取全部”

【2】join 拼接列，主要用于索引上的合并
join方法提供了一个简便的方法用于将两个DataFrame中的不同的列索引合并成为一个DataFrame
其中参数的意义与merge方法基本相同,只是join方法默认为左外连接how=left

【3】concat 可以沿着一条轴将多个对象堆叠到一起，默认用于纵向拼接
concat方法相当于数据库中的全连接(UNION ALL),可以指定按某个轴进行连接,也可以指定连接的方式join(outer,inner 只有这两种)。与数据库不同的，concat不会去重，要达到去重的效果可以使用drop_duplicates方法

--------Tip: merge使用 end-----------

# 将候选人与委员会关系表ccl和个人捐赠数据表itcont合并，通过 CMTE_ID
c_itcont =  pd.merge(ccl,itcont)
# 提取需要的数据列
c_itcont = pd.DataFrame(c_itcont, columns=[ 'CAND_NAME','NAME', 'STATE','EMPLOYER','OCCUPATION','TRANSACTION_AMT', 'TRANSACTION_DT','CAND_PTY_AFFILIATION'])

查看DateFrame数据信息：
现在我们可以利用调用shape属性查看数据的规模，调用info函数查看数据信息，调用describe函数查看数据分布,调用value返回ndarray类型的对象。

# 查看目前数据前10行
c_itcont.head(10)
# 查看数据规模 多少行 多少列
c_itcont.shape
# 查看整体数据信息，包括每个字段的名称、非空数量、字段的数据类型
c_itcont.info()

#空值处理，统一填充 NOT PROVIDED
c_itcont['STATE'].fillna('NOT PROVIDED',inplace=True)
c_itcont['EMPLOYER'].fillna('NOT PROVIDED',inplace=True)
c_itcont['OCCUPATION'].fillna('NOT PROVIDED',inplace=True)
# 对日期TRANSACTION_DT列进行处理
c_itcont['TRANSACTION_DT'] = c_itcont['TRANSACTION_DT'] .astype(str)

PS：我在这里将日期改为：xxxx年xx月xx日
由于数据是从2020.07到2020.08的，所以月份为展现两位，直接使用加字符0的方式填充

# 对日期TRANSACTION_DT列进行处理
c_itcont['TRANSACTION_DT'] = c_itcont['TRANSACTION_DT'] .astype(str)
# 将日期格式改为年月日  7242020   【转换顺序】
c_itcont['TRANSACTION_DT'] = [i[3:7]+"0"+i[0]+i[1:3] for i in c_itcont['TRANSACTION_DT'] ]

df_1=c_itcont.groupby(['STATE','TRANSACTION_DT']).agg('sum')  #按照州和日期排序groupby，对捐款进行聚合agg

c_itcont.groupby(['STATE','TRANSACTION_DT']).sum().sort_values("TRANSACTION_AMT",ascending=False).head()

（可以得到某天某州捐款的排序，后来好奇查了查这一天发生了什么，为什么CA捐了这么多钱。。）

------- Tip:groupby使用 -----------
参考：
https://www.jianshu.com/p/e46eb6e447e3
https://zhuanlan.zhihu.com/p/101284491?utm_source=wechat_session

第一种：df.groupby(col)，返回一个按列进行分组的groupby对象；

第二种：df.groupby([col1,col2])，返回一个按多列进行分组的groupby对象；

第三种：df.groupby(col1)[col2]或者df[col2].groupby(col1)，两者含义相同，返回按列col1进行分组后，col2的值；

e.g:

c_itcont.groupby('STATE').head()

（按照各州分类排序）

c_itcont.groupby(['STATE','TRANSACTION_DT']).head()

（按照州和日期分类排序）

c_itcont.groupby(['STATE','TRANSACTION_DT'])["TRANSACTION_AMT"].head()

(上图中捐款数的结果）
转化为List:

list(c_itcont.groupby(['STATE','TRANSACTION_DT'])["TRANSACTION_AMT"])

agg聚合操作是groupby后非常常见的操作，聚合操作可以用来求和、均值、最大值、最小值等，下面的表格列出了Pandas中常见的聚合操作。
min,max,min,sum,mean
针对样例数据集，如果我想求不同公司员工的平均年龄和平均薪水，可以按照下方的代码进行：

data.groupby(“company”).agg(‘mean’)

如果想对针对不同的列求不同的值，比如要计算不同公司员工的平均年龄以及薪水的中位数，可以利用字典进行聚合操作的指定：

data.groupby(‘company’).agg({‘salary’:‘median’,‘age’:‘mean’})

transform:对transform而言，则会对每一条数据求得相应的结果，同一组内的样本会有相同的值，组内求完均值后会按照原索引的顺序返回结果，

apply:可以设置函数，筛选符合条件的，例如数目大于多少

-------Tip：groupby 使用 end----

df_1.loc[("CA","20200722"),"TRANSACTION_AMT"]
#329524

(输出，CA在20200722捐了多少钱）

df_1.loc[("CA","222222"),"TRANSACTION_AMT"]
#报错：KeyError

(由于未找到相关数据，报错）

-----Tip：DataFrame数据提取----------
参考：https://blog.csdn.net/brucewong0516/article/details/82494090

1、Single label. 单个 row_label 返回的Series

 df.loc['viper']
Out[17]:
max_speed    4
shield       5
Name: viper, dtype: int64

2、List of labels. 列表 row_label 返回的DataFrame

df.loc[['cobra','viper']]
Out[20]: max_speed  shield
cobra          1       2
viper          4       5

3、Single label for row and column 同时选定行和列，输出值

df.loc['cobra', 'shield']
Out[24]: 2

4、Conditional that returns a boolean Series 条件布尔值

df.loc[df['shield'] > 6]
Out[34]: max_speed  shield
sidewinder          7       8

另外：`

DataFrame.loc                                 #标签定位，使用名称
DataFrame.iloc                                #整型定位，使用数字`

#loc只能通过index和columns来取，不能用数字
df.loc['one','a']#one行，a列
df.loc['one':'two','a']#one到two行，a列
df.loc['one':'two','a':'c']#one到two行，a到c列
df.loc['one':'two',['a','c']]#one到two行，ac列#iloc只能用数字索引，不能用索引名
df.iloc[0:2]#前2行
df.iloc[0]#第0行
df.iloc[0:2,0:2]#0、1行，0、1列
df.iloc[[0,2],[1,2,3]]#第0、2行，1、2、3列

DataFrame全部函数
DateFrame基本属性（查看行，列，索引…)

-----Tip:DateFrame 数据提取 end--------

第二步：时序数据构建

import pandas as pd
#时间序列处理datetime_index = pd.date_range(start="20200722",end="20200820")
dt_index_epochs = datetime_index.astype(int)
dt_index = dt_index_epochs.astype("U10")
n_periods =len(datetime_index)

----Tip: 时序数据处理 -------
在 TimeSliderChoropleth.ipynb构建时序数据时：

import pandas as pdn_periods, n_sample = 48, 40   #时间序列长度，取样数assert n_sample < n_periods  #取样数一定小于时间序列长度
#日期从201611开始，间隔一个月，取n_periods个
datetime_index = pd.date_range("2016-1-1", periods=n_periods, freq="M")
#日期类型转换为int
dt_index_epochs = datetime_index.astype(int) // 10 ** 9
#固定长度的Unicode类型，跟字符串定义方式一样，比如U10
dt_index = dt_index_epochs.astype("U10")dt_index

import numpy as npstyledata = {}for country in gdf.index:df = pd.DataFrame({"color": np.random.normal(size=n_periods),"opacity": np.random.normal(size=n_periods),},index=dt_index,)df = df.cumsum()df.sample(n_sample, replace=False).sort_index()styledata[country] = df

涉及知识点如下：

【1】pandas时间序列操作方法

【小部分参考：https://soyoger.blog.csdn.net/article/details/78335399】

1.生成时间范围：

index = pd.date_range('2012-04-01', '2012-06-01')

2.按频率生成时间
频率选择：按天，按周，按月，D,W-MON,W-TUE…，M

pd.date_range('2012-05-02', periods=5,freq='W-WED')

3.字符串和datetime的相互转换
利用str或strftime方法（传入一个格式化字符串）

stamp = datetime(2011, 1, 3)
str(stamp)
#‘2011-01-03 00:00:00’

stamp.strftime('%Y-%m-%d')
#‘2011-01-03’

value = '2011-01-03'
datetime.strptime(value, '%Y-%m-%d')
#datetime.datetime(2011, 1, 3, 0, 0)

4.时间序列对应

import pandas as pddf = pd.DataFrame([1,2,3],index  = pd.date_range('20181021',periods=3,freq='W'))
df.loc['2018']
df.loc['2018-11']

【2】强制类型转换astype
astype：转换数组的数据类型。

int32 --> float64 完全ojbk

float64 --> int32 会将小数部分截断

string_ --> float64 如果字符串数组表示的全是数字，也可以用astype转化为数值类型

df.astype('数据类型')                        #改变整个df的数据类型
df['列名'].astype('数据类型')              #仅改变某一列的数据类型

另外补充，numpy数组中这四个方法的区别ndim、shape、dtype、astype
ndim返回的是数组的维度，返回的只有一个数，该数即表示数组的维度。
shape：表示各位维度大小的元组。返回的是一个元组。
dtype：一个用于说明数组数据类型的对象。返回的是该数组的数据类型。
astype：转换数组的数据类型。

除了用astype进行类型转换，也可以自定义函数来批量修改数据类型（通过int（），str()等直接转换)。还可以用Pandas的一些辅助函数(如to_numeric()、to_datetime())。

【3】随机抽样sample
DataFrame.sample(n=None, frac=None, replace=False, weights=None, random_state=None, axis=None)[source]
从DF里随机选取n个样本

参数名称 参数说明 举例说明
n 要抽取的行数
df.sample(n=3,random_state=1)
提取3行数据列表
注意，使用random_state，以确保可重复性的例子。frac
抽取行的比例
例如frac=0.8，就是抽取其中80%。df.sample(frac=0.8, replace=True, random_state=1)
replace
是否为有放回抽样，
True:有放回抽样
False:未放回抽样

【4】排序–sort_index()和.sort_values()

1、df. sort_values()
作用：既可以根据列数据，也可根据行数据排序。
注意：必须指定by参数，即必须指定哪几行或哪几列；无法根据index名和columns名排序

DataFrame.sort_values(by, axis=0, ascending=True, inplace=False, kind=‘quicksort’, na_position=‘last’)
axis：{0 or ‘index’, 1 or ‘columns’}, default 0，默认按照列排序，即纵向排序；如果为1，则是横向排序。
by：str or list of str；如果axis=0，那么by=“列名”；如果axis=1，那么by=“行名”。
ascending：布尔型，True则升序，如果by=[‘列名1’,‘列名2’]，则该参数可以是[True, False]，即第一字段升序，第二个降序。
inplace：布尔型，是否用排序后的数据框替换现有的数据框。

2、 df. sort_index() --按照行标签或者列标签排序
作用：默认根据行标签对所有行排序，或根据列标签对所有列排序，或根据指定某列或某几列对行排序。
注意：df. sort_index()可以完成和df. sort_values()完全相同的功能，但python更推荐用只用df. sort_index()对“根据行标签”和“根据列标签”排序，其他排序方式用df.sort_values()。

调用方式
sort_index(axis=0, level=None, ascending=True, inplace=False, kind=‘quicksort’, na_position=‘last’, sort_remaining=True, by=None)
axis：0按照行名排序；1按照列名排序
level：默认None，否则按照给定的level顺序排列—貌似并不是，文档
ascending：默认True升序排列；False降序排列
inplace：默认False，否则排序之后的数据直接替换原来的数据框
kind：排序方法，{‘quicksort’, ‘mergesort’, ‘heapsort’}, default ‘quicksort’。似乎不用太关心。
na_position：缺失值默认排在最后{“first”,“last”}
by：按照某一列或几列数据进行排序，但是by参数貌似不建议使用

【5】累加和–comsum

Cumsum ：计算轴向元素累加和，返回由中间结果组成的数组

这里：df.comsum()
是将颜色和透明度按列，依次向下累加。
例如：第一行color:1
第二行color:1(第一行)+2(第二行）=3
第三行color:3+3(第三行）=6
也可以按照id进行累加，一般与groupby联合使用：
data[‘sum_Times’]=data[‘Times’].groupby([‘userID’]).cumsum()
（对每个用户的使用次数进行累加，得到使用总数）
----Tip: 时序数据处理 end-------

第三步：时序数据与地图对接
【这一部分尝试了很久，主要是styledata的数据格式必须与TimeSliderChoropleth函数要求的格式相同，否则实现不了！】
首先，根据上面 TimeSliderChoropleth.ipynb的输出，查看styledata的数据形式：

意思是，各个州用数字0，1，2，3…进行标号，例如第0个国家里面含有每个事件的color和opacity属性值。
州的标号也不是随意标的，是按照设定地图边界数据gdf一一对应的，因为后面画图时，是直接对应州位置和标号去上色的。所以，改动时，这里应该根据自己的边界地理数据，逐一对对应州的捐款数据进行统计。
上传地理数据：

#美国相关地理数据
import json
import folium
import requestsurl = ("https://raw.githubusercontent.com/python-visualization/folium/master/examples/data"
)
us_states = f"{url}/us-states.json"
geo_json_data = json.loads(requests.get(us_states).text) #边界

对各个州捐款情况赋值：
（country是整型，为州的标号，ccountry是字符，是州的名字（为了后续的loc），amt对应时间序列）

##构建各时间下，州对应捐款的颜色透明属性
import geopandas as gpd
gdf = gpd.read_file(us_states)
import numpy as np
import datetime
styledata = {}
for country in gdf.index:ccountry=gdf.iloc[country]["id"] #找到州名amt=[0]*n_periods  #数组for i in range(0,len(datetime_index)-1):x=datetime.datetime.strftime(datetime_index[i],'%Y%2m%2d')  #转字符串try:amt[i]=amt[i]+df_1.loc[(ccountry,x),"TRANSACTION_AMT"]  #定位找到捐款数except KeyError:amt[i]=amt[i]df = pd.DataFrame({"color": amt,   #loc标签定位，使用名称,"opacity": amt,  #透明},index=dt_index,  #索引是日期)df = df.cumsum() #求列的累加值 styledata[country] = df

颜色从数字对应至16进制

##处理颜色透明数值 对应十六进制
max_color, min_color, max_opacity, min_opacity = 0, 0, 0, 0for country, data in styledata.items():max_color = max(max_color, data["color"].max())min_color = min(max_color, data["color"].min())max_opacity = max(max_color, data["opacity"].max())max_opacity = min(max_color, data["opacity"].max())
from branca.colormap import linear#cmap = linear.PuRd_09.scale(min_color, max_color)
cmap = linear.Reds_09.scale(min_color, max_color)
#cmap = linear.PuBuGn_09.scale(min_color, max_color)def norm(x):return (x - x.min()) / (x.max() - x.min())for country, data in styledata.items():data["color"] = data["color"].apply(cmap)data["opacity"] = norm(data["opacity"])
#styledata.get(0).head()

将标号转为为str
1->“1”

styledict = {str(country): data.to_dict(orient="index") for country, data in styledata.items()
}

-----Tip:复习try excepy-----

try:正常的操作......................
except:发生异常，执行这块代码......................
else:如果没有异常执行这块代码

—Tip:复习 try except end-----

第四步：映射地图

#画美国地图m = folium.Map(location=[43, -100], ## 初始化地图中心zoom_start=4,tiles="stamentoner"  #瓷砖风格tiles="stamentonerbackground"
)folium.GeoJson(geo_json_data).add_to(m) #地图边界
folium.map.CustomPane("labels").add_to(m) #使得州的名称在最上层1
m

其中，运用了TileLayer，为了使得州的名称在地图上层。

#时间轴地图，颜色可能需要一定时间加载，前几天颜色较浅
from folium.plugins import TimeSliderChoropleth
g = TimeSliderChoropleth(gdf.to_json(),styledict=styledict,
).add_to(m)
folium.TileLayer("stamentonerlabels", pane="labels").add_to(m)  #使得州的名称在最上层2m

结果：

带有时间轴的热力图就做好啦~~~
【项目1整体代码】

后面附加：各州总捐款热力图的静态呈现+一个流动曲线
【项目2整体代码】

这里面主要是在加流动曲线时，一个是对geo_json_data数据的提取，找到CA州的边界点；另一个是folium.plugins.AntPath中流动路径中各个点的经纬度是与geo相反的（所以刚开始半天尝试的时候，一直没在我希望的位置上…）

G=geo_json_data['features']  #G为列表
for i in range(len(G)):if G[i]['id']=='CA':#print(G[i]['geometry']['coordinates'])B=G[i]['geometry']['coordinates']break
B=B[0]  #CA边界

#环绕CA
from folium import plugins
B2=[]
for i in range(len(B)):b=[]b.append(B[i][1])b.append(B[i][0])B2.append(b)
#注意：location坐标相反
#加动态线
folium.plugins.AntPath(locations=B2 , reverse="True", dash_array=[20, 30]
).add_to(m)m.fit_bounds(m.get_bounds())m

结果如下：

只是这个比赛好早就结束啦，默默用来做一个天池初体验记录~
天池实验室，刚开始很想吐槽，比如有时候运行会卡死，数据加载会卡死，还有那个连接倒计时，剩一个小时的时候就忍不住去重启，但是后来觉得能直接挂载比赛数据，不占用自己内存等等还是挺香的，希望他能再快一点就更好啦~

Folium库使用心得（二）相关推荐

Folium库使用心得（一）
参考代码:https://nbviewer.jupyter.org/github/python-visualization/folium/tree/master/examples/ 初次接触阿里云的天 ...
BT源代码学习心得(二)：程序运行参数的获取 -- 转贴自 wolfenstein (NeverSayNever)
BT源代码学习心得(二):程序运行参数的获取发信人: wolfenstein (NeverSayNever), 个人文集标题: BT源代码学习心得(二):程序运行参数的获取发信站: 水木社区 ...
python 实现对地图的点击_python使用folium库绘制地图点击框
python使用folium 库生成地图网页的具体代码,供大家参考,具体内容如下 folium 官网 import folium import pandas as pd def mark_map(da ...
爬虫入门之urllib库详解(二)
爬虫入门之urllib库详解(二) 1 urllib模块 urllib模块是一个运用于URL的包 urllib.request用于访问和读取URLS urllib.error包括了所有urllib.r ...
STM32学习心得二十一：实时时钟RTC和备份寄存器BKP特征、原理及相关实验代码解读
记录一下,方便以后翻阅~ 主要内容 1) RTC特征与原理: 2) BKP备份寄存器特征与原理: 3) RTC常用寄存器+库函数介绍: 4) 相关实验代码解读. 实验内容: 因为没有买LCD屏,所以计 ...
从零实现Vue的组件库（十二）- Table 实现
基于Table标签的展示数据组件. Table 组件主要特点在于: 组件 data 的解耦,减少重复代码: 良好的扩展性,可以通过自定义列模板来适应不同的业务场景. 1. 实例代码 <fat- ...
STM32学习心得二十六：DAC数模转换实验
记录一下,方便以后翻阅~ 主要内容: 1) DAC数模转换原理: 2) 寄存器和库函数介绍: 3) 相关实验代码解读. 实验功能:系统启动后,按WK_UP键,输出电压加200点,对应电压值200*3. ...
Python基于pyzbar、opencv、pyqt5库，实现二维码识别 gui 应用程序开发
二维码组成结构基本介绍二维码识别背景介绍视觉的方法可以用来估计位置和姿态.最容易想到的是在目标上布置多个容易识别的特征,这样使用opencv相机标定和.相机畸变矫正.轮廓提取.solvepnp来获 ...
免疫组库数据分析（二）：Excel 分析免疫组库数据
免疫组库数据分析(二):Excel 分析免疫组库数据前言在系列文章第一篇<免疫组库数据分析(一):windows 系统下MiXCR的安装和使用>讲解了5'RACE实验数据如何在Wind ...
[pytorch] PyTorch Metric Learning库代码学习二 Inference
PyTorch Metric Learning库代码学习二 Inference Install the packages Import the packages Create helper funct ...

Folium库使用心得（二）

Folium库使用心得（二）相关推荐

最新文章

热门文章