- 综合排序
- 最热优先
- 最新优先
- 来自专栏凹凸玩数据
5个常用的大数据可视化分析工具
那么今天在这里给大家推荐一些常用于数据分析的必备神器。 1.Tableau ? Tableau 帮助人们快速分析、可视化并分享信息。 Highcharts还有一个好处在于，它完全基于 HTML5 技术，不需要安装任何插件，也不需要配置 PHP、Java 等运行环境，只需要两个 JS 文件即可使用。 4.魔镜 ? 魔镜是中国最流行的大数据可视化分析挖掘平台，帮助企业处理海量数据价值，让人人都能做数据分析。 魔镜基础企业版适用于中小企业内部使用，基础功能免费，可代替报表工具和传统BI，使用更简单化，可视化效果更绚丽易读。 5.图表秀 ? 大数据是对海量数据存储、计算、统计、分析等一系列处理手段，处理的数据量是TB级，甚至是PB或EB级的数据，是传统数据处理手段无法完成的，大数据涉及分布式计算、高并发处理、高可用处理、集群、实时性计算等等
1.7K20发布于 2020-05-19 - 来自专栏小红豆的数据分析
小蛇学python（5）可视化分析睡眠—起床关系
我平时有着记录起息时间的习惯，目前积攒了两个月的数据，心血来潮，就想画画图，分析一下数据之间有着什么关系。 = DataFrame(new_sleep_time, index=data.date, columns=['sleep_time']) pd.scatter_matrix(data5) #print Figure_5.png ? Figure_6.png ? Figure_7.png 从这六张图中可以很直观的看出来，我在8：20-8：40这个时间段起床的频率尤其的高。 震惊我自己的是竟然有三次是在5点就起床了，当然那只是昙花一现。 而我晚上睡觉集中在23：00-次日1点之间，在零点入睡的频率更为高一些。 ? Figure_10.png ? 再仔细分析一下呢，零点前入睡我睡眠时间多在8-10这个区间，而零点后却不这样，在6-10区间内呈近似正态分布。当然这有可能是数据太少的原因，等我攒足了数据，再做仔细分析。
1.1K20发布于 2018-09-12 - 来自专栏单细胞天地
pyscenic的转录因子分析结果展示之5种可视化
转录因子分析作为单细胞的3大高级分析，大家应该是不再陌生，我们也多次介绍过： SCENIC转录因子分析结果的解读 单细胞转录因子分析之SCENIC流程 （R语言版本，代码运行超级慢） 但是在R里面跑这个 单细胞数据分析里面最基础的就是降维聚类分群，参考前面的例子：人人都能学会的单细胞聚类分群注释 ，这个大家基本上问题不大了，使用seurat标准流程即可，不过它默认出图并不好看，详见以前我们做的投票：可视化单细胞亚群的标记基因的 5个方法，下面的5个基础函数相信大家都是已经烂熟于心了： VlnPlot(pbmc, features = c("MS4A1", "CD79A")) FeaturePlot(pbmc, features 5种可视化展示。 不过， 到现在为止，仅仅是帮助大家认识了 使用pyscenic做转录因子分析 后的结果而已，后续进行各个亚群特异性的转录因子判定，以及更多的可视化才是重点，敬请期待哦。
5.4K31编辑于 2022-03-14 - 来自专栏拓端tecdat
R语言生存分析可视化分析
p=5438 生存分析对应于一组统计方法，用于调查感兴趣事件发生所花费的时间。 生存分析被用于各种领域，例如： 癌症研究为患者生存时间分析， “事件历史分析”的社会学 在工程的“故障时间分析”。 R生存分析 安装并加载所需的R包 我们将使用两个R包： 生存计算生存分析 survminer的总结和可视化生存分析结果 安装软件包 install.packages(c("survival","survminer 90 90 1225 153 3 1010 1 56 1 0 90 90 NA 154 5 513 0 inst：机构代码 时间：以天为单位的生存时间 状态：审查状态1 =审查，2 =死亡 年龄：年龄 性别：男= 1女= 2 ph.ecog：ECOG表现评分（0 =好5 概要 生存分析是一组数据分析的统计方法，其中感兴趣的结果变量是事件发生之前的时间。 在这篇文章中，我们演示了如何使用两个R软件包的组合来执行和可视化生存分析：生存（用于分析）和生存者（用于可视化）。
1.5K30发布于 2020-07-17 - 来自专栏HT
基于 HTML5 WebGL 与 GIS 的智慧机场大数据可视化分析
前言：大数据，人工智能，工业物联网，5G 已经或者正在潜移默化地改变着我们的生活。 在信息技术快速发展的时代，谁能抓住数据的核心，利用有效的方法对数据做数据挖掘和数据分析，从数据中发现趋势，谁就能做到精准控制，实时分析，有的放矢，从而获取更快速、更平稳、更长远地发展。 在航空领域，机场、航班和航线信息是至关重要的数据，本文将介绍以 HT 为平台，应用 JavaScript、HTML5、GIS 等技术开发的全球航线实例。 ，飞机态势可视化和风暴数据的实时显示，整个过程其乐无穷。 基于航空大数据，在本实例中提到的数据分析和可视化的基础上，还可以挖掘更多的应用场景，比如航班运行数据可视化，飞机数据实时展示，航班历史数据分析，应急航线调度等。
1.8K20发布于 2020-03-24 - 来自专栏Tom
数据可视化之用django和echarts分析周涨幅top5的基金
说干就干 01 开始准备 之前听说过echarts可以做可视化，但是从来没有用过，也没学过 昨天一时脑热，直接去官网看了一下demo和文档 感觉不难，直接复制js文件然后把demo复制过来 按照想要的进行修改 这是官网的demo 直接复制代码过来 然后读一下，大致的改一下 样式倒是不难改，最难的就是配色，官网的颜色还行，还是因为是top5 所以有五条数据 就需要五种配色 这真是难死我了-=- 改改样式 "fiance") cursor=conn.cursor() sql=""" SELECT * from sheet1 order by 近1周 DESC LIMIT 5" focus: 'series' }, data: [datas[u][4], datas[u][5] 2.如何从数据库取出top5，解决办法就是先排序然后用limit 3.其余的就是echarts中一些配置的坑，从百度就能解决 In summary,菜鸟不放弃，早晚成大佬
52320编辑于 2022-04-15 - 来自专栏森林消防安全知识
基于HTML5 WebGL 与 GIS 的智慧机场大数据可视化分析
大数据，人工智能，工业物联网，5G 已经或者正在潜移默化地改变着我们的生活。 在信息技术快速发展的时代，谁能抓住数据的核心，利用有效的方法对数据做数据挖掘和数据分析，从数据中发现趋势，谁就能做到精准控制，实时分析，有的放矢，从而获取更快速、更平稳、更长远地发展。 航线生成 基于航空大数据，在本实例中提到的数据分析和可视化的基础上，还可以挖掘更多的应用场景，比如航班运行数据可视化，飞机数据实时展示，航班历史数据分析，应急航线调度等。
84530编辑于 2022-01-26 - 来自专栏技术篇
浅析可视化分析技术
Magnani等人采用社会关系网图实现了对社会网络层次拓扑结构的可视化，如图所示。 可视化1.png 如上图所示，为包含5层连接关系的多层网络社会关系网图。 、向量化、标准化、降维和交互5部分，该方法针对部分人造和真实网络起到了有效的展示，其流程步骤如下图所示。 提高空间信息网络可视化与可视分析平台的易用性。 当前，普遍有一种观点认为数据可视化是科学计算可视化、信息可视化和可视分析的统称。 网络可视化能够通过形式化的方式将网络数据进行展示，并实现进一步的可视分析，面对空间信息网络的多维特征，可视化技术为分析其特征提供了一种新的思路和方法。
57230编辑于 2021-12-24 - 来自专栏医学和生信笔记
GseaVis富集分析可视化
今天要介绍的老俊俊的R包：GseaVis，专门用于GSEA富集分析可视化，相比于enrichplot，增加了很多好用的功能，很多功能让我直呼 泰裤辣！！ 富集分析首选clusterProfiler，没有之一！ 1116 6279 ## 5.123666 5.024103 4.911030 4.608619 4.552790 4.256463 我们使用msigdbr包从msigdb数据库下载人类的C5注释集 library(msigdbr) m_t2g <- msigdbr(species = "Homo sapiens", category = "C<em>5</em>") %>% dplyr::select(gs_name 我并不用那个GSEA的软件，所以这里就不展示了~大家可以参考俊俊的推文：GseaVis 一键对接 GSEA 软件结果并可视化
1.8K40编辑于 2023-08-30 - 来自专栏Y大宽
4️⃣ 核酸（蛋白）序列特征分析(5):序列motif的查找和可视化工具
序列比对和序列特征分析总目录 模体Motif，指DNA或蛋白质序列中局部的保守区域，或者是一组序列中共有的一小段序列模式。这些motif很可能具有分子功能，结构性质或家族成员相关的任何序列模式。 MEME是最广泛使用的DNA和蛋白质序列中模体识别和分析的综合工具。MEME sutie包含很多不同需要的工具。 ?
2.9K40发布于 2019-02-26 - 来自专栏医学和生信笔记
Goplot富集分析可视化
之前的推文已经给大家详细介绍了clusterprofiler的使用方法以及enrichplot的用法： 富集分析常见类型 enrichplot富集分析可视化 GSEA富集分析可视化 今天继续给大家介绍Goplot 包进行富集分析可视化，这个R包的图形有一些独到之处，经常在文献中出现，有人说这个R包数据准备很难，如果你能耐心跟着教程走一遍，我觉得这个事情会变得简单。 富集分析 富集分析首选clusterProfiler，没有之一！简单，好用！ ，需要提前准备好富集分析结果和差异分析结果，我们已经有了富集分析结果ora_res和差异分析结果deg_limma，转换起来就很简单了。 后面会继续给大家带来富集分析可视化的内容。
79531编辑于 2023-08-30 - 来自专栏医学和生信笔记
enrichplot富集分析可视化
，其中enrichplot是专门用于对接clusterprofiler的富集结果的可视化R包。 每个绘图函数可以对接哪些富集分析的结果？ 其中一些参数怎么用？ 今天就先给大家详细介绍enrichplot包。 当然了，富集分析的可视化还有许多其他R包，我们会在后续的推文中继续介绍。 我们今天主要以ORA的富集结果可视化为例，因为对于同时支持enrichResult和enrichResult多种结果的函数来说，它们的用法基本一模一样！ # 默认 p1 <- cnetplot(ora_res , showCategory = 5 # 也可以直接写条目名字 , layout = "kk" #网络形状，’ 关于GSEA的福富集结果可视化也会在后面的推文中专门介绍
2.4K42编辑于 2023-08-30 - 来自专栏医学和生信笔记
又是聚类分析可视化！
聚类分析，老生常谈了，物以类聚人以群分，大概就是这么个意思。 相比于聚类分析本身，我更喜欢它的结果可视化的部分，虽然之前介绍过很多了，但是今天这个方法，还是要强烈推荐一下。 flexclust") row.names(nutrient) <- tolower(row.names(nutrient)) # 简单看下数据结构 dim(nutrient) ## [1] 27 5 str(nutrient) ## 'data.frame': 27 obs. of 5 variables: ## $ energy : int 340 245 420 375 180 115 300 ... ## $ protein: int 20 21 15 19 22 20 25 26 20 18 ... ## $ fat : int 28 17 39 32 10 3 7 5 package: 'dendextend' ## The following object is masked from 'package:stats': ## ## cutree 进行聚类分析
51220编辑于 2022-11-15 - 来自专栏单细胞天地
差异分析及可视化
= SubsetData(PBMC,TimePoints =='PBMC_RespD376') > table(PBMC_RespD376@ident) 0 1 2 3 4 5 11 RP4-669L17.10 RP4-669L17.10 0 RP11-206L10.9 RP11-206L10.9 5 - row.names(subset(cds@featureData@data, num_cells_expressed >= 5) monocle V2 差异分析 => differentialGeneTest() # 这个过程比较慢！ 0.004657577 TNFRSF25 TNFRSF25 1.608900e-04 0.006785583 CAMTA1 CAMTA1 4.339489e-03 0.090162380 ---- 进行热图可视化
1.5K11发布于 2020-03-30 - 来自专栏单细胞天地
CellChat分析结果可视化
回顾——细胞通讯网络构建 前面的帖子(CellChat学习笔记【一】——通讯网络构建)中我们已经成功地进行了细胞间通讯网络的构建，总的来看借助下面简易的分析流程即可完成： library(CellChat CellChat分析结果可视化 目前CellChat提供了多种图形来对结果进行可视化，包括但不限于： Hierarchical plot （层次聚类图） Chord diagram （和弦图） Circle plot （环状图） Bubble plot （气泡图） 此外结果的可视化也分为在单个受体-配体层次与代谢通路（多个受体-配体整合）层次，上游分析的相关结果分别存储在cellchat@net和cellchat 信号通路层次可视化 单个受体-配体层次的分析只能让我们知道哪些细胞类群之间可能存在通讯，至于是何种类型的通讯、会有什么生物学意义却比较难知道，这个时候如果能够将这种通讯放到信号通路的层次上就能较好地解决这个问题 sources.use = 1:2, ##naive CD4 T, Memory CD4 T targets.use = 5:
2.6K20编辑于 2023-02-10 - 来自专栏医学和生信笔记
GSEA富集分析可视化
今天给大家介绍GSEA，基因集富集分析，的可视化！主要是带你详细了解如何自定义GSEA的经典图形。 之前的推文已经带大家了解了富集分析的常见类型以及如何使用clusterprofiler进行富集分析，如何使用enrichplot进行可视化： 富集分析的常见类型 enrichplot可视化富集分析结果 不过在上期内容中，我们主要是以ORA为例，演示了如何进行可视化，虽然enrichplot的画图函数对于ORA和GSEA都是支持的（参考上期内容），但是我们并没有过多介绍GSEA富集分析的可视化内容，主要是因为部分函数是专门针对 gseaplot2 基本图形 GSEA富集分析的主要可视化图形还是以下这种，通过gseaplot2实现： # 默认subplots = 1:3，把3个图放一起 gseaplot2(gsea_res,geneSetID 很简单，两本ggplot2说明书：《R数据可视化手册》和《ggplot2数据分析与图形艺术》，买一本认真看一遍你就懂了！
4.5K32编辑于 2023-08-30 - 来自专栏优雅R
「R」数据可视化5 : 气泡图
本文作者蒋刘一琦 在生物信息领域我们常常使用R语言对数据可视化。在对数据可视化的时候，我们需要明确想要展示的信息，从而选择最为合适的图突出该信息。 本次用一个来自于GOplo包的数据EC，该数据为RNA-seq的下游分析数据。该数据标准化处理后进行统计分析以确定了差异表达基因。 使用DAVID功能注释工具对差异表达基因（调整后的p值<0.05）进行基因注释富集分析。 , PLXND1, CAR2, ACTC1, TBX4, SMAD3, FZD3, SHANK3, FZD6, HOXB4, FREM2, TSC2, ZIC5, TGFBR3, APAF1 ## 5 The threshold refers to the -log(adjusted p-value) (default=5) ?
3.8K30发布于 2020-07-06 - 来自专栏Java架构师必看
spring源码分析5
spring源码分析5 强烈推介IDEA2020.2破解激活，IntelliJ 原文链接：https://gper.club/articles/7e7e7f7ff3g5bgc0
29620发布于 2021-04-13 - 来自专栏学习笔记ol
框架分析（5）-Django
框架分析（5）-Django 主要对目前市面上常见的框架进行分析和总结，希望有兴趣的小伙伴们可以看一下，会持续更新的。希望各位可以监督我，我们一起学习进步。
61720编辑于 2023-10-11 - 来自专栏7DGroup
性能分析之大屏可视化平台瓶颈分析
本可视化平台采用开放式框架设计，充分汲取了目前成熟的技术成果，建立了以数据服务、设计工具、播放控制、交互管理、主题场景应用为核心的平台体系，为大屏系统、桌面系统和移动终端搭建了统一的可视化部署应用。 告警分析 通过对告警日志（即Alarmlog）整理，我们抽样的时间段为2014/5/309:41:00~2014/6/6 9:39:00，这其中共产生9563条告警日志。 5. 问题分析 5. 5.1. 在可视化系统里面，所有数据集在服务端会形成一个与客户端、连接会话相关联一个全局会话，后台服务会批量注册所有数据集的定时任务。 通过分析threaddump，看到有互斥锁的存在，同时通过应用日志分析发现在线程New I/O server worker #2-5线程处理持有时间近20秒，持有的锁时间过长，那么相对地，锁的竞争程序也就越激烈
1.6K20发布于 2019-07-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号