- 综合排序
- 最热优先
- 最新优先
- 来自专栏优雅R
「R」数据可视化10：面积图
具体地，它通过一定的区域面积来表示数据大小，利用不同的颜色或者线条来区别不同组的数据。 通过上述例子可以看出面积图和折线图很相似，在很多时候两者可以相互替代，以丰富数据可视化的形式。 怎么做面积图 1）需要什么格式的数据本次使用的是一个US economic time series的名叫economics的数据。我们选择其中的两列数据：psavert和uempmed。 数据格式 2）如何作图 library(ggplot2) library(lubridate) library(RColorBrewer) #psavert=personal savings rate
1.3K40发布于 2020-07-02 - 来自专栏PyVision
10个独特的NBA数据可视化
所以我就像其他热爱数据、热爱篮球的人一样，闲着没事总得找点事情干: 我深入研究数据，并绘制了一些图表。 ---- 最佳进攻球员 (声明: 这些统计数据是从1996年开始的，只有大约一半的乔丹职业生涯记录，所以他不在这里的名单上，但是如果有了更大的数据库，你可以肯定他一定会出现在那里。) 平均每个赛季至少打10场比赛，最少打2个赛季，这些是篮板球方面前十最佳防守球员。 ---- 两双 另一个经常使用的指标是“两双” ，指一个球员在以下任意两个指标中超过10: 得分，助攻，篮板，抢断和盖帽。 我对这些可视化的任何建议，修改或者新的idea都很open。欢迎在你认为合适的任何篮球对话和争论中使用它们。 希望它能帮助你填补现在缺乏运动所留下的空白。
2.4K11发布于 2020-09-02 - 来自专栏小鹏的专栏
Python数据可视化的10种技能
同样在数据分析得到结果之后，我们还需要用到可视化技术，把最终的结果呈现出来。 可视化视图都有哪些？ 按照数据之间的关系，我们可以把可视化视图划分为 4 类，它们分别是比较、联系、构成和分布。 可视化的视图可以说是分门别类，多种多样，今天我主要介绍常用的 10 种视图，这些视图包括了散点图、折线图、直方图、条形图、箱线图、饼图、热力图、蜘蛛图、二元变量分布和成对关系。 ? # 数据准备 # 生成 0-1 之间的 10*4 维度数据 data=np.random.normal(size=(10,4)) lables = ['A','B','C','D'] # 用 Matplotlib Seaborn 是基于 Matplotlib 更加高级的可视化库。 另外针对我讲到的这 10 种可视化视图，可以按照变量之间的关系对它们进行分类，这些关系分别是比较、联系、构成和分布。 ，体验下 Python 数据可视化的过程。
3.6K20发布于 2019-05-26 - 来自专栏CSDN技术头条
数据可视化的10个关键术语
交互式可视化允许您修改，操作和探索计算机显示的数据。绝大多数交互式可视化系统在计算机网络上，但越来越多出现在平板电脑和智能手机上。 相比之下，静态可视化只显示单一的、非交互数据，它通常是为了打印和在屏幕上显示。 数据集合是需要可视化处理的数据集合。你可以简单认为数据集合就是很多行和列的数据，这些数据通常在电子表格或数据库中。行代表一个记录，也就是一个事务的实例；列是变量，代表事务的具体信息。 Scales are often presented as intervals (10, 20, 30 etc.) and will represent units of measurement, such 度量通常以间隔表示(10、20、30等等)，代表度数字的单位，如价格、距离、年，或百分比。
1.3K70发布于 2018-02-09 - 来自专栏CSDNToQQCode
Python可视化数据分析10、Matplotlib库
Python可视化数据分析10、Matplotlib库 前言 博客：【红目香薰的博客_CSDN博客-计算机理论,2022年蓝桥杯,MySQL领域博主】 ✍本文由在下【红目香薰】原创，首发于CSDN ✍ 2022年最大愿望：【服务百万技术人次】 Python初始环境地址：【Python可视化数据分析01、python环境搭建】 ---- 环境需求 环境：win10 开发工具：PyCharm Community Edition 2021.2 数据库：MySQL5.6 ---- 前置环境 pip3 config set global.index-url https://repo.huaweicloud.com 前言 Matplotlib是Python中最常用的可视化工具之一，可以非常方便地创建海量2D图表和一些基本的3D图表。 Y = np.arange(-2, 2, 0.1) # Y坐标数据 X, Y = np.meshgrid(X, Y) # 计算3维曲面分格线坐标 # 用于计算X/Y对应的Z值 def f(x,
1.1K20编辑于 2022-11-30 - 来自专栏IT派
10 分钟用 Python 搞定数据可视化！
因为大脑的这种喜好，所以才非常有必要“数据可视化”，即用某种适合的图像来表示某些数据。那常见的图像有哪些呢？ 01 常见图像和用途 “数学性可视化”，就是要将数据用图像的方式表达。 显然，如果用条形图、柱形图来实现可视化，效果都不是太好，因为数据量有点大了。 ? 注：因为数据量比较多，所以显示部分。 对这份数据实现可视化，比较好的选择是绘制折线图。 ? 图 10 显示了通常的箱形图的形状： ? 图 10 箱线图 通过箱形图，可以观察到如下信息： 数据的统计值为中位数、最大值、最小值等 数据集中是否存在异常值，以及异常值的具体数值 数据是否是对称的 数据的分布是否密集、集中 数据是否有偏向性 还要提到股票 以上将“数据可视化”分为了“艺术性可视化”和“数学性可视化”两类。“数学性可视化”是基于统计学基本知识，运用编程技能实现数据可视化，这种方式特别适用于大数据的问题中。 好了，是不是很简单？
1K21发布于 2019-06-10 - 来自专栏CSDN技术头条
10 分钟用 Python 搞定数据可视化！
因为大脑的这种喜好，所以才非常有必要“数据可视化”，即用某种适合的图像来表示某些数据。那常见的图像有哪些呢？ 01 常见图像和用途 “数学性可视化”，就是要将数据用图像的方式表达。 显然，如果用条形图、柱形图来实现可视化，效果都不是太好，因为数据量有点大了。 ? 注：因为数据量比较多，所以显示部分。 对这份数据实现可视化，比较好的选择是绘制折线图。 ? 图 10 显示了通常的箱形图的形状： ? 图 10 箱线图 通过箱形图，可以观察到如下信息： 数据的统计值为中位数、最大值、最小值等 数据集中是否存在异常值，以及异常值的具体数值 数据是否是对称的 数据的分布是否密集、集中 数据是否有偏向性 还要提到股票 以上将“数据可视化”分为了“艺术性可视化”和“数学性可视化”两类。“数学性可视化”是基于统计学基本知识，运用编程技能实现数据可视化，这种方式特别适用于大数据的问题中。 好了，是不是很简单？
96030发布于 2019-11-19 - 来自专栏PPV课数据科学社区
【译文】数据可视化的10个关键术语①
交互式可视化允许您修改，操作和探索计算机显示的数据。绝大多数交互式可视化系统在计算机网络上，但越来越多出现在平板电脑和智能手机上。 相比之下，静态可视化只显示单一的、非交互数据，它通常是为了打印和在屏幕上显示。 数据集合是需要可视化处理的数据集合。你可以简单认为数据集合就是很多行和列的数据，这些数据通常在电子表格或数据库中。行代表一个记录，也就是一个事务的实例；列是变量，代表事务的具体信息。 度量通常以间隔表示(10、20、30等等)，代表度数字的单位，如价格、距离、年，或百分比。 ”查看这是我见过最逆天的设计，令人惊叹叫绝 4、回复“可视化”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！！
1K40发布于 2018-04-20 - 来自专栏数据科学与人工智能
【案例】10个数据可视化案例，让您更懂可视化
小编邀请您，先思考： 1 如何选择正确的图标视觉化数据？有哪些经验教训？ 数据可视化，是一种用来将复杂信息数据清晰表述出来的强大有力的工具。 通过可视化信息，我们的大脑可以更有效地合成和保留信息内容，增强对信息的理解。但是如果不正确数据可视化，它可能弊大于利。错误的图表可以减少数据的信息，甚至完全背道而驰。 当然，并不是所有的设计师是数据可视化专家，这就是为什么大部分的图表看上去是那么糟糕，简直不忍直视。 这里有10个数据可视化的案例，包括你可能犯的错误和快速修复补救的方法。 错误6.扭曲数据 确保所有可视化方式是准确的。例如,气泡图大小应该根据区域扩展,而不是直径。 ? 错误10：用3D图表 虽然他们看起来很酷，但是3D形状可以扭曲感知，因此扭曲数据。坚持2D，确保数据准确。 ? 怎么样，上述10条，你中枪了吗？
2K50发布于 2018-02-28 - 来自专栏BI工具
盘点10款超好用的数据可视化工具
对于数据分析来说，一张清晰的可视化图表确实比纷繁复杂的数字更清晰美观。 随着科技的发展以及可视化需求的急剧增大，涌现了大批的数据可视化工具，通过对比分析市面上众多的数据可视化工具之后，我们挑选了几款给大家进行参考。 1、EXCEL Excel可以说是典型的入门级数据可视化工具，很多初学者会用EXCEL做一些简单的数据分析。 2、Tableau Tableau是全球知名度很高的数据可视化工具，你可以轻松用Tableau将数据转化成你想要的形式。 10、亿信ABI ABI（ALL in one BI）是亿信华辰自主研发的一款融合了ETL数据处理、数据建模、数据可视化、数据分析、数据填报、移动应用等核心功能而打造的全能型数据分析平台。
8.4K11发布于 2020-08-26 - 来自专栏加米谷大数据
常用的10种数据可视化技术（上）
数据可视化技术主要有两大功能： 将分析结果更加清晰地展现出来。 将数据有效组织起来，利于提出新的猜想，或引导某一项目下一步的走向。 1.直方图 直方图看似简单，实际上功能却很强大。 如果数据类别过多的话，无论是条形图还是饼状图，可视化的效果都不会太好。在这种情况下，可以考虑只对前几项最大值进行可视化处理。 3. 散点图与折线图 或许最简单的图莫过于散点图，因为它将数据展现在一个二维的笛卡尔坐标系中。 散点图尤其适用于研究两个变量之间的关系，它能将这种相互关系更加直观地展现出来，以便我们进行研究。 如果想要更加直观地研究某一数据随时间的变化趋势，时间序列图就是绝佳选择。因此，时间序列图在分析财务数据和传感器数据上应用得尤为普遍。 5.关系图 如果你的目的是提出一个全面的猜想，那么关系图就非常合适，因为它能直观地展现出数据之间的关系。
2.2K20发布于 2019-08-01 - 来自专栏数据分析与可视化
数据可视化(10)-Seaborn系列 | 盒形图boxplot()
盒形图 盒形图又称箱图，主要用来显示与类别相关的数据分布。 (如上表，date,name,age,sex为数据字段变量名) 作用：根据实际数据，x,y常用来指定x,y轴的分类名称， hue常用来指定第二次分类的数据类别(用颜色区分) data: DataFrame orient:方向：v或者h 作用：设置图的绘制方向(垂直或水平)， 如何选择：一般是根据输入变量的数据类型(dtype)推断出来。 tips = sns.load_dataset("tips") """ 案例2： 根据数据情况，指定x变量名进行数据分组，y变量进行数据分布 """ sns.boxplot(x="day", y="total_bill aspect=.7); plt.show() [vqetcbucuu.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
3.3K00发布于 2019-10-02 - 来自专栏DeepHub IMBA
10个实用的数据可视化的图表总结
用于深入了解数据的一些独特的数据可视化技术 可视化是一种方便的观察数据的方式，可以一目了然地了解数据块。我们经常使用柱状图、直方图、饼图、箱图、热图、散点图、线状图等。 这些典型的图对于数据可视化是必不可少的。除了这些被广泛使用的图表外，还有许多很好的却很少被使用的可视化方法，这些图有助于完成我们的工作，下面我们看看有那些图可以进行。 1、平行坐标图（Parallel Coordinate） 我们最多可以可视化 3 维数据。但是我们有时需要可视化超过 3 维的数据才能获得更多的信息。 例如，第10个quantile/percentile表示在该范围下，找到了10%的数据，90% 超出范围）。这是一种直观地检查数值变量是否服从正态分布的方法。让我解释一下它是如何工作的。 对于样本分布，数据范围从 10 到 100（100% 数据在 10 到 100 之间）。但对于标准正态分布，100% 的数据在 -3 到 3（z 分数）的范围内。
3.4K50编辑于 2023-02-01 - 来自专栏加米谷大数据
常用的10种数据可视化技术（下）
数据可视化技术主要有两大功能： 将分析结果更加清晰地展现出来。 将数据有效组织起来，利于提出新的猜想，或引导某一项目下一步的走向。 7.地图 如果你的数据里包含经度和纬度的信息，或者其它通过地理位置来组织数据的方法，比如邮政编码、区域代码、县级数据或者机场数据等，那么在这个时候，绘制地图将会非常有助于对数据的可视化处理。 8. 然而，不论是直方图还是饼状图，都对于这些文字类的数据显得力不从心，而更适合分析数字数据的频率。因此在这种情况下，可以求助于词云。 因为通过使用旋转和缩放的功能，用户能够更加全面而深刻地分析数据。 10.高维图 在分析高维数据时，需要同时对四项、五项，甚至更多的相关数据进行可视化处理。 因此，为了达到这个目的，可以利用上文所讲过的任何一个可视化技术，先构建一个二维或三维模型。 目前应用最为普遍的降维方法是主成分分析法。
94520发布于 2019-08-01 - 来自专栏灯塔大数据
盘点：10款最受欢迎数据可视化工具
当然，你可能想象不到这种数据可视化的技术可以追溯到2500年前世界上的第一张地图，但是，如今利用各种形态的数据可视化图表帮助用户减少分析时间，快速做出决策一直扮演着重要的作用。 ? Excel可以说是典型的入门级数据可视化工具，但同时，它也支持3D的可视化展示，微软发布了一款叫做GeoFlow的插件，它是结合Excel和Bing地图所开发出来的3D数据可视化工具。 Modest Maps 很多人把Modest Maps当作一个简单的地图制作API，但实际上它是目前最小的可用地图库，只有10KB大小，你可以用它创建在线地图，设计者可以按照自己的设想定制，满足用户需求 D3.js是一个JavaScript库，特利用现有的Web标准，通过数据驱动的方式实现数据可视化。 D3.js允许绑定任意数据到DOM，然后将数据驱动转换应用到Document中。 10 iCharts ? iCharts iCharts是一款可视化云服务工具，可以方便的制作高分辨率的可视化与信息图。iCharts有很多不同的图表类型，用户可以定制适合自己网站主题和颜色的方案。
2.7K80发布于 2018-04-10 可视化拖拽玩转 Claude Code 工作流
基于 VS Code 的 cc-wf-studio 插件彻底改变这一现状，用可视化画布+节点拖拽，轻松搭建分支判断、Skill 调用、MCP 工具联动、多 Agent 协同的完整工作流，导出后一条命令即可全自动执行 支持中文界面、一键导出可执行命令，可把复杂开发、测试、运维流程变成标准化工作流，大幅降低编排门槛与执行成本。 关键模块用法 Skill 快速调用 节点直接读取本地已安装 Skills 下拉选择即可调用，无需手写配置 MCP 工具集成 支持对接各类 MCP 服务 文件操作、数据库、API 请求、设计稿解析均可纳入流程 实用优化技巧 复杂流程拆分为多个子 Agent，通过主流程调度 定期保存工作流文件，形成团队内部流程库 大型项目按模块拆分流程，避免单画布过于拥挤 执行前先用 Preview 预览逻辑，减少运行异常 cc-wf-studio 把 Claude Code 的强大能力装进可视化画布，让复杂 AI 工作流变得直观、可控、可沉淀。
6500编辑于 2026-04-17- 来自专栏一个会写诗的程序员的博客
jBPM 工作流引擎可视化编辑器
JBPM，是一款开源的工作流产品，功能强大、小巧灵活。 jBPM在2004年10月18日，发布了2.0版本，并在同一天加入了JBoss，成为了JBoss企业中间件平台的一个组成部分，它的名称也改成JBoss jBPM。 JBPM采用XML结构的流程描述语言JPDL来描述工作流程 JBPM使用Hibernate作为持久层工具，可以在各大主流数据库中使用 官网：http://www.jboss.org/jbpm/ JBPM3 ，或者促使此目标的实现” 简单的说，就是将工作的流程通过程序管理起来，以表单审核和任务办理为主体，实现办公自动化 工作流框架，将业务流程管理起来， 所有业务流程操作，围绕工作流框架进行， 基于表单提交和任务办理 工作流框架有：Jbpm、OSWorkflow、ActiveBPEL、YAWL等 https://blog.csdn.net/qq_36414013/article/details/72903762
2.1K10发布于 2021-06-17 - 来自专栏智能算法
Github 上 10 个最流行的数据可视化项目
D3 Stars: 46561, Forks: 12465 D3 是一个JavaScript数据可视化库用于HTML和SVG。 它旨在将数据带入生活，强调Web标准，将强大的可视化技术与数据驱动的文档对象模型（DOM）操作方法相结合。 D3是Github上最流行的数据可视化项目，在数据科学界有很好的表现。 ? 2. 它用于在浏览器和移动设备上进行强大的数据分析。 9. Epoch Stars: 4426, Forks: 239 ? Epoch 一个用于开发人员和可视化设计师的通用库。 它是通用的，并支持可视化的两个不同方面：用于历史数据报告的基本图表，以及用于显示频繁更新时间序列数据的实时图表。 Epoch是一个JavaScript项目。 10. Vega Stars: 3896, Forks: 389 Vega是一种可视化语法。 Vega以声明性格式提供了创建和保存交互式可视化设计的方式。 数据可视化以JSON格式描述。
6.1K60发布于 2018-04-02 - 来自专栏喔家ArchiSelf
数据分析中10种常见的可视化图例
从数据类型出发，面向需要表达的指标，老码农尝试对常见的可视化图例进行了梳理。 一. 单变量的可视化 如果我们关注单一变量的指标变化，可以优先考虑直方图以及箱形图。 局限：不适合数据连续的场景，以及非单一顺序流程 四.多个连续变量的可视化 对于连续型的多变量，一般应用于时间序列分析。 局限：不适用于多变量序列有交叉重叠的场景 10 热力图 热力图（heatmap）又称热图，以特殊高亮的形式显示某一区域。 五 小结 在dashboard的设计中，有太多的可视化图例可以选择，而且很方便通过echart等前端库来实现。 可视化表达的选择方式依赖于所要呈现的数据及指标类型，这涉及一个相对简单的数据建模过程。 我们可以考虑是单变量还是多变量中的相关指标，然后根据数据是否连续型做进一步的筛选，进而选择相对合适的可视化方法，本文梳理了10个常见的可视化图例。
1.7K10编辑于 2024-07-12 - 来自专栏数据科学与人工智能
数据科学工作流程
[导读]我们做出数据产品的过程一般是比较规范化的，通常称这个过程为：方法论、产品生命周期或者工作流程。 当然数据科学的工作也有很多选择，就像没有一套通用的开发软件工程一样，但我们会努力设计出一套尽可能适用的工作流程。 ? ? 01 •CRISP-DM（数据挖掘建模标准） ---- CRISP-DM是为大数据的信息挖掘设计的，在本质上这是标准对于软件工程来讲可能更适合数据科学。 以下是CRISP-DM的6个步骤： 1.理解业务核心 2.理解数据关系 3.数据准备 4.建立模型模 5.评价优化 6.具体实施 02 •数据科学项目生命周期 ---- 数据科学项目生命周期的理论更加工程化了 它的步骤为： 1.数据采集 2.数据准备 3.假设和建模 4.评估和解释 5.部署 6.具体操作 7.循环优化 03 •数据科学工作流程 ---- 在PhilipGuo的博士论文
1.3K70发布于 2018-02-28
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