- 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5 : 气泡图
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。 , MURC, MIB1, FOXC2, FOXC1, ADAM19, MYL2, TCAP, EGLN1, SOX9, ITGB1, CHD7, HEXIM1, PKD2, NFATC4, PCSK5, PLN, TSC2, ATP6V0A1, TGFBR3, HDAC9 ## 2 GNA13, ACVRL1, NRP1, PGF, IL18, LEPR, EDN1, GJA1, FOXO1, GJA5, , PLXND1, CAR2, ACTC1, TBX4, SMAD3, FZD3, SHANK3, FZD6, HOXB4, FREM2, TSC2, ZIC5, TGFBR3, APAF1 ## 5 The threshold refers to the -log(adjusted p-value) (default=5) ?
3.8K30发布于 2020-07-06 - 来自专栏数据分析1480
【Python可视化5】Seaborn之线性回归
Seaborn是基于matplotlib的Python可视化库。它提供了一个高级界面来绘制有吸引力的统计图形。 stripplot的API： seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=None, size=5, font_scale=1.5,style="white") 本次试用的数据集是Seaborn内置的tips小费数据集： 1data=sns.load_dataset("tips") 2data.head(5) , 2 data=data,row="sex", 3 col="smoker",sharex=False) 4#可以看到设置为False时，各个子图的x轴的 5#
1.6K00发布于 2019-12-24 - 来自专栏往期博文
【目标检测】利用PyQT5搭建YOLOv5可视化界面
前言 本篇主要利用PyQT5搭建YOLOv5可视化界面，并打包成exe程序。 整体框架参考自：https://xugaoxiang.com/2021/06/30/yolov5-pyqt5 在此基础上，优化了预测逻辑，适配YOLOv5-5.0版本，并使用qdarkstyle美化了界面 /s/16nHvS5tRSeLKB0Ql2-6ZFw? 打包通常采用的是Pyinstaller这个工具库，本次打包使用一个新的工具叫Auto Py to Exe，该工具仍是调用Pyinstaller进行打包，不过对选项进行了可视化，操作更加便捷。 运行之前，需要将原始工程中的几个文件夹拷贝进去，否则会提示找不到文件，如下图所示： 双击main.exe，即可看到可视化界面。 报错解决 在调式时，遇到一些小问题，这里也记录下。
9.7K41编辑于 2022-09-23 - 来自专栏PPV课数据科学社区
常用的5种数据可视化方法
常用五种可视化方法 下面从最常用和实用的维度总结了如下5种数据可视化方法，让我们来一一看一下： 一、面积&尺寸可视化 对同一类图形（例如柱状、圆环和蜘蛛图等）的长度、高度或面积加以区别，来清晰的表达不同指标对应的指标值之间的对比 从下图中我们第一眼就可以强烈的感知到5分动态评分的用户占绝对的比例。 ? b: 联邦预算图 如下图，在美国联邦预算剖面图里，用不同高度的货币流清晰的表达了资金的来源去向，及每一项所占金额的比重。 ? 二、颜色可视化 通过颜色的深浅来表达指标值的强弱和大小，是数据可视化设计的常用方法，用户一眼看上去便可整体的看出哪一部分指标的数据值更突出。 再结合了颜色可视化（左面蓝色右面粉色），同时也采用了面积&尺寸可视化，不同的比例用不同长度的条形。这些可视化方法的组合使用，大大加强了数据的可理解性。 ? 1、回复“数据分析师”查看数据分析师系列文章 2、回复“案例”查看大数据案例系列文章 3、回复“征信”查看相关征信的系列文章 4、回复“可视化”查看可视化专题系列文章 5、回复“SPPS”查看SPSS系列文章
2.5K40发布于 2018-04-23 - 来自专栏编程微刊
5个常用的canvasjs数据可视化库
1：D3 star:91.5k 官网：https://d3js.org/ GitHub地址：https://github.com/mbostock/d3 一个基于数据操作文档的js数据可视化框架，最流行的可视化库之一 2：Chart.js star:48.7k 中文网：http://chartjs.cn/ GitHub地址：https://github.com/nnnick/Chart.js 基于 HTML5 是百度的一个开源的数据可视化工具。 5：highcharts star:9.5K 中文网：https://www.highcharts.com.cn/ GitHub地址：https://github.com/highcharts/highcharts 基于SVG的JavaScript 图表框架，兼容 IE6+、完美支持移动端、图表类型丰富、方便快捷的 HTML5 交互性图表库。
47510编辑于 2025-05-19 - 来自专栏Python大数据分析
我常用的5个Python可视化库
基础可视化：Matplotlib、Seaborn、Altair 交互可视化：Bokeh、plotly 地图可视化：Cartopy、Folium Web可视化：Dash BI可视化：Superset 流程图可视化 ：PyGraphviz 下面详细介绍下常见的5个可视化库：Matplotlib、Seaborn、Altair、Bokeh、plotly 1. import matplotlib.pyplot as plt data = {'apple': 10, 'orange': 15, 'lemon': 5, 'lime': 20} names = list source=df) p.legend.orientation = "horizontal" p.legend.background_fill_color = "#fafafa" show(p) 5. # plotting the figure fig = go.Figure(data=[go.Surface(x=x, y=y, z=z)]) fig.show() 小结 上述的5个
2.4K50编辑于 2023-11-20 - 来自专栏加米谷大数据
技术分享 | 数据可视化5种方法
数据可视化是指以饼状图等图形的方式展示数据，可以帮助用户理解数据，一直是热门方向。 图表是”数据可视化”的常用手段，其中又以基本图表—-柱状图、折线图、饼图等等—-最为常用。 数据可视化一般会具备以下几个特点：准确性、创新性 和 简洁性。 下面从最常用和实用的维度总结了如下5种数据可视化方法，让我们来一一看一下： 01 颜色可视化 通过颜色的深浅来表达指标值的强弱和大小，是数据可视化设计的常用方法。 从下图中我们第一眼就可以强烈的感知到5分动态评分的用户占绝对的比例。 ? 04 地域空间可视化 当指标数据要表达的主题跟地域有关联时，我们一般会选择用地图为大背景。 再辅以颜色可视化的方法，让用户清晰的看到美国哪些州更盛产好喝的啤酒。 ? 05 概念可视化 通过将抽象的指标数据转换成我们熟悉的容易感知的数据时，用户便更容易理解图形要表达的意义。
1.2K70发布于 2018-04-02 - 来自专栏育种数据分析之放飞自我
GCTA学习5 | GCTA计算PCA及可视化
PCA可视化 这里，先对数据进行处理，计算每个主成分解释百分比，以及前几个PCA的累计百分比。 ggplot(aes(x=index,y=por))+ geom_col()+ labs(title="Scree plot: PCA on scaled data") 3.3 PCA可视化
1.6K60编辑于 2022-02-09 - 来自专栏数说工作室
Python5个数据可视化工具
它们可以帮助生成一些令人拍案的可视化效果，语法也不难。一般来说，我更喜欢Plotly+Cufflinks和 D3.js. 您也可以在他们的网站上在线使用它，但我更喜欢离线使用它，您也可以将可视化保存为图像，非常易于使用也非常实用。 使用Altair可以轻松设计出有效且美观的可视化代码。 Altair使您能够使用强大而简洁的可视化语法快速开发各种统计可视化图表。 D3并不要求您将自己绑定到任何专有框架，因为现代浏览器拥有D3所需的一切，它还用于组合强大的可视化组件和数据驱动的DOM操作方法。 D3.js是目前市场上最好的数据可视化库。 R提供D3可视化接口。使用 r2d3 ，您可以将数据从R绑定到D3可视化。使用 r2d3 创建的D3可视化就像RStudio，R Markdown文档和Shiny应用程序中的R图一样工作。
5.4K21发布于 2019-05-29 - 来自专栏javascript趣味编程
3 基于HTML5的数据可视化
什么是数据可视化？ 答：浅显的说，就是把数据变成图表，让数据更加直观。 常见的可视化图形？ 答：例如云图(Contour图)、矢量图等。如下为云图，和等值图类似。 如下为流场，表示流体流动方向： 下图叠加了云图和矢量图： 为什么使用HTML5做数据可视化？ 答：便于教学演示，便于快速开发。
1K00发布于 2018-08-08 - 来自专栏NLP/KG
【5】数据可视化pygal，画出美观的图表
数据可视化pygal，画出美观的图表 这里有很多图表画图样式雷达图、金字塔图、特殊饼状图、柱状图、世界地图、箱图、等等 1.安装库 pip install pygal -i https://pypi.douban.com hist = pygal.Histogram() hist.add('Wide bars', [(5, 0, 10), (4, 5, 13), (2, 0, 15)]) hist.add('Narrow 1', [(1, -5), (1, 5)]) xy_chart.add('x = -1', [(-1, -5), (-1, 5)]) xy_chart.add('y = 1', [(-5, 1), (5, 1)]) xy_chart.add('y = -1', [(-5, -1), (5, -1)]) xy_chart.render() Scatter Plot xy_chart = pygal.XY 10, 3, 4, 2, 7, 4, -10, None, 8, 3, 1]) treemap.add('C', [3, 8, 3, 3, 5, 3, 3, 5, 4, 12]) treemap.add
66610编辑于 2022-12-21 - 来自专栏凹凸玩数据
用Python演绎5种常见可视化视图
通过本篇文章，你将学到： 视图的分类，从哪些维度进行分类 5种常见视图的概念，以及如何在Python中进行使用，都需要用到哪些函数。 注意：想要更深层次的理解，需要自己动手跑代码，体验数据可视化过程 今天我来给你讲讲Python的可视化技术。 其中最直观的就是采用数据可视化技术，这样，数据不仅一目了然，而且更容易被解读。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。 可视化视图有哪些？ 常见视图 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5种视图，包括了散点图、折线图、直方图、热力图、成对关系。 5.成对关系 如果想要探索数据集中的多个成对双变量的分布，可以直接采用sns.pairplot()函数。
2.4K10发布于 2020-05-06 - 来自专栏编程微刊
5个常用的canvasjs数据可视化库
1：D3 star:91.5k 官网：https://d3js.org/ GitHub地址：https://github.com/mbostock/d3 一个基于数据操作文档的js数据可视化框架，最流行的可视化库之一 2：Chart.js star:48.7k 中文网：http://chartjs.cn/ GitHub地址：https://github.com/nnnick/Chart.js 基于 HTML5 是百度的一个开源的数据可视化工具。 ? 5：highcharts star:9.5K 中文网：https://www.highcharts.com.cn/ GitHub地址：https://github.com/highcharts/highcharts 基于SVG的JavaScript 图表框架，兼容 IE6+、完美支持移动端、图表类型丰富、方便快捷的 HTML5 交互性图表库。
1.8K20发布于 2020-05-18 - 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 （海南省所有镇的经纬度.txt），复制一份放在和昨天那个pyd文件同目录，接着就是新建一个Python文件，我用anaconda新建，因为我用的是anaconda，本身就自带PyQt5，不需要额外安装， 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 接着就是运行了，按F5快捷键即可，当然也可以在左上角找到并点击Run→Run也可以，最终运行出来应该是这样： ?
1.6K20发布于 2019-07-26 - 来自专栏凹凸玩数据
5个常用的大数据可视化分析工具
Tableau 帮助人们快速分析、可视化并分享信息。它的程序很容易上手，各公司可以用它将大量数据拖放到数字“画布”上，转眼间就能创建好各种图表。 Highcharts还有一个好处在于，它完全基于 HTML5 技术，不需要安装任何插件，也不需要配置 PHP、Java 等运行环境，只需要两个 JS 文件即可使用。 4.魔镜 ? 魔镜是中国最流行的大数据可视化分析挖掘平台，帮助企业处理海量数据价值，让人人都能做数据分析。 魔镜基础企业版适用于中小企业内部使用，基础功能免费，可代替报表工具和传统BI，使用更简单化，可视化效果更绚丽易读。 5.图表秀 ?
1.7K20发布于 2020-05-19 - 来自专栏数据分析与可视化
数据可视化(5)-Seaborn系列 | 柱状图countplot()
本篇是《Seaborn系列》文章的第5篇-柱状图。 matplotlib.pyplot as plt sns.set(style="darkgrid") # 获取数据 titanic = sns.load_dataset("titanic") """ 案例5： sns.countplot(x="who", data=titanic, facecolor=(0, 0, 0, 0), linewidth=5, 3)) plt.show() [q1j1izo1qx.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
15.1K01发布于 2019-09-23 - 来自专栏FSociety
Python实现「碟中谍」5W条评论可视化
项目介绍 本篇文章会针对用户在猫眼上对于「碟中谍6」的评论进行一个可视化分析，我们总共采集了44872条用户评论，文章内容包括： 用户评分分布?? = 5: pass else: data.append(comment) data = pd.DataFrame(data, columns = ['时间','昵称','城市','评分','内容']) print data.head() 评分分布 目前「碟中谍6」在猫眼上评分为9.1，在评论中用户的评分是「0-5」个? radius=[30, 75], rosetype='radius', is_legend_show=False, is_label_show=True) Pie 56%的观众给出了5? '2018-09-04':4, '2018-09-05':5,
87330发布于 2018-09-11 - 来自专栏趣谈前端
H5-Dooring可视化搭建文档.vuepress
周末的两天48小时, 画完了 H5-Dooring 文档的原型图和文档内容, 另一个小伙伴完成了文档网站的开发, 在设计文档的过程中刚好梳理了一下最近的迭代计划和方向, 特意分享给大家, 希望 Dooring Dooring 文档 搭建文档系统我们采用的是vuepress, 它提供了很便捷的文档编写部署方案, 且支持移动端适配, 我们来看看H5-Dooring的文档界面: ? 文档组织结构: ? H5-Dooring架构图: ? 移动端访问效果: ? 文档的具体细节大家可以访问github体验, 目前文档源码已提交到 github. Dooring用户墙(密恐者慎?) ? ? ? ? 还有很多就不一一截图了, 谢谢各位这么忙, 还来关注 H5-Dooring, 我和小伙伴们会持续迭代, 与时俱进. Dooring2.0 的规划: 丰富商品组件(如倒计时组件, 转盘, 抽奖) 支持第三方oss上传 上线接口文档, 支持不同后端语言开发 支持PSD解析 添加组件导航 添加省市级联表单组件 支持更灵活的自由布局 H5统计后台
1.1K30发布于 2021-01-22 - 来自专栏PPV课数据科学社区
【译文】可视化图表看这5个地方就够了③
如果你看到一个有趣的可视化图表，想快速的把它看懂，那么你只需关注这五个地方就可以了:1）标题;2）轴和刻度尺;3）图例；4）数据来源；5）数据本身。 并不是所有的可视化图表都具备有这5个要素，这也是允许的，因为有些可能不需要刻度尺(例如一个世界地图就没有刻度尺），有时候有些要素并不明显,你可能需要点击一个图标才能显示出来。 但可以肯定的是，如果没有这些要素,可视化图表就不容易被理解。 1、标题 2、轴和刻度尺 3、图例 4、数据来源 5、数据本身 翻译：hyde PPV课原创翻译 转载请注明出处
58180发布于 2018-04-23 - 来自专栏小红豆的数据分析
小蛇学python（5）可视化分析睡眠—起床关系
integer_part = int(num) fractional_part = num - integer_part new_fractional_part = fractional_part * 5/ ) data3 = DataFrame(time_record, index=['morning', 'sleep'], columns=data.date) data4 = data3.T data5 = DataFrame(new_sleep_time, index=data.date, columns=['sleep_time']) pd.scatter_matrix(data5) #print Figure_5.png ? Figure_6.png ? Figure_7.png 从这六张图中可以很直观的看出来，我在8：20-8：40这个时间段起床的频率尤其的高。 震惊我自己的是竟然有三次是在5点就起床了，当然那只是昙花一现。 而我晚上睡觉集中在23：00-次日1点之间，在零点入睡的频率更为高一些。 ? Figure_10.png ?
1.1K20发布于 2018-09-12
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