- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI SPPECH
n8n 可视化自动化工作流平台：拖拽式工作流的无代码革命
n8n作为开源的可视化自动化工作流平台，旨在提供一个既易用又强大的解决方案，满足各种复杂的自动化需求。 工作流 实现的工作流： 从API收集数据 数据清洗和转换 数据加载到数据仓库 数据质量检查 分析结果可视化 效果： 数据处理时间减少了80% 提高了数据质量 减少了手动数据处理的错误 7 实时协作：支持多人实时编辑工作流 更强大的数据分析能力：内置数据分析和可视化功能 物联网集成：支持更多物联网设备和协议 7.2 挑战与机遇 挑战： 与现有系统的集成 性能优化的持续挑战 安全和合规性 总结与互动 8.1 核心要点总结 n8n作为开源的可视化自动化工作流平台，提供了以下核心优势： 易用性：拖拽式界面，易于使用，无需编程知识 灵活性：支持复杂的工作流逻辑和自定义开发 数据隐私：本地部署， 你对n8n的哪个功能最感兴趣？ 是可视化编辑器、自定义节点开发还是数据隐私保护？ 你认为低代码/无代码平台的未来发展方向是什么？ 请分享你的观点和见解！
1.3K10编辑于 2025-11-20 - 来自专栏优雅R
「R」数据可视化8：棒棒图
但是它可以给我们更多的信息，因为圆和下面的棒子可以代表同一组数据，也可以代表两组数据。“糖”和“棒子”的颜色也一样，可以表示同一个信息也可以表示不同维度的信息。 from tableau website 怎么做棒棒糖图 1)需要什么格式的数据我们用R中自带的一个数据——mtcars。 horsepower [, 5] drat Rear axle ratio [, 6] wt Weight (1000 lbs) [, 7] qsec 1/4 mile time [, 8] 稍微对数据进行一点处理: # Load data data("mtcars") dfm <- mtcars # 转为factor类型的数据 dfm$cyl <- as.factor(dfm$cyl) # Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1 Hornet 4 Drive Hornet Sportabout 18.7 8
1.5K20发布于 2020-07-06 - 来自专栏张俊红
8 条数据可视化配色规则
数据可视化的目标是传达来自数据分析工作流的关键结果。 虽然图表需要美观，但可视化的首要目标不是“高颜值”。 在数据可视化中使用配色应该是帮助传播关键发现，而不是成为某种艺术创作的一个环节。 在可视化具有两个不同方向变化的数据时，这种调色板非常有用。 — 规则4 — 对数据项进行归类 虽然使用不同的颜色可以帮助区分不同的数据点，但一张图表最多只能包含6-8个不同的颜色类别，以便每个类别都容易区分。 前15个国家/地区服务的卫星 如果可视化中需要6-8种以上的不同颜色(色调)，可以合并某些类别或浏览其他图表类型。
1.6K30编辑于 2023-03-21 - 来自专栏数据分析与可视化
数据可视化(8)-Seaborn系列 | 分类散点图stripplot()
sns.load_dataset("tips") """ 案例1： 水平散点图 """ sns.stripplot(x=tips["total_bill"]) plt.show() [zocaqgt3o8. sns.stripplot(x="day", y="total_bill", data=tips, jitter=0.3) plt.show() [27qeofkyj8.png] import seaborn , y="day", data=tips, jitter=True, linewidth=2) plt.show() [u912ihhqf8.png] import seaborn tips = sns.load_dataset("tips") """ 案例8： 设置dodge将数据在分类组中分离出来 """ sns.stripplot(x="day", y="total_bill jitter=True) plt.show() [wlpbhwssme.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
5.8K00发布于 2019-09-24 - 来自专栏数据观有话说
关于“数据可视化思考者”的8条军规
文：数据观 经常在网络上看到这样的问题：“从零开始学习数据可视化，需要怎么开始？” 《Data at Work》一书的作者Jorge Camoes在一次演讲中，提出了“数据可视化思考者”这一概念，并分享了他的12个想法。我们从中选取了最具价值的8个，进行了编译。 也就是说，一个好的数据可视化作品，会是一个优秀的数据预处理系统，可以让人脑专注于更高层次的目标。但是光有数据可视化还不够：你必须拥有相关的知识，以识破和解读隐藏在可视化作品中的模式。 8、超越单图 尝试结构化或图表矩阵，多使用“看板”或“信息图”等表现形式，用图表与文字对数据进行连贯的叙述。在进行探索性分析的时候，“焦点+上下文”的表现形式，往往比“单图＋过滤”更好。 copyright@数据观） 数据可视化思考者，以数据可视化为工具，对工作、对企业、对市场、对世界进行思考。 数据观，帮助您踏出成为数据可视化思考者的第一步。
83670发布于 2018-06-13 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。
6400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AllTests软件测试
n8n - 工作流自动化
作者之前有介绍过Postman Flows，允许你在协作环境中创建工作流、集成和自动化，而无需编写单行代码。 本篇也将介绍另一款工作流自动化工具 - n8n。 2、简介 n8n帮助你将任何具有API的应用程序与任何其他应用程序连接起来，并在很少或没有代码的情况下操作其数据，完成工作流自动化。 功能特点： 可定制：高度灵活的工作流和构建自定义节点的选项。 将人工智能插入自己数据的最快方法：构建自主的多步骤代理、使用自己的数据/工具聊天、插入自己的产品、使用任何模型（包括自托管）。 以隐私为中心：自主机n8n用于隐私和安全。 官方网址： https://n8n.io/ 3、快速上手 注册账号并登录成功，进入到工作流。 创建工作流项目，例如：TestDemo。 编辑工作流，开始添加第一个操作步骤。 如有问题可以询问AI助理。 添加一个触发器，用于设置在什么场景下开始执行，之后再添加一个接口请求。 接口请求进行编辑。 点击测试工作流，可以看到工作流执行成功。
25.2K36编辑于 2024-12-19 - 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DeepHub IMBA
8个常见的数据可视化错误以及如何避免它们
在当今以数据驱动为主导的世界里，清晰且具有洞察力的数据可视化至关重要。然而，在创建数据可视化时很容易犯错误，这可能导致对数据的错误解读。 本文将探讨一些常见的糟糕数据可视化示例，并提供如何避免这些错误的建议。 本文总结了8个数据可视化的典型错误，在日常工作中我们应该尽量避免，这样才可以制作出更好的可视化效果。 5、错误的可视化方法 选择适当的可视化来表示数据是数据可视化的关键步骤。可能有几个图表适合显示数据，但是如何选择最好的一个呢? 在上图中，两个图表都可以显示每个候选人的回答百分比。 8、3D图形使用不当 大多数3D图表不再经常用于显示常见数据，因为它们有很大的数据失真风险，因为我们的人眼很难理解3D视觉效果。 但是有好多人却在一直使用，这是因为他的视觉表现比较酷炫。 并非所有数据都需要在可视化中表示 你的数据有时可能会为自己说话。有些值可以表示重要的信息，可能不需要在数据可视化中显示这些信息。 在图表或图形中显示数据可能是不必要的。数据可视化是一种传递信息的手段。
89810编辑于 2024-04-01 - 来自专栏技术翻译
8种方法来改善您的数据可视化
使用数据集时，务必确保在遵循数据可视化的最佳实践的同时正确有效地向您的受众呈现数据。您可以在可视化中使用许多不同的功能和技巧，以确保它是可理解的，简洁的和信息性的。 根据您的数据，您可以在可视化中使用许多趋势线。 按规则过滤 按规则过滤允许您为轴或数据添加快速过滤选项。 您可以根据日期显示数据，例如年复一年，或者您可以使用比较图表来比较两个数据点，例如预算与实际数据。 图表标题 保持您的图表标题简单明了，因为您的数据和可视化应该讲述故事。 遵循几个或所有这些数据可视化最佳实践将开始帮助您更好地呈现您的重要数据。反过来，请记住，争斗的一半是让您触手可及的工具，使您能够进行这些编辑和选择。 原文标题《8 Ways to Improve Your Data Visualizations》 作者：Casey McGuigan 译者：February 不代表云加社区观点，更多详情请查看原文链接
1.1K20发布于 2018-12-13 - 来自专栏Excel催化剂
Excel催化剂功能第8波-快速可视化数据
数据分析过程中，最后一个环节数据可视化，大有文章可作，很多Excel用户们甚至单单一个可视化图表的领域就细分成一个技术爱好群体来，本人不才，对美感追求有限，更多时候只是简单地用条件格式对数据进行简单的可视化操作就完事 - 简书https://www.jianshu.com/p/21b2ca8fd2b8 Excel催化剂功能第6波-导出PowerbiDesktop模型数据字典 - 简书https://www.jianshu.com /p/bc26a8dcdfce Excel催化剂功能第7波-智能选区功能 - 简书 https://www.jianshu.com/p/146748e484d5 Excel催化剂功能第8波-快速可视化数据 - 简书 https://www.jianshu.com/p/ce7cca2baf89 视频演示 可视化所使用的条件格式有 1.数据条图形 一般在数据间差异变化较明显时，使用此类可视化较为合适，可以清晰地看到数据间的差异 8.png 自动调出【快速可视化】任务窗格 当勾选了【激活任务窗格】后，对于已经设置过的条件格式（仅限插件提供支持的数据条和色阶图两种类型），当点击其中一个有条件格式的单元格时，自动打开任务窗格，可查看当前的条件格式的设置范围和对数据百分点的设置
90820发布于 2021-08-19 - 来自专栏EDI电子数据交换知识分享
IT实现工作流程自动化的8个步骤
将IT任务从手动变为自动化的8个步骤： 1.选择正确的自动化目标。 2.对任务的步骤进行排序。 3.确定问题区域。 4.构建自动化工具集。 5.设置初始范围。 6.监控和测量。 8.维护自动化。 1.寻找自动化机会 自动化不是一个全有或全无的命题。并非每个流程或任务都应该（甚至可以）自动化。无需为了展示自动化的商业价值而同时实现所有流程或步任务的自动化。 2.评估自动化工作流程 人工工作流程转变为自动化工作流程时，组织者会遇到明显问题。自动化的工作流是每次都以相同的方式执行相同的步骤。 比较这些工具或平台的特点、功能、可用性和与其他数据中心或业务工具的互操作性。以IT为中心的工作流自动化工具包括Cflow，IBM，微软，Nlyte Software和ServiceNow的产品。 8.注重维护 实现自动化并不是一次性的工作。用于定义自动化流程的数据集（例如脚本和预定义的可视对象）需要定期检查和更新，以跟上工作流和业务需求的变化。
1.3K40发布于 2021-01-25 - 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 - 来自专栏我的小碗汤
Devtron：强大的 K8S 软件交付工作流程
Devtron 的特点： Kubernetes 的零代码软件交付工作流程 多云部署 轻松 DevSecOps 集成 应用程序调试仪表板 企业级安全性和合规性 GitOps 运营可视化 实践 出于演示目的 ，将使用 microK8s 设置集群 $ sudo snap install microk8s --classic --channel=1.22 $ sudo usermod -a -G microk8s kubectl='microk8s kubectl '" >> .bashrc $ echo "alias helm='microk8s helm3 '" >> .bashrc $ source .bashrc 部署模板（默认模板由 Devtron 提供，您可以根据自己的用例进行编辑），例如： 应用程序端口为 4000 所需 CPU = 50m 服务类型 = NodePort Deployment 模板 在工作流编辑器中设置持续集成部分 Secrets Secrets 是一个包含敏感数据的对象，例如密码、OAuth 令牌和 SSH 密钥。本示例中设置秘密访问令牌和应用程序需要的密码。
1.3K20编辑于 2023-03-19
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