- 博客(16)
- 收藏
- 关注
RSS订阅原创 相关类可视化图像总结
图表类型最佳数据规模维度能力主要优势主要局限散点图小-中2-3直观简单重叠问题气泡图小-中3-4多维展示大小难比较相关图任意多变量全局视角仅线性相关热力图中-大2模式识别精确度低二维密度大2大数据处理需要调参。
2025-06-10 13:29:27
1146
原创 数据可视化交互
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，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。
2025-06-09 09:48:47
1058
原创 地理特征类可视化图像总结
可视化类型数据强调维度适合数据规模地理精度要求多维表达能力实现复杂度蜂窝热力图密度分布大(>1000点)中中中变形地图区域数值比较中小(<100区域)低低高关联地图空间关系中小(<500连接)高高中高气泡地图点数据比较中小(<500点)高高低t=P4F5。
2025-05-23 20:27:54
1152
原创 文本数据可视化
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。惑而不从师，其为惑也，终不解矣。操作步骤：使用适合文言文的分词工具（如哈工大LTP等）对预处理后的文本进行分词，《师说》分词后可能得到“古之”“学者”“必有”“师”“师者”“所以”“传道”“受业”“解惑”等词语。原理：原始文本中通常包含各种干扰信息，如标点符号、特殊字符等，预处理是为了去除这些无关内容，将文本转化为更易于处理的形式，让后续的分析聚焦在文本的核心词汇上。python代码实现。
2025-05-12 14:13:57
1140
原创 时间趋势类可视化图像总结
对比维度地平线图河流图瀑布图烛形图核心功能高密度时间序列的紧凑展示多变量时间序列的组成和流动分步累积变化过程展示金融数据四价（OHLC）一体化展示最佳数据量100+数据点30-100数据点5-15个步骤30-200数据点主要视觉通道分层高度、颜色强度面积高度、流动形状条形长度/高度、浮动位置实体高度、影线长度、颜色典型应用场景系统监控、长期趋势分析主题演化、多类别组成分析财务分析、预算分解股票/外汇/加密货币分析不适用场景需精确值读取的场景数据差异过大的多变量。
2025-05-10 22:18:04
1081
原创 关系数据的可视化
本实验在 Windows 系统、Python 3.6 环境下开展，围绕关系数据可视化，通过安装 seaborn 等第三方模块，利用 Python 程序实现多种图表，深入探究犯罪数据集中各犯罪类型间的相关关系。首先，借助 seaborn模块的 jointplot方法，将散点图、密度分布图和直方图整合，对murder列与 burglary列这两种犯罪类型的相关性进行分析。随后，使用pyecharts库创建动态散点图，并将散点颜色设为紫色，更直观地展示数据特征。
2025-04-28 20:18:37
837
原创 比例数据可视化
实验聚焦于数据文件读取、处理及板块层级图绘制。在实验过程中，首先安装pandas、matplotlib、seaborn、squarify库。运用pandas库的read_csv函数读取3个数据文件，借助merge函数完成数据匹配处理，随后对处理后的数据进行分组、重命名、排序等操作。绘制板块层级图时，精心设置颜色映射、数据标签、图表标题，隐藏坐标轴刻度，并添加颜色条用于展示产品数量。最终，实验成功达成各项既定目标，有效提升了数据处理与可视化能力。
2025-04-14 20:50:03
1081
原创 时间数据的可视化
这里就讲述下离散型数据的堆叠柱形图，堆叠柱形图的几何形状和常规柱形图很相似，在柱形图中，数据值为并行排列，而在堆叠柱图则是一个个叠加起来的。本次实验结合本章讲述的堆叠柱形图的列子，这里我们要画的是极坐标系-堆叠柱状图，也是南丁格尔玫瑰图。由于半径和面积的关系是平方的关系，南丁格尔玫瑰图会将数据的比例大小夸大，尤其适合对比大小相近的数值；时间型数据包含时间属性，不仅要表达数据随时间变化的规律，还需表达数据分布的时间规律。（这里我们画了两种极坐标的堆叠柱形图，一个是半径表示时间，一个是圆边表示时间。
2025-03-31 21:03:38
1068
原创 基于卷积神经网络的 Fashionminsit 数据集分类
（1）构建了CNN模型的网络结构。（2）定义了两个卷积层：conv1和conv2。conv1的输入通道数为1，适用于单通道的灰度图像，输出通道数为16，卷积核大小为3且设置了填充为1，以保持输入输出尺寸的一致性；conv2的输入通道数为16（conv1的输出通道数），输出通道数为32，卷积核大小和填充设置与conv1相同。（3）定义了一个最大池化层pool，池化核大小为2且步长为2，用于对卷积层输出的数据进行下采样，减少数据维度的同时提取重要特征。4）定义了两个全连接层：fc1和fc2。
2025-03-18 11:42:35
1267
原创 基于 LeNet5 网络的 minist 数据集分类
1. 理解卷积神经网络：学习卷积神经网络（CNN）的基本原理和架构，包括卷积层、池化层和全连接层的作用。 2. 数据预处理：掌握如何对图像数据进行预处理，包括标准化、缩放和增强，以适应卷积神经网络的输入要求。 3. 模型构建：学习如何使用深度学习框架构建卷积神经网络模型，用于 minist 数据集分类。 4. 模型训练与调优：实践如何训练卷积神经网络模型，包括选择损失函数、优化器，调整学习率，以及应用技术如正则化和 dropout 来防止过拟合。 5.
2025-03-18 11:03:13
1126
原创 神经网络中动态调整学习率的方法
掌握学习率调度器的基本概念：了解学习率在神经网络训练过程中的重要性，掌握几种常见的动态调整学习率的方法及其适用场景。 提高模型训练效果：通过调整学习率策略，降低过拟合现象，提升模型的收敛速度及性能。 强化实践能力：通过实验实践，熟悉 PyTorch 中的学习率调度器，能够结合具体问题选择合适的学习率调整方法。 硬件：12th Gen Intel(R) Core(TM) i5-12500H 2.50 GHz 软件：PyCharm Community
2025-03-17 21:16:37
885
原创 可视化图标总结
总结比较与排序类相关的可视化图像，包括但不限于：柱状图、环形柱状图、子弹图、哑铃图、雷达图、平行坐标图、词云图等。柱状图通过柱子的高度或长度来表示数据的大小，这种视觉呈现方式非常直观。人们可以很容易地比较不同柱子的高度，从而快速了解数据之间的差异。它非常适合用于比较多个项目或类别之间的数值大小。无论是横向比较还是纵向比较，柱状图都能清晰地展示出数据之间的相对大小关系。柱状图可以处理从较小到较大范围的数据。无论是个位数的数据，还是成千上万甚至更大的数值，都可以通过调整柱子的高度比例来准确地表示。
2025-03-17 20:40:20
829
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。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。是一个颜色比例尺，它能根据传入的索引号获取相应的20颜色值。
2025-03-15 16:58:49
849
原创 Tableau数据可视化入门
在获取数据源中的各类结构化数据后， Tableau Desktop 可以通过拖放式界面快速地生成各种美观的图表、坐标图、仪表盘与报告，并允许用户以自定义的方式设置视图\布局、形状、颜色等，从而通过各种视角来展现业务领域数据及其内在关系。将数据分为：数字（十进制），数字（整数），字符串，布尔，日期，日期和时间，还有地理类型（如果数据源中有城市，省份的数据可以分配为地理类型）。左边列出了超市这个表格下的三个子工作表，当我们选中一个子表时，双击，在右边区域的下部分就会显示子表的数据，例如,，是超市订单中的数据。
2025-03-13 19:42:19
961
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