三星品牌存储一直致力于为用户提供高品质的存储解决方案，950PRO SSD定位于高端旗舰市场，能为游戏爱好者/DIY人群提供更好的体验；850EVO定位消费级市场，是日常生活、办公和娱乐不可或缺的一部分；而近期推出的750EVO SSD则是定位入门级SSD用户，由于其极佳的性价比备受关注，但是之前只有120G和250G两款，现在500G千呼万唤始出来。
从去年年底正式发布到今天，半年时间里，此款750EVO凭借着产品极高的性价比，以及三星品牌的影响力，如同旋风般席卷中国，并迅速占领了中国电商市场，成为最为热门和畅销的入门级固态硬盘。
京东商城SSD销量排行
天猫商城SSD销量排行
作为当下最畅销的略带神秘感的入门级固态硬盘，750evo在性能上的表现又是如何呢？下面我们一起来看。
外观简析：品质领先 品牌加分
众所周知，三星是韩国最具代表性的国民性企业，涉及半导体、电子元件、芯片制造等多领域，除了上游的芯片等元件制造，近年来三星不断在消费级市场发力，并凭借着半导体原厂的优势，在家电、手机、存储、数码等行业取得相当的成就，三星在消费级领域已经成为大家首选的品牌。
正是有了如此高密度的品牌曝光，让三星标志性“Samsung”成为了一种符号，一种品质的保证。
信仰加成三星logo
在固态硬盘领域，三星拥有从芯片设计、缓存加工到闪存颗粒制造的全套加工制造体系，能够从成本和品质上进行自我把控，而今天登场的三星750evo也是一款由三星自产自销的固态硬盘。
背面产品信息
在外观上，此款750evo采用当下流行合金材料，表面依旧采用磨砂工艺，防指纹防刮伤；尺寸上，
100*69.85*6.8mm的纤薄机身，可以兼容大部分笔记本和台式机；颜色上，仅提供纯黑一种款式；在正面，三星logo，配以英文的“Solid State Drive”，格调甚高，背面依旧是相关产品信息。
纤薄机身
可以说，在外观品质上，沿袭了三星品牌的一贯风格，简单而有格调。
核心拆解：内置缓存+MGX主控
拥有固态硬盘全套加工和制造工艺的三星，毫不例外的在此款750evo上采用了自家生产的编号为S4LN062X01-Y030第六代主控MGX，并内置256MB DDR3缓存，进一步缩小固态硬盘体积。
四分之一名片大小的电路板
新一代内置独立缓存MGX主控
关于新一代MGX主控，官方并没有披露太多相关信息，只是轻描淡写的指出，此款主控内置了256MB DDR3独立缓存，并针对低容量版本进行随机读写性能的优化，以及支持队列TRIM指令，支持TurboWrite、支持AES-256位加密等功能。
核心器件对比图
从图表中我们可以看到，此款750evo和定位于中高端市场的850evo采用同一款MGX主控芯片，可以简单推测出750evo的主控性能应该还不错。而在理论持续读写速度上以及4KB随机读写上，750evo的成绩和850evo几乎毫无差别，那么实际情况究竟如何？待会实测成绩再见分晓。
而在缓存上，内置DDR3 256MB的大小，对于入门级用户而言，足以应付日常的存储需要了。
核心拆解：三星NAND闪存
三星SSD 750EVO虽然定位入门级用户，但是三星毫不吝啬的在750EVO上采用了三星NAND闪存，在制造工艺上依旧沿用了三星一贯坚持的高品质风格，为广大的用户提供优秀的存储产品。
反面两块NAND闪存颗粒
正面闪存颗粒特写
三星SSD 750EVO搭载了三星NAND闪存，寿命和速度都有着提升，750EVO SSD享受三年或者100TBW写入量的质保服务（120GB：35TBW；250GB：70TBW；500GB：100TBW TBW指的是写入字节数），强大的售后能力使人心服口服。
实测成绩：CrystalDiskMark测试
CrystalDiskMark是一款简单易用的硬盘性能测试软件，但测试项目非常全面，涵盖连续读写、512K和4KB数据包随机读写性能，以及队列深度（Queue Depth）为32的情况下的4K随机性能。队列深度描述的是硬盘能够同时激活的最大IO值，队列深度越大，实际性能也会越高。
按照惯例，我们先一起来看看CrystalDiskInfo信息。CrystalDiskInfo也是一款常用软件，它能够直观反映固态硬盘的健康状态、使用时长、型号温度等特定信息，是我们了解固态硬盘非常方便实用的一款工具，并且常常和CrystalDiskMark配合使用。
CrystalDiskInfo信息
CrystalDiskMark
521MB/S的读取，481MB/S的写入，在入门级固态硬盘中表现可谓出众，应付日常生活中各种应用场景绰绰有余。
实测成绩：ATTO均衡性测试
ATTO Disk Benchmark是一款简单易用的磁盘传输速率检测软件,可以用来检测硬盘, U盘, 存储卡及其它可移动磁盘的读取及写入速率。由于该软件使用了不同大小的数据测试包, 数据包按0.5K, 1.0K, 2.0K直到到8192.0KB进行分别读写测试, 能够真实模拟固态硬盘等存储工具在日常生活中的工作模式，因而能够客观真实的反应固态硬盘的在实际生活中的性能，对于普通用户有一定的参考价值和意义。
此款软件还有个创新之处在于，每一项数据测试完成后系统会用柱状图的形式表达出来，简洁明了展现出大小比例不同的文件对于磁盘读写速度的影响。
实测成绩：ATTO均衡性测试
根据上图可知，750evo在均衡性上，表现出众。读写成绩一直保持在超过500MB/S的旗舰级速度，归功于三星自主的TurboWrite功能，可在一定区间内加速固态硬盘的读写性能，提高瞬间读写速度。
实测成绩：AS SSD固态测试
AS SSD Benchmark是一个专门为SSD测试而设计的标准检测程序，它涵盖了持续性读写、单线程4KB随机读写、64线程4KB随机读写以及磁盘寻道时间等关键数据的测试，最后还会根据公式将成绩标准化，能比较科学的反映固态硬盘的真实性能。
实测成绩：AS SSD固态测试
AS SSD作为专门为固态硬盘产品研发的测试软件，它比较针对性的反映了固态硬盘的实际性能，通过测试，我们可以发现750evo在读写成绩上，依旧保持在480MB/S接近500MB/S的高点，并在总得分上超过1200分，性能不俗。
实测成绩：pc mark综合性测试
固态硬盘的性能如何，进行实际的模拟操作更能反映真实性能。接下来，笔者通过PC mark8,进行模拟实际操作的综合性能测试。
PCMark8内置了多个测试项目，其中Storage测试项目针对硬盘性能做出评定，包括两款游戏以及各种办公应用测试。分别为《魔兽世界》和《战地3》的游戏载入测试，Photoshop，Adobe InDesign，Adobe After Effects，Adobe lllustrator，微软Office Word、Office Excel以及Office PowerPoint等十项测试。
这些应用和软件能够很好的模拟用户实际的使用情况，从而综合分析出此款固态硬盘的最终成绩。
实测成绩之PC MARK
pc mark实测成绩，能够比较客观评价固态硬盘产品在实际中的表现，根据上图一些小项的测试以及总分，我们可以看到三星750EVO虽然定位于入门级，但在实际表现中依旧强悍，4975的总分足以和部分品牌的旗舰机相抗衡，而超过268MB/S的带宽，更能展现750evo在读写速度上的优势。
小结：
虽然已经上市已有半年多了，但是此款750evo在消费级市场上依旧是最为火热的入门级单品之一。无他，品牌影响力，超强性能，合适价格，让此款固态硬盘销量一路长虹。技术不断在进步，固态硬盘市场不断在变化，随着三星v-nand技术的量产，相信未来三星会给存储市场带来更多惊喜。
转自：机器之心
原文链接：
https://towardsdatascience.com/reviewing-python-visualization-packages-fa7fe12e622b
喜欢用 Python 做项目的小伙伴不免会遇到这种情况：做图表时，用哪种好看又实用的可视化工具包呢？
之前文章里出现过漂亮的图表时，也总有读者在后台留言问该图表时用什么工具做的。
下面，作者介绍了八种在 Python 中实现的可视化工具包，其中有些包还能用在其它语言中。快来试试你喜欢哪个？
用 Python 创建图形的方法有很多，但是哪种方法是最好的呢？当我们做可视化之前，要先明确一些关于图像目标的问题：你是想初步了解数据的分布情况？想展示时给人们留下深刻印象？也许你想给某人展示一个内在的形象，一个中庸的形象？
本文将介绍一些常用的 Python 可视化包，包括这些包的优缺点以及分别适用于什么样的场景。这篇文章只扩展到 2D 图，为下一次讲 3D 图和商业报表（dashboard）留了一些空间，不过这次要讲的包中，许多都可以很好地支持 3D 图和商业报表。
Matplotlib、Seaborn 和 Pandas
把这三个包放在一起有几个原因：首先 Seaborn 和 Pandas 是建立在 Matplotlib 之上的，当你在用 Seaborn 或 Pandas 中的 df.plot() 时，用的其实是别人用 Matplotlib 写的代码。因此，这些图在美化方面是相似的，自定义图时用的语法也都非常相似。
当提到这些可视化工具时，我想到三个词：探索（Exploratory）、数据（Data）、分析（Analysis）。这些包都很适合第一次探索数据，但要做演示时用这些包就不够了。
Matplotlib 是比较低级的库，但它所支持的自定义程度令人难以置信（所以不要简单地将其排除在演示所用的包之外！），但还有其它更适合做展示的工具。
Matplotlib 还可以选择样式（style selection），它模拟了像 ggplot2 和 xkcd 等很流行的美化工具。下面是我用 Matplotlib 及相关工具所做的示例图：
在处理篮球队薪资数据时，我想找出薪资中位数最高的团队。为了展示结果，我将每个球队的工资用颜色标成条形图，来说明球员加入哪一支球队才能获得更好的待遇。
import seaborn as sns
import matplotlib.pyplot as plt
color_order = ['xkcd:cerulean', 'xkcd:ocean',
'xkcd:black','xkcd:royal purple',
'xkcd:royal purple', 'xkcd:navy blue',
'xkcd:powder blue', 'xkcd:light maroon',
'xkcd:lightish blue','xkcd:navy']
sns.barplot(x=top10.Team,
y=top10.Salary,
palette=color_order).set_title('Teams with Highest Median Salary')
plt.ticklabel_format(style='sci', axis='y', scilimits=(0,0))
第二个图是回归实验残差的 Q-Q 图。这张图的主要目的是展示如何用尽量少的线条做出一张有用的图，当然也许它可能不那么美观。
import matplotlib.pyplot as plt
import scipy.stats as stats
#model2 is a regression model
log_resid = model2.predict(X_test)-y_test
stats.probplot(log_resid, dist="norm", plot=plt)
plt.title("Normal Q-Q plot")
plt.show()
最终证明，Matplotlib 及其相关工具的效率很高，但就演示而言它们并不是最好的工具。
ggplot(2)
你可能会问，「Aaron，ggplot 是 R 中最常用的可视化包，但你不是要写 Python 的包吗？」。人们已经在 Python 中实现了 ggplot2，复制了这个包从美化到语法的一切内容。
在我看过的所有材料中，它的一切都和 ggplot2 很像，但这个包的好处是它依赖于 Pandas Python 包。不过 Pandas Python 包最近弃用了一些方法，导致 Python 版本不兼容。
如果你想在 R 中用真正的 ggplot（除了依赖关系外，它们的外观、感觉以及语法都是一样的），我在另外一篇文章中对此进行过讨论。
也就是说，如果你一定要在 Python 中用 ggplot，那你就必须要安装 0.19.2 版的 Pandas，但我建议你最好不要为了使用较低级的绘图包而降低 Pandas 的版本。
ggplot2（我觉得也包括 Python 的 ggplot）举足轻重的原因是它们用「图形语法」来构建图片。基本前提是你可以实例化图，然后分别添加不同的特征；也就是说，你可以分别对标题、坐标轴、数据点以及趋势线等进行美化。
下面是 ggplot 代码的简单示例。我们先用 ggplot 实例化图，设置美化属性和数据，然后添加点、主题以及坐标轴和标题标签。
#All Salaries
ggplot(data=df, aes(x=season_start, y=salary, colour=team)) +
geom_point() +
theme(legend.position="none") +
labs(title = 'Salary Over Time', x='Year', y='Salary ($)')
Bokeh
Bokeh 很美。从概念上讲，Bokeh 类似于 ggplot，它们都是用图形语法来构建图片，但 Bokeh 具备可以做出专业图形和商业报表且便于使用的界面。为了说明这一点，我根据 538 Masculinity Survey 数据集写了制作直方图的代码：
import pandas as pd
from bokeh.plotting import figure
from bokeh.io import show
# is_masc is a one-hot encoded dataframe of responses to the question:
# "Do you identify as masculine?"
#Dataframe Prep
counts = is_masc.sum()
resps = is_masc.columns
#Bokeh
p2 = figure(title='Do You View Yourself As Masculine?',
x_axis_label='Response',
y_axis_label='Count',
x_range=list(resps))
p2.vbar(x=resps, top=counts, width=0.6, fill_color='red', line_color='black')
show(p2)
#Pandas
counts.plot(kind='bar')
用 Bokeh 表示调查结果
红色的条形图表示 538 个人关于「你认为自己有男子汉气概吗？」这一问题的答案。9~14 行的 Bokeh 代码构建了优雅且专业的响应计数直方图——字体大小、y 轴刻度和格式等都很合理。
我写的代码大部分都用于标记坐标轴和标题，以及为条形图添加颜色和边框。在制作美观且表现力强的图片时，我更倾向于使用 Bokeh——它已经帮我们完成了大量美化工作。
用 Pandas 表示相同的数据
蓝色的图是上面的第 17 行代码。这两个直方图的值是一样的，但目的不同。在探索性设置中，用 Pandas 写一行代码查看数据很方便，但 Bokeh 的美化功能非常强大。
Bokeh 提供的所有便利都要在 matplotlib 中自定义，包括 x 轴标签的角度、背景线、y 轴刻度以及字体（大小、斜体、粗体）等。下图展示了一些随机趋势，其自定义程度更高：使用了图例和不同的颜色和线条。
Bokeh 还是制作交互式商业报表的绝佳工具。
Plotly
Plotly 非常强大，但用它设置和创建图形都要花费大量时间，而且都不直观。在用 Plotly 忙活了大半个上午后，我几乎什么都没做出来，干脆直接去吃饭了。我只创建了不带坐标标签的条形图，以及无法删掉线条的「散点图」。Ploty 入门时有一些要注意的点：
安装时要有 API 秘钥，还要注册，不是只用 pip 安装就可以；
Plotly 所绘制的数据和布局对象是独一无二的，但并不直观；
图片布局对我来说没有用（40 行代码毫无意义！）
但它也有优点，而且设置中的所有缺点都有相应的解决方法：
你可以在 Plotly 网站和 Python 环境中编辑图片；
支持交互式图片和商业报表；
Plotly 与 Mapbox 合作，可以自定义地图；
很有潜力绘制优秀图形。
以下是我针对这个包编写的代码：
#plot 1 - barplot
# **note** - the layout lines do nothing and trip no errors
data = [go.Bar(x=team_ave_df.team,
y=team_ave_df.turnovers_per_mp)]
layout = go.Layout(
title=go.layout.Title(
text='Turnovers per Minute by Team',
xref='paper',
x=0
),
xaxis=go.layout.XAxis(
title = go.layout.xaxis.Title(
text='Team',
font=dict(
family='Courier New, monospace',
size=18,
color='#7f7f7f'
)
)
),
yaxis=go.layout.YAxis(
title = go.layout.yaxis.Title(
text='Average Turnovers/Minute',
font=dict(
family='Courier New, monospace',
size=18,
color='#7f7f7f'
)
)
),
autosize=True,
hovermode='closest')
py.iplot(figure_or_data=data, layout=layout, filename='jupyter-plot', sharing='public', fileopt='overwrite')
#plot 2 - attempt at a scatterplot
data = [go.Scatter(x=player_year.minutes_played,
y=player_year.salary,
marker=go.scatter.Marker(color='red',
size=3))]
layout = go.Layout(title="test",
xaxis=dict(title='why'),
yaxis=dict(title='plotly'))
py.iplot(figure_or_data=data, layout=layout, filename='jupyter-plot2', sharing='public')
[Image: image.png]
表示不同 NBA 球队每分钟平均失误数的条形图。
表示薪水和在 NBA 的打球时间之间关系的散点图
总体来说，开箱即用的美化工具看起来很好，但我多次尝试逐字复制文档和修改坐标轴标签时却失败了。但下面的图展示了 Plotly 的潜力，以及我为什么要在它身上花好几个小时：
Plotly 页面上的一些示例图
Pygal
Pygal 的名气就不那么大了，和其它常用的绘图包一样，它也是用图形框架语法来构建图像的。由于绘图目标比较简单，因此这是一个相对简单的绘图包。使用 Pygal 非常简单：
实例化图片；
用图片目标属性格式化；
用 figure.add() 将数据添加到图片中。
我在使用 Pygal 的过程中遇到的主要问题在于图片渲染。必须要用 render_to_file 选项，然后在 web 浏览器中打开文件，才能看见我刚刚构建的东西。
最终看来这是值得的，因为图片是交互式的，有令人满意而且便于自定义的美化功能。总而言之，这个包看起来不错，但在文件的创建和渲染部分比较麻烦。
Networkx
虽然 Networkx 是基于 matplotlib 的，但它仍是图形分析和可视化的绝佳解决方案。图形和网络不是我的专业领域，但 Networkx 可以快速简便地用图形表示网络之间的连接。以下是我针对一个简单图形构建的不同的表示，以及一些从斯坦福 SNAP 下载的代码（关于绘制小型 Facebook 网络）。
我按编号（1~10）用颜色编码了每个节点，代码如下：
options = {
'node_color' : range(len(G)),
'node_size' : 300,
'width' : 1,
'with_labels' : False,
'cmap' : plt.cm.coolwarm
}
nx.draw(G, **options)
用于可视化上面提到的稀疏 Facebook 图形的代码如下：
import itertools
import networkx as nx
import matplotlib.pyplot as plt
f = open('data/facebook/1684.circles', 'r')
circles = [line.split() for line in f]
f.close()
network = []
for circ in circles:
cleaned = [int(val) for val in circ[1:]]
network.append(cleaned)
G = nx.Graph()
for v in network:
G.add_nodes_from(v)
edges = [itertools.combinations(net,2) for net in network]
for edge_group in edges:
G.add_edges_from(edge_group)
options = {
'node_color' : 'lime',
'node_size' : 3,
'width' : 1,
'with_labels' : False,
}
nx.draw(G, **options)
这个图形非常稀疏，Networkx 通过最大化每个集群的间隔展现了这种稀疏化。
有很多数据可视化的包，但没法说哪个是最好的。希望阅读本文后，你可以了解到在不同的情境下，该如何使用不同的美化工具和代码。