- 博客(12)
- 收藏
- 关注
RSS订阅原创 相关类可视化图像
图表类型核心特点应用场景Python 实现库散点图展示两个变量间关系，可识别异常值与分布形态科学研究（如身高体重关系）、经济学（定价策略分析）、质量控制matplotlibscatter()中c（颜色）、s（点大小）、alpha（透明度）气泡图在散点图基础上增加第三维度（气泡大小）商业分析（市场份额 - 增长率 - 销售额）、环境科学（污染物浓度 - 暴露时间 - 毒性）seabornscatterplot()中size（绑定第三变量）、sizes（气泡范围）相关图。
2025-06-09 20:20:23
1796
原创 数据可视化交互
一、实验概述本次实验围绕数据可视化交互展开，旨在通过对全国空气质量数据的分析，深入理解数据可视化的原则、分类及常见技术，并掌握不同可视化图表的实现方法。实验内容涵盖了从基础的条形图、饼图到复杂的地理可视化等多种数据可视化形式，通过实际操作实现了对空气质量数据的多维度展示与交互分析。二、实验核心成果与收获（一）数据可视化原则的实践。
2025-06-08 21:34:05
776
原创 地理特征类可视化图像
地图类型特点应用场景可视化关键元素地平线图六边形网格划分空间，通过颜色深浅表示数据密度，减少数据重叠，平滑展示空间分布模式。城市规划（人口 / 交通分析）、商业选址、环境科学（污染物分布）、公共卫生（疾病传播）。六边形网格、颜色渐变、数据聚合密度。变形地图基于地理空间变形，通过区域面积缩放反映数据大小，直观展示空间分布差异。公共卫生（发病率）、社会经济（GDP / 收入）、环境科学（气候数据）、选举分析。地理区域变形、面积缩放、颜色渐变。关联地图。
2025-05-25 19:00:37
1049
原创 文本数据可视化
本次实验围绕 “文本可视化” 与 “文献指纹构造” 两大核心目标展开，通过 Python 编程成功生成多种自定义形状的词云（树叶形、三角形、矩形、五角星等），验证了蒙版技术对词云形态的控制能力，直观展示了文本高频词汇的分布特征。基于中文分词和高频词提取，构造了《师说》的文献指纹，实现了文本特征的量化表示，为文本检索与区分提供了基础。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。高频词通常代表文本主题：如《师说》中的 “师道”" 圣人 "
2025-05-22 19:20:25
595
1原创 关系数据的可视化
在本次 “关系数据的可视化” 实验中，通过对犯罪率数据集的分析与可视化操作，我系统地学习并实践了多种关系数据可视化方法，深入理解了关系数据在大数据分析中的重要应用。在实验过程中，我首先掌握了 Python 中 Seaborn、Pyecharts 等第三方模块的使用。
2025-04-28 21:11:18
660
原创 分布类可视化图像总结
结合箱线图与密度图的优点：小提琴图（Violin Plot）将箱线图和密度图的特点相结合，在一个图表中既能展示数据的分布形状（如是否对称、多峰等），又能显示数据的四分位数、中位数等关键统计量。数据分析和探索：在数据探索阶段，小提琴图能帮助分析师快速了解数据的分布形态，发现数据中的潜在模式，如是否存在多个峰值、数据的偏态情况等，为后续的分析和建模提供重要线索。多组数据比较：可以在同一图中绘制多组数据的小提琴图，方便对不同组数据的分布进行对比，比如比较不同类别数据的分布差异、不同样本之间的特征差异等。
2025-04-20 22:29:06
1011
原创 比例数据可视化
在本次 “绘制板块层级图” 实验中，我围绕数据处理与可视化展开实践，收获颇丰。从实验操作过程来看，前期环境搭建环节通过 pip 命令依次安装 pandas、matplotlib、seaborn、squarify 库，为后续工作筑牢根基。过程虽按部就班，但个别库安装时网络波动导致重试多次，让我意识到稳定网络对开发的重要性。读取数据阶段，运用 pandas 的 read_csv 函数顺利导入三个数据文件，直观了解原始数据结构，这使我对 pandas 数据读取功能的便捷性有了深刻体会。
2025-04-14 20:26:30
993
原创 总结局部与整体类可视化图像
直观呈现比例与层次：它能清晰地展示不同类别数据之间的比例关系，同时通过圆的嵌套或堆积方式体现数据的层次结构，方便用户快速把握各部分数据的相对重要性和层级联系。空间利用高效：以圆形为基础进行堆积，在有限的空间内可以容纳较多的数据类别，相较于传统的柱状图或饼图，能够在较小的区域展示复杂的多层次数据。运行代码后，会弹出一个窗口显示绘制好的圆堆积图，图中不同大小的圆代表不同的数据类别，圆的大小反映了数据的相对比例，标签则标识了各个类别。
2025-04-06 20:02:36
821
原创 时间数据的可视化
在本次 “时间数据的可视化” 实验中，我围绕时间数据处理与可视化展开了深入实践，收获颇丰，对时间数据在大数据领域的应用和可视化表达有了更深刻的理解。在实验过程中，我利用 Python 语言处理和分析了包含时间序列的数据。通过编写代码，我成功地从数据集中提取了时间相关信息，并将其应用于构建可视化图表。在处理时间数据时，我深刻体会到其在大数据分析中的关键作用。时间数据不仅记录了事件发生的先后顺序，更能反映出事物随时间的变化趋势，这些趋势隐藏着大量有价值的信息，如市场动态、用户行为模式等。
2025-03-31 20:45:21
1676
原创 比较与排序类可视化图像
运行上述代码后，会生成一个哑铃图。运行上述代码后，会生成一个简单的柱状图，横坐标为产品类别（产品 A、产品 B、产品 C、产品 D），纵坐标为对应的销售数量，柱子的颜色为天蓝色。商业领域：用于展示产品的销售数据，比如不同产品在某一时间段内的销售量对比，或者同一产品在不同地区的销售情况，帮助企业了解市场表现和产品竞争力。对比与占比兼顾：它既能像柱状图一样通过柱子的长度直观地比较不同类别数据的大小，又能像饼图那样展示各部分数据在总体中所占的比例关系，使读者可以同时了解到数据的绝对数值和相对占比情况。
2025-03-17 21:06:54
898
原创 数据可视化基础实验
例如，从简单的柱状图到复杂的折线图，只需将相关字段拖曳到对应的功能区，就能快速生成图表雏形，随后再通过自定义设置完善图表细节，这极大降低了数据可视化的技术门槛，让我能将更多精力放在对数据内涵的挖掘上。它作为一个功能强大的 JavaScript 函数库，能够接受各式各样的数据类型，无论是常见的数字数组、字符串，还是较为复杂的包含数组或键值对的对象，甚至是专业领域常用的 JSON 和 GeoJSON 格式，都能轻松应对。这种对不同引用方法的实践，让我对 D3 的应用场景有了更清晰的判断。在代码中加入如下代码。
2025-03-17 00:03:11
599
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