echarts实现自定义仪表盘图例

极致呈现系列之:Echarts仪表盘的光影奇迹 详细介绍了Echarts中的仪表盘组件 阅读详情

效果图:

 

代码:

$(function(){
    // 异动统计
    drawMoveStatistics('move-topo-one',26,'#7067dd','#54b9f9','#7067dd');
    drawMoveStatistics('move-topo-two',69,'#EC65B4','#FB8E8F','#EC65B4');
    drawMoveStatistics('move-topo-three',72,'#459DD7','#36D7D7','#459DD7');


})




// 异动统计
function drawMoveStatistics(elId,num,leftColor,rightColor,numColor){

    var normal=100,all=100;
    var option = {
        series: [
            {
                name: "刻度",
                type: "gauge",
                center: ["50%", "70%"],
                radius: '80%',
                min: 0, //最小刻度
                max: 100, //最大刻度
                splitNumber: 10, //刻度数量
                startAngle: 200,
                endAngle: -20,
                axisLine: {
                    show: true,
                    lineStyle: {
                        width: 1,
                        color: [
                            [1, "rgba(0,0,0,0)"]
                        ],
                    },
                }, //仪表盘轴线
                axisLabel: {
                    show: true,
                    color: "#4b695e",
                    fontSize: 15,
                    distance: -50,
                    formatter: function(v) {
                        return v;
                    },
                }, //刻度标签。
                axisTick: {
                    show: true,
                    splitNumber: 1,
                    lineStyle: {
                        color: "#263b35",
                        width: 1,
                        // length:10
                    },
                    length: -10,
                }, //刻度样式
                splitLine: {
                    show: true,
                    length: 18,
                    lineStyle: {
                        color: "#4aca96",
                        width:  1
                    },
                }, //分隔线样式
            },


            {
                type: "gauge",
                radius: '80%',
                center: ["50%", "70%"],
                splitNumber: 0, //刻度数量
                startAngle: 200,
                endAngle: -20,
                axisLine: {
                    show: true,
                    lineStyle: {
                        width: 20,
                        color: [
                            [
                                1, new echarts.graphic.LinearGradient(
                                0, 0, 1, 0, [{
                                    offset: 0,
                                    color: leftColor,
                                },
                                    {
                                        offset: 1,
                                        color: rightColor,
                                    }
                                ]
                            )
                            ],
                        ],
                    },
                },
                //分隔线样式。
                splitLine: {
                    show: false,
                },
                axisLabel: {
                    show: false,
                },
                axisTick: {
                    show: false,
                },
                pointer: {
                    show: true,
                    length: "80%",
                    width: "2%",
                },
                title: {
                    show: true,
                    offsetCenter: [0, "10%"], // x, y,单位px
                    textStyle: {
                        fontWeight: "bold",
                        color: "#0ab7ff",
                        fontSize: 30,
                    },
                },
                //仪表盘详情,用于显示数据。
                detail: {
                    show: true,
                    offsetCenter: [0, "25%"],
                    color: "black",
                    textStyle: {
                        fontSize: 20,
                        color: numColor
                    },
                },
                data: [{
                    value: num,
                }, ],
            }
        ],
    };

// 共通代码,需要置换
    _WOO.c.drawEchart(elId,option);

}

 

echarts 漂亮的仪表盘 echarts 仪表盘 阅读详情

相关推荐

ECharts中通过仪表盘绘制自定义圆环进度条图表

在ECharts中,可以通过仪表盘、饼图、自定义图表等功能组合,实现下图中未闭合的圆环进度条效果。仅需要以下几步即可完成:1、使用仪表盘可绘制同未闭合圆环的进度条(即未完成部分进度和已完成部分进度),以及文字部分。2、使用饼图可绘制出中间透明扇形区域,根据进度条长度变换其面积大小。3、使用自定义图表绘制已完成进度条末端上白色圆点,以及文字后的底图。

觉醒法师的专栏 2815

echarts——仪表盘

1.示例图 2.echarts配置 var option; var placeHolderStyle = { label: { show: false, }, labelLine: { show: false, }, color: 'rgba(0,0,0,0)', borderWidth: 0, }; option = { backgroundColor:"#000", title:{ te

小兔崽子的博客 3693

Echarts CPU监控 (折线仪表盘,图例混搭)

CPU page var myChart; var eCharts; var cpu_r = 100; var cpu_y= '85%'; var cpu_title = '-25%'; var cpu_detail =21; require([ 'echarts', 'echarts/chart/line' //按需加载图表关于线性图、折线

2万+

echarts-仪表盘设置项详解

样例: 在项目中大概需要这样一个仪表盘,就去看了官网,也在博客上看了大神们的代码 上代码: <!DOCTYPE html> <html> <head> <meta charset="UTF-8"> <title>单仪表盘案例</title> <!-- 引入 ECharts 文件 --> &...

heyNewbie的博客 8316

vue实现echarts中的仪表盘

vue实现echarts中的仪表盘 一:安装 1. 首先需要安装echarts依赖包 npm install echarts -S 2. 或者使用国内的淘宝镜像: npm install -g cnpm --registry=https://registry.npm.taobao.org 二: 创建图表 全局引入 main.js // 引入echarts import echar...

Polarisone的博客 4294

绘制不均匀刻度的 ECharts 方法

在 ECharts 中,我们可以使用自定义坐标轴来实现不均匀刻度的效果,以突出某些特定数据的重要性或者展示非线性的数据分布。上述示例代码中的图表类型为柱状图(bar),你可以根据需要调整为其他类型的图表,如折线图(line)、散点图(scatter)等。同时,可以根据实际需求自定义坐标轴的刻度和标签,以及其他图表的样式。参数指定了需要显示刻度的索引,这里我们选择了索引为 0、2、4、6 的刻度进行显示。方法,将配置项应用到图表实例中,即可绘制出具有不均匀刻度的图表。,刻度线将显示在坐标轴的内部。

FpwgTcl的博客 572

echarts实现比较炫的仪表盘

前言: echarts图形 效果图: 实现源码: let value = 40; option = { backgroundColor:"#061740", title: { text: '{a|'+ value +'}{c|%}'+'\n'+'{b|资料管理}', x: 'center', y: 'center', textStyle: { rich:{ ...

weixin_44727080的博客 2771

echarts 如何实现图例单个数据项加上背景颜色和饼图中的背景图自适应

在这个示例中,我们首先设置了图例项的数据为['A', 'B', 'C'],然后通过设置formatter属性来自定义每个图例项的显示方式。然后,我们使用HTML标签来创建一个带有背景颜色的span元素,将其内容设置为图例项的名称name,并返回该元素的字符串表示。在这个示例中,我们首先设置了饼图的series属性,其中包含了数据、样式和布局等多个属性。关于饼图中的背景图自适应,ECharts提供了内置的布局和样式控制属性,可以通过设置series中的itemStyle和labelLine等属性来实现。

走向CTO的路上... 3218

echarts legend相关问题

legend 饼图相关问题

qq_38783557的博客 1591

VMware Workstation 不可恢复错误:(vcpu-1) Exception 0xc0000005 解决方案

1、错误信息如下:VMware Workstation 不可恢复错误:(vcpu-1) Exception 0xc0000005(access violation) hasoccurred.2、错误截图如下:3、错误原因分析:Exception 0xc0000005是访问冲突错误,通常指程序试图访问它没有权限的内存地址。在虚拟机环境中,这可能由多种因素引起,例如虚拟机配置错误、宿主机资源冲突、VMware软件问题或系统文件损坏。

m0_65065082的博客 4378

【YOLO系列】YOLOv12详解:模型结构、损失函数、训练方法及代码实现

本文提出YOLOv12,一种以注意力为中心的实时目标检测框架,通过创新性改进解决传统YOLO模型在精度与速度上的失衡问题。核心贡献包括:1)轻量混合注意力模块(LHA)结合通道与空间注意力,在不增加计算负担下提升特征提取能力;2)区域注意机制与R-ELAN网络优化特征聚合,显著改善小目标检测(AP_S提升8.3%);3)动态多光谱数据增强策略增强模型鲁棒性。实验表明,YOLOv12在COCO等基准上实现SOTA性能,同时保持2.1 TOPS/W的高能效比,适用于边缘设备部署。该工作为实时目标检测提供了新的注

一碗白开水一 1808

Layui+ECharts实战:如何轻松实现多图例动态图表(附完整代码)

本文详细介绍了如何利用Layui与ECharts实现多图例动态图表,包括环境搭建、动态数据绑定、多图例交互增强等核心功能。通过实战案例和完整代码示例,帮助开发者快速构建企业级可视化报表系统,提升数据展示效果和用户体验。

php55的博客 321

IgH EtherCAT 从入门到精通:第 3 章 第一次运行 Hello EtherCAT

摘要:启动EtherCAT主站实践指南 本章详细介绍了如何配置和启动EtherCAT主站系统,主要内容包括: 配置文件详解:讲解/etc/ethercat.conf中的关键配置项,包括主网卡指定、冗余备份设置和网卡驱动选择。 启动流程:说明通过systemd服务和手动命令两种方式加载内核模块,重点介绍了ec_master和ec_generic模块的加载顺序及验证方法。 命令行工具:列举ethercat工具的常用命令,如查看主站状态、扫描从站设备、读取PDO/SDO数据等。 示例程序:简要介绍内核态示例min

从事嵌入式linux android驱动开发,拥有全栈能力 311

Echarts可视化

Echarts可视化 目标:学习和使用echarts库在网页端可视化 用canvas来画一个圆&lt;body&gt; &lt;canvas id=&quot;mycanvas&quot; width=&quot;600px&quot; height=&quot;300px&quot;&gt; 您的浏览器不支持canvas &lt;!--只有在浏览器不支持canvas标签的时候此语言才会显

qq_37599725的博客 998

什么是CMakeLists.txt

CMakeLists.txt是什么

小鱼酱的博客 1094

【AFAC2026金融智能-赛题四】我做了一个疯狂的决定,把Embedding和Reranker全删了

本文介绍了AFAC2026金融智能挑战赛赛道四的解题思路,核心是在500万token的严格限制下实现金融长文本的高效问答。作者通过四步流水线(规划、BM25检索、记忆压缩、LLM推理)优化流程,重点创新在于: 采用零API调用的纯BM25检索,配合多路查询、封面页加权和页面邻接扩展等策略 设计高效的检索算法,从问题中提取专有名词并构建多路查询组合 深入理解评分公式,平衡准确率和token消耗,最终在准确率提升的同时将token消耗从数百万降至百万级 这些创新使方案在严格限制下实现了性能突破,展示了在资源受限

232

Vue3 + TypeScript + ECharts 实战:打造一个精美的环形图统计卡片

本文介绍如何使用Vue3、TypeScript和ECharts创建美观的数据统计卡片。通过Element Plus的el-card组件搭建UI框架,利用ECharts实现环形图展示数据,并在图表中心显示总数,右侧自定义图例展示分类数值和名称。文章详细讲解了环境准备、组件结构搭建、ECharts配置(包括环形图绘制、图例格式化、中心数值显示等核心功能)以及生命周期管理(图表初始化和销毁)。完整代码可直接复制使用,适用于仪表盘等数据可视化场景,实现紧凑美观的数据展示效果。

人的博客 922

Allegro因为精度问题导致走线连接不上的解决办法

在用Allegro做PCB设计的时候,尤其是从其它单板上导数据过来的时候,有时会因为精度不一致导致连接不上,如下图。一般来说,可以逐个重新连接一下,但是如果连接点位比较多的话,需要花费较多时间。下面介绍如何使用Allegro自带的功能解决这个问题,具体操作如下。和Convert Figure Stackups to vias。因为精度问题导致走线连接不上的解决办法。线和过孔因为精度有微小的连接偏差。

weixin_54787054的博客 2614

ECharts学习笔记(3)

九、仪表盘 max,min:在series中设置数值范围 min:50//min max 控制仪表盘数值范围 在data中设置多个指针 data:[ { value:97, itemStyle:{//控制指针样式 color:'pink'//指针的颜色 } },//每一个对象代表一个指针 { value:85, itemStyle:{ color:

前端很杂,故名前端杂货铺 —— coderkey 355

Unreal5从入门到精通之EnhancedInput增强输入系统详解

从Unreal5开始,老版的输入系统,正式替换为EnhancedInput增强型输入系统,他们之间有什么区别呢?如果有使用过Unity的同学,大概也知道,Unity也在2020版本之后逐渐把输入系统也升级成了新版输入系统,为什么Unreal和Unity都热衷于升级输入系统呢?这之间又有什么联系呢?官方:增强输入EnhancedInput希望这篇文章能够对你有所帮助。

TxNet 947

基于matlab的CNN手写数字图像矫正系统

CNN 是一款强大的图像特征抽象和提取工具,常用于图像分类识别,并取得了较为理想的效果。我们通过 MATLAB 可以方便地设计不同结构、不同深度的 CNN 进行图像分类,最后一层一般设置为分类层(ClassificationLayer)进行类别标签的输出。如果我们将最后一层设计为回归层(RegressionLayer),则可以将其应用于对连续数据的预测,这对于曲线拟合、预测分析都有重要的意义。% 自定义 CNN 回归网络结构layers = [% 输入% 卷积% 池化% 池化% 卷积。

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 677

如何在vue-element-admin中实现数据可视化:图表交互的完整指南

vue-element-admin是一个基于Vue和Element UI构建的后台管理系统框架,提供了丰富的数据可视化功能。本文将详细介绍如何在vue-element-admin中使用图表组件实现交互式数据可视化,帮助开发者快速构建专业的数据仪表盘。 ## 数据可视化组件概述 📊 vue-element-admin提供了多种图表组件,这些组件位于`src/components/Charts/

gitblog_00215的博客 610

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

echarts自定义仪表盘样式及一些属性了解

本文主要对Echarts自定义仪表盘及其一些属性的详细介绍。这里自定义仪表盘主要通过对option对象中的series数组和相关属性进行设置来实现。series里面可用于配置仪表盘的数据系列,包括数据值、指针样式、背景颜色等。其中type属性应设置为'gauge',以指明这是一个仪表盘图表。graphic是原生图形元素组件......

qq_53911056的博客 6178

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

echarts 默认显示图例_echarts仪表盘如何设置图例(legend)

var option ={legend: {//配置legend,这里的data,要对应type为‘bar’的series数据项的‘name’名称,作为图例的说明data:['预热期','导入期','成长期','成熟期','衰退期'],selectedMode:false, //图例禁止点击top:20,itemWidth:23,itemHeight:6,textStyle: {color:'...

weixin_39644611的博客 4023

vue实现 【echarts中 “4种” Gauge仪表盘进度条图例】的组件封装及调用

1、安装echarts npm install echarts --save 2、在需要的页面引入 import * as echarts from "echarts" 3、echarts.vue 组件 <template> <div class="per_page"> <div id="perChart"></div> <img class="per_img" src="@/assets/...

weixin_50450473的博客 8934

echarts 仪表盘文本下移_echarts仪表盘设置图文实例

echarts 图表中经常需要对不同的颜色设置图例标识不同的意义,而仪表盘的指针只存在一个值,如何表示不同颜色的意义,官网配置项并未给出该功能;不同段的颜色是通过axisLine->lineStyle->color来设置的;搜索了很多的资料都没有找到用来标识各颜色段的图例;反复琢磨,可不可以使用有图例的图来强制加上这个图例呢?这里熟悉echarts的童鞋可能想到解决方法了;那我们就来使...

weixin_33391709的博客 1511
上一篇: echarts实现多个立体柱状图
下一篇: 百度地图api根据行政区域名称,定位到该区域
宁漂打工仔
博客等级 码龄9年 1万+粉丝 153原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

宁漂打工仔

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值