通过A股API接口爬取19年股票买卖信息，包括开盘收盘最高最低等指标，并利用python对其进行数据可视化，进行股票技术分析。
可视化内容包括了k线图、均线图、MACD、RSI、和相关系数。
用到的库有numpy、matplotlib、pandas、tushare、mplfinance、talib

经过requests抓包方式爬取拉勾网深圳市的数据分析岗位信息，并利用pandas、pyecharts、jieba、WordCloud等工具，从多维度进行岗位数据的可视化分析。

今天基于Movielens数据集把《推荐系统实践》上的部分算法实现了一下，顺便巩固python和pandas库的使用，发现书本上的代码有很多不靠谱之处（也许是我水平不够），所以基本都是本人写的，不当之处，还望指正。

pandas函数明细表，打印明晰，方便查阅。

Pandas是什么？1、一个强大的分析结构化数据的工具集2、基础是NumPy，提供了高功能矩阵的运算3、应用在数学挖掘，数据分析。
比如，学生成绩分析，股票数据分析等4、提供数据清洗功能Pands数据结构，主要分为两种，Series和DataFrame1、类似一维数组的对象2、通过list构建Seriesser_obj=pd.Series(rang(10))3、由数据和索引组成索引在左，数据在右索引是自动创建的4、获取数据和索引5、预览数据(取前几个)ser_obj.head(n)6、通过索引获取数据7、索引与数据的对应关系仍保持在数组运算的结果中（过滤series中的数据）8、通过dict构建

文件包含一个数据集（csv文件）和一个可执行代码（py文件），是对红酒数据集的分类训练与测试。
可作为人工智能、机器学习初学者的学习资料。
模型训练基于逻辑回归算法，数据集和测试集按照8:2的比例进行划分。
数据集前11列为红酒的属性，最初一列是红酒的分类标签，此处红酒总共有六类（标签分别为3、4、5、6、7、8），每一行为一个红酒样本。
通过对机器学习分类模型输入特征值，得出此红酒的种类。
需要Python版本3.8及以上；
需要引入第三方库pandas和sklearn。

注：数据集太大，可在压缩包中的数据集html页面中点击链接下载完整数据集。
本项目采用ASSISTments2012数据集，在所有数据集中，问题通常只有一种技能，但极少数可能与两种或三种技能相关联。
它通常取决于内容创建者给出的结构。
一些研究人员通过复制将具有多种技能的记录分成多个单一技能记录。
Wilson[6]声称这种类型的数据处理可以人为地显著提高预测结果，因为这些重复行可以占到DKT模型的Assistment09数据集中大约25%的记录。
因此，为了比较的公正性，我们在所有数据集中去掉了重复和多技能重复记录。
本项目基于pandas+Matplotlib+seaborn等工具包对学生的测试数据进行可视化统计分析，并利用学生2012年和2013年上半年不同类型题目的测试结果数据，构建机器学习面向，实现对学生的画像建模，以此预测2013年下半年测试对不同类型问题的表现。
可以看出，该决策树模型的预测结果如下，可以较好的依据用户测试的行为数据（测试过的试题种类、测试时间、犹豫情况、提示次数等等），预测该学生能否能考试达标（测试准确率＞60%）

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。