- 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。 1）需要什么格式的数据 qqman提供的数据例子很直接就叫做"gwasResults"，数据格式如下： library(qqman) data("gwasResults") head(gwasResults 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 - 来自专栏狗哥的专栏
【ZStack】6.工作流引擎
通过一个工作流引擎，ZStack的每一个步骤，包裹在独立的工作流中，可以在出错的时候回滚。此外，通过在配置文件中组装工作流的方式，关键的执行路径可以被配置，这使得架构的耦合度进一步降低。 动机 数据中心是由大量的、各种各样的包括物理的（比如：存储，服务器）和虚拟的（比如：虚拟机）在内的资源组成的。 不同于普通的应用程序，它们绝大多数时候都在管理存储在内存或数据库的状态。为了反映出数据中心的整体状态，IaaS软件必须管理分散在各个设备的状态，导致执行路径很长。 不像消费级程序可以通过重启来恢复所有的状态，一个IaaS软件通常没有办法自己恢复状态，将会需要管理员们去手动更正在数据库和外部设备中的错误。 （flow）的时候，run(FlowTrigger trigger, Map data)方法会被调用；参数Map data可以被用于从先前的流程（flow）中获取数据并把数据传递给后续的流程（flow）
42610编辑于 2024-01-09 - 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()
规则, 该规则对数据中的离群值不太敏感，可能更适用于重尾分布的数据。 即水平横向的显示 案例教程 import seaborn as sns import numpy as np import matplotlib.pyplot as plt sns.set() #构建数据 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 color": "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。 将指标值图形化 一个指标值就是一个数据，将数据的大小以图形的方式表现。比如用柱形图的长度或高度表现数据大小，这也是最常用的可视化形式。 在这里，30ml是一个实际数据，但是难以感知，所以用一杯的概念来转换。 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。 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！！ 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 - 来自专栏明天依旧可好的专栏
机器学习第6天：数据可视化神器--Matplotlib
-----代码传送门----- -----数据传送门----- 一、Matplotlib简介 Matplotlib是一个数据可视化神器，画图用的。 二、散点图 第1步：导入数据 import pandas as pd dataSet = pd.read_csv('studentscores.csv') X = dataSet.iloc[ : , 绘制散点图 import matplotlib.pyplot as plt plt.scatter(X_train, Y_train, color='red') plt.show() ---- 二、线图 数据沿用散点图数据 3. linspace() np.linspace(-3,3,n) 它是创建等差数列的函数，返回ndarray类型数据。
79210发布于 2019-01-22 - 来自专栏快乐八哥
Docker Hub工作流程-Docker for Web Developers(6)
CMD ["cat", "/root/hello_world.txt"] 在Docker Hub上构建工作流 步骤1：注册Dockerhub并登录。 步骤2：基于Github仓库创建自动化构建 ?
86070发布于 2018-01-18 - 来自专栏Python机器学习算法说书人
遗传算法可视化项目（6）：用PyQt5实现数据可视化
昨天讲了一下Python和C语言交互，没有看昨天或者之前的文章点一下历史消息或者这里： 遗传算法可视化项目（1）：概述 遗传算法可视化项目（2）：获取信息 遗传算法可视化项目（3）：创建图的数据结构 遗传算法可视化项目（插曲）：关于距离的计算 遗传算法可视化项目（4）：遗传算法 遗传算法可视化项目（5）：C语言和Python交互 今天来讲一下用PyQt5实现数据可视化，首先把之前的文本文件 core库是我昨天弄的，因为我要数据可视化，必须把点和边画上去，就简单的画一个点太小了（点就一个像素），所以我用小正方形（4*4像素）代替点，因为我是要用PyQt5画点和线，我首先就是想到了QWidget 然后就是第二个父类方法setWindowTitle，就一个参数，参数类型是字符串，这个函数就是给你的窗口起个名字的，我这里就叫“数据可视化”了，这里名字可以随便叫。 首先开始计时start，然后就是初始化图这个数据结构，然后就是使用QApplication类的构造方法创建一个应用对象app，接着就是构造之前的Window的对象，然后结束计时end，end-start
1.6K20发布于 2019-07-26 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 - 来自专栏各类技术文章~
工作流activiti 6 学习笔记十二 子流程
子流程分为SubProcess,callActivity 和 adHocSubProcess
1.7K00发布于 2021-09-29 - 来自专栏DeepHub IMBA
超长时间序列数据可视化的6个技巧
为了解决这个问题，本文将介绍6种简单的技巧，帮助更有效地呈现长时间序列数据。 获取数据 本文将使用都柏林机场每日数据，包含自1942年以来在都柏林机场测量的气象数据。 处理超长时间序列数据的可视化 我们用6个简单的技巧来呈现一个长时间序列： 1、放大和缩小 我们可以创建一个交互式图表，结果可以放大或缩小以查看更多细节。 在可视化时间序列数据时，通常会考虑随时间移动的连续线。 雷达图可以用于比较同一类别数据的可视化图。我们可以通过在圆上绘制月份来比较年份同期的数据值。 本文展示了6种用于绘制长时间序列数据的可视化方法，通过使用交互函数和改变视角，我可以使结果变得友好并且能够帮助我们更加关注重要的数据点。 最后这些方法只是一些想法。
2.6K20编辑于 2022-11-11 - 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 - 来自专栏菩提树下的杨过
LangGraph4j 学习系列(6)-并行工作流
接上节继续，本篇将学习如何实现并行工作流。 上面这张图，用代码很容易绘制，参考以下代码。
22910编辑于 2026-03-02 - 来自专栏数据STUDIO
6个顶级Python可视化库
像Altair这样的声明式库简化了数据到可视化的映射，提供了一个更直观的语法。 数据类型和视觉化 是否在处理专门的用例，如地理图或大数据集？考虑一个特定的库是否支持绘图类型或有效处理大型数据集。 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。 你也可以使用:N 或:Q符号指定数据类型，如名义（没有任何顺序的分类数据）或定量（数值的衡量）。 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。 Altair建议在处理超过5000个样本的数据集时，在可视化之前对数据进行汇总。处理更大的数据集可能需要额外的步骤来管理数据大小和复杂性。 经验之谈：Altair 是创建复杂统计图表的绝佳选择。 虽然它可能缺乏一些默认的样式选项，并且在处理大型数据集时有局限性，但Altair的简单性、数据转换能力和链接图使其成为统计可视化的强大工具。
2.6K20编辑于 2023-09-04
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