本文目录一览：
- python如何表示a+bi这个复数？注意实部虚部是字母而不是确定常数
- python 可视化界面怎么做
- python数据分析师需要掌握什么技能？
- python 二分查找算法函数bi_search(),该函数实现检索任意一个整数在 prime() 函数生成的
- 现在市场上有PowerBi或者Tableau可以做很好的图表，那还有人用Python来制作可视化图表吗？有什么优点？
python如何表示a+bi这个复数？注意实部虚部是字母而不是确定常数
Python可以使用内置函数complex()创建一个复数对象：
c = complex(a, b)
则c是一个值为a+bi的复数对象。
python 可视化界面怎么做
首先，如果没有安装Python和PyQt软件的请先直接搜索下载并安装。Python是一个开源软件，因此都是可以在网上免费下载的，最新版本即可。下载完成后，我们先打开PyQt designer。
2
打开后，首先是一个默认的新建窗口界面，在这里我们就选择默认的窗口即可。
3
现在是一个完全空白的窗口。第一步我们要先把所有的设计元素都拖进这个窗口。我们先拖入一个“Label”，就是一个不可编辑的标签。
随后我们再拖入一个可以编辑的“Line Edit”
最后我们拖入最后一个元素：“PushButton”按钮，也就是平时我们所点的确定。
目前我们已经把所有所需要的元素都拖入了新建的窗口。对于每一个元素，我们都可以双击进行属性值的修改，此时我们仅需要双击改个名字即可。
此时我们已经完成了一半，接下来需要对动作信号进行操作。我们需要先切入编辑信号的模式。
此时把鼠标移动到任意元素，都会发现其变成红色，代表其被选中。
当我们选中pushbutton后，继续拖动鼠标指向上面的line edit，会发现由pushbutton出现一个箭头指向了line edit，代表pushbutton的动作会对line edit进行操作。
随即会弹出一个配置连接窗口。左边的是pushbutton的操作，我们选择clicked()，即点击pushbutton。
右边是对line edit的操作，我们选择clear()，即清除line edit中的内容。
最后我们点击确定。
保存完成后，我们在PyQt中的操作就已经完成了。保存的文件名我们命名为test，PyQt生成的设计文件后缀是.ui。
python数据分析师需要掌握什么技能？
首先是基础篇：
- Excel
Excel不仅能够做简单二维表、复杂嵌套表，能画折线图/Column chart/Bar chart/Area chart/饼图/雷达图/Combo chart/散点图/Win Loss图等，而且能实现更高级的功能，包括透视表（类似于BI的多维分析模型Cube），以及Vlookup等复杂函数，处理100万条以内的数据没有大问题。最后，很多更高级的工具都有Excel插件，例如一些AI Machine Learning的开发工具。 - SQL（数据库）
数据分析师每天都会处理海量的数据，这些数据来源于数据库，那么怎么从数据库取数据？如何建立两表、三表之间的关系？怎么取到自己想要的特定的数据？等等这些数据选择问题就是你首要考虑的问题，而这些问题都是通过SQL解决的，所以SQL是数据分析的最基础的技能。 - 统计学基础
数据分析的前提要对数据有感知，数据如何收集？数据整体分布是怎样的？如果有时间维度的话随着时间的变化是怎样的？数据的平均值是什么？数据的最大值最小值指什么？数据相关与回归、时间序列分析和预测等等。 - 掌握可视化工具
比如BI，如Cognos/Tableau/FineBI等，具体看企业用什么工具，像我之前用的是FineBI。这些工具做可视化非常方便，特别是分析报告能含这些图，一定会吸引高层领导的眼球，一目了然了解，洞察业务的本质。另外，作为专业的分析师，用多维分析模型Cube能够方便地自定义报表，效率大大提升。 进阶阶段需要掌握的： - 系统的学好统计学
纯粹的机器学习讲究算法预测能力和实现，但是统计一直就强调“可解释性”。比如说，针对今天微博股票发行就上升20%，你把你的两个预测股票上涨还是下跌的model套在新浪的例子上，然后给你的上司看。统计学就是这样的作用。- 数据挖掘相关的统计方法（多元Logistic回归分析、非线性回归分析、判别分析等）
- 定量方法（时间轴分析、概率模型、优化）
- 决策分析（多目的决策分析、决策树、影响图、敏感性分析）
- 树立竞争优势的分析（通过项目和成功案例学习基本的分析理念）
- 数据库入门（数据模型、数据库设计）
- 预测分析（时间轴分析、主成分分析、非参数回归、统计流程控制）
- 数据管理（ETL（Extract、Transform、Load）、数据治理、管理责任、元数据）
- 优化与启发（整数计划法、非线性计划法、局部探索法、超启发（模拟退火、遗传算法））
- 大数据分析（非结构化数据概念的学习、MapReduce技术、大数据分析方法）
- 数据挖掘（聚类（k-means法、分割法）、关联性规则、因子分析、存活时间分析）
- 其他，以下任选两门（社交网络、文本分析、Web分析、财务分析、服务业中的分析、能源、健康医疗、供应链管理、综合营销沟通中的概率模型）
- 风险分析与运营分析的计算机模拟
- 软件层面的分析学（组织层面的分析课题、IT与业务用户、变革管理、数据课题、结果的展现与传达方法）
- 掌握AI Machine Learning算法，会用工具（比如Python/R）进行建模
传统的BI分析能回答过去发生了什么？现在正在发生什么？但对于未来会发生什么？必须靠算法。虽然像Tableau、FineBI等自助式BI已经内置了一部分分析模型，但是分析师想要更全面更深度的探索，需要像Python/R的数据挖掘工具。另外大数据之间隐藏的关系，靠传统工具人工分析是不可能做到的，这时候交由算法去实现，无疑会有更多的惊喜。 其中，面向统计分析的开源编程语言及其运行环境“R”备受瞩目。R的强项不仅在于其包含了丰富的统计分析库，而且具备将结果进行可视化的高品质图表生成功能，并可以通过简单的命令来运行。此外，它还具备称为CRAN（The Comprehensive R Archive Network）的包扩展机制，通过导入扩展包就可以使用标准状态下所不支持的函数和数据集。R语言虽然功能强大，但是学习曲线较为陡峭，个人建议从Python入手，拥有丰富的statistical libraries，如NumPy、SciPy.org、Python Data Analysis Library、matplotlib: python plotting。 以上我的回答希望对你有所帮助。
python 二分查找算法函数bi_search(),该函数实现检索任意一个整数在 prime() 函数生成的
def prime(n):
if n == 2:
return []
result = [False, False] + [True] * (n - 2)
for i in range(len(result)):
if result[i] == True:
for j in range(2 * i, len(result), i):
result[j] = False
return [i for i in range(len(result)) if result[i] == True]
def bi_search(prime, primelist, start, end):
if start > end:
return -1
mid = (start + end) // 2
if primelist[mid] == prime:
return mid
elif primelist[mid] > prime:
end = mid - 1
else:
start = mid + 1
return bi_search(prime, primelist, start, end)
if __name__ == '__main__':
n = int(raw_input())
primelist = prime(n)
num = raw_input()
while num:
num = int(num)
index = bi_search(num, primelist, 0, len(primelist) - 1)
print(index)
num = raw_input()
现在市场上有PowerBi或者Tableau可以做很好的图表，那还有人用Python来制作可视化图表吗？有什么优点？
链接：
提取码：yz10
Python & Tableau：商业数据分析与可视化
Tableau的程序很容易上手，各公司可以用它将大量数据拖放到数字“画布”上，转眼间就能创建好各种图表。这一软件的理念是，界面上的数据越容易操控，公司对自己在所在业务领域里的所作所为到底是正确还是错误，就能了解得越透彻。
快速分析：在数分钟内完成数据连接和可视化。Tableau 比现有的其他解决方案快 10 到 100 倍。大数据，任何数据：无论是电子表格、数据库还是 Hadoop 和云服务，任何数据都可以轻松探索。
课程目录：
- 前置课程-Python在咨询、金融、四大等领域的应用以及效率提升
- Python基础知识
- Python入门：基于Anaconda与基于Excel的Python安装和界面
- 简单的数学计算
- Python数据分析-时间序列2-数据操作与绘图
- Python数据分析-时间序列3-时间序列分解
- ......
