- 综合排序
- 最热优先
- 最新优先
- 来自专栏技术翻译
11个有趣的【数据可视化】案例
image.png 数据可视化专家每天都在数据设计的世界里创造惊人的东西，数据可视化是在许多不同领域的重要工具。 为了纪念所有艺术家和设计师在世界各地进行惊人的数据可视化，这里收集了2018年最有趣的数据可视化案例。 2018年最佳数据可视化案例 1.History of Bruce Springsteen image.png By Adam McCann 亚当·麦肯(AdamMcCann)的数据可视化显示了布鲁斯 他利用收集到的每一次阿波罗任务的数据，创建了这个数据可视化。他把它作为一种艺术印刷品出售，而且相当成功。 11.Crazy Rich Asians image.png Crazy Rich Asians “南华早报”(SouthChinaMorning Post)制作了一系列有关亚洲国家与世界其他国家实际贫富差距的图表和交互式可视化数据
7K00发布于 2018-10-22 - 来自专栏全栈程序员必看
淘宝双11大数据分析（数据可视化）
文章目录 前言 本篇环境 结果展示 项目结构 前言 这一篇是最终篇，也是展示数据分析之后的结果的一篇。 其他文章： 淘宝双11大数据分析（环境篇） 淘宝双11大数据分析（数据准备篇） 淘宝双11大数据分析（Hive 分析篇-上） 淘宝双11大数据分析（Hive 分析篇-下） 淘宝双11大数据分析（Spark 再整合 Echarts 可视化！ 参考文章： idea搭建SSM项目（基于maven） 结果展示 项目结构 这是一个简单的 SSM 架构的项目。 代码我就不粘贴出来了。
5.8K20编辑于 2022-09-14 - 来自专栏优雅R
「R」数据可视化11：PCA和PCoA图
其实不论是PCoA还是PCA图均是用散点图来展示结果PCoA和PCA的结果，PCoA和PCA准确来讲是数据降维分析方法。 PCA对原始数据的正则化或预处理敏感（相对缩放）。PCA是最简单的以特征量分析多元统计分布的方法。通常情况下，这种运算可以被看作是揭露数据的内部结构，从而更好的解释数据的变量的方法。 ? **因此，PCA是尽力保留数据中的变异让点的位置不改动，而PCoA是尽力保证原本的距离关系不发生改变，也就是使得原始数据间点的距离与投影中即结果中各点之间的距离尽可能相关（如图）。 ? 本文将基于该包进行PCA和PCoA的分析，数据是自带的deug，该数据提供了104个学生9门课程的成绩（见截图）和综合评定。综合评定有以下几个等级：A+,A,B,B-,C-,D。 有时候PCA和PCoA的结果差不多，有时候某种方法能够把样本有效分开而另一种可能效果不佳，这些都要看样本数据的特性。 因为没有现成可供分享的微生物组数据，所以用了这个成绩的数据集。
3.1K11发布于 2020-07-03 - 来自专栏AI机器学习与深度学习算法
机器学习入门 3-11 Matplotlib数据可视化基础
plt.plot(x, siny) plt.plot(x, cosy, color = "red", linestyle = "--") plt.axis([-1, 11, -2, 2]) plt.show
1.1K30编辑于 2022-11-08 - 来自专栏数据分析与可视化
数据可视化(11)-Seaborn系列 | 小提琴图violinplot()
与盒形图不同，因为盒形图的所有绘图组件都对应于实际数据点,小提琴形图具有底层分布的核密度估计。 可选： x,y,hue:数据字段变量名(如上表，date,name,age,sex为数据字段变量名) 用于绘制数据的输入 data: DataFrame,数组或数组列表 用于绘图的数据集，如果x和y不存在 实际内核大小将通过将比例因子乘以每个bin中数据的标准差来确定。 cut:float 以带宽大小为单位的距离，用于将密度扩展到超过极端数据点。 如果point或stick， 则显示每个基础数据点。 height=4, aspect=.7); [inhhin46ey.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
14.3K10发布于 2019-10-02 - 来自专栏iOS开发干货分享
Xcode 11 初体验（Xcode工作流的改进（Workflows））
[1240] 今天更新了 Xcode 11 感觉很不错（主要很多陌生的东西，但是很有意思）！这里跟大家一起分享一下！ 趁着最新更新正是版本的 Xcode 11 于是就有这一篇 Xcode工作流的改进（Workflows） 工程创建 [1240] 创建工程进来，就会发现 User Interface 可以进行选择 SwiftUI 指定文件打开位置 上面我们介绍了窗口分割，在 Xcode 11 中，你还可以按住 Option + Shift，然后在左边点击要打开的文件，这时会出现窗口选择提示 [1240] 你可以用键盘，或者鼠标任意方式选择你要打开这个文件的窗口
2.9K40发布于 2019-10-18 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。
7100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 工作流（Workflow），就是“业务过程的部分或整体在计算机应用环境下的自动化”，它主要解决的是“使在多个参与者之间按照某种预定义的规则传递文档、信息或任务的过程自动进行，从而实现某个预期的业务目标 ，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 - 来自专栏终身学习者
11个React Native 组件库和 Javascript 数据可视化库
Javascript 数据可视化库 1. D3js ? 超过 80k 的 star的 D3.js 可能是最流行和最广泛的 Javascript 数据可视化库。 超过5K stars 的 Raw 是电子表格和数据可视化之间的连接链接，用于在d3.js库之上创建基于矢量的自定义可视化。 它可以处理表格数据(扩展列表和逗号分隔值)，也可以处理来自其他应用程序的复制粘贴文本。基于SVG格式，可以使用向量图形应用程序编辑可视化，以便进一步改进，或者直接嵌入到web页面中。 11. 超过 11k 的stars Metabase中，使用SQL创建数据仪表板是一种非常快速和简单的方法，不需要知道SQL(但是对于分析人员和数据专业人员使用SQL模式)。 原文：https://blog.bitsrc.io/11-rea...https://blog.bitsrc.io/11-jav...
14.2K11发布于 2019-05-13 - 来自专栏大数据文摘
11张图带你走过数据可视化的前生今世
正所谓“前人栽树，后人乘凉”，我们站在了他们的肩膀上，才有了今天比较炫酷的可视化技术。 今天，大数据文摘先请大家看看11张静态的数据可视化图，然后请大家看看一段展示动态数据可视化的视频。 通过今天的可视化展示，相信大家更能体会到数字世界中艺术的重要性！ 在大数据时代和信息过载的今天，数据可视化无疑是筛选并呈现复杂数据的最有效方式。 单张数据可视化图就可以是无价之宝。 实际上，数据可视化可以追溯到2500多年前，在电脑和简单的视觉表示工具出现之前，就已经存在。 是否好奇数据可视化是怎样随着时间发展起来的？ 接下来，我们将展示来自不同但有重要意义的历史阶段的11张独特的数据可视化图。 下面将为大家展示11张经典数据可视化图。 1. 地图——第一张世界地图 ? Anaximander在公元前550年制作的第一张世界地图。
1.1K150发布于 2018-05-22 - 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 - 来自专栏Spark学习技巧
数据科学的工作流程
本文浪尖主要讲讲数据分析企业内的工作流程。 随着，云计算使得计算能力的提示，大数据技术的飞速发展，数据也是备受企业重视，企业内部都是在想法设法的得到你的数据，分析你，然后从这个过程中获利。 强调一点，不仅是从数据分析的结果中获利，比如推荐系统等，而且从数据采集到展示，企业都是可以获利的。由此可见，数据的重要性。 数据科学的工作流程 现在企业中标准的数据分析过程如下： 首先，我们生活在这个世界中。在这个世界上，有很多人在从事各种各样的活动。 在拿到这份干净的数据后，我们应该先做一些探索性数据分析。在这个过程中，我们或许 会发现数据并不是那么干净，数据可能含有重复值、缺失值或者荒谬的异常值，有些数据 未被记录或被错误地记录。 数据科学的基本技术架构支持 这部分不多说，直接上个宜人贷的反欺诈平台架构图。 数据科学家在数据科学工作流程中的角色 到目前为止，所有这一切仿佛不需要人工干预，奇迹般地发生了。
1.7K60发布于 2018-03-20 - 来自专栏用户7004369的专栏
如何利用快速开发平台可视化开发工作流
XJR开发平台的工作流是整合activity工作流引擎的图形化流程设计器，通过可视化配置界面。基于B/S结构，纯浏览器应用，只需要拖拽组件，拼接流程，就能实现各层的审批。 既能实现OA办公系统内部工作流之间的数据整合，如借款与报销、预算与决算等，又能实现OA办公系统工作流与其他业务系统之间的数据整合，如HR、ERP、CRM等。 在OA办公系统中，每个人都会用的请假流程，我们拿请假申请流程来举例，看看如何利用XJR快速开发平台进行可视化设计流程？ 建立工作流程前我们需要先通过XJR快速开发平台的可视化表单设计先设计设计出请假表单。前面有文章详细介绍过了，在这里不详细讲解了。 一、点击后台工作流程→流程设计 二、用流程设计器画出请假流程图，XJR快速开发平台的流程设计器是整合activtity开发，采用可视化编辑工作流引擎，辅助研发人员设计专业的流程功能，像我这种只会办公软件的人都可轻易上手
2.1K00发布于 2020-03-03 - 来自专栏大数据与微服务架构
大数据工作流Oozie
提供Hadoop任务的调度和管理，不仅可以管理MapReduce任务，还可以管理pig、hive、sqoop、spark等任务，Oozie就是一个基于hadoop的工作流引擎。 两个主要组件： 工作流定义组件:一系列Action个的列表（Action就是一个任务节点，eg：MapReduce任务、pig任务、hive任务等） 调度器组件：可调度的WorkFlow（workflow 就是定义一个DAG的任务图，而调度器可以决定在某个时间或符合条件执行DAG（有向无环图 Direct Acyclic Graph）任务图） Oozie工作流定义中的两种节点： 控制流节点：用于定义逻辑判断 ，eg：start、end、控制流程执行路径 动作节点：用户执行任务节点：hadoop任务、Oozie子流程 定义一个完整Oozie工作流需编写3个文件 1、workflow.xml:（必需）定义工作流任务 （需放到HDFS上） 2、config-default：（可选） 包括所有工作流共享的属性值 3、job.properties： （必需）针对每个工作流的属性值
61430发布于 2020-04-11 - 来自专栏灵墨AI探索室
借助AI助手分析LlamaIndex的工作流可视化
引言 接续上次的讨论，我们上次主要分析了LlamaIndex工作流的核心流程，当前还剩下一行代码需要关注，那就是关于工作流的可视化。 今天我们的目标是深入理解这一可视化部分的主要流程，并且对其大体的实现方式进行简要的了解和探讨。 Network是啥 pyvis 是一个功能强大的 Python 库，专门用于创建动态和交互式的网络可视化图形。 该库中的核心组件是 Network 类，通过这一类，用户不仅可以构建复杂的网络结构，添加各种节点和边，还可以灵活地设置网络的布局和样式，以满足不同的可视化需求。 总结 在本文的最后，我们总结了LlamaIndex工作流的可视化部分的实现和细节，重点分析了如何利用Python中的pyvis库和Java中的图形库，分别在两种语言中构建和展示网络图。
46520编辑于 2024-12-02 - 来自专栏Tencent Serverless 官方专栏
可视化编排云服务，工作流 ASW 开始公测！
ASW 简介 应用与服务编排工作流（Application Services Workflow，ASW）是对腾讯云服务进行可视化编排，组合成工作流模板的应用程序集成类产品。 同时，您将无需编写代码，只需用可视化编排的方式快速构建自动化工作流模板，并实例化为任务去执行，或发布为服务接口提供对外访问。 可视化编排 ASW 将各类云服务的 API 以视图组件的形式展现，支持通过拖拽组件，可视化地编排工作流模板。可根据需求实现云服务的自由组合，提供满足复杂业务场景的工作流服务。 将各类云服务组件以可视化编排组合的方式组成工作流模板，并集成为服务，为云端用户提供便捷、低成本的云上开发服务。 ? 6. 应用程序集成 将各类云服务组件以可视化编排组合的方式组成工作流模板，并集成为服务，为云端用户提供便捷、低成本的云上开发服务。 ? 申请试用 ASW ASW 目前处于公测阶段，公测阶段免费提供服务。
4K30发布于 2021-01-22 - 来自专栏IT从业者张某某
数据可视化第二版-03部分-11章-相关
数据可视化第二版-03部分-11章-相关 总结 本系列博客为基于《数据可视化第二版》一书的教学资源博客。本文主要是第11章，相关可视化的案例相关。 可视化视角-相关 代码实现 安装依赖 pip install scikit-learn -i https://pypi.tuna.tsinghua.edu.cn/simple pip install noise=10, random_state=144) # 生成回归数据 n_samples=150, noise=.09, random_state=10) x = moons[0] y = moons[1] plt.scatter(x[:, 0], x[:, 1], c=y) # 可视化月牙图形 numpy as np import seaborn as sns import matplotlib.pyplot as plt # 1 X = [1, 23, 4, 34, 3, 47, 38, 7, 11
43310编辑于 2023-10-16 - 来自专栏DeepHub IMBA
数据分析和机器学习的11个高级可视化图表介绍
可视化是一种强大的工具，用于以直观和可理解的方式传达复杂的数据模式和关系。它们在数据分析中发挥着至关重要的作用，提供了通常难以从原始数据或传统数字表示中辨别出来的见解。 可视化对于理解复杂的数据模式和关系至关重要，我们将介绍11个最重要和必须知道的图表，这些图表有助于揭示数据中的信息，使复杂数据更加可理解和有意义。 5、QQ Plot QQ Plot（Quantile-Quantile Plot，分位数-分位数图）是一种用于比较两个数据集的分位数分布是否相似的数据可视化工具。 11、Partial Dependency Plots: Partial Dependency Plots（部分依赖图）是一种用于可视化和解释机器学习模型的工具，特别适用于了解单个特征对模型预测的影响 它们提供了一种可视化方式，使数据科学家和分析师更容易理解模型的决策和特征之间的关系。
96920编辑于 2023-10-23 - 来自专栏磐创AI技术团队的专栏
掌握数据科学工作流程
_predictions = {} self.data = pd.read_csv("insurance.csv") 接下来，我们将定义一个名为'eda'的方法，执行一些简单的可视化操作 _predictions[model_name], self.y_test) 我们可以定义该类的一个实例并生成一些可视化效果： mlworkflow = MLworkflow() mlworkflow.eda 使用辅助类对模型类型和按类别分段的训练数据进行记录 为了避免不断增加的复杂性，通常可以使用辅助类，这些类是基于ML工作流的每个部分进行定义的。 上找到:https://github.com/spierre91/deepnote/blob/main/helper_class_ml.ipynb 结论 在本文中，我们讨论了如何使用面向对象编程来简化数据科学工作流程的部分 首先，我们定义了一个单一的ML工作流类，它可以进行简单的EDA、数据准备、模型训练和验证。 然后，我们看到随着我们向类添加功能，对类实例的方法调用变得难以阅读。
47121编辑于 2023-10-26 - 来自专栏医学数据库百科
《数据可视化基础》第11章：两个或多个连续性变量相关可视化(一)
例如，我们可能有不同动物的量化测量数据集，如动物的身高、体重、长度和每日能量需求。为了绘制仅仅两个这样的变量的关系，例如身高和体重，我们通常会使用散点图。 最后，对于非常高维的数据集，执行降维可能是有用的，例如以主成分分析的形式。 11.1 散点图 这里，我们使用对123只蓝松鸦体征数据集来演示基本的散点图和其中的几个变量。 这个数据集包含诸如头部长度(从喙尖到后脑勺测量)、头骨大小(头部长度减去喙长度)和每只鸟的身体质量等信息。我们认为这些变量之间是有关系的。 另外在这个数据集当中，还包括了性别变量。因此我们想要知道头部长度和身体质量之间的关系是否在性别当中都适用。为了解决这个问题，我们在?的散点图当中，使用性别这个变量进行着色。 另外数据集当中还有一个头骨大小的变量。因此我们想要在上面数据的可视化的基础上，再观察头骨大小是否和头部长度有关系。在?的可视化当中，我们用X代表身体质量；用Y代表了头部长度；利用颜色来映射性别。
1K20发布于 2020-08-27
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