前言前段时间发了一篇​文章GCJ02、WGS84、BD-09 、CGCS-2000坐标系互转，网友@文祥 留言说有个 python 库可以实现坐标系转换。于是，我就找了下这个项目 coordTransform。真的可以，感谢网友留言~ 直接使用 pip install coordTransform，引用代码会报错，于是直接找到了 github项目代码原文。测试发现结果是正确的。具体代码我就不贴

在使用 Streamlit 构建数据应用的过程中，我逐渐发现了一些非常有用但可能容易被忽视的功能与机制。为了更好地记录和分享这些知识，本文将详细介绍这些功能，希望能为同样使用 Streamlit 的同学们提供一些帮助。 Tabs 组件12345678910111213import streamlit as sttab1, tab2, tab3 = st.tabs(["Cat"

Marimo 是最近观察到的一款响应式 Python 笔记本，被誉为“面向未来的笔记本”，旨在替代传统的 Jupyter 和 Streamlit。初次试用时，我被其简洁的启动方式、美观的界面和易于分享的特点深深吸引。Marimo 实现了所见即所得的效果，极大地提升了用户体验。然而，作为一个相对较新的工具，它在使用过程中也暴露出了一些问题。本文将总结我的近期体验，并分享一些使用心得。未来，我将持

Obsidian web Clipper 一款 obsidian 官方网站剪藏软件，相当于印象笔记、语雀的工具的 Clipper 插件，效果非常好，而且笔记都放在本地，排版、元数据直接获取，强烈的推广欲让我想让所有使用 obsidian 的用户知道。 安装方法目前上架了 chrome 应用商店，edge 直接搜索是没有的。在 chrome 应用商店搜索安装即可。 但是我的主流浏览器是 edge

在研究水质变化时，了解污染物从一个地点向另一个地点的传递过程至关重要。这不仅有助于我们追踪污染物的源头，还能为污染控制措施提供指导。 以下是在同一条河流、不同点位的氨氮变化趋势图，可以明显看出污染物的传递关系，那么如何简单快捷的计算出传递时间呢？今天，我们将探讨如何利用滞后相关性来计算水质站点之间的污染传递时间。 滞后相关性的概念滞后相关性（Lagged Correlation） 是一种统计

概述在水质分析过程中，污染溯源是无法绕开的部分，当一个在线设备表现出污染特征时，我们往往希望快速知道是什么原因造成的。日常数据分析往往利用在设备、水文网络基础上，往上溯源，逐一找到相关的站点或者排污口，从而判断出污染来源，这种方式适用于点源或者上游有在线监测的断面，这种方法虽然有效，但效率低下，那么如何将其自动化呢？ 为了实现高效的水质污染溯源，首要任务是建立一个详细的河流与在线监测设备的数字

随着互联网技术的发展，地理信息系统（GIS）的应用越来越广泛，尤其是在地图服务领域。不同的应用和服务可能使用不同的地理坐标系，这导致了数据互操作性的问题。因此，了解并掌握不同坐标系之间的转换方法对于GIS开发者来说至关重要。本文将介绍几种常见的地理坐标系，并通过QGIS软件中的GeoHey Toolbox插件来演示如何进行坐标系之间的转换。 常用地理坐标系介绍1. WGS 84 (Worl

要计算各行政区划中的河流长度，需要用到 GIS 矢量分析，对于这类计算，QGIS 丰富的工具库可以轻松实现。 数据准备及工具图层： 水系图层：包含河流的线图层，属性表包括流域、河流等级等。 行政区划图层：包含行政边界的多边形图层。属性表包括镇街名称，编码等。注意图层坐标系应用投影坐标系，如果是地理坐标系，利用 QGIS 的 重投影图层 工具进行转换。 工具：QGIS 3.34 矢量分析在矢

在使用 PyCharm 或其他 Python 开发环境时，选择合适的 Python 解释器对于项目的开发非常重要。关系到包的管理，项目文件的大小。本文分析几种常见 Python 环境管理工具（venv、conda、pipenv、poetry env）的优缺点。 经过对比尝试后，个人比较推荐用 conda 环境作为学习研究，他自带数据分析相关的包，但过于臃肿，建议用 venv 作为实际项目环境

在数据分析中，表格是最常用的展现形式之一，但普通的表格往往缺乏视觉吸引力，导致数据的可读性和理解性较差。plottable 是一个专门为 Matplotlib 设计的表格美化库，操作简便，能够轻松实现丰富的颜色渐变、行距调整等。最近，我尝试使用 plottable 制作水质站点的实时数据看板，记录整个操作过程如下。 结果预览普通表格展现Plottable 美化后 我只是做了简单的颜色渐变，行距