- 综合排序
- 最热优先
- 最新优先
- 来自专栏计算机图形学 前端可视化 WebGL
canvas可视化效果之内阴影效果
canvas可视化效果之内阴影效果 楔子 在之前的一个轨道交通可视化项目中，运用到了很多绘制技巧。 .image] 效果图中的轨道，就同时存在外发光和内发光效果的效果。 [db6adb3f23e149f2b19970dcafa1d02d~tplv-k3u1fbpfcp-zoom-1.image] 有人说，简单，一个渐变就搞定了。 那再看看下面这个图像呢？ [21eb1f63966c48379193c3f85fc5c6db~tplv-k3u1fbpfcp-zoom-1.image] 还是没问题，还是可以通过渐变来搞定，只是渐变的stop设置要麻烦一点罢了。 比如如下的效果就用到了这个属性： [image.png] 有兴趣的读者可以关注往期更多的文章。 如果对可视化感兴趣，可以和我交流，微信541002349.
1.6K10发布于 2020-12-22 - 来自专栏计算机图形学 前端可视化 WebGL
canvas可视化效果之内阴影效果
canvas可视化效果之内阴影效果 楔子 在之前的一个轨道交通可视化项目中，运用到了很多绘制技巧。 可以参考 之前的一篇文章 《利用canvas阴影功能与双线技巧绘制轨道交通大屏项目效果》 image.png 效果图中的轨道，就同时存在外发光和内发光效果的效果。 外发光效果 我们知道外发光效果是很容易实现的，直接通过设置阴影效果即可达到。 默认的阴影，我们称之为外阴影，意思都是图像向往展开的阴影效果。 内阴影 接下来的问题可能就变得有点难度。如果我们需要如下的一个内阴影的效果呢？ 如果在复杂一些的图形呢，比如下面的线段效果： image.png 对于上面的线段的内阴影效果，就很难使用简单的渐变来实现了。
1.3K40发布于 2020-12-31 - 来自专栏全栈程序员必看
可视化篇：效果图_可视化建模
写在最前 在做可视化的时候，理解自己做的每个图形展示的意义，是多么的至关重要 每做一张图的时候，我都在想，该如何阐述图形背后的故事 下面是一些效果图，每张图，都只为更好地反应数据背后的那段故事 ---- 广州南站载客，人数top10路线 ---- 广州春运迁出人口归属地 ---- 每早拥堵的上班线路 ---- 愉快的购物人群（多点） ---- 愉快的购物人群（单点） ---- 通勤效果
89050编辑于 2022-09-27 - 来自专栏数据STUDIO
Matplotlib 可视化之路径效果高级应用
今天云朵君将和大家一起学习，如何通过定义路径效果，来改变图表元素的艺术效果，该方法有别于一般绘图函数关键字（例如facecolor和edgecolor等），通过Matplotlib patheffects 模块灵活配置图表元素的艺术效果。 定义Artist路径效果 定义Artist在画布上遵循的路径效果。 最简单的路径效应是 Normal 效果，简单地画出没有任何效果的图表： import matplotlib.pyplot as plt import matplotlib.patheffects as 第一个使用 with* 类包含所需的功能，并自动跟随“Normal”效果，而“Normal”效果显式定义要绘制的两个路径效果。
70430编辑于 2022-05-24 如何通过YashanDB优化数据可视化效果？
在现代数据驱动的业务环境中，数据可视化作为支持决策的重要工具，其性能和效率直接影响用户体验和分析结果的及时性。数据库查询速度与数据处理能力是影响数据可视化效果的关键因素。 本文将深入解析YashanDB的技术优势及优化策略，助力提升数据可视化的效果和性能。 分布式及共享集群部署通过多级并行执行，显著提升计算吞吐量和查询响应速度，为支持大规模数据可视化提供了坚实的基础。 这种事务机制不仅保证了数据在多用户环境下的完整性，也提升了系统的并发处理能力，满足数据可视化场景中对实时和历史数据一致性的双重需求。 为实现高性能、实时、灵活的数据可视化，建议结合具体业务场景应用以上技术原则，在数据库层面进行综合优化，保障可视化工具的稳定、高效运行。
20010编辑于 2025-09-17- 来自专栏博文视点Broadview
提高数据可视化效果的五个原则
当使用简单的、纯色的图表效果也很好时，千万不要做纹理或渐变填充。当使用不必要的3D（立体）效果时，会使数据失真。 还有一些图表包含太多的文本和标签，使得整个空间变得混乱而拥挤。 随着你创建和阅读可视化图表的数量越来越多，你将拓宽视野，提高审美能力，并找到艺 术和科学之间的平衡。 原则3：图文结合 尽管我们主要关注创建可视化图表的元素，比如条形、点或折线，但对图表的文字说明同样重要。 有三种方法可以让图表和视觉效果融为一体：删除图例、创建有吸引力的标题和添加一些细节。 原则5：从灰色开始 我用一个实用的技巧来结束这一节，这是创建清晰、易懂的可视化效果的一个简单步骤：从灰色开始。无论何时绘制图表，都从全灰色元素开始。
92120编辑于 2022-09-20 - 来自专栏杨熹的专栏
PCA 的数学原理和可视化效果
本文结构： 什么是 PCA 数学原理 可视化效果 ---- 1. 4）求出协方差矩阵的特征值及对应的特征向量 5）将特征向量按对应特征值大小从上到下按行排列成矩阵，取前 k 行组成矩阵 P 6）Y=PX 即为降维到 k 维后的数据 ---- 2. （6） 记 Y 的协方差矩阵为 D， 那么 D 与 C 有如下关系： ? 这样，优化目标变成了寻找一个矩阵 P，满足 PCP? （5） 这样，就得到了 PCA 步骤中的第 3～6 步。 ---- 3. 可视化效果 例如下图，我们要将 2 维变成 1 维， 空心圆为数据，得到红箭头为第一主成分方向，蓝箭头为第二主成分方向： ? 将两个主成分分别作为新的坐标系时，可以看到下图中十字数据的状态： ?
1.2K90发布于 2018-04-03 - 来自专栏mac软件推荐
DxO FilmPack 6 for Mac(胶片模拟效果滤镜软件)
DxO FilmPack 6 for Mac是一款由法国图像处理软件开发公司DxO Labs开发的照片后期处理软件。 此外，它还提供了一些特殊效果工具，如黑白转换、交叉处理和柔化边缘等。 DxO FilmPack 6 for Mac还具有批量处理功能，可自动应用相同的设置到多个照片上，从而加快照片后期处理的效率。 广泛的创意效果：除了胶片模拟，DxO FilmPack 还包括一系列创意效果，例如纹理、漏光和帧等。 自定义：该软件提供高度自定义，允许用户调整效果的强度、更改边框或框架的颜色等。 易于使用的界面：DxO FilmPack 6 具有直观且用户友好的界面，使用户可以轻松地将胶片模拟和创意效果应用于他们的照片。 DxO FilmPack 6 for Mac(胶片模拟效果滤镜软件)
84930编辑于 2023-04-13 - 来自专栏HTML5学堂
兼容IE6 a标签hover特殊效果
HTML5学堂：虽然IE6现在使用率越来越低，很多网站也放弃了对IE6，甚至放弃了对IE7的兼容，但是IE6还是有很多人在使用。 当我们在处理a标签的hover效果的时候，会出现一些兼容问题，那我们来看一下面这个效果。 <! 原效果 ? 鼠标放上去的效果 a{float: left}将a标签转化成块元素，这样可以设置宽和高。 a:hover b{}当鼠标放在a标签上时，只是将a标签的b的内容隐藏掉，而不是将a隐藏掉。 如果将a标签隐藏掉的，hover效果将消失，使display:none;失效。
1.1K40发布于 2018-03-12 - 来自专栏数据STUDIO
6个顶级Python可视化库
Altair 数据可视化已超神, 再见 Seaborn！Altair 数据可视化已超神 优点 简单的可视化语法 Altair利用直观的语法来创建可视化。 查看数据转换的完整列表[6]。 链接图表 Altair提供了令人印象深刻的将多个地块连接在一起的能力。你可以根据用户的互动，使用选择来过滤所附图块的内容。 如果我们不为条形图增加宽度，图表会是这样的： from bokeh.transform import factor_cmap from bokeh.palettes import Spectral6 survived", source=titanic_groupby, fill_color=factor_cmap( "class", palette=Spectral6, survived", source=titanic_groupby, fill_color=factor_cmap( "class", palette=Spectral6,
2.6K20编辑于 2023-09-04 - 来自专栏萝卜大杂烩
6个顶级Python可视化库
优点 简单的可视化语法 Altair利用直观的语法来创建可视化。你只需要指定数据列和编码通道之间的联系，其余的绘图工作都是自动处理的。这种简单性使得信息的可视化变得快速而直观。 查看数据转换的完整列表[6]。 链接图表 Altair提供了令人印象深刻的将多个地块连接在一起的能力。你可以根据用户的互动，使用选择来过滤所附图块的内容。 如果我们不为条形图增加宽度，图表会是这样的： from bokeh.transform import factor_cmap from bokeh.palettes import Spectral6 survived", source=titanic_groupby, fill_color=factor_cmap( "class", palette=Spectral6, survived", source=titanic_groupby, fill_color=factor_cmap( "class", palette=Spectral6,
1.9K20编辑于 2023-08-21 - 来自专栏杨熹的专栏
TensorFlow-6-TensorBoard 可视化学习
project/tensorflow-zh/how_tos/summaries_and_tensorboard.html 今天学的内容是 TensorBoard 它的作用就是可以把复杂的神经网络训练过程给可视化 先来看效果： 如下图，就可以在 Tensorboard 的 scalars 下看到 accuracy，cross entropy，dropout，layer1 和 layer2 的 bias 和 weights tf.summary.scalar 操作来分别输出学习速度和期望误差，可以给每个 scalary_summary 分配一个有意义的标签为 'learning rate' 和 'loss function'，执行后就可以看到可视化的图表
81450发布于 2018-04-03 - 来自专栏优雅R
「R」数据可视化6 : 曼哈顿图
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。 一般，在GWAS的研究中，Pvalue的阈值在10^-6 或者10^-8以下。（现在可能要求更高了？ rs6 1 6 0.5190959 第一列为SNP的名字，第二列CHR为所在染色体，第三列BP为染色体上所在位置。 rs6 1 6 0.5190959 0 6 axisdf = don %>% group_by(CHR) %>% summarize(center=( max(BPcum) + min 2096 3 3 3212. 4 4 4204 5 5 5115 6 6 5966 don是用于作图的主要数据表，而axisdf是用于处理x轴，因为我们想要他们按照染色体的位置排布
4K20发布于 2020-07-06 - 来自专栏快学Python
6个顶级Python可视化库！
Altair 数据可视化已超神, 再见 Seaborn！Altair 数据可视化已超神 优点 简单的可视化语法 Altair利用直观的语法来创建可视化。 查看数据转换的完整列表[6]。 链接图表 Altair提供了令人印象深刻的将多个地块连接在一起的能力。你可以根据用户的互动，使用选择来过滤所附图块的内容。 如果我们不为条形图增加宽度，图表会是这样的： from bokeh.transform import factor_cmap from bokeh.palettes import Spectral6 survived", source=titanic_groupby, fill_color=factor_cmap( "class", palette=Spectral6, survived", source=titanic_groupby, fill_color=factor_cmap( "class", palette=Spectral6,
3.3K11编辑于 2023-12-11 - 来自专栏3D可视化
IT运维可视化效果实现前端就能做？
CamBuilder 中创建的物体，只有在编辑了 UserID、Name 或者 自定义属性 后，导入到 ThingJS 中才能成为独立的管理对象，被程序读取或修改。
48831发布于 2019-12-24 - 来自专栏钱塘大数据
数据挖掘：用可视化效果展现你的数据
对于数据挖掘，我们可以通过文中对数据可视化的案例找到分析数据、展现数据的方法和思路。 Data visualization 是一件很有趣的事情。 而且有时候，线条是可以去掉的，比如这个国际航班的可视化： Click a nation to see all connected nations via flights. 不同 visualization 的结合 前些时候，以为天文学家 Goodman 写过一篇关于高维天文数据可视化的论文，其中提到了 linked views 很重要，就是说我们要多种可视化方式联合起来展示数据 offers several view modes–timelime, calendar, list, table–to help explore thousands of data points. 6、 6、http://oicweave.org/ Web-based Analysis and Visualization Environment ---- 本文所用的数据按照 visualizing.org
1.4K50发布于 2018-02-28 - 来自专栏生信技能树
umap的单细胞可视化效果比tSNE好
我就顺手下载了打开读了一下，发现他们的单细胞转录组数据降维聚类分群后的可视化选择的是tSNE，感觉看起来呢各个单细胞亚群之间的边界线有点不清晰。 所以想着下载作者提供的单细胞表达量矩阵自己走一遍流程使用umap可视化看看。 第一次默认分群和简单的可视化基因如下所示： 简单的可视化基因 因为我这个是标准流程，所以主要是第一层次降维聚类分群，区分上皮细胞，免疫细胞，间质细胞即可。 我们直接看看默认命名后的结果： 我自己觉得，我们复现后的降维聚类分群结果，理论上比文章的好看一点，这就是我先表达的结论：umap的单细胞可视化效果比tSNE好 不知道你是否认同呢？
1.3K21编辑于 2023-02-27 - 来自专栏数据分析与可视化
数据可视化(6)-Seaborn系列 | 直方图distplot()
np.random.randn(100) """ 案例4：绘制直方图和最大似然高斯分布拟合图 """ sns.distplot(x, fit=norm, kde=False) plt.show() [6ne0cbgxg1 = np.random.randn(100) """ 案例5：绘制水平直方图 (即在垂直轴上绘制分布) """ sns.distplot(x, vertical=True) plt.show() [u6zz1cj1au.png g"}) plt.show() [y8xh1txhvn.png] 案例地址 案例代码已上传：Github https://github.com/Vambooo/SeabornCN 整理制作：数据分析与可视化学研社
15.6K02发布于 2019-09-24 - 来自专栏PPV课数据科学社区
【学习】数据可视化6步法
在当前互联网，各种数据可视化图表层出不穷，本文尝试对数据可视化的方法进行归纳，整理成6步法。 以最简单的性别分布为例，可以得到一个线性的可视化过程，如下： ? 同样在数据可视化，有时需要对数据进行概念转换，可加深用户对数据的感知。 6.让图表“动”起来 数据图形化完成后，可结合实际情况，将其变为动态化和可操控性的图表，用户在操控过程中能更好地感知数据的变化过程，提升体验。 总结 数据可视化形式多样，思考过程也不尽相同。以上6步法，是基于“数据”层面（区别于信息可视化），梳理思考过程，总结设计方法，为后续可视化提供可借鉴的思路。
85940发布于 2018-04-18 - 来自专栏PPV课数据科学社区
干货：数据可视化6步法
在当前互联网，各种数据可视化图表层出不穷，本文尝试对数据可视化的方法进行归纳，整理成6步法。 6.让图表“动”起来 数据图形化完成后，可结合实际情况，将其变为动态化和可操控性的图表，用户在操控过程中能更好地感知数据的变化过程，提升体验。 实现动态化通常以下两种方式： 交互和动画。 以上6步法，是基于“数据”层面（区别于信息可视化），梳理思考过程，总结设计方法，为后续可视化提供可借鉴的思路。 ”查看数据可视化专题-数据可视化案例与工具 5、回复“禅师”查看当禅师遇到一位理科生，后来禅师疯了！！ 知识无极限 6、回复“啤酒”查看数据挖掘关联注明案例-啤酒喝尿布 7、回复“栋察”查看大数据栋察——大数据时代的历史机遇连载 8、回复“数据咖”查看数据咖——PPV课数据爱好者俱乐部省分会会长招募 9、
1.3K120发布于 2018-04-20
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