- 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8：棒棒图
horsepower [, 5] drat Rear axle ratio [, 6] wt Weight (1000 lbs) [, 7] qsec 1/4 mile time [, 8] Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1 Hornet 4 Drive Hornet Sportabout 18.7 8
1.6K20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。 — 规则8 — 不是每个人都能看到所有的颜色 大约10%的世界人口是色盲，为了让每个人都能获得彩色信息图表，避免使用红色和绿色的组合。
1.7K30编辑于 2023-03-21 - 来自专栏悠扬前奏的博客
JVM-8.JVM 性能监控 可视化
JDK提供的可视化工具主要有JConsole和VirtualVM。 1. 监视与管理控制台 JConsole（Java Monitoring and Management Console）是一个基于JMX（Java Management Extensions，即Java管理扩展）的可视化监视 Eden取呈现折线状： Eden区空间为27328KB 未设置-XX:SurvivorRadio参数，默认为8：1，所以新生代空间为27328KB*125% = 34160K ?
72110发布于 2019-05-30 - 来自专栏生物信息云
分子对接教程 | (8) PyMOL可视化对接结果
导入刚才下载的复合物PDB文件（1e8y.pdb）。 注意：有两种方法导入文件，一种是鼠标点击菜单栏File -> Open…，另一种是通过命令行。 通过load命令加载：load 1e8y.pdb，因为这样可以同时把工作目录设置好，方便后续保存文件。 假设我们的工作目录为F:\AutoDock。 如果是从PDB网站上下载蛋白，如 1e8y.pdb, 也可以直接通过PyMOL 下载蛋白，点击菜单栏中的 File->Get PDB，或者通过fetch 命令下载，这在前面有介绍。 1个是all, all 不是真实的object,它代表了所有的object 1个是1e8y ，1e8y就是我们刚刚载入的蛋白 每个object 都有对应的A S H L C操作： A：代表Action 在所有原子上标记残基名字 （不常用） L->clear 删除该对象上所有的Label L->element symbol 显示对象上所有原子的元素名字 L->vdw radius 看原子的范德华半径 3.可视化窗口操作
15.2K52发布于 2021-02-26 - 来自专栏Python大数据分析
8张PPT带你了解Pyecharts地图可视化
之所以很多GIS行业的人学习Python，是因为Python在GIS数据处理和可视化领域有很多开源工具，还能友好的支持PostgreSQL。 我给他列了几个方向，如果是GIS数据处理，肯定要学习Shapely、GDAL、ArcPy、GeoPandas、Numpy；如果是GIS数据库，非Sycopg2莫属；如果是地图可视化，可以学习Matplotlib PyEcharts是Echarts的Python接口，而Echarts是一个由百度开源的数据可视化，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可。 同时Echarts在地图可视化领域也有很多强大的功能，值得一学。
55320编辑于 2022-07-06 - 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. 可以比较案例2、案例3和案例4 """ sns.stripplot(x="day", y="total_bill", data=tips, jitter=0.3) plt.show() [27qeofkyj8. matplotlib.pyplot as plt #设置风格 sns.set(style="whitegrid") # 构建数据 tips = sns.load_dataset("tips") """ 案例8： 在小提琴图上绘制分类散点图 """ sns.violinplot(x="day", y="total_bill", data=tips, inner=None, color=".8" 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
5.9K00发布于 2019-09-24 - 来自专栏运维随笔
CentOS8系统如何搭建可视化界面
基于性能及通用性考虑，云服务器提供商提供的Linux公共镜像默认不安装图形化组件，阿豪运维之路给大家介绍如何在CentOS8操作系统的云服务器中搭建可视化界面。 执行以下命令，设置默认启动图形化界面 Bash systemctl set-default graphical 4、执行以下命令，重启实例 Bash reboot 5、以 VNC终端连接方式登录实例后查看可视化界面即表示搭建成功 如下图所示 6、如需通过VNC软件来连接操作可以参考 CentOS7系统如何搭建可视化界面 教程的VNC软件安装步骤
2.1K20编辑于 2022-02-15 - 来自专栏k8s技术圈
使用 k8spacket 与 Grafana 可视化 K8s Tcp流量
通过使用 k8spacket 和 Grafana，我们可以可视化集群中的 TCP 流量，这样可以了解工作负载是如何相互通信。检查建立了多少连接，交换了多少字节，以及这些连接处于活动状态的时间。 此外， k8spacket 是一个 Kubernetes API 客户端，可以将嗅探到的工作负载解析为可视化的集群资源名称（Pods 和 Services）。 helm repo add k8spacket https://k8spacket.github.io/k8spacket-helm-chart helm install k8spacket --namespace 过滤器 按命名空间 - 选择一个或多个 K8s 命名空间 按包含的名称 - 选择工作负载名称以进行可视化 按名称排除 - 从可视化中排除工作负载名称 Github 仓库：https://github.com /k8spacket/k8spacket
1.6K10编辑于 2022-12-29 - 来自专栏有点技术
K8S deployment可视化故障排查指南
any-name: my-app spec: containers: - name: cont1 image: learnk8s ports: - port: 80 targetPort: 8080 selector: name: app --- apiVersion: networking.k8s.io any-name: my-app spec: containers: - name: cont1 image: learnk8s - port: 80 targetPort: 8080 selector: any-name: my-app --- apiVersion: networking.k8s.io
3.2K10发布于 2020-07-13 - 来自专栏数据STUDIO
Python实现 8 个概率分布公式及可视化
在本文中，我们将介绍一些常见的分布并通过Python 代码进行可视化以直观地显示它们。 概率和统计知识是数据科学和机器学习的核心； 我们需要统计和概率知识来有效地收集、审查、分析数据。 sigma = np.sqrt(variance) x = np.linspace(mu - 3*sigma, mu + 3*sigma, 100) plt.subplots(figsize=(8, loc=mean) lognorm_distribution_pdf = lognorm_distribution.pdf(X) fig, ax = plt.subplots(figsize=(8, 这是二项分布的公式： P = 二项分布概率 = 组合数 x = n次试验中特定结果的次数 p = 单次实验中，成功的概率 q = 单次实验中，失败的概率 n = 实验的次数 可视化代码如下： X = 在 Python 中绘制一些示例图： X = np.arange(0, 6, 0.25) plt.subplots(figsize=(8, 5)) plt.plot(X, stats.chi2.
1.7K10编辑于 2022-05-24 - 来自专栏DeepHub IMBA
常见的8个概率分布公式和可视化
在本文中，我们将介绍一些常见的分布并通过Python 代码进行可视化以直观地显示它们。 均匀分布 最直接的分布是均匀分布。均匀分布是一种概率分布，其中所有结果的可能性均等。 1 sigma = np.sqrt(variance) x = np.linspace(mu - 3*sigma, mu + 3*sigma, 100) plt.subplots(figsize=(8, , loc=mean) lognorm_distribution_pdf = lognorm_distribution.pdf(X) fig, ax = plt.subplots(figsize=(8, 这是二项分布的公式： 可视化代码如下： X = np.random.binomial(n=1, p=0.5, size=1000) plt.subplots(figsize=(8, 5)) plt.hist 让我们在 Python 中绘制一些示例图： X = np.arange(0, 6, 0.25) plt.subplots(figsize=(8, 5)) plt.plot(X, stats.chi2.
1.3K20编辑于 2022-06-04 - 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
《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。 FRANCES CAALBREZZI对泰坦尼克号悲剧的数据可视化作品。她认为有千百种方法可以对数据进行可视化，但最终选择了冲积图。 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。
84570发布于 2018-06-13 - 来自专栏数据STUDIO
8个流行的Python可视化工具包
本文将介绍一些常用的 Python 可视化包，包括这些包的优缺点以及分别适用于什么样的场景。 详情可以点击查看： 一个小众但很好用的数据可视化利器：Pygal矢量库 Networkx 虽然 Networkx 是基于 matplotlib 的，但它仍是图形分析和可视化的绝佳解决方案。 Altair 数据可视化已超神 当Sklearn遇上Plotly，会擦出怎样的火花？ Python Bokeh 库进行数据可视化实用指南 就是这么简单！ Pyecharts绘制可视化地图专辑 Python 绘制惊艳的瀑布图 使用日历热图进行时序数据可视化 用 GeoPandas 绘制超高颜值数据地图 一行 Python 代码轻松构建树状热力图 这种 cutecharts个性化可视化图也太可爱了吧！
2.3K20编辑于 2023-11-14 - 来自专栏数据派THU
常见的8个概率分布公式和可视化
来源：Deephub Imba本文约2800字，建议阅读8分钟本文我们将介绍一些常见的分布并通过Python 代码进行可视化以直观地显示它们。 在本文中，我们将介绍一些常见的分布并通过Python 代码进行可视化以直观地显示它们。 均匀分布 最直接的分布是均匀分布。均匀分布是一种概率分布，其中所有结果的可能性均等。 1 sigma = np.sqrt(variance) x = np.linspace(mu - 3*sigma, mu + 3*sigma, 100) plt.subplots(figsize=(8, , loc=mean) lognorm_distribution_pdf = lognorm_distribution.pdf(X) fig, ax = plt.subplots(figsize=(8, 这是二项分布的公式： 可视化代码如下： X = np.random.binomial(n=1, p=0.5, size=1000) plt.subplots(figsize=(8, 5)) plt.hist
1.7K40编辑于 2022-04-29 - 来自专栏算法channel
可视化选图指南，8 张图说明白！
面临一堆数据，选用哪几种图形可视化它，常常令人头疼，因为可视化种类繁多，如何选择？ 这几天查阅资料，找到一个非常好的，非常形象的解释了如何选择可视化图，一共划分如下8个维度： 第一，注重方差展示的图，可以选用下面的图： ? 第二，注重相关性表达，可以选用下面的图： ?
50220发布于 2021-01-06 - 来自专栏AI篮球与生活
8个酷炫可视化图表，快速写出老板爱看的可视化分析报告
老李最近也在做数据汇报，整理了 8 种好用的图表，分享给大家。 1、甘特图 甘特图可以说是规划神器，主要用在项目管理中，通过活动列表和时间刻度表示出特定项目的顺序与持续时间。 一般会被用在能源、材料成分、金融等数据的可视化分析。 在数据汇报中，你可以把金钱的流入流出情况，进行一个桑基图分析，这样就能清晰展示出钱都花在哪里了。 8、词云图 词云图，也叫文字云，是对文本中出现频率较高的“关键词”予以视觉化的展现，词云图过滤掉大量的低频低质的文本信息，使得浏览者只要一眼扫过文本就可领略文本的主旨。
1.1K20编辑于 2023-03-01 - 来自专栏CDA数据分析师
原创 | 实战：R环境下Echart的8种可视化
图形链接： http://localhost:31357/session/viewhtmlcfc6518ec5/index.html 8.词云 #获取数据 setwd("F:\\数据脚本课件\\数据")
1.3K90发布于 2018-02-24 - 来自专栏小陈运维
kubernetes（k8s）中部署dashboard可视化面板
kubernetes官方提供的可视化界面 https://github.com/kubernetes/dashboard 一键执行 kubectl apply -f https://raw.githubusercontent.com : ["pods", "nodes"] verbs: ["get", "list", "watch"] --- apiVersion: rbac.authorization.k8s.io namespace: kubernetes-dashboard roleRef: apiGroup: rbac.authorization.k8s.io kind: Role name : kubernetes-dashboard template: metadata: labels: k8s-app: kubernetes-dashboard -09gjcx8JC8RDtlJ5Ol-MiHQOqPY67qPO6UzRm3H1luGKXtnNnTA74PTOssGgH3eNsFMKOPqaANt03h6-sjVXQBD2uca3l1pD5ywa-P54WwL_uJraCpIopX98iiFoN5hV
1.7K10编辑于 2022-08-19 - 来自专栏云原生工具箱
K8S 资源可视化利器：Kubectl-Graph
kubectl-graph kubectl-graph 是一款可视化 kubernetes resource 及资源间关系的 kubectl 插件，可以将集群中的资源以关系图的方式进行展示。 引用链接 [1] krew: https://krew.sigs.k8s.io/ [2] CLI SIG: https://github.com/kubernetes/community/blob/master
2.2K20发布于 2020-12-31 - 来自专栏小陈运维
kubernetes（k8s）中部署dashboard可视化面板
kubernetes（k8s）中部署dashboard可视化面板 Web 界面 (Dashboard) Dashboard 是基于网页的 Kubernetes 用户界面。 kubernetes官方提供的可视化界面 github.com/kubernetes/… 一键执行 kubectl apply -f https://raw.githubusercontent.com/ : ["pods", "nodes"] verbs: ["get", "list", "watch"] --- apiVersion: rbac.authorization.k8s.io namespace: kubernetes-dashboard roleRef: apiGroup: rbac.authorization.k8s.io kind: Role name -09gjcx8JC8RDtlJ5Ol-MiHQOqPY67qPO6UzRm3H1luGKXtnNnTA74PTOssGgH3eNsFMKOPqaANt03h6-sjVXQBD2uca3l1pD5ywa-P54WwL_uJraCpIopX98iiFoN5hV
6.3K62发布于 2021-10-28
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