开启全网商机
登录/注册
暨南大学 - 竞价公告（CB105592025003970）
招标详情
下文中****为隐藏内容，仅对千里马会员开放，如需查看完整内容请
「注册/登录」或 拨打咨询热线：
400-688-2000
相关单位：
***********公司企业信息
**** - 竞价公告（CB105********3970）
发布时间：2025-11-28 17:22:02 截止时间：2025-12-01 17:30:40标书代写
申购主题： 金融量化云端数据库,Python数据分析与挖掘(课程),Python机器学习算法（课程）,Python数据分析可视化（课程）
报价要求： 国产含税
发票类型： 增值税专用发票
付款方式： 货到验收合格后付款
收货地址： **省/**市/**区/****
供应商资质：
备注说明：
送货时间： 发布竞价结果后7天内送达
安装要求： 免费上门安装（含材料费）
预算： 人民币
| 金融量化云端数据库 | 1.0/套 | 点宽 | DQ-data | ▲1、数据类型分类上，支持期货、股票、指数、期权数据类型；数据频率分类上，支持高频、分钟、日频、周频、月频分类；历史数据长度上，股票支持近二十五年历史数据展示。期货支持近十五年历史数据展示。指数支持近二十年历史数据展示。期权支持近九年的历史数据展示。（提供该功能演示视频） 2、股票：****交易所****交易所的股票实时更新行情数据，及近二十五年历史日线、周线和月线数据。 3、期货：****交易所、****交易所、****交易所、****交易所、****中心、****交易所的期货合约实时更新行情数据，及近十五年历史日线、周线和月线数据。 4、指数：支持查看沪深指数、申万指数、巨潮指数及其它指数实时更新数据，及近二十年历史日线、周线和月线数据。 ▲5、美股：****交易所、****交易所、美国交易所近二十年的美股分钟线、日线历史数据。（提供该功能演示视频） ▲6、期权：****交易所、****交易所、****交易所、****交易所、****交易所、****交易所、****中心、****交易所近九年至24年底的期权分钟线、日线历史数据。（提供该功能演示视频） 7、、中国市场股票历史分钟行情2000/01/04 09:31:00 起，实时数据即时同步行情端，分钟数据实时合成；中国市场股票日线行情2000/01/04起，日线数据实时合成。 8中国市场期货历史分钟行情2010/01/04 09:01:00 起，实时数据即时同步行情端，分钟数据实时合成；中国市场期货日线行情2010/01/04起，日线数据实时合成。 9、中国市场指数历史分钟数据2004/01/02 09:31:00起，实时数据即时同步行情端，分钟数据实时合成；中国市场指数日线行情数据2004/01/02起，日线数据实时合成。 ▲10、市场股票tick数据从2005/01/04起至今；指数tick数据从2007/01/15起至今；期货tick数据从2010/01/04起至今。tick数据实时更新。 11行情数据支持获取开盘价、最高价、最低价、收盘价、成交量、成交金额、持仓量。 ▲12、高频tick数据支持获取当天累计成交量、当前tick成交量、买入盘口价格、买入盘口挂单量、卖出盘口价格、卖出盘口挂单量、持仓量、最新成交价、tick的成交金额。 13、支持获取股票和期货标的基本信息，股票包括：中文简称、一手对应股数、上市日期、退市日期、标的类型、交易所代码；期货包括：中文简称、最低期货合约保证金率、最小交易手数、上市日期、合约类型、合约乘数、到期日、交割方式、标的类型、交易所、最新交易手续费单位。 14、股票板块分类包括：主板、创业板、科创板。 15、期货分类包括：商品期货、金融期货。其中商品期货分类包括：****交易所的金属、能源；****交易所的农产品、黑色金属；****交易所的农产品、能源化工；****中心的国际化能源品种。 16、提供多种行业分类，包括沪深300行业、国证行业、上证行业、申万行业、深证行业、中证行业，支持通过行业简称获取所在行业的成分股。 17、A****公司的基本面数据库：包括现金流量表，资产负债表，利润表等市面上常见的基本面数据。 ▲18、现金流量表提供字段包括：资产减值准备、期初现金及现金等价物余额、现金及现金等价物净增加额、筹资活动产生的现金流量净额、投资活动产生的现金流量净额、经营活动产生的现金流量净额、经营活动现金流入小计、收到其它与经营活动有关的现金、购建固定资产、无形资产和其他长期资产所支付的现金、偿还债务支付的现金、分配股利、利润或偿付利息支付的现金、支付给职工以及为职工支付的现金、现金及现金等价物净增加额、****银行借款净增加额、****银行和同业款项净增加额、拆出资金净增加额、客户贷款及垫款净增加额、回购业务资金净增加额等数据内容。 ▲19、资产负债表提供字段包括：应付债券、拆入资金、****银行借款、盈余公积、应交税费、总资产、股东权益合计、负债和股东权益总计、固定资产合计、负债合计、未分配利润、使用权资产等数据内容。 ▲20、利润表提供字段包括：资产减值损失、基本每股收益、现金流量套期损益的有效部分、手续费及佣金支出、手续费及佣金收入、持续经营净利润、营业利润、营业总成本、综合收益总额、归属于少数股东的综合收益总额、****公司所有者的综合收益总额。 21、支持批量提取数据，支持多标的，多日期，多字段统一提取，对数据传输量无限制，拥有Python的数据提取函数，可以一键提取。 22、有指数成分股信息和板块成分股信息。 23、支持服务器和本地并发协同数据分发合成，支持数据缓存，支持并行计算数据合成。 ▲24、拥有账号绩效报告，报告包括：年化收益率、基准收益率、阿尔法、贝塔、夏普比率、信息比率、最大回撤、换手率、月盈利情况、多头/空头权益曲线、权益曲线及潜在亏损、初始资金、初始资金收益率、净利、毛利、毛损、盈利因子、多头净利、空头净利、算数年化收益率、几何年化收益率、Calmar比率、Sortino比率、净利/最大潜在亏损、策略天数、平均持仓时间、策略最大回撤期、策略最大不盈利天数等数据指标内容。 ▲25、拥有因子库：包括趋势类、反趋势类、压力支撑类、量价类、能量类、波动类、流动类、alpha101、资产负债衍生类、估值类、营运能力类、成长能力类、 现金流衍生类等不低于13大类因子，因子数不低于550个。 26、因子库内的因子支持分析报告生成，报告包括：组合主动年化收益、单边年化换手率、信息比率、IC均值、因子组合主动收益率、因子多空组合收益率、换手率分析、因子分布、因子行业分布、风格因子相关性、IC值、行业IR值、IC衰退情况、调仓情况等数据指标内容。 ▲27、提供详细的Python的数据字典，包括指数、期货、股票、财务报表数据、因子、行业数据等。指数数据字典包括：指数代码对照表、获取指数代码信息、获取指数成分股数据、获取指数K线行情数据等内容；期货数据字典包括：交易所代码对照表、主力/次主力合约代码对照表、获取期货合约代码信息、获取期货行情数据、获取期货基本交易信息、获取期货品种的物理合约代码、主力合约和次主力合约切换规则等内容；股票数据字典包括：交易所代码对照表、获取全A股股票代码信息、获取深交所/上交所股票代码信息、获取常用大盘指数成分股的股票代码信息、获取股票行情数据、获取股票基本交易方法；因子数据字典包括：因子代码对照表、获取因子数据、因子详细说明等内容。 ▲28、数据更新频率：日频、分钟频、tick级数据实时更新。（提供更新服务承诺函，加盖公章） ▲29、统版本迭代周期：1年2次，进行功能优化或者Bug修复。（提供更新服务承诺函，加盖公章） ▲30、子数据：每日凌晨更新前一天因子数据。（提供更新服务承诺函，加盖公章） ▲31、据更新时限：以上所有数据，需提供3年更新服务。（提供更新服务承诺函，加盖公章） 32、场设备安装：配合用户进行，按备件到达现场时间工程师到达现场 现场软件升级：首先分析软件升级的必要性和风险，配合用户进行软件升级 现场故障诊断：5x8小时 电话远程技术支持：5x8小时 定期巡检服务：每月1次 33、务管理规范： (1) 接收服务请求和咨询：在5*8 小时工作时间内设置由专人职守的热线电话，接听内部的服务请求，并记录服务台事件处理结果。 (2) 在非工作时间设置有专人7*24 小时接听的移动电话热线，用于解决内部的技术问题以及接听7*24 小时机房监控人员的机房突发情况汇报。 (3) 服务响应时间： 优先级 定义 响应时限 解决时限 P1 全局业务中断 ≤30分钟 ≤4小时 P2 核心功能受限 ≤2小时 ≤8小时 P3 一般功能异常 ≤4小时 ≤48小时 P4 日常咨询与需求 ≤24小时 ≤5个工作日 技术支持人员在解决故障时，会最大限度保护好数据，做好故障恢复的文档，力争恢复到故障点前的业务状态。 对于“系统瘫痪，业务系统不能运转”的故障级别，如果不能于12小时内解决故障，将在16小时内提出应急方案，确保业务系统的运行。故障解决后24小时内，提交故障处理报告。说明故障种类、故障原因、故障解决中使用的方法及故障损失等情况。 34、为规范 (1) 遵守用户的各项规章制度，严格按照用户相应的规章制度办事。 (2) 与用户运行维护体系其他部门和环节协同工作，密切配合，共同开展技术支持工作。 (3) 出现疑难技术、业务问题和重大紧急情况时，及时向负责人报告。 (4) 现场技术支持时要精神饱满，穿着得体，谈吐文明，举止庄重。接听电话时要文明礼貌，语言清晰明了，语气和善。 (5) 遵守保密原则。对被支持单位的网络、主机、系统软件、应用软件等的密码、核心参数、业务数据等负有保密责任，不得随意复制和传播。 35、定义高性能数据文件格式: 系统采用自研的数据文件格式，针对不同粒度的数据（Tick、分钟线、日线等）设计专用的数据结构，配合内存对齐和批量读写机制，实现低开销的高速存取能力，有效提升 I/O 性能并降低磁盘碎片率。 36、分级存储策略，优化访问效率与磁盘管理: （1）日线数据： 同一品种中，非本年度的日线数据合并存储为单一文件，减少文件数量； 本年度的日线数据独立存储，提升当期数据访问速度。 （2）分钟线数据： 历史数据（非当年）按年归档存储； 当年数据按月划分； 近两个月数据进一步按天存储，以适应高频回测与策略模拟的读取需求。 （3）Tick数据： 当天数据不压缩、直接写入本地文件，实现实时高效访问； 非当天数据统一采用压缩存储，降低存储占用，提高归档性能。 该设计大幅减少系统总文件数，优化文件句柄使用率，同时显著提升热点数据读取速度。 37、采用消息队列 RabbitMQ 实现低延时推送实时行情。 38、多级缓存机制，构建高性能数据访问通道。为提升数据读取速度并缓解 I/O 瓶颈，系统实现了三级缓存架构： 一级缓存（内存缓存）：常用数据和热点行情直接缓存在内存中，响应速度为毫秒级； 二级缓存（本地硬盘热数据）：近期使用的数据，则按查询条件提取的数据保存在本地硬盘； 三级缓存（本地原始数据文件）：从服务端获取的原始数据文件保存在本地硬盘；▲39、对于服务器安装要求安全传输管理系统要求，具备手机端远程自助报修功能，在手机端可扫描设备上的二维码进行远程协助报修维护。（提供该功能的截图证明）； ▲40、文件白名单过滤：内置常见的mpeg、mpg、rm、m4v、asf、mov、avi、swf、wav、MP3、MP4、mid、ac3、bmp、jif、jpg、png等多种格式文件并支持文件过滤格式自定义，集成杀毒软件，拦截潜在的风险以实现免疫和拦截目的。（提供隔离集成杀毒功能截图证明）； ▲41、国产产品，原厂制造，非 OEM 产品。拥有自主知识产权，病毒隔离厂家具有内核加固防护技术研发能力，可保障后续产品的连续性。（须提供该功能截图佐证）； ▲42、白名单过滤支持深度检测，可对文件格式进行深度扫描，防止病毒文件通过修改后缀蒙混过关。（提供该功能截图佐证）； ▲43、支持文件AI智能学习，对于新的文件格式通过上传文件即可智能学习以实现深度检测。（提供该功能截图佐证）。 | 按行业标准提供服务 | ||
| Python数据分析与挖掘(课程) | 1.0/套 | 泰迪 | TipDM-CL | 课程内容包括讲解常用机器学习理论和算法的方法，如数据挖掘基础介绍、数据探索、数据预处理、分类与回归、聚类分析、关联规则、智能推荐和时间序列算法。同时，通过介绍机器学习中的常用算法应用，从宏观把握每种算法解决问题时的思路。通过学习本课程，可掌握数据分析与挖掘中常用机器学习算法的应用情景、算法理论基础、算法编程实现、模型评价体系构建的主要方法和技能。 课时设置： 理论教学不少于32学时，实践教学不少于32学时，总计不少于64学时。 ▲课程**： 3、包含实训指导书数量≥11份、课程视频数量≥68个、课程PPT数量≥9份、代码数量≥32份、数据数量≥20份。（提供此**截图及厂商盖章） 课程实验清单： 4、包括但不限于判断与循环、函数、类型转换的使用；分布、描述性统计和贡献度分析；对比、相关性和周期分析；数据清洗；数据变换；数据分组聚合；使用分类算法实现客户流失预测；使用K-Means****超市客户聚类分析；使用关联规则算法挖掘网址的相关关系；使用协同过滤算法实现对用户购买品牌的个性化推荐；使用ARIMA算法实现气温预测。 课程内容： 第1章数据挖掘基础： 1.1 数据挖掘发展史 1.2 数据挖掘的基本任务 1.3 数据挖掘的通用流程 1.4 常用数据挖掘工具 1.5 Python数据挖掘环境配置 第2章Python数据分析简介： 2.1 基本运算 2.2 判断与循环 2.3 函数 2.4 列表或元组 2.5 字典 2.6 集合 2.7 函数式编程 2.8 库的导入与添加 2.9 Python数据分析常用库和数据挖掘建模常用库与框架 第3章数据探索： 3.1一致性校验 3.2缺失值校验 3.3异常值校验-简单统计量分析 3.4异常值校验-IQR准则和3西塔原则 3.5异常值校验-箱型图分析 3.6集中趋势度量 3.7离中趋势度量 3.8定量数据分布分析 3.9定性数据分布分析 3.10对比分析 3.11周期分析 3.12贡献度分析 3.13相关性分析 第4章数据预处理： 4.1数据清洗-记录重复 4.2数据清洗-属性内容重复 4.3数据清洗- 缺失值处理 异常值处理 4.4数据标准化 4.5数据离散化-等宽法 4.6数据离散化-等频法 4.7数据离散化-聚类法 4.8独热编码 4.9堆叠合并 4.10主键合并 4.11重叠合并 4.12分组聚合-groupby方法 4.13分组聚合-agg方法 4.14分组聚合-apply和transform方法 第5章数据挖掘算法基础： 5.1构建线性回归模型 5.2构建逻辑回归模型 5.3构建决策树模型 5.4构建KNN模型 5.5构建非线性支持向量机 5.6神经网络原理 5.7构建神经网络模型 5.8集成算法原理 5.9集成算法代码实现 5.10Kmeans聚类算法原理 5.11kmeans聚类算法实现 5.12密度聚类算法原理 5.13密度聚类实现 5.14层次聚类 5.15层次聚类模型实现 5.16关联规则原理 5.17智能推荐原理 5.18基于用户的协同过滤推荐（1）-计算用户相似度 5.19基于用户的协同过滤推荐（2）- 预测评分 5.20基于用户的协同过滤推荐（3）- 模型评价 5.21基于物品的协同过滤推荐-计算物品相似度 5.22基于物品的协同过滤推荐-推荐与评价 5.23基于流行度的推荐-计算动漫热度 5.24基于流行度的推荐-推荐评价 5.25时间序列原理 5.26时间序列-预处理 5.27时间序列-模型构建 实训目录： 实训1 判断与循环、函数、类型转换的使用 实训2 分布、描述性统计和贡献度分析 实训3 对比、相关性和周期分析 实训4 数据清洗 实训5 数据变换 实训6 数据分组聚合 实训7 使用分类算法实现客户流失预测 实训8 使用K-Means****超市客户聚类分析 实训9 使用关联规则算法挖掘网址的相关关系 实训10 使用协同过滤算法实现对用户购买品牌的个性化推荐 实训11 使用ARIMA算法实现气温预测 | 按行业标准提供服务 | ||
| Python机器学习算法（课程） | 1.0/套 | 泰迪 | TipDM-CL | 课程需以任务实现为导向，介绍Python机器学习算法实现及其知识的应用。课程内容包括讲解机器学习中的常用算法，内容需包括机器学习绪论、模型评估与选择、回归分析、决策树、神经网络、KNN、朴素贝叶斯、聚类分析、支持向量机算法的Python实现，并阐述每种算法解决问题时的思路，介绍算法的相关任务的具体操作。通过学习本课程，可掌握不同机器学习算法的应用场景，算法理论基础，编程实现、模型评价体系等。 课时设置： 理论教学不少于36学时，实践教学不少于28学时，总计不少于64学时。 ▲课程**： 包含实训指导书数量≥15份、课程视频数量≥49个、课程PPT数量≥9份、代码数量≥10份、数据数量≥7份。（提供此**截图及厂商盖章） 课程实验清单： 包括但不限于完成波士顿房价预测模型；对研究生是否被录取进行预测；决策树算法自编；用决策树算法构建鸢尾花分类模型；自定义sigmoid激活函数；网络输入到输出；网络权值和阈值更新；网络模型训练；网络模型预测；求距离矩阵；找邻居；归类；自编KNN算法实现鸢尾花分类；对鸢尾花数据进行K-Means聚类；用支持向量机解决鸢尾花分类。 课程内容： 第1章机器学习绪论： 1.1引言 1.2基本术语 1.3假设空间 归纳偏好 第2章模型评估与选择： 2.1经验误差与过拟合 2.2评估方法 2.3性能度量 2.4性能度量Python实现 第3章回归分析： 3.1线性回归基本形式 3.2线性回归模型的Python实现 3.3波士顿房价预测的Python实现 3.4逻辑回归介绍 3.5研究生入学录取预测的Python实现 第4章决策树： 4.1从女生相亲到决策树 4.2明天适合打球吗 4.3决策树拆分属性选择 4.4决策树算法家族 4.5泰坦尼克号生还者预测—数据预处理 4.6泰坦尼克号生还者预测—模型构建与预测 4.7决策树可视化 第5章神经网络： 5.1单个神经元介绍 5.2经典网络结构介绍 5.3神经网络工作流程演示 5.4如何修正网络参数-梯度下降法 5.5网络工作原理推导 5.6网络搭建准备 5.7样本从输入层到隐层传输的Python实现 5.8网络输出的Python实现 5.9单样本网络训练的Python实现 5.10全样本网络训练的Python实现 5.11网络性能评价 5.12调用sklearn实现神经网络算法 第6章KNN： 6.1KNN算法介绍 6.2KNN算法解决鸢尾花分类问题 第7章朴素贝叶斯： 7.1非洲人还是北美人 7.2为什么有“朴素”二字 7.3拉普拉斯修正 7.4用高斯朴素贝叶斯算法解决鸢尾花分类问题 第8章聚类分析： 8.1聚类分析概述 8.2相似性度量 8.3K-Means聚类分析算法介绍 8.4利用K-Means算法对鸢尾花进行聚类 8.5聚类结果的性能度量 8.6调用sklearn实现聚类分析 第9章支持向量机： 9.1间隔与支持向量 9.2对偶问题 9.3核函数 9.4软间隔与正则化 9.5支持向量机算法的Python实现 第10章小结： 10小结 实训目录： 第1章回归分析: 实训1完成波士顿房价预测模型 实训2对研究生是否被录取进行预测 第2章决策树: 实训1决策树算法自编 实训2用决策树算法构建鸢尾花分类模型 第3章神经网络: 实训1自定义sigmoid激活函数 实训2网络输入到输出 实训3网络权值和阈值更新 实训4网络模型训练 实训5网络模型预测 第4章KNN与朴素贝叶斯: 实训1求距离矩阵 实训2找邻居 实训3归类 实训4自编KNN算法实现鸢尾花分类 第5章聚类分析: 实训1对鸢尾花数据进行K-Means聚类 第6章支持向量机: 实训1用支持向量机解决鸢尾花分类 第七：对服务器安装要求安全传输管理系统要求，具备手机端远程自助报修功能，在手机端可扫描设备上的二维码进行远程协助报修维护。（提供该功能的截图证明）； ▲7.1文件白名单过滤：内置常见的mpeg、mpg、rm、m4v、asf、mov、avi、swf、wav、MP3、MP4、mid、ac3、bmp、jif、jpg、png等多种格式文件并支持文件过滤格式自定义，集成杀毒软件，拦截潜在的风险以实现免疫和拦截目的。（提供隔离集成杀毒功能截图证明）； ▲7.2国产产品，原厂制造，非 OEM 产品。拥有自主知识产权，病毒隔离厂家具有内核加固防护技术研发能力，可保障后续产品的连续性。（须提供该功能截图佐证）； ▲7.3白名单过滤支持深度检测，可对文件格式进行深度扫描，防止病毒文件通过修改后缀蒙混过关。（提供该功能截图佐证）； ▲7.4支持文件AI智能学习，对于新的文件格式通过上传文件即可智能学习以实现深度检测。（提供该功能截图佐证）。 | 按行业标准提供服务 | ||
| Python数据分析可视化（课程） | 1.0/套 | 泰迪 | TipDM-CL | 课程需通过讲述创建图形、输出保存图形的整体流程、具体的各种图形及修改图形中的特征来介绍Matplotlib模块、Seaborn模块和Pyecharts绘制基本图表，逐步呈现Python由基础到高级绘图。通过学习本课程，可掌握Matplotlib绘图、Seaborn进阶绘图和Pyecharts绘图的主要方法和技能。 课时设置： 理论教学不少于24学时，实践教学不少于24学时，总计不少于48学时。 ▲课程**： 包含实训指导书数量≥26份、课程视频数量≥35个、课程PPT数量≥6份、代码数量≥3份、数据数量≥12份。（提供此**截图及厂商盖章） 课程实验清单： 包括但不限于绘图基础语法和常用参数；分析特征间关系；分析特征内部数据分布于分散状况；分析1996-2015年人口数据特征间的关系；分析1996-2015年人口数据各个特征的分布与分散状况；实现scatterplot关系图；实现lineplot关系图；实现relplot关系图；实现分类散点图；实现分类分布图；实现分类估计图；实现kdeplot分布图；实现rugplot分布图；实现distplot分布图；实现regplot回归图；实现lmplot回归图；实现heatmap矩阵图；实现clustermap矩阵图；实现FacetGrid网格图；实现PairGrid网格图；实现JoinGrid网格图；Pyecharts绘制基本图表；Pyecharts绘制直角坐标系图表；Pyecharts绘制树形图表；Pyecharts绘制地理图表；Pyecharts绘制3D图表。 ▲配套参考教材： 投****制造厂家编写并出版的配套参考教材证明材料，投标文件提供包括：①已出版教材作品登记号证书，教材封面截图；②该出版教材在“****中心（https://register.****.cn/query.html）”查询结果。 课程内容： 第1章Matplotlib基础绘图： 1.1 Matplotlib绘制流程说明 1.2 添加文本和修改绘图风格 1.3 rc参数 1.4 散点图 1.5 折线图 1.6 直方图和条形图 1.7 饼图 1.8 箱线图 1.9 人口特征间分布 1.10 人口各个特征分布 第2章Seaborn进阶绘图： 2.1seaborn基础介绍 2.2seaborn简单绘图 2.3seaborn绘图风格 2.4调色板1 2.5调色板2 2.6关系图 2.7分类图 2.8分布图 2.9回归图 2.10 矩阵图 2.11 网格图 第3章Pyecharts绘制基本图表： 3.1Pyecharts基础介绍 3.2Pyecharts绘制日历图 3.3Pyecharts绘制漏斗图 3.4Pyecharts绘制仪表盘 3.5Pyecharts绘制水球图 3.6Pyecharts绘制关系图 3.7Pyecharts绘制直角坐标系图表 3.8Pyecharts绘制饼图 3.9Pyecharts绘制雷达图 3.10 Pyecharts绘制词云图 3.11 Pyecharts绘制柱状图 3.12 Pyecharts绘制树形图 3.13 Pyecharts绘制地理图表 3.14 Pyecharts绘制3D图表 实训目录： 第1章 Matplotlib基础绘图： 实训1 绘图基础语法和常用参数 实训2 分析特征间关系 实训3 分析特征内部数据分布于分散状况 实训4 分析1996-2015年人口数据特征间的关系 实训5 分析1996-2015年人口数据各个特征的分布与分散状况 第2章 Seaborn进阶绘图： 实训1 实现scatterplot关系图 实训2 实现lineplot关系图 实训3 实现relplot关系图 实训4 实现分类散点图 实训5 实现分类分布图 实训6 实现分类估计图 实训7 实现kdeplot分布图 实训8 实现rugplot分布图 实训9 实现distplot分布图 实训10 实现regplot回归图 实训11 实现lmplot回归图 实训12 实现heatmap矩阵图 实训13 实现clustermap矩阵图 实训14 实现FacetGrid网格图 实训15 实现PairGrid网格图 实训16 实现JoinGrid网格图 第3章 Pyecharts绘制基本图表 实训1 Pyecharts绘制基本图表 实训2 Pyecharts绘制直角坐标系图表 实训3 Pyecharts绘制树形图表 实训4 Pyecharts绘制地理图表 实训5 Pyecharts绘制3D图表标书代写 | 按行业标准提供服务 |
招标进度跟踪
招标项目商机
暂无推荐数据
400-688-2000
欢迎来电咨询～
