1. 教学总结范文，可以提高写作水平？

如今的时代，人人都是作家，人人都在记者，写作不再是作家们的专利，而是每个现代人都需要掌握的技能。

1.《文心》

作者：叶圣陶、夏丏尊

全书采用小说的形式，用三十二篇故事，借助学生、老师等人的互动，教我们关于写作的那些知识。

2.《文章自在》

作者：张大春

收录了自己对于写作的思考和经验，作者在书中说的都是自己关于写作的真心话。

3.《完全写作指南》

作者：劳拉·布朗

提供了特别全面的写作方法和技巧，简单而且容易上手。

4.《<华尔街日报>是如何讲故事的》

作者：威廉·E·布隆代尔

想要写中长篇故事的人，这本书强烈推荐，教你用高品质的内容吸引读者。

5.《作家笔记》

作者：威廉·萨默赛特·毛姆

处处皆是敏锐的观察，可以看到了毛姆无可比拟的洞察力，以及他作为一名作家的非凡职业生涯的萌芽与发展。

6.《大师们的写作课：好文笔是读出来的》

作者：舒明月

不是所有的人都真的会读，但真正会读的人一定会写。强烈推荐这本书，拆解大师们的写作方法。

写作，是你打开另一个世界的大门，强烈建议每个人都多读、多写，多坚持。

王小波曾说过，“写作虽然不能换来很多物质上的好处，但因为自己有写作的欲望，所以要写作。”

但现在，写作是可以给我们带来很多物质上的好处的。找工作时，写作是一个优势；成为专栏或平台的签约作者，同样收入不菲；或者可以去投稿，赚取稿费。

总之，写作是每个人都应该具备的能力，哪怕文笔不行，基本的写作技巧也是应该掌握的。

2. 自学java？

类似的问题也回答过很多，其实我最早也是个Java小白，只在本科课堂上上过一门非常基础的Java课程，没多久就忘光了，直到研究生期间重拾Java，才开始真正的Java学习旅程。对于学习Java，我也经历了很多个阶段，一开始，我主要通过自己找视频、找入门书籍的方式来学习Java，接着又通过做项目、参与实习工作等方式来巩固自己的Java技能，研究生期间我开始系统地学习Java，主要通过看书、看博客、自己写博客等方式逐渐熟悉Java这门语言，到最后终于符合了能拿到Java大厂offer的水平。所以题主也不必着急，学习Java是一条漫长的道路，需要花时间、精力，用心去慢慢学习。接下来还是分享一下我的一篇文章《Java工程师学习指南》本文将会更系统地总结学习Java的学习过程。在下是某985小硕，在2018年的校园招聘中拿到BAT头条网易滴滴亚马逊的offer。我用了两年的时间从一个小白成长成为了能够进入BAT的JAVA工程师，下面我也会分享一下我零基础自学Java的心得体会和学习路线，一路走来也遇到很多困难，也踩了很多坑，同时我自己也探索了很多的学习方法，总结了很多心得体会，我写过一个Java工程师学习指南，我把它分为了四个部分，第一步是打好Java基础，掌握Java核心技术，第二步是掌握Java Web技术栈，能够做一些项目，第三步是掌握Java方面的进阶技术，包括网络编程、并发编程、JVM等，第四步是掌握后端进阶技术，比如分布式、缓存、消息队列等技术。按照这样的一个脉络，我觉得能够掌握这里面的绝大部分内容，并且有过相应的一些实践，那么可以算是学好了Java。当然，学好Java只是一个开始，要真的干好活，做好项目，以及其他各方面的技术工作，则是在学好Java的基础去延伸和展开的。

最近开了个微信公众号【Java技术江湖】致力于分享Java技术文章，将会记录我两年时间里学习Java的经验心得，以及在阿里的技术之路，有兴趣的朋友可以了解关注一下。

接下来就是具体的四篇文章，建议大家按顺序阅读，有点长，收藏的时候记得点赞或者评论哈。笔芯！Java工程师学习指南入门篇最近有很多小伙伴来问我，Java小白如何入门，如何安排学习路线，每一步应该怎么走比较好。原本我以为之前的几篇文章已经可以解决大家的问题了，其实不然，因为我之前写的文章都是站在Java后端的全局上进行思考和总结的，忽略了很多小白们的感受，而很多朋友都需要更加基础，更加详细的学习路线。所以，今天我们重新开一个新的专题，分别按照四篇文章讲述Java的学习路线（分别是入门篇，初级篇，中级篇，高级篇），笔者也打算趁此机会，回忆一下自己的Java学习历程。今天我们要讲的是，小白同学如何入门Java。先声明一点，文章内容不会详细到每一步怎么操作，只会提供大致的思路和方向，给大家以启发，如果真的要一步一步指导操作的话，那至少需要一本书的厚度啦。本文所述的方法不一定适合所有人，如有错误敬请谅解。01 前期准备工作开发环境搭建这一步我们往往会直接跳过，但既然是面向小白的教程，这里就提一下吧。首先你需要一台电脑，然后安装好JDK和JRE，JDK提供的是Java开发工具，也就是一些必备的jar包，JRE则是Java的运行环境组件，我们熟悉的JVM就在这里面。安装好这两个东东之后，一般还要配置一下环境变量，否则有一些目录可能无法被正确找到。IDE选择和安装IDE指的就是本地开发编辑器，没有了它，你就只能直接在记事本这类工具里敲代码了。IDE最大的好处就是整合了大量的工具和功能模块，让你非常轻松地完成开发。以前大家都用eclipse，不过eclipse已经不流行了，现在我推荐你直接用intellij idea作为你的第一个代码编辑器。如果是用过eclipse的同学，基本上也可以无痛切换。intellij idea可以直接在官网上下载，试用版30天，如果想要永久使用，网上也有一些办法滴。关于jar包jar包是什么，其实就是将一堆class格式文件打包，Java中把它称为jar包，这些jar包在编译器中能被直接识别，让开发者使用。对于新手来说，可能只需要用到JDK自带的一些API，但是如果你要引用外部jar包，可能就会遇到一些困难了。对于idea来说，导入外部jar包有两种办法，一种是手动导入jar包，一种是使用maven。后者会在Java Web相关的文章中讲起。手动导入jar包其实也不难，你需要先下载好jar包，然后在对应的项目下选择导入jar包即可，具体的方法这里就不展开说了，因为在网上都找得到。02 学习Java基础的几种方法了解基础语法学习一门语言，最开始要做的事情就是学习它的语法。我最早学习Java语法是在Runoob，这个网站可以让你对任意一门语言完成最快速的语法入门，当然，这只是相当于你浏览了一遍基础语法。想要真正掌握Java语言基础，光看基础语法还远远不够，我在大三第一次接触Java课程，听老师讲面向对象三大特征听得一头雾水，连数组的初始化方式都理不清楚，但这些内容都是我们需要掌握的。所以，为了学好Java基础，我们还需要看视频或者看书进行学习。看视频视频的话，可以到极客学院或者慕课网听Java基础课程，当然也可以看我分享的Java视频课程。大家也都知道，现在Java的培训班非常多，基本上学的东西也都大同小异，不过它们的有些课程还不错，大家有渠道的话也可以去看一看。看视频的好处是你可以更好地接收知识，同时也会耗费你更多实践，所以，有时候你也可以选择看书。看书看书的话，对于小白来说不推荐太复杂的书，比如《Java编程思想》这种书，新手千万不要看。我个人建议，你只需要先看看《Java入门到精通》这种类型的书就足够了，因为这个部分的学习只是为你后面的学习开个头，你以后可能还要回过头来重新研究这些内容。现在市面上介绍Java基础的书籍实在太多了，质量参差不齐，内容同质化严重，笔者看过的其实也不多。给大家一个建议，你只需要挑一两本书来看即可，这里推荐两本最简单的吧，《head first java》和《Java从入门到精通》。看博客这里再推荐另一种学习方式，就是看博客，博客比起书籍来说，更适合对于某个技术点的学习，你可以很容易地在网上找到这个知识点相关的原理，实现方法，以及代码范例。我的博客里没有讲解特别基础的东西，如果你看一些比较基础的文章，可以到Runoob等网站上查看。如果你有一个很明确的知识点想要学习，相信搜搜引擎会给你更好的答案。代码实践除此之外，一般的Java书籍或者视频课程都会要求你相应完成一些练习题，这部分内容你需要自己在电脑里使用IDE完成。在IDE里，你可以很好地熟悉Java语言的使用，基本代码的实现，同时可以尝试各种各样的API,并且测试一些语言特性，比如继承，封装，多态等等。另外，这也是你熟悉IDE的一个好机会，因为在公司里做开发可能要用到IDE各种各样的功能，提前熟悉好IDE绝对是有益无害的。03 Java入门必备知识点梳理在Java入门阶段，你可能需要接触到以下这部分知识，不管你是从通过哪种方式学习，这些内容都是你学习Java基础时绕不过的重点。Java基础知识这部分内容是你必须要掌握的内容，在入门阶段你需要把这些基础打扎实，以便于在学习后面的内容时可以更上一层楼。如何把基础打扎实呢，最好的办法就是在IDE上把书上或者视频上的每个例子都实现一遍，当然有的时候你也可以自己写一些有意思的例子。1 基本数据类型比如int，double，char，以及其包装类。熟悉基本数据类型的使用，了解每种类型所占的字节数，以及它们和包装类之间的相互转换。2 流程控制比如for循环，if else，while循环等等如果是学过c语言的同学，这部分可以跳过了。3 字符串类型String的使用字符串类型是Java中很重要的类型，它不是基本数据类型，但却很常用，熟悉和实践String相关的api，开始你对字符串的学习吧。4 数组数组的初始化方式有哪些，二维数组应该怎么写，把数组当成方法参数又该怎么处理？5 类和对象Java中最重要的两个概念：类和对象，它们有什么用呢，有什么区别和联系呢，请在代码中实践它们吧。Java核心技术对于这部分内容，我相信很多小白只能了解它们的基本使用方法，但是并不明白其背后的一些原理：比如为什么接口和抽象类有这些区别，多态的意义是什么，为什么要有反射。新手在学习这部分内容时，只需要知道怎么用就可以了。当然，你最好把这些特性都实现一遍，以加深印象。至于为什么有这些特性，这些特性背后的原理是什么，不是我们现在讨论的内容，这些内容我们将在初级和中级篇中讲述。因为，要了解这些原理，你得了解JVM，了解并发技术的基础，了解网络基础，甚至更多。显然，这不是你现在能做到的。1 接口和抽象类写一些接口，同时写一些实现类去实现这些接口，并且了解一下为什么我们需要接口，为什么子类需要实现接口里的方法。同理，去实现一些抽象类吧。然后，看看它和接口有什么不同。2 继承，封装和多态如何理解继承，子类和父类之间有什么联系呢。封装是一种保护代码的方式，有哪些方式可以实现封装呢。多态一般分为重载和重写，它们分别怎么使用？3 异常处理Java中的异常处理主要用于捕获和处理错误，请你写一些try catch代码块去捕获错误吧。4 集合类集合类是我们经常需要打交道的东西，List，Map，Set等等，赶快去熟悉API，然后写一些测试例子吧。5 IO输入流和输出流IO输入流和输出流可以操作文件，网络数据等内容，如何在Java代码中完成这么复杂的操作呢，其实只需要简单的几个api就可以了。6 多线程为了让系统资源最合理地分配和调度，我们需要多线程，多线程会让程序变得有趣，也会带来很多问题，使用Thread和相关API，去尝试这些有趣的事情吧。可选内容：1 反射（了解即可，不是入门必须）2 枚举类型和泛型（了解即可，不是入门必须）3 网络通信（了解基本的socket使用即可，需要网络基础）4 数据库操作（了解基本的JDBC即可，需要数据库基础）04 总结总而言之，对于一个Java小白来说，入门Java可以分为这几步：1 首先搭建好Java开发环境 2 通过Runoob等一些网站熟悉Java的基本语法 3 通过看书看视频等方式熟悉Java基础知识，通过代码实践加深理解 4 通过看书看视频等方式初步了解Java核心技术，通过代码实践加深理解。本文主要是为大家提供一个学习的思路，以及推荐一些学习方法，如果你能够按照这样的步骤去学习，并且配合上一些适合你自己的学习方法来完成学习计划，相信你可以很好地完成对Java的入门。Java工程师学习指南初级篇最近有很多小伙伴来问我，Java小白如何入门，如何安排学习路线，每一步应该怎么走比较好。原本我以为之前的几篇文章已经可以解决大家的问题了，其实不然，因为我之前写的文章都是站在Java后端的全局上进行思考和总结的，忽略了很多小白们的感受，而很多朋友都需要更加基础，更加详细的学习路线。所以，今天我们重新开一个新的专题，分别按照四篇文章讲述Java的学习路线（分别是入门篇，初级篇，中级篇，高级篇），笔者也打算趁此机会，回忆一下自己的Java学习历程。今天我们要讲的是，小白同学如何入门Java。先声明一点，文章内容不会详细到每一步怎么操作，只会提供大致的思路和方向，给大家以启发，如果真的要一步一步指导操作的话，那至少需要一本书的厚度啦。本文所述的方法不一定适合所有人，如有错误敬请谅解。01 Java Web项目指南jav在上一篇文章中，我们讲到了入门Java的几个步骤，先搭建好环境，然后熟悉基本语法，接着熟悉Java的一些核心技术，并且在代码中进行实现。如果你已经完成了这部分内容的学习，应该会感觉自己对Java已经有一定了解了，可以轻松地写出一些Java代码，比如实现多线程输出数字，再如操作IO流等等。当然，这些代码通常只是一些demo，我们在实际的项目中可能并不会这么简单地使用这些技术，我们可能会同时使用集合类，多线程，以及操作数据库的API。所以，在今天的初级篇中，我们就来谈谈怎么做项目吧。Java Web项目对于大部分Java新手来说，最适合他们入门的项目就是Java Web了。因为Java天然适合做Web应用，并且生态完善，更有很多开源的工具和框架去支撑这些应用，比如Spring，Hibernate，SpringMVC等等。那么，如何开始着手做一个Java Web项目呢。个人认为最好的方式就是看视频了。因为，看书的话，很多内容比较过时，并且一般不会提供源代码。也有一些大佬喜欢推荐开源的项目（在GitHub上面的项目），但是对于小白来说，如果没有很完整的文档去指导他们，那也是毫无意义的。曾几何时，Java Web的项目还在使用JSP + Servlet进行开发，后来出现了Struts2，再后来，出现了我们现在也一直在用的SpringMVC，说实话，不论使用哪种开发框架，你都需要先花一些时间去学习相关的技术，否则你会发现，即使是看视频，你也不知道里面在讲什么。要想做好一个JavaWeb项目，你不仅需要一个好的项目课程，还需要足够的知识储备，下面就让我们来理一理这些内容把。知识储备Java基础部分的内容咱们上次说过了，这里就不再重复啦~下面我们分别来说说其他几方面的知识储备把02 前端知识推荐资源：在w3cschool学习html，css和js，支持在线测试代码。既然是做Web，就难免要涉及到前端技术，不过，现在前后端分离已经是一种趋势，所以，如果你对前端不感兴趣，也没必要花太多时间去学习。对于大部分同学来说，你最好要了解html的基本标签和格式，自己能够写一些简单页面，CSS的话，也可以稍微接触一些。相对于前面两个服务于样式的技术，我们倒是更应该去学习一下JavaScript，了解它的一些基本语法，以及ajax的使用，因为在前后端交互时，ajax是非常重要的。所以，做一个Java Web项目，你不需要花太多时间在写前端页面上，如果有源代码可以直接使用，当然，对于一些需要修改的前端页面，你得怎么去做修改它，因为有时候你需要使用JSP，JSP既包括前端代码也包括Java代码，如果你完全看不懂前端代码的话，那就很尴尬了。03 Java Web常用技术JavaWeb的技术栈其实比较庞大，所以我们不要求面面俱到，只是希望你能够熟悉一下项目中可能用到的技术。下面列举一些常见的技术，大家最好要了解一下。1 JSP和Servlet推荐资源：《JavaWeb入门到精通》，慕课网、极客学院等网站上的JavaWeb基础课程这是Java Web开发最原始的形态，现在很少直接使用了，但是后来的各种框架其实也是建立在servlet之上来做的。你们需要了解这两个技术分别是用来干什么的，最好能写一些demo来实践。对于JSP，有时候你可能还要学习jstl等标签语言，因为这些标签可以让你更方便地往JSP中插入Java代码。2 Spring和SpringMVC推荐资源：《Spring实战》，慕课网、极客学院等网站上的SpringMVC基础课程。事实上，除了上述资源之外，你也可以直接到官网上查看快速开始文档。Struts2早已被时代抛弃，Spring则是当今的霸主，你需要了解Spring如何使用，以及SpringMVC如何使用，并且学会在项目中使用它。由于SpringBoot最近很火，并且搭建方式比SpringMVC更简单，你也可以先学习SpringBoot，以便更快速地搭建起你的第一个Java Web项目。3 MySQL推荐资源：《Sql必知必会》，Runoob上的MySQL基础教程，慕课网、极客学院等网站上的视频课程一个JavaWeb应用一定要有数据啊，所以我们需要用到数据库，其实搭一个mysql数据库是非常简单的，但是对于初学者来说最麻烦的就是写sql了，所以，先学会建表，熟悉sql，对你以后做项目也是大有裨益的。4 Hibernate和Mybatis推荐资源：Runoob上的Hibernate和Mybatis基础教程，慕课网、极客学院等网站上的视频课程当你学会了使用sql去查询数据，可能还不足以让你在项目中很方便地处理数据，因为我们还需要一个步骤，就是把数据库的数据转化成Java里的对象。orm框架就是为了解决这一问题而出现的，它可以让一张表和Java类一一对应，让数据查询变得非常方便。Hibernate和Mybatis都是orm框架，只不过现在mybatis越来越火了。所以，你需要了解这一技术，因为它会广泛地运用到大部分Java Web项目中。5 Maven推荐资源：《maven实战》，易百教程里的maven教程，慕课网、极客学院等网站上的视频课程刚才咱们已经说过了Spring，orm框架，以及MySQL等方面的技术了。实际上，一个简单的Java Web项目也只需要这些东西了。但是，有一个问题，就是：一个项目里用到这么多技术，所需要的jar包也会很多，我们如何管理这些jar包呢。如果直接导入所需jar包，那当jar包更新或者需要替换时，每次都要手动操作，非常麻烦。另外，当jar包很多时，项目打包后的war格式文件也会很大，不利于传输。为了解决上述问题，maven应运而生了。maven通过pom.xml文件来指定所需的jar包，并且自带了很多构建相关的功能，比如编译，打包，运行单元测试等等，因为它本身就是一个构建工具。当然，新手可能还难以理解这些概念，你必须要知道的是，大部分Java Web项目需要用maven来管理，你需要学会maven的基本用法，最基本的用法就是：学会修改pom.xml文件。6 Tomcat推荐资源：慕课网、极客学院等网站上的视频课程。对于小白来说，Tomcat相关的技术是非常复杂的，毕竟它是一个应用服务器啊，事实上这个时候，你只需要学会如何安装Tomcat即可。毕竟，它在项目中的作用就是提供一个运行环境而已。正常来说，你只要下载解压Tomcat的压缩包即可。由于现在的IDE都支持集成Tomcat，所以一般情况下你都可以在IDE中配置好你的Tomcat路径，然后设置好你的项目路径，IDE会自动把你的工程代码部署到Tomcat服务器上。如果你使用想跳过IDE直接部署工程到Tomcat上，也可以直接编译工程并且打包得到war格式的文件（这个步骤可以使用maven来完成），然后拷贝war文件到Tomcat下的特定目录即可。上述两种部署方式的详细步骤请到搜索引擎寻找答案。7 Git和GitHub推荐资源：廖雪峰的Git教程，GitHub官网，慕课网、极客学院等网站上的视频课程。既然要做项目，为什么不把它发布在GitHub上。当你熟悉了Git指令之后，你可以很方便地发布你项目中的每一次更新，并且同步到GitHub上，这样既可以让你更好地管理项目版本，又可以让你GitHub更加活跃，为你未来的面试加分。所以，赶紧学好Git指令，然后开启你的项目之旅吧。04 其他常用组件除了上面几种必备的技术之外，有时候我们在项目中还会用到其他东西，在这里我们把它们叫做组件。这里只做简单的介绍，至于具体怎么使用，在网上都可以很容易地找到相关文章。1 日志系统当项目代码比较多的时候，容易发生错误，日志可以很好地记录代码运行时的错误，常用的日志系统有log4j,logging等等，另外你还需要了解一下slf4j。2 单元测试日志系统可以记录代码问题，单元测试则是为了避免代码出错，常用的单元测试组件主要是JUnit，建议你找个文档看一看，然后下载下来玩一下。3 JSONJSON逐渐成为前后端数据交互的标准格式，为了在项目中使用JSON的API，你也需要导入它的jar包，一般我们都会使用阿里提供的fastjson，赶快下载来玩一玩吧。当然，常用的Java Web组件还有很多，比如HTTPClient，再比如一些加密工具，一些压缩工具等等，这里就不再一一列举了。05 推荐项目课程现在网上的项目课程那么多，哪一款更适合你呢？其实我看过的视频课程也不是很多，早先在慕课网和极客学院看过一些项目课程，觉得比较一般，对新手来说不太友好。我的一些同学看过一些培训机构的课程，专业讲师录的项目课程可能会稍微好一点。在我公众号后台回复“Java”可以领取某机构的视频课程，不过我不是打广告的，这个机构也没有给我钱啦。当然，你也可以自己去找一些你感兴趣的项目课程，后续我也会收集更多的视频课程来分享给大家。PS：如果找不到我说的这些资源，也可以微信私我。老规矩，公众号后台回复“少侠”可以勾搭作者。06 总结今天的内容就到这里了，与其说是初级篇，反而更像是“项目篇”呢。因为学完基础内容之后，做项目是最好的复习和实践方式了。所以这篇文章围绕着做项目来展开，也就不足为奇了。今天我们主要讲的是，做好一个JavaWeb项目，需要哪些知识储备，需要了解哪些技术，并且我也推荐一些比较精品的视频课程。后面我还会写一篇文章，专门讲一讲怎么做项目，会更加详细，更加侧重怎么去做，敬请期待吧。总结以下今天说的几个要点吧：1 Java基础知识储备 2 前端知识储备 3 了解和使用JavaWeb常用技术 4 JavaWeb常用组件介绍 5 视频课程推荐俗话说的好，磨刀不误砍柴工，相信你看了本文之后，可以更好地做好知识储备，然后开始Java Web的项目实践，希望你能够顺利地完成你的第一个项目。▼更多精彩内容想了解Java后端学习路线？你只需要这一张图！Java工程师修炼之路（校招总结）你不可错过的Java学习资源清单Java基础知识点总结Java秋招面经大合集笔者在今年秋招中成功拿到BAT头条网易等大厂的研发offer，期间总结了很多经验和技巧，我把它们写成文字，做成专题，发表在公众号上，希望让更多有需要的朋友看到。关注微信公众号【程序员江湖】后，可以在后台回复“Java”即可领取精品Java学习资源（不断更新中），学习资源包括基础，实战以及求职等内容。1、后台回复“少侠”，可以获取我的微信，有什么问题都能聊。 2、如果你想要加入微信交流群，那么可以在后台回复“江湖”。 3、如果你想要到我的技术博客看更多的Java后端技术文章，请回复“练级”。Java工程师学习指南中级篇最近有很多小伙伴来问我，Java小白如何入门，如何安排学习路线，每一步应该怎么走比较好。原本我以为之前的几篇文章已经可以解决大家的问题了，其实不然，因为我写的文章都是站在Java后端的全局上进行思考和总结的，忽略了很多小白们的感受，而很多朋友都需要更加基础，更加详细的学习路线。所以，今天我们重新开一个新的专题，分别按照四个部分讲述Java的学习路线，笔者也打算趁此机会，回忆一下自己的Java学习历程。今天我们要讲的是第三部分，Java工程师学习指南（中级篇）。先声明一点，文章里面不会详细到每一步怎么操作，只会提供大致的思路和方向，给大家以启发，如果真的要一步一步指导操作的话，那至少需要一本书的厚度啦。当然，本文提到的大部分内容都能在我的博客中找到对应的一些文章。所以也欢迎大家去我博客找到你们需要的资源。本文中的方法不一定适合所有人，如有错误还请谅解。上期回顾在上一篇文章中，我们主要讨论的是如何做一个Java Web项目，以及前期需要哪些方面的基础。最后，我还推荐了几个比较不错的视频课程，以便给大家参考。当然，跟着视频课程做完一个项目，你只是照葫芦画瓢又练习了一遍，可能其中有很多东西你并不太理解，比如你可能不知道为什么代码要分层，为什么要用maven进行线上编译，为什么Tomcat启动时会输出那么多的日志。有疑问很正常，因为一个Java Web项目涉及的技术还是很多的，如果要理解这些技术的原理，光靠一个项目课程是远远不够的。所以，在你体验了Java Web项目的开发流程以后，你应该花些时间去了解相关技术原理了，今天我们要讲的也是这部分内容。对于即将参加校招的同学来说，最重要的也是这部分内容，你需要了解JVM虚拟机原理，Java并发原理，并且熟悉JDK的部分源码，了解这些API的底层实现。除此之外，还有很多，下面我们分别来谈一谈。PS：文中多次提到我的博客，是因为我的博客里整理了多个技术专栏，基本上包含了下面所说的内容。关注公众号后，在公众号后台回复“练级”即可获得我的技术博客地址，以及其他相关的资源。01 计算机基础知识计算机基础课程(非科班)如果你不是计算机专业的同学，那你可能要注意一下了。在学习下面这些内容之前，你最好要学习一下计算机基础课程。这里我们说的计算机课程是：数据结构，操作系统，计算机网络。数据结构：这门课应该算是三门课程比较简单的一门了，推荐《数据结构与算法（Java语言描述）》，看书结合代码实践，把基本的数据结构算法写一写就可以了。操作系统：关于操作系统我看了很多本书，但是没有感觉特别好的，所以如果有时间的话可以先看另外一本书《深入理解计算机系统》，这本书讲了很多计算机的基本概念，不局限于操作系统。然后可以看一看汤小丹写的《操作系统》，或者你们学校的教材。计算机网络：网络方面的书也非常多，推荐看一下《计算机网络：自顶向下方法》，另外还有一本《TCP/IP 详解：卷一》也是备受推崇的书。除此之外，我还要推荐一下刘欣老师的书《码农翻身》，书中用一些有趣的故事来讲解操作系统和计算网络的一些复杂概念，有助于大家理解这部分内容。02 JVM虚拟机JVM虚拟机为什么把JVM放在第一位，因为它是最基础也最重要的一块内容。所有的Java代码都运行在JVM上，事实上，JVM在操作系统中只是一个进程。为了了解Java代码的运行方式，底层引擎的执行原理，以及内存的分配情况，我们必须要学习JVM虚拟机。推荐资源：《深入理解JVM虚拟机》很高兴地告诉你们，学习JVM你只需要把这本书吃透即可，当然，看一遍可不够，笔者前后至少看了三遍，有条件的话最好把书中的实例都跑一跑。另外，JVM也是面试必考的内容，所以，相应地去准备一些面试题也是很有必要的，如果你基本掌握了这本书的内容，相信你不会惧怕任何JVM面试题。03 设计模式与源码阅读设计模式为什么在这里提到设计模式呢，因为设计模式是Java编程规范的经典总结，并且在JDK源码中经常使用，由于我们后面会讲到JDK源码方面的学习，所以对于设计模式，建议大家先学习一下，最好的学习方式就是看书结合实践，把一些常用的设计模式自己实现一下。推荐资源：《head first 设计模式》JDK源码（主要指集合类源码）接下来下场的选手是：JDK源码。不过对于大部分人来说，只要能够掌握集合类，字符串这些源码就可以了，其他部分的源码主要集中在JUC并发包里，而这些内容我们会放在Java并发技术里来讲。为什么我们需要掌握集合类源码呢，其一是因为面试喜欢考，其二是因为集合类的源码实现都比较经典，难度也不算太大，并且运用了很多优化方法，所以了解它对于学习Java的同学来说大有裨益。推荐资源市面上并没有哪本书专门来讲JDK源码的，所以这部分内容的学习资源主要是两个部分，一是JDK源码本身，而是一些技术博客。1 对于JDK源码，直接看可能比较有难度，不推荐新手这么做。 2 讲解源码的文章质量参差不齐，所以我只推荐几个我自己比较熟悉的，一个是importnew。一个是我的博客。另外，我之前分享的一篇文章《你不可错过的Java学习资源》中也推荐了很多大牛和博客，大家也可以去看看。Spring源码说实话，Spring源码的复杂度远高于集合类的源码，这也是因为Spring运用了很多的设计模式，并且有着非常繁杂的类关系。所以，我不建议大家直接去读Spring源码，因为即使是看Spring源码解析的书籍，你也会感到很吃力。所以，我推荐的方式是，看书+看一些比较好的源码解析文章。另外要告诉大家的是，Spring的源码很多，并不是所有内容都需要你掌握的，大家都知道Spring最常用的特性就是IOC和AOP，所以看源码解析时，最重要的也是这两个部分了。另外，看完Spring的源码解析以后，别忘了看SpringMVC的源码解析，学习方法也是一样的，找重点内容看即可。推荐资源：《Spring源码深度》，我的博客专栏04 Java并发技术Java并发技术相信你为了搞定集合类源码和Spring源码花了不少功夫了，接下来轮到Java并发技术出场了。我们在入门篇其实已经谈到了多线程，但是也仅仅停留在使用Thread或者Runnable实现简单的多线程demo。实际上，为了理解Java并发技术的底层实现，我们还需要知道JMM模型，了解synchronized和volatile的底层实现，同时还要明白Java中的多线程和操作系统的多线程和什么联系和区别。除此之外，我们经常谈到的线程安全，有哪些实现方法，也是这部分内容的要点。学习并发技术，我建议分为三个步骤1 首先熟悉Java的多线程基础知识，比如Thread的使用，线程的状态转换，以及一些api的使用方式。 2 了解一些理论基础，比如JMM，操作系统的多线程实现。这部分内容推荐通过看书和看博客来学习。 3 了解并使用JUC的一些API，然后开始看JUC的一些源代码。这个阶段是最重要也是最困难的。推荐资源： 书籍：《Java并发编程艺术》，《Java并发编程实战》 网站：我的博客专栏，并发编程网，importnew，《你不可错过的Java学习资源》05 Java网络编程Java网络编程在搞懂Java并发编程技术之后，相信这部分内容也难不倒你。当然，前提是你对计算机网络有一定了解，因为网络编程涉及到TCP和HTTP相关的知识点。在学习这部分内容的时候，你首先要了解socket的使用以及原理，然后再去了解NIO的相关API，多写一些客户端和服务端通讯的demo，以便熟悉这些内容。为了更好地理解网络编程，你还要去了解UNIX网络编程模型。除此之外，如果你想要更好地理解Java网络编程，你还需要去了解Tomcat的实现原理。同时，Netty也是值得你去学习的一部分内容，最好有机会去用一用这一网络编程框架，学有余力的同学还可以考虑看看它的源码（笔者没有看）。推荐资源：我的技术博客，《Java网络编程》，《你不可错过的Java学习资源》05 Java8Java的版本一直在更新，但目前在用的主要还是Java8和Java7，等再过几年可能这部分的内容就过时了。但是目前看来，对Java8的学习和了解还是很重要的，毕竟面试也喜欢考。对这部分内容学习的最好方式就是：看文章+代码实践推荐资源：《Java8实战》06 总结今天的内容貌似有点多，大家会不会感觉有点吃不消呢。没关系，因为这部分内容确实需要花很多时间去学习。对于一个在校的Java学习者来说，可能没有机会接触到多么高大上的项目，所以对内功的修炼显得格外重要。看书，写demo，读源码，看似简单的事情实际上需要花费大量时间和精力，这个过程是需要你静下心来，慢慢沉淀的，在学习的过程中你也可以和笔者一样，写一些总结和博客，以便更好地回顾自己的学习历程。总结以下今天所讲的内容吧：1 计算机基础课程：数据结构，网络和操作系统 2 JVM基本原理 3 设计模式，JDK源码，Spring源码 4 Java并发技术，JUC源码 5 Java网络编程 6 Java8关注微信公众号【程序员江湖】后，可以在后台回复“资料”即可领取3T精品学习资源（不断更新中），学习资源包括基础，实战以及求职等内容。1、后台回复“少侠”，可以获取我的微信，有什么问题都能聊。 2、如果你想要加入微信交流群，那么可以在后台回复“江湖”。 3、如果你想要到我的技术博客看更多的Java后端技术文章，请回复“练级”。

3. 创业培训意见和建议怎么写？

首先要加强领导，建立完善的创业服务工作体系

做好创业培训工作首先要加强对整体创业帮扶工作的领导，健全创业服务工作体系，建立由人社局、财政局、工商局、税务局、民政局、工会、团委、妇联、银行等多部门参加的领导小组。通过工作体系建设形成多部门共同参与、协调联动的工作格局，充分发挥自身职能的优势，及时研究解决创业培训工作中出现的问题，对创业帮扶工作的全面开展起指导作用。从组织有创业愿望人员《就业失业登记证》的办理到开展免费创业培训，以及创业培训资金的及时划拨等各项工作都能做到密切配合，互相支持，确保创业培训工作顺利开展。

加强培训中心自身建设，为创业者排忧解难。加强业务培训，开展学习政策会议，采取读政策、学政策、写心得体会，写工作总结、探讨交流等多种形式，进行政策解读、政策领会，提高在岗工作人员的工作效率。培养工作人员吃苦耐劳的工作作风，凝心聚力，发挥团队精神，为有创业愿望者服务到家。大力表彰，激励创业培训工作人员的服务意识，对在创业培训工作中成绩突出的同志给予表彰奖励，激励其他工作者以他们为楷模，积极进取，努力工作，取得更大的成绩。

4. java程序员如何提升自己？

以下皆出自本人亲自翻阅过的书籍，体验良好，豆瓣大众也以为然，遂列举，以供后浪规划学习。

1 JavaSE

1.1 基础

《Java 核心技术：卷1 》

适合转行及大一的CS专业新生们

1.2 进阶

Java 编程思想 中文第四版

即使是最晦涩的概念，在Bruce Eckel的文字亲和力和小而直接的编程示例面前也会化解于无形。从Java的基础语法到最高级特性（深入的面向对象概念、多线程、自动项目构建、单元测试和调试等），本书都能逐步指导你轻松掌握。

作者拥有多年教学经验，对C、C++以及Java语言都有独到、深入的见解，以通俗易懂及小而直接的示例解释了一个个晦涩抽象的概念。包含了Java语言基础语法以及高级特性，适合各层次Java程序员阅读。

Effective Java中文版（第3版）

90个条目，每个条目讨论Java程序设计中的一条规则。这些规则反映了最有经验的优秀程序员在实践中常用的一些有益的做法。

每一章都涉及软件设计的一个主要方面，并不一定需要按部就班地从头读到尾，每个条目都有一定程度的独立性。相互之间经常交叉引用，因此可以很容易地在书中找到自己需要的内容。

本书的目标是帮助读者更加有效地使用Java编程语言及其基本类库：java.lang、java.util和java.io，以及子包，如java.util.concurrent和java.util.function。

并发

《Java并发编程实战》

并发领域圣经，适合进阶选手的阅读，由 JDK 并发包作者亲自执笔，科学权威地讲解了并发的设计原理。

2 JVM

2.1 基础

深入理解Java虚拟机（第3版）

这是一部从工作原理和工程实践两个维度深入剖析JVM的著作，是计算机领域公认的经典，繁体版在台湾也颇受欢迎。

第3版在第2版的基础上做了重大修订，内容更丰富、实战性更强：根据新版JDK对内容进行了全方位的修订和升级，围绕新技术和生产实践新增逾10万字，包含近50%的全新内容，并对第2版中含糊、瑕疵和错误内容进行了修正。

Inside the Java 2 Virtual Machine3 操作系统（Linux）

3.1 基础

鳥哥的Linux私房菜（第四版）

深入理解计算机系统（原书第3版）

完全以x86-64为基础：

基于x86-64，大量地重写代码，首次介绍对处理浮点数据的程序的机器级支持。

处理器体系结构修改为支持64位字和操作的设计。

引入更多的功能单元和更复杂的控制逻辑，使基于程序数据流表示的程序性能模型预测更加可靠。

扩充关于用GOT和PLT创建与位置无关代码的讨论，描述了更加强大的链接技术（比如库打桩）。

增加了对信号处理程序更细致的描述，包括异步信号安全的函数等。

更新了与协议无关和线程安全的网络编程。

编码 隐匿在计算机软硬件背后的语言

本书讲述计算机工作原理。作者用丰富的想象和清晰的笔墨将看似繁杂的理论阐述得通俗易懂，你丝毫不会感到枯燥和生硬。更重要的是，你会因此而获得对计算机工作原理较深刻的理解。这种理解不是抽象层面上的，而是具有一定深度。

《UNIX环境高级编程》第三版

被誉为UNIX编程“圣经”的Advanced Programming in the UNIX Environment一书的第3版。书中除了介绍UNIX文件和目录、标准I/O库、系统数据文件和信息、进程环境、进程控制、进程关系、信号、线程、线程控制、守护进程、各种I/O、进程间通信、网络IPC、伪终端等方面的内容，还在此基础上介绍了众多应用实例，包括如何创建数据库函数库以及如何与网络打印机通信等

4 Spring 框架

4.1 基础

Spring实战（第4版）

入门经典书籍。第5版最新但是设计不适合初学者，所以推荐四版。适合刚开始学习Spring 框架的Java 开发人员快速上手。

5 数据库（MySQL）

5.1 基础

《SQL 必知必会》

本书是深受世界各地读者欢迎的SQL经典畅销书，内容丰富，文字简洁明快，针对Oracle、SQL Server、MySQL、DB2、PostgreSQL、SQLite等各种主流数据库提供了大量简明的实例。与其他同类图书不同，它没有过多阐述数据库基础理论，而是专门针对一线软件开发人员，直接从SQL SELECT开始，讲述实际工作环境中最常用和最必需的SQL知识，实用性极强。通过本书，读者能够从没有多少SQL经验的新手，迅速编写出世界级的SQL！

《高性能 MySQL》第三版

6 Redis

6.1 基础

Redis设计与实现

Redis开发与运维

本书全面讲解Redis基本功能及其应用，并结合线上开发与运维监控中的实际使用案例，深入分析并总结了实际开发运维中遇到的“陷阱”，以及背后的原因， 包含大规模集群开发与管理的场景、应用案例与开发技巧，为高效开发运维提供了大量实际经验和建议。本书不要求读者有任何Redis使用经验,对入门与进阶DevOps的开发者提供有价值的帮助。主要内容包括：Redis的安装配置、API、各种高效功能、客户端、持久化、复制、高可用、内存、哨兵、集群、缓存设计等，Redis高可用集群解决方案，Redis设计和使用中的问题，最后提供了一个开源工具：Redis监控运维云平台CacheCloud。

Redis 深度历险：核心原理与应用实践

《Redis 深度历险：核心原理与应用实践》分为基础和应用篇、原理篇、集群篇、拓展篇、源码篇共 5 大块内容。基础和应用篇讲解对读者来说最有价值的内容，可以直接应用到实际工作中；原理篇、集群篇让开发者透过简单的技术表面看到精致的底层世界；拓展篇帮助读者拓展技术视野和夯实基础，便于进阶学习；源码篇让高阶的读者能够读懂源码，掌握核心技术实力。

适合人群：有 Redis 基础，渴望深度掌握 Redis 技术原理的中高级后端开发者；渴望成功进入大型互联网企业研发部的中高级后端开发者；需要支撑公司 Redis 中间件运维工作的初中级运维工程师；对 Redis 中间件技术好奇的中高级前端技术研究者。

6.2 进阶

Redis5设计与源码分析

本书系统讲解Redis 5设计、数据结构、底层命令实现，以及持久化、主从复制、集群的实现。

7 软件设计

7.1 基础

《Head First设计模式》

大话设计模式

设计模式之禅（第2版）

本书是设计模式领域公认的3本经典著作之一，“极具趣味，容易理解，但讲解又极为严谨和透彻”是本书的写作风格和方法的最大特点。深刻解读6大设计原则和28种设计模式的准确定义、应用方法和最佳实践，全方位比较各种同类模式之间的异同，详细讲解将不同的模式组合使用的方法。

代码整洁之道

本书提出：代码质量与其整洁度成正比。干净的代码，既在质量上较为可靠，也为后期维护、升级奠定了良好基础。本书给出一系列行之有效的整洁代码操作实践，并辅以来自现实项目的正、反两面的范例。

遵循这些规则，就能编写出干净的代码，有效提升代码质量。涵盖从命名到重构的多个编程方面。

UNIX编程艺术

本书主要介绍了Unix系统领域中的设计和开发哲学、思想文化体系、原则与经验，由公认的Unix编程大师、开源运动领袖人物之一Eric S. Raymond倾力多年写作而成。包括Unix设计者在内的多位领域专家也为本书贡献了宝贵的内容。本书内容涉及社群文化、软件开发设计与实现，覆盖面广、内容深邃，完全展现了作者极其深厚的经验积累和领域智慧。

8 架构

8.1 基础

《大型网站技术架构：核心原理与案例分析》- 面试架构知识点核心书籍

通过梳理大型网站技术发展历程，剖析大型网站技术架构模式，深入讲述大型互联网架构设计的核心原理，并通过一组典型网站技术架构设计案例，为读者呈现一幅包括技术选型、架构设计、性能优化、Web 安全、系统发布、运维监控等在内的大型网站开发全景视图。了解大型网站的解决方案和开发理念。

8.2 进阶

亿级流量网站架构核心技术

京东架构师经验之谈，总结并梳理了亿级流量网站高可用和高并发原则，通过实例详细介绍了如何落地这些原则。

分为四部分：概述、高可用原则、高并发原则、案例实战。从负载均衡、限流、降级、隔离、超时与重试、回滚机制、压测与预案、缓存、池化、异步化、扩容、队列等多方面详细介绍了亿级流量网站的架构核心技术，让读者看后能快速运用到实践项目中。

企业应用架构模式

本书作者是当今面向对象软件开发的权威，他在一组专家级合作者的帮助下，将40多种经常出现的解决方案转化成模式，最终写成这本能够应用于任何一种企业应用平台的、关于解决方案的、不可或缺的手册。本书获得了2003年度美国软件开发杂志图书类的生产效率奖和读者选择奖。本书分为两大部分。第一部分是关于如何开发企业应用的简单介绍。第二部分是本书的主体，是关于模式的详细参考手册，每个模式都给出使用方法和实现信息

架构整洁之道

创造“Clean神话”的Bob大叔在架构领域的登峰之作，围绕“架构整洁”这一重要导向，系统地剖析其缘起、内涵及应用场景，涵盖软件研发完整过程及所有核心架构模式。

数据密集型应用系统设计

全书分为三大部分：

第一部分，主要讨论有关增强数据密集型应用系统所需的若干基本原则。首先开篇第1章即瞄准目标：可靠性、可扩展性与可维护性，如何认识这些问题以及如何达成目标。第2章我们比较了多种不同的数据模型和查询语言，讨论各自的适用场景。接下来第3章主要针对存储引擎，即数据库是如何安排磁盘结构从而提高检索效率。第4章转向数据编码（序列化）方面，包括常见模式的演化历程。

第二部分，我们将从单机的数据存储转向跨机器的分布式系统，这是扩展性的重要一步，但随之而来的是各种挑战。所以将依次讨论数据远程复制（第5章）、数据分区（第6章）以及事务（第7章）。接下来的第8章包括分布式系统的更多细节，以及分布式环境如何达成一致性与共识（第9章）。

第三部分，主要针对产生派生数据的系统，所谓派生数据主要指在异构系统中，如果无法用一个数据源来解决所有问题，那么一种自然的方式就是集成多个不同的数据库、缓存模块以及索引模块等。首先第10章以批处理开始来处理派生数据，紧接着第11章采用流式处理。第12章总结之前介绍的多种技术，并分析讨论未来构建可靠、可扩展和可维护应用系统可能的新方向或方法。

9 DDD

9.1 基础

领域驱动设计模式、原理与实践

实现领域驱动设计

领域驱动设计（DDD）教我们如何做好软件的，同时也是教我们如何更好地使用面向对象技术的。它为我们提供了设计软件的全新视角，同时也给开发者留下了一大难题：如何将领域驱动设计付诸实践？Vaughn Vernon 的这本《实现领域驱动设计》为我们给出了全面的解答。

《实现领域驱动设计》分别从战略和战术层面详尽地讨论了如何实现DDD，其中包含了大量的最佳实践、设计准则和对一些问题的折中性讨论。《实现领域驱动设计》共分为14 章，在DDD 战略部分，《实现领域驱动设计》向我们讲解了领域、限界上下文、上下文映射图和架构等内容，战术部分包括实体、值对象、领域服务、领域事件、聚合和资源库等内容。一个虚构的案例研究贯穿全书，这对于实例讲解DDD 实现来说非常有用。

《实现领域驱动设计》在DDD 的思想和实现之间建立起了一座桥梁，架构师和程序员均可阅读，同时也可以作为一本DDD 参考书。

9.2 进阶

领域驱动设计

领域驱动设计方面的经典之作。全书围绕设计和开发实践，结合项目案例，向读者阐述如何在真实的软件开发中应用领域驱动设计。给出了领域驱动设计的系统化方法，并将人们普遍接受的一些实践综合到一起，融入了作者的见解和经验，展现了一些可扩展的设计新实践、已验证过的技术以及便于应对复杂领域的软件项目开发的基本原则。

10 计算机网络

10.1 基础

《图解HTTP》

本书对HTTP协议进行全面系统介绍。作者由HTTP协议的发展历史娓娓道来，严谨细致地剖析了HTTP协议的结构，列举诸多常见通信场景及实战案例，最后延伸到Web安全、最新技术动向等方面。本书的特色为在讲解的同时，辅以大量生动形象的通信图例，更好地帮助读者深刻理解HTTP通信过程中客户端与服务器之间的交互情况。读者可通过本书快速了解并掌握HTTP协议的基础，前端工程师分析抓包数据，后端工程师实现REST API、实现自己的HTTP服务器等过程中所需的HTTP相关知识点本书均有介绍。

11 数据结构与算法

11.1 基础

算法（第4版）

Sedgewick畅销著作的最新版，反映了经过几十年演化而成的算法核心知识体系，全面论述排序、搜索、图处理和字符串处理的算法和数据结构，涵盖每位程序员应知应会的50种算法，全新的Java实现代码，采用模块化的编程风格，所有代码均可供读者使用。

大话数据结构

本书为超级畅销书《大话设计模式》作者程杰潜心三年推出的扛鼎之作！以一个计算机教师教学为场景，讲解数据结构和相关算法的知识。通篇以一种趣味方式来叙述，大量引用了各种各样的生活知识来类比，并充分运用图形语言来体现抽象内容，对数据结构所涉及到的一些经典算法做到逐行分析、多算法比较。与市场上的同类数据结构图书相比，本书内容趣味易读，算法讲解细致深刻，是一本非常适合自学的读物。

本书以一个计算机教师教学为场景，讲解数据结构和相关算法的知识。通篇以一种趣味方式来叙述，大量引用了各种各样的生活知识来类比，并充分运用图形语言来体现抽象内容，对数据结构所涉及到的一些经典算法做到逐行分析、多算法比较。与市场上的同类数据结构图书相比，本书内容趣味易读，算法讲解细致深刻，是一本非常适合自学的读物。

11.2 进阶

程序员代码面试指南（第2版）

程序员代码面试"神书”！书中对IT名企代码面试各类题目的最优解进行了总结，并提供了相关代码实现。针对当前程序员面试缺乏权威题目汇总这一痛点，本书选取将近300道真实出现过的经典代码面试题，帮助广大程序员的面试准备做到接近万无一失。"刷”完本书后，你就是"题王”！《程序员代码面试指南：IT名企算法与数据结构题目最优解（第2版）》采用题目解答的方式组织内容，并把面试题类型相近或者解法相近的题目尽量放在一起，读者在学习本书时很容易看出面试题解法之间的联系，使知识的学习避免碎片化。本书所收录的所有面试题都给出了最优解讲解和代码实现，并且提供了一些普通解法和最优解法的运行时间对比，让读者真切地感受到最优解的魅力！书中收录了大量新题和最优解分析，这些内容源自笔者多年来"死磕自己”的深入思考。提升算法和数据结构等方面能力。

12 网络编程

12.1 基础

Netty 实战

本书中文版基于Netty4.1.9做了修订。Netty之父”Trustin Lee作序推荐。无论是构建高性能的Web、游戏服务器、推送系统、RPC框架、消息中间件还是分布式大数据处理引擎，都离不开Netty，在整个行业中，Netty广泛而成功的应用，使其成为了Java高性能网络编程的卓绝框架。无论是想要学习Spring 5 、Spark、Cassandra等这样的系统，还是通过学习Netty来构建自己的基于Java的高性能网络框架，或者是更加具体的高性能Web或者游戏服务器等，本书都将是你的超强拍档。

13 消息队列

RabbitMQ 实战

5. 有什么计算机经典书籍推荐？

朋友，你渴望力量么。机械工业引进的黑皮书系列，你值得收藏。这些板砖书无论是用来垫显示器还是桌子腿，都是非常好的选择。

当然啃下来比较吃力。评论区有些杠说这些不适合初学者，题目问题的是计算机经典书籍，这些书很多都是评价颇高的名校本科和研究生教材，笔者并没有答非所问。

多看看老外写的书跟上人家的教育水平还是很好的，国内很多计算机教材相比老外的书差距不是一点半点。国内有些高校应该也用到了美帝大学的一些教材。国内很多用谭浩强的入门教材学习 C，说真的，他的书错误百出，代码风格非常不好，一看就是没做过工程的，你应付一下考试还行。相比之下《C primer plus》《K & R》c/unix 之父合著的 c 语言书是比较经典的。

老外的书有时候很厚，看着吓人，但其实很多还是比较深入浅出的，算法导论之类的网上有免费公开课，就是算导的作者讲的，可以看看。如果有畏难心理，可以坚持每天或者每周看一本书的几小节或者一个章节，慢慢啃啃长期坚持下来也是能消化不少的。

(列举了这么多，俺没有一本能认真读完的)。以下是笔者分类整理的计算机科学/工程领域的经典书籍（可以参考豆瓣评分），你可以针对自己想要从事的方向来挑选一些经典书籍看看。

C语言：

C程序设计语言（原书第2版·新版 典藏版）

C Primer Plus 第6版 中文版

c++：

C++ Primer（中文版 第5版）

C++程序设计语言特别版十周年中文纪念版

Java:

Java四大名著四册套 java编程思想

Python:

流畅的Python [巴西]卢西亚诺·拉马略(Luciano Ra*lho)

Go:

Go程序设计语言

算法与数据结构：

算法导论(原书第3版) 华章图书 计算机科学丛书

算法(第4版)

数据库(Mysql)：

数据库系统概念（原书第6版）

高性能MySQL

编译原理：

计算机科学丛书：计算机程序的构造和解释

计算机科学丛书：编译原理（第2版）

计算机组成原理/体系结构：

深入理解计算机系统（原书第3版）

计算机体系结构精髓（原书第2版）

操作系统：

现代操作系统（原书第4版）

计算机网络：

计算机网络：自顶向下方法(原书第7版)

TCP/IP详解 卷1：协议（原书第2版）

UNIX 网络编程：第3版

分布式系统：

分布式系统：概念与设计（原书第5版）

数据密集型应用系统设计

软件工程/设计模式：

代码大全（第2版）

设计模式：可复用面向对象软件的基础（典藏版）

实际上前边列举的书籍很多是世界名校的本科/研究生教材或者工程领域的经典书籍。但是可能因为不同的人基础不同，学习实践方法不同，学习难度和收获也不一样。比如你想看 c 语言之父合著的《C 程序设计语言》，里边有一些涉及到命令行操作，可能就需要你有一定的 unix/linux 操作系统的基础知识（比如命令行工具 gcc 等的基本使用）等。

6. 如何学会穿搭衣服？

【A】穿搭不要照搬模特或许有人会反对发出质疑，模特不就是大众的模版吗？没错，模特是给大众做出一个模版示范，但不是一定要按部就班，而是要活学活用，准确的说应该是做为参考！大家都知道模特身的比例不是每个女生都能拥有的，所以参考是最佳的选择，将单品拆开来搭配适合你自己的风格气质，

【B】从生活中寻找穿搭灵感要想穿出最美最飒的气质，还是要在生活中去发现。在我们的身边有很多会穿搭的小姐姐们，你所需要的是发现和你身高气质差不多的模版来做为参考，善于发现是最聪明的学习机会，穿衣服也是一样，再好的设计师创作灵感也是来源于生活的，所以生活中的时尚才是最贴近我们的穿搭风格！

【C】挖掘自己的风格特点每个人的穿搭都应该有着自己的喜好，风格以及特点，因为只有自己喜欢的才会呈现出舒适的气质效果，所以不要盲目跟风某种快时尚，不一定是适合自己的！

【D】尽可能让自己穿的高级一点单品的高级一定与价位有关，气质的高级一定与廉价无关，所以做为女生尽可能的让自己穿出一份高级感。在平时选择购买衣服时一定不要乱买一大堆廉价的便宜单品，你可以购置十件单品，但是必须要有一半有质量有档次的单品占比。因为即使你不想费心去搭配时随便一穿也会穿出高级的时尚气质来！

【小结】

做一个会穿搭的女生肯定是具有吸引力的，更要做一个有自己风格标志的女生魅力肯定会翻倍！你是哪个会穿搭的女生或女人吗？别人对你的穿搭有过怎样的评价呢？

好啦，今天三也小姐姐就分享到这里吧！

文章来自时尚领域作者：三也小姐姐

原创首发，抄袭必究！

图片来源网络，仅供参考！

如有侵权请及时联系我方删除！

感谢您的阅读与支持❤️

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()