- 博客(15)
- 收藏
- 关注
RSS订阅原创 相关类可视化图像
它是直方图和核密度估计（KDE）的扩展，通过对散点分布区域进行平滑估计，生成连续的密度层，用色彩深浅或等高线描绘“数据密集程度”。气泡图是散点图的进阶版本，通过在二维坐标系中增加气泡大小这一视觉维度，可以同时展示三个变量的关系（X轴、Y轴、气泡大小）。二维密度图最大的特点是它不仅仅展示数据点的位置，还通过平滑估计出的密度层，展现数据分布的形状与浓度。雷达图的最大优势在于它可以一次性将多个维度的数据投影到二维图形中，形成对称或不对称的形态，使得用户能够快速识别不同样本之间在各维度上的强弱分布。
2025-06-15 18:59:57
799
原创 地理特征类可视化图像
序号图表类型主要特点应用场景Python实现库/方法1蜂窝热力图1.避免数据点重叠，展示密度变化直观，图形简洁2.网格划分影响精度，可能掩盖个别极端值城市人流热区、共享单车聚集区、交通流量、商业密集分布2变形地图1.直观反映数值差异，增强对抽象数据的理解2.地理形状失真，难以定位实际地理位置按人口、GDP重新绘制国家、省份图，用于选举结果、资源分布等3关联地图1.显示地理单位间属性差异，颜色识别度高2.颜色选择敏感，视觉误差可能误导。
2025-05-23 19:58:54
1379
原创 数据可视化交互
本实验详细描述了一个关于全国空气质量指数（AQI）数据可视化的实验项目，旨在通过多种可视化技术分析城市空气质量分布与特征。实验分为五个部分：横向条形图对比各城市AQI值并按均值线区分高低污染；饼图展示AQI等级分布及交互式城市列表查询；仪表盘整合前10城市条形图、区域散点回归分析和趋势折线图；2D地理可视化通过地图标记城市位置并以颜色和大小表示AQI数值；3D地理可视化则在地球模型上用高度和颜色呈现AQI差异，并高亮中国区域。
2025-05-20 19:29:10
94
原创 文本数据可视化
文本是语言和沟通的载体，文本的含义以及读者对文本的理解需求均纷繁复杂。例如，对于同一个文本，不同的人的解读也是不一样的，有的人希望了解文本中涉及到的事物，而有的人希望得到文本中的关键词。不同级的信息挖掘方法也不同，词汇级当然是用各类分词算法，语法级用一些句法分析算法，语义级用主题抽取算法。文本文档的类别多种多样，包括单文本、文档集合和时序文本数据三大类，这使得文本信息的需求更为丰富。指纹生成模块创建文本唯一标识。结巴中文分词，生成字符串，默认精确模式，如果不通过分词，无法直接生成正确的中文词云。
2025-05-12 11:44:08
960
原创 时间趋势类可视化图像
图表类型核心特点优点局限性适用数据类型地平线图1. 数据分层堆叠2. 颜色编码数值区间3. 垂直空间压缩1. 高效展示高密度时间序列2. 多系列对比清晰3. 突出极端值和趋势1. 需适应分层逻辑（学习成本）2. 颜色过度可能混淆3. 不适用于离散数据连续型时间序列数据河流图1. 流线宽度=流量2. 对称基线（居中）3. 多维度流动展示1. 直观显示组成变化2. 适合长期趋势分析3. 美学效果好1. 复杂数据易重叠2. 精确值难以读取。
2025-05-11 22:04:34
1035
原创 关系数据的可视化
本实验通过使用直方图、密度图、散点图、散点矩阵图、热力图、雷达图和平行坐标图等可视化方法，成功对犯罪数据集中不同犯罪类型之间的相关关系和分布特征进行了展示。例如，利用seaborn模块的jointplot方法将散点图、密度分布图和直方图合为一体，直观呈现了谋杀犯罪率和入室盗窃犯罪率的相关关系，还通过计算皮尔逊相关系数和P值进行量化分析，发现两者存在一定关联。
2025-04-28 20:29:52
1056
原创 分布类可视化图像
与传统的箱型图相比，小提琴图提供了更多的信息，因为它不仅显示了数据的中位数、四分位数和异常值，还通过图形的宽度变化来表示数据的密度。密度图（Density Plot），也称为概率密度图或核密度估计图（Kernel Density Estimate, KDE），它通过计算数据的密度估计来描绘数据在数值范围内的分布情况，是一种用于展示数据分布的平滑曲线图，能够直观地显示出数据在不同区间的聚集程度和变化趋势。与箱型图相比，小提琴图通过图形的宽度变化来展示数据的密度，这使得它能够更精细地反映数据的分布特征。
2025-04-20 21:57:16
1103
原创 绘制板块层级图
Python作为一种强大的编程语言，在数据可视化方面有着广泛的用途，尤其在使用了像Matplotlib、Seaborn以及Plotly等优秀的可视化库后，Python在数据可视化的表现力上更为突出。本文档重点介绍如何利用Python实现板块层级图的绘制，板块层级图是一种适合展示多层数据结构的可视化图表，它能够清晰地显示出数据中各个层级的比例关系，对于理解数据的层次结构非常有帮助。利用Python实现板块层级图的绘制是一个结合数据处理和可视化设计的过程。
2025-04-14 20:52:42
1018
原创 局部与整体类可视化图像
在饼图中，整个圆形代表数据的总和，而圆形内的各个扇形则代表不同的分类或类别，扇形的面积大小表示该类别在整体中所占的比例。例如，在制作一份关于市场份额的饼图时，为了突出市场占有率最高的公司，可以将其对应的扇形用醒目的颜色表示，如红色，而其他公司则使用相对较淡的颜色。它能够让观众在了解各部分占比的同时，清晰地把握整体的构成情况。例如，在智能手机市场中，通过饼图可以直观地展示苹果、华为、三星等各大品牌在一定时期内的市场份额占比情况，帮助企业了解市场竞争格局，明确自身在市场中的地位，从而制定相应的市场策略。
2025-04-02 22:24:41
1301
原创 时间数据的可视化
如果将时间属性或顺序性当成时间轴变量，那么每个实例是轴上某个变量值对应的单个事件。对时间属性的刻画有三种方式。线性时间和周期时间，线性时间假定一个出发点并定义从过去到将来数据元素的线性时域。许多自然界的过程具有循环规律，如季节的循环。时间点和时间间隔，离散时间点将时间描述为可与离散空间欧拉点相对等的抽象概念。单个事件点没有持续的概念。与此不同的是，间隔时间表示小规模的线性时间域，例如几天、几个月或几年。在这种情况下，数据元素被定义为一个持续段，由两个时间点分隔，时间点和时间间隔都被称为时间基元。
2025-03-31 21:11:12
1007
原创 神经网络中动态调整学习率的方法
具备神经网络基础知识，了解学习率对模型训练的影响：通过实验，对不同学习率调度策略的应用和比较，深入理解了学习率在神经网络训练中的重要性及其对模型性能的影响，达成了该目标。掌握 PyTorch 的基本操作，特别是优化器（如 SGD、Adam）和训练循环的使用：在实验中，使用了 PyTorch 进行数据加载、模型构建、训练和测试等操作，包括使用 SGD 优化器和自定义的训练循环，熟练掌握了这些基本操作，达成了该目标。
2025-03-18 10:46:53
1027
原创 基于全连接神经网络的minist数据集分类
本实验主要构建并训练一个四层全连接神经网络，以识别MNIST数据集中的手写数字。通过使用归一化、激活函数和交叉熵损失函数，以及采用SGD优化器进行训练，实验成功实现了模型的训练过程。模型通过训练损失、验证损失、训练准确率和验证准确率四个指标进行评估。在训练过程中，模型在训练集上的表现（训练损失和训练准确率）持续改善，显示出模型在学习过程中逐渐适应训练数据。同时，模型在验证集上的表现（验证损失和验证准确率）也被监测，以评估模型对未见数据的泛化能力。
2025-03-17 21:17:26
1519
原创 比较与排序类可视化图像
(1)横轴为分类变量（如产品、地区、时间），纵轴为数值变量（如销售额、数量、得分）。(2)堆叠柱状图：条形内部分层，显示各子类别的占比（如某地区销售额中各品类的贡献）。(1)分组柱状图：多个条形并列展示不同子类别（如不同产品的季度销售额）。(1)分类过多（>10类）时可能显得拥挤，需通过调整布局或合并类别解决。(2)双维度展示：可同时显示绝对值（外圈标签）和相对比例（内圈百分比）。(1)适合精确比较数值差异，尤其是跨类别或跨时间的数据。(2)通常用于展示少量类别（≤6类）的占比或对比关系。
2025-03-17 20:34:49
1156
原创 D3数据可视化基础
下面我们将在题目一完成的柱形图的基础上稍作修改，做成一个带动态效果的柱形图。的函数库，使用它主要是用来做数据可视化的。这里要用到的叫做弧生成器，能够生成弧的路径，因为饼图的每一部分都是一段弧。的元素，它可以结合使用直线，曲线等来制作各种不规则的复杂的图形。的第一个参数是监听的事件，第二个参数是监听到事件后响应的内容，第二个参数是一个函数。布局的作用是：将不适合用于绘图的数据转换成了适合用于绘图的数据。），是用于描述二维矢量图形的一种图形格式，是由万维网联盟制定的开放标准。在添加画布的代码后面加入如下代码。
2025-03-14 22:52:22
1078
原创 Tableau数据可视化入门
在这个数据驱动的时代，数据可视化已经成为企业和个人理解数据、发现洞察和分享故事的关键工具。Tableau作为业界领先的数据可视化平台，以其强大的功能和直观的界面赢得了众多用户的青睐。本文将详细介绍Tableau的基本操作，并通过案例演示帮助您快速上手。
2025-03-13 21:00:51
1293
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人