- 综合排序
- 最热优先
- 最新优先
- 来自专栏数据分析与可视化
数据可视化(9)-Seaborn系列 | 分簇散点图swarmplot()
sns.load_dataset("tips") """ 案例1： 水平分簇散点图 """ sns.swarmplot(x=tips["total_bill"]) plt.show() [mpf3p5gdg9. sns.swarmplot(x="time", y="tip", data=tips, order=["Dinner", "Lunch"]) plt.show() [f8cra9y7ym.png 6和案例7 """ sns.swarmplot(x="time", y="tip", data=tips, order=["Dinner", "Lunch"], size=9) tips = sns.load_dataset("tips") """ 案例9： 根据数据情况绘制小提琴图和分簇散点图 在小提琴图上绘制分簇散点图 """ sns.violinplot(x="day" aspect=.7); plt.show() [6h6osxdhav.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
4.7K10发布于 2019-10-02 - 来自专栏小詹同学
数据可视化教你玩吃鸡——吃鸡 9 问 ！
但是玩归玩，还是得假装一下我沉迷学习，所以今天就用吃鸡比赛的真实数据来看看如何提高你吃鸡的概率。 那么我们就用python和R做数据分析来回答以下的灵魂发问？ 首先来看下数据： 1、跳哪儿危险？ 我们筛选出在前100秒死亡的玩家地点进行可视化分析。激情沙漠地图的电站、皮卡多、别墅区、依波城最为危险，火车站、火电厂相对安全。绝地海岛中P城、军事基地、学校、医院、核电站、防空洞都是绝对的危险地带。 竟然还有让队友救9次的，你也是个人才。 (time = pubg_sub$player_survive_time) 17fit1 <- survfit(surv_object~party_size,data = pubg_sub) 18# 可视化生存率 9deaths = pd.read_csv("deaths/kill_match_stats_final_0.csv") 10#导入aggregate数据 11aggregate = pd.read_csv
88490发布于 2019-11-12 - 来自专栏IIoT可视化
推荐 9 款数据可视化工具，设计变得so easy
充分利用可视化工具，可以对乏味的数据起到点金石成金的效果。现阶段我们对视觉信息的需求越来越高。视觉信息比传统文本信息更受关注，它便于阅读和加深记忆，因此也可以更快地被人们传播。 近年来，出现了许多数据可视化工具，今天带来 9 款类型的数据可视化工具，可以做仪表板，做动态报告，一起让数据更智能，也希望你能找到最合适的工具！ 可以用于业务数据的快速呈现，制作仪表板，也可以构建可视化的大屏幕。与PowerBI不同的是：各种多维数据库，大数据处理性能好，广泛应用于企业级。 RAWGGraphs 一个Web端可视化工具，完全免费，操作方便，只要进入网站，上传数据，你就可以使用几十个漂亮的数据图形由设计师创建。 Google Charts Google有自己的HTML5/SVG交互数据可视化库，叫做Google Charts。
2.9K30发布于 2020-11-09 - 来自专栏优雅R
「R」数据可视化9: 金字塔图和偏差图
那么这三张图我们可以用于展示什么样的数据呢，举个例子，比如我们想要展示转录组数据。 第二张图，比如我们转绿组的数据是个时间梯度的数据，分别检测了刺激后2个小时、4个小时、8个小时、12个小时的转录组数据。那么我们就可以展示这四个时间点的样本与对照组变化基因的情况。 怎么做金字塔图 1）需要什么格式的数据 #获取数据 dat <- read.csv("https://raw.githubusercontent.com/selva86/datasets/master/ 观察一下这个数据，可以看到Users中为了能够在x轴正负半轴分别现实所以Male为负数，Female的值为正数。 因此，如果我们想要用自己的数据做这类图，也要注意正负，要对数据进行适当的处理，对其中一部分的数据取负。
1.1K30发布于 2020-07-02 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 - 来自专栏入门到放弃之路
9块9，在腾讯云体验了8500一年的BI国漫数据可视化
所以，我们需要思考的是，如何选择一个上手简单且好用的BI可视化工具。 数据可视化 最早接触数据可视化，是毕业设计的时候，用ECharts做了几个图形报表。 而且每增加一个可视化图形，后台就要相应地增加一个接口来生成相应的数据。所以说，如果自己想要做一个简单的数据可视化，是既要会前端也要会后端。 而今天要讲的腾讯云BI，就是数据可视化的SaSS。 腾讯云BI 腾讯云BI是云化的BI工具，提供了数据接入、建模、可视化分析的能力。 之后成功就可以进入腾讯云BI的控制台，进行数据的可视化操作。 点击创建页面按钮，创建一个页面进行数据可视化图形的布局。 创建页面之后，在仪表盘就会显示。 饼图 - 评分区域分布 在9-10评分区间，我想统计每个评分对应的国漫个数，这时候就用到了group by分组操作。 使用饼图组件，对score进行下钻分析。
99221编辑于 2024-05-22 - 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PowerBI战友联盟
PowerBI 9月更新 DAX驱动可视化
这次的更新，罗叔需要强调一个重点：DAX 驱动可视化（首发理念，参考此前可视化类高级文章）。 个性化的可视化窗格 首先需要开启预览，如下： 然后可以看到： 可以选择固定到可视化效果窗格来增加某些经常使用到的视觉对象，当然还可以解除设置，如下： 除了可以取消从可视化市场添加进来的可视化对象，甚至可以取消系统默认的可视化对象 新加入 DAX 函数 - CONVERT 该函数用来转换数据类型，例如可以把文本转换为数字。 小技巧，你可以故意犯错，然后得到： 这样你可以再次清晰地看到在 DAX 中只有6种最基本的数据类型，这比 Excel 还简单。 可以导出数据质量数据 在查询编辑器中，有几个地方可以监测数据质量，如下： 导出为： 导出为： 导出为： 导出为： Google 分析模板 如果你在使用Google分析，那可以接入数据并直接使用内置模板，
2.5K10发布于 2019-09-23 - 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 - 来自专栏程序员的知识天地
Python进行数据可视化的9种常见方法，易懂实用！
其实利用 Python 可视化数据并不是很麻烦，因为 Python 中有两个专用于可视化的库 matplotlib 和 seaborn 能让我们很容易的完成任务。 Seaborn 基于 matplotlib，具有多种特性，比如内置主题、调色板、可以可视化单变量数据、双变量数据，线性回归数据和数据矩阵以及统计型时序数据等，能让我们创建复杂的可视化图形。 我们用 Python 可以做出哪些可视化图形？ 那么这里可能有人就要问了，我们为什么要做数据可视化？比如有下面这个图表： ? 下面我们就用上面这个简单的数据集作为例子，展示用 Python 做出9种可视化效果，并附有相关代码。 结语 本文我们分享了如何利用 Python 及 matplotlib 和 seaborn 库制作出多种多样的可视化图形。通过上面的例子，我们应该可以感受到利用可视化能多么美丽的展示数据。
3.4K70发布于 2018-12-07 - 来自专栏Qt项目实战
Qt编写数据可视化大屏界面电子看板9-曲线效果
一、前言 为了编写数据可视化大屏界面电子看板系统，为了能够兼容Qt4和嵌入式linux系统，尤其是那种主频很低的，但是老板又需要在这种硬件上（比如树莓派、香橙派、全志H3、imx6）展示这么华丽的界面时 在整个数据可视化大屏界面电子看板系统中，自定义出来的曲线效果包括鼠标移动到对应数据点高亮显示，并在一旁弹出tootip提示信息显示更详细的数据，这个提示信息的位置还要能根据点的位置自动调整以便显示全部， 数据源支持数据库采集（默认）、网络通信、网络请求等，可自由设定每个子界面的采集间隔即数据刷新频率。 如果使用的默认的默认的配色方案比如紫色风格，则配置文件中的颜色全部无效，会自动应用代码中的颜色，如果需要启用自定义的颜色，则将配置文件的 Theme=\x81ea\x5b9a\x4e49\x98ce\x683c 六、效果图 [f9bf8ff288a5493fcdf677fe6daef61abd1.jpg]
2.1K40发布于 2019-08-20 - 来自专栏sktj
Kubernetes(9:数据)
作用是在Pod中共享数据 创建Pod，volumeMounts ? image.png emptyDir是Host上创建的临时目录，其优点是能够方便地为Pod中的容器提供共享存储，不需要额外的配置。
41520发布于 2019-09-24 - 来自专栏字根中文校对软件
(9)Shark工作流的实现和WMFC&OMG规范的对比
Shark工作流的实现和WMFC&OMG规范的对比 -----第九部分：分析obe自带例子的执行过程 <? xml:namespace prefix = o ns = "urn:schemas-microsoft-com:office:office" /> 关键字：Shark 工作流 WMFC OMG 规范 Obe工作流的执行过程，下面来说说自带test中的例子的执行过程： 初始化工作流引擎的时候需要一个RepositoryManager 的实例 RepositoryManager 代表工作流执行中需要的资源库 然后进行工作流引擎的初始化： WorkflowEngine engine = new WorkflowEngine(repositoryManager); 引擎初始化后用obe的xpdl解析类从用户定义的
46910发布于 2019-02-14 - 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 - 来自专栏生物信息云
分子对接教程 | (9) VMD可视化对接结果
能够实现蛋白质三维结构可视化的软件非常多。比专业级的PyMOL（https://pymol.org/2/）。这个软件已经被世界上著名的生物医药软件公司“薛定谔公司（Schrödinger）”收购。 这种专业级的可视化软件不仅能够做出非常漂亮的图片，它还有强大的插件支持各种各样的蛋白质结构分析，这款软件需要购买，如果你发表的文章里提到某些内容是使用PyMOL制作的，而文章中所有作者和作者单位都没有PyMOL 下面给大家介绍一个功能同样强大的免费蛋白质三维结构可视化软件，VMD（http://www.ks.uiuc.edu/Research/vmd）。VMD由伊利诺伊大学研发。 图4.23 保存和载入显示状态 9、调换背景颜色（图4.24）：主窗口中点击 Graphics→Colors→弹出 Color Controls颜色控制窗口→Categories选Display→Names
7.6K50发布于 2021-02-26
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