数据可视化避坑指南:为什么你的南丁格尔玫瑰图总是不协调?

可视化图表走起来(2):玫瑰图,百分比一目了然。 Hi,这是可视化图表详解的第二期,本期介绍玫瑰图的用法,这个图和饼图还是有一定区别的,这个图的由来还是很有故事的。 阅读详情

数据可视化避坑指南:为什么你的南丁格尔玫瑰图总是不协调?

南丁格尔玫瑰图,这个以“提灯女神”命名的数据可视化图表,以其优雅的放射状花瓣形态,在各类数据报告中频频亮相。它本应是数据故事中最具视觉冲击力的讲述者,能将枯燥的数字转化为直观的面积对比。然而,很多开发者,尤其是已经熟悉ECharts基础操作的中高级用户,在实际项目中却常常陷入一种困境:代码跑通了,图表也出来了,但怎么看都觉得别扭——要么是内圈被挤压得不成样子,要么是外圈的花瓣长得“张牙舞爪”,数据之间的比例关系在视觉上完全失真。这种不协调感,不仅让图表的专业性大打折扣,更可能误导决策者做出错误判断。

问题的根源,往往不在于你是否知道roseType: 'area'这个参数,而在于对玫瑰图底层视觉编码逻辑的深层理解不足。玫瑰图本质上是一种极坐标下的堆叠柱状图,它将每个数据项映射为一段具有相同角度、但半径(或面积)不同的扇形。这里的“映射规则”——即radius(半径)模式与area(面积)模式的选择,以及数据预处理、半径区间设置等细节——共同决定了最终图表的“协调感”。本文将从一个资深数据可视化工程师的视角,带你深入这些细节,拆解那些让玫瑰图“翻车”的隐形陷阱,并提供一套从数据到视觉的完整调优方案。

1. 核心症结:半径模式与面积模式的本质差异

很多教程会告诉你,在ECharts中绘制南丁格尔玫瑰图,只需在饼图系列中加入roseType参数。这没错,但危险也恰恰隐藏于此。roseType有两个可选值:'radius'和'area'。大多数人在初次使用时,可能并未深究这两者的区别,随便选一个能用就行。但正是这个选择,从根本上决定了你的图表是“科学”还是“艺术”(这里指失真的艺术)。

半径模式 (roseType: 'radius') 是“视觉失真”的重灾区。在此模式下,每个扇形的半径长度与数据值成正比。听上去很合理,对吧?但别忘了,扇形的面积公式是 面积 ∝ 半径²。这意味着,一个数值是另一个2倍的数据项,其半径是√2倍,但视觉上我们感知的面积却是4倍!这种平方放大的效应,会极度夸大数值之间的差异。

让我们用代码来直观感受一下这种失真。假设我们有三类产品A、B、C,其销售额分别为100、200、400。

option = {
  dataset: [{
    source: [
      ['Product', 'Sales'],
      ['A', 100],
      ['B', 200],
      ['C', 400]
    ]
  }],
  series: [{
    type: 'pie',
    radius: [0, '70%'],
    roseType: 'radius', // 半径模式
    datasetIndex: 0
  }]
};

运行这段代码,你会发现代表C产品的扇形(数值是A的4倍)在视觉上占据了压倒性的面积,几乎挤占了其他扇形的空间。这种呈现方式,对于需要精确对比数据大小的场景是极具误导性的。

面积模式 (roseType: 'area') 则是为了纠正这种失真而设计的。在此模式下,每个扇形的面积与数据值成正比。由于面积与半径的平方相关,ECharts内部会自动计算,使得半径与数据值的平方根成正比。这样一来,数值为4倍的数据项,其半径仅为2倍,面积才是4倍,这更符合人类的视觉感知习惯。

将上面代码中的roseType改为'area',再看效果。C产品的扇形依然最大,但A和B产品获得了更合理的展示空间,三者之间的视觉比例关系更接近真实的数值比例(100:200:400 ≈ 1:2:4)。

关键提示:除非你有意要制造强烈的视觉冲击来突出最大值(并且明确告知观众这种失真),否则在绝大多数需要客观对比数据的业务场景中,请务必使用 roseType: 'area'。这是让你的玫瑰图迈向协调的第一步,也是最关键的一步。

为了更清晰地对比,我们用一个表格总结两种模式的核心区别:

特性维度半径模式 (roseType: 'radius')面积模式 (roseType: 'area')
映射关系半径 r ∝ 数据值 value面积 S ∝ 数据值 value
视觉感知严重夸大差异(平方放大)相对均衡,接近真实比例
适用场景艺术化表达、极端强调最大值绝大多数数据分析、业务报告
协调性低,易导致内圈拥挤、外圈膨胀高,是制作协调玫瑰图的基础

2. 数据预处理:决定玫瑰图“骨架”的关键步骤

即使选对了面积模式,如果你的原始数据“先天不足”,生成的玫瑰图依然会显得头重脚轻或布局怪异。玫瑰图对数据分布有其内在要求,未经处理的数据直接灌入,好比用畸形的骨架去支撑华美的外衣。

首先,警惕极端值(Outliers)。这是破坏玫瑰图协调性的头号杀手。想象一下,你的数据集中大部分值在100-300之间,但突然有一个值是5000。在面积模式下,这个超大值对应的扇形半径会远大于其他扇形,导致两个糟糕的结果:1) 这个“巨无霸”扇形会占据画布中心到外缘的绝大部分半径区间;2) 其他所有正常值对应的扇形会被挤压在非常狭窄的内圈半径范围内,密密麻麻挤在一起,根本无法区分。

处理极端值没有银弹,需要根据业务逻辑判断:

  • 分组建模:如果这个超大值是一个合理的特殊类别(如“其他”或“汇总”),可以考虑将其单独作为一个系列,或者用其他图表类型(如条形图)辅助展示。
  • 数据转换:考虑对数据取对数(log scale)。这在数据跨度极大的场景(如用户收入分布、城市人口)中很常见。ECharts本身不直接支持在饼图中进行对数转换,但我们可以预处理数据。
// 原始数据
const rawData = [
  { name: '中小客户', value: 150 },
  { name: '重点客户', value: 850 },
  { name: '战略客户', value: 5000 }
];

// 对数转换预处理(以10为底)
const processedData = rawData.map(item => ({
  name: item.name,
  value: Math.log10(item.value + 1) // +1 防止对0取对数
}));

// 此时 processedData 中的值差异变小,更适合用玫瑰图展示比例关系
// 注意:需要在图表标题或提示框中说明数据经过了对数处理

其次,进行数据排序。一个杂乱无章、数据项随机排列的玫瑰图,就像一首音符错乱的乐曲,毫无美感与逻辑。将数据按照值的大小进行升序或降序排列,能让玫瑰图的花瓣呈现出有规律的、渐变的弧度,极大地提升可读性和美观度。

ECharts提供了两种排序方式:

  1. 数据源排序:在准备数据时,就使用数组的sort方法进行排序。这是最直接的方式。
  2. 使用ECharts Transform(ECharts 5+):这是一种更声明式、更强大的方法,尤其适合数据来自动态数据集时。
option = {
  dataset: [{
    source: [
      ['Product', 'Sales'],
      ['Cake', 123],
      ['Tofu', 235],
      ['Latte', 231],
      ['Milk Tea', 341] // 原始数据未排序
    ]
  }, {
    // 使用 transform 进行排序
    transform: {
      type: 'sort',
      config: { dimension: 'Sales', order: 'desc' } // 按Sales维度降序
    }
  }],
  series: [{
    type: 'pie',
    roseType: 'area',
    datasetIndex: 1 // 引用排序后的数据集
  }]
};

最后,考虑数据聚合。玫瑰图不适合展示过多分类(例如超过15个)。过多的花瓣会导致每个扇形的角度变得非常小,看起来像一根根尖刺,失去了“花瓣”的柔和感,同时也会让图例变得冗长。如果分类确实很多,可以考虑:

  • 将较小的、次要的类别合并为“其他”项。
  • 使用嵌套环形图,将大类放在内环(普通饼图),子类放在外环(玫瑰图),形成层次结构。这正是你提供的原始场景中“学院-专业”的展示方式。

3. 半径与布局:精细控制视觉空间的艺术

解决了数据和模式问题,我们来到了“微调”阶段。radius和center这两个配置项,就像雕刻家手中的刻刀,直接决定了玫瑰图在画布上的最终形态和比例。

radius 的设置是门学问。它通常是一个数组,如 ['10%', '60%'],分别代表内半径和外半径。很多人在这里踩坑:

  • 内半径过小或为0:当roseType启用时,即使内半径设为'0%',ECharts也不会真的从圆心开始绘制,而是会留出一个默认的最小空间,否则中心点会因扇形角度太小而显得杂乱。但如果你显式地设置一个过小的内半径(比如'1%'),对于数值差异大的数据集,小值对应的扇形可能会被压缩成一条几乎看不见的细线。
  • 外半径过大:将外半径设为'90%甚至'100%',试图填满整个容器。这会导致最长的花瓣尖端紧贴容器边缘,甚至被裁剪,视觉上非常压抑,也失去了留白的美感。

一个经验性的法则是:为玫瑰图预留足够的“呼吸空间”。外半径通常设置在容器宽高较小值的50%-70%之间。例如,对于一个600x400的容器,设置 radius: ['15%', '65%'] 通常会得到一个比较舒适的布局。

多系列嵌套时的半径规划(嵌套环形图)。这是高级用法,也是容易产生不协调感的重灾区。你的原始内容展示了学院与专业的嵌套。关键在于合理规划各系列之间的半径区间,避免重叠或间隙过大。

series: [
  { // 内环:学院汇总(普通饼图)
    type: 'pie',
    radius: ['0%', '30%'], // 占据最内圈0-30%的半径范围
    label: { position: 'inner' },
    data: [ /* 学院数据 */ ]
  },
  { // 外环:专业分布(南丁格尔玫瑰图)
    type: 'pie',
    radius: ['40%', '70%'], // 占据40%-70%的半径范围
    roseType: 'area',
    data: [ /* 专业数据 */ ]
  }
]

注意上面代码中两个radius数组的关系:内环的外半径是'30%',外环的内半径是'40%',中间留下了10%的空白间隙。这个间隙至关重要:

  1. 视觉分离:清晰地区分两个不同的数据层次。
  2. 避免干扰:防止内环的标签与外环的图形重叠。
  3. 美学需要:让图表更有层次感和设计感。

如果内外环之间没有间隙(例如内环['0%', '50%'],外环['50%', '80%']),它们会在半径50%处紧密相连,在视觉上会粘连成一个整体,难以区分。

center 的动态调整。当图表容器不是正方形,或者你需要为图例、标题留出更多空间时,调整圆心位置center就很有必要。center可以是像['50%', '50%']这样的百分比,也可以是[300, 200]这样的像素值。在多系列嵌套且数据量不同的情况下,你甚至可能需要微调不同系列的center,让它们在同一圆心对齐,这需要一些耐心和反复预览。

4. 视觉增强与交互:从“能用”到“好用”的进阶

一个协调的玫瑰图,不仅在于静态布局的合理,更在于动态交互的清晰。以下是一些提升专业度的细节技巧。

标签(Label)的智能放置。玫瑰图的扇形大小不一,将标签统一放在内部或外部都不合适。ECharts提供了丰富的标签布局策略:

  • position: 'outside':标签在外部,用引导线连接。适合扇形较大的情况,但花瓣多时引导线会像蜘蛛网一样杂乱。
  • position: 'inside':标签在内部。适合扇形足够大的情况,但小扇形里可能放不下文字。
  • position: 'center':标签在扇形中心。比较通用。
  • 使用富文本标签和自定义格式化:这是高级玩法。你可以根据扇形面积动态决定是否显示标签,或者显示简化后的文字。
label: {
  position: 'center',
  formatter: function(params) {
    // 如果数据占比太小,则不显示名称,只显示百分比
    if (params.percent < 5) {
      return `{b|${params.percent.toFixed(1)}%}`;
    }
    return `{a|${params.name}}\n{b|${params.value} (${params.percent.toFixed(1)}%)}`;
  },
  rich: {
    a: { fontSize: 12, lineHeight: 16 },
    b: { fontSize: 10, color: '#999' }
  }
}

颜色映射的讲究。不要使用默认的颜色数组,它可能在多个系列间重复,导致关联性混乱。对于嵌套环形图,内环(父类别)和外环(子类别)的颜色应该建立关联。

  • 方案一:同色系渐变。为每个内环类别分配一个主色,其对应的外环子类别使用该主色的不同明度或饱和度变体。
  • 方案二:使用ECharts的visualMap组件,将数据值映射到连续的颜色带上,这样颜色本身就携带了数据大小的信息。

高亮与选中状态的优化。在emphasis(高亮)状态下,默认的扇形放大效果在玫瑰图上可能因为半径变化而导致重叠。更好的做法是调整itemStyle的阴影和边框,而不是改变radius。

itemStyle: {
  emphasis: {
    shadowBlur: 10,
    shadowOffsetX: 0,
    shadowColor: 'rgba(0, 0, 0, 0.5)'
  }
}

利用 dataset 和 transform 实现数据驱动。对于中高级开发者,我强烈推荐拥抱ECharts 5引入的dataset和transform范式。它将数据与图表配置分离,使得数据过滤、排序、转换等操作可以声明式地完成,代码更清晰,也更容易实现动态数据更新。例如,你可以轻松地创建一个下拉框,让用户选择不同的年份,图表通过transform: { type: 'filter', config: { dimension: 'Year', '=': selectedYear } }自动过滤并重绘,而无需重写整个series数据。

5. 实战案例:调试一个“不协调”的玫瑰图

让我们模拟一个真实场景。假设我们要可视化公司各产品线在不同地区的销售额,数据差异较大,初始图表效果很差。

初始问题图表特征:

  • 使用了roseType: 'radius',导致明星产品线的扇形巨大无比。
  • 数据未排序,扇形排列杂乱。
  • 外半径设置为'85%',花瓣顶到边缘。
  • 多个小销售额地区在内圈挤成一团,无法识别。

分步调试过程:

  1. 切换模式:首先将roseType从'radius'改为'area'。立刻,图表整体的比例关系正常了许多,极端值的视觉压迫感降低。

  2. 数据排序与筛选:

    // 假设原始数据源存储在 dataset[0].source 中
    dataset: [{
      source: rawData // 原始数据
    }, {
      transform: [
        {
          type: 'filter',
          config: { dimension: 'Sales', '>': 100 } // 过滤掉销售额过小的项,归入“其他”
        },
        {
          type: 'sort',
          config: { dimension: 'Sales', order: 'desc' }
        }
      ]
    }],
    series: [{
      type: 'pie',
      roseType: 'area',
      datasetIndex: 1, // 引用处理后的数据
      radius: ['15%', '65%'], // 调整半径,留出空间
      // ... 其他配置
    }]
    
  3. 调整视觉参数:

    • 设置一个柔和的、按顺序变化的颜色主题。
    • 配置标签,对小扇形使用更紧凑的格式化方式。
    • 添加一个副标题,说明“销售额小于100的区域已合并显示”。
  4. 引入交互:添加一个toolbox组件,提供“切换为条形图”的魔法类型按钮。因为当用户真的需要精确比较所有数据大小时,条形图仍然是更佳选择。玫瑰图的价值在于展示整体构成和突出主要部分。

经过以上步骤,一个原本扭曲、难以解读的玫瑰图,被重塑为层次清晰、重点突出、视觉协调的有效数据可视化作品。记住,调试玫瑰图的过程,是一个在数据真实性、视觉感知和业务表达之间不断寻求平衡的过程。没有一劳永逸的配置,最好的图表永远是经过深思熟虑和反复调试后,最适配当前数据故事的那一个。下次当你的玫瑰图看起来不对劲时,别急着怀疑ECharts,不妨沿着“模式->数据->布局->视觉”这条路径系统性地排查一遍,你会发现,让图表“协调”起来的钥匙,一直就在你手中。

性感的数据可视化 —— 精讲桑基图、气泡图、南丁格尔玫瑰图 作者:常成 2019年的“凯度信息之美奖”揭晓了,有很多很有意思的信息可视化作品。很多作品看到的时候都被感动到,数据/信息不再是冷冰冰的,而是立体的,通过可视化可以让人们更清晰的看到和感受到作者想表达的信息,比文字更加直接。选择了合适的数据可视化组件,就会有魔力,让你想传达的信息变得生动起来。 这里介绍三个可视化作品和故事,和他们使用的三个重要的可视化组件:桑基图、气泡图、南丁格尔玫瑰图。 1. “凯度信息之美奖”的人道主义类金奖 - 《看不见的罪行:我们是否让性侵受害者失望了?》 ... 阅读详情

相关推荐

数据可视化之南丁格尔玫瑰图:特点,应用场景,以及效果展示与代码绘制

数据可视化之南丁格尔玫瑰图:特点,应用场景,以及效果展示与代码绘制

qq_55006020的博客 2513

Python数据可视化之南丁格尔玫瑰图

文章目录1. 什么是南丁格尔玫瑰图2. 南丁格尔玫瑰图的绘制 1. 什么是南丁格尔玫瑰图 央视新闻用来展示疫情0增长天数的图就是南丁格尔玫瑰图。 南丁格尔玫瑰图(Nightingale rose diagram)又名鸡冠花图、极坐标区域图。统计学家和医学改革家佛罗伦斯‧南丁格尔 (Florence Nightingale) 曾在克里米亚战争期间使用这种图表传达士兵身亡情况,故得名。 2. 南丁格...

kaikai_sk的博客 1万+

数据可视化-Excel制作南丁格尔玫瑰图

数据可视化制作南丁格尔玫瑰图。

m0_74394367的博客 1849

R语言-南丁格尔玫瑰图

简介 南丁格尔玫瑰图(Nightingale rose chart)即极坐标柱形图,是一种圆形的柱形图。由弗罗伦斯-南丁格尔所发明,普通柱形图的坐标系是直角坐标系,而南丁格尔玫瑰图的坐标系是极坐标系。南丁格尔玫瑰图是在极坐标下绘制的柱形图,使用圆弧的半径长短表示数据的大小。美国各数据类别或间隔在径向图上划分为相等分段,也就是极坐标系的角度相等,而每个分段延伸多远(与其所代表的数值成正比)取决于极坐...

明月夜雨微凉的博客 1万+

南丁格尔玫瑰图 python_央视都在用的“南丁格尔玫瑰图”,原来Python也可以画...

前一阵子,我看到央视新闻中,有一张比较好看数据图,如下:后来才知道这叫“南丁格尔玫瑰图”,是南丁格尔护士在克里米亚战争期间提交的一份关于士兵死伤报告时发明的一种图表。我心想能不能用Python也画一个,就去网上搜了一些资料,然后自己捣鼓了一下代码,并进行了梳理,下面是具体步骤。第一步:安装并导入相关包主要用到了pandas和pyecharts这两个包,需要注意的是pyecharts不同版本之间的的...

weixin_42120563的博客 1671

开源CC6920差分霍尔电流传感器模块实战指南——从选型到波形分析

本文详细介绍了CC6920差分霍尔电流传感器模块的选型、硬件连接、参数计算及波形分析技巧。通过实战案例,展示了该开源硬件在电流测量中的优势,包括超低内阻、电气隔离和抗干扰能力,适用于电机控制、开关电源保护等场景。

weixin_28738397的博客 379

教你做超惊艳的南丁格尔玫瑰图

其实早在今年初,疫情还很严重的时候,人民日报发布的这个图就吸引了广大数据分析者的注意。 今天我们就把这个图的前因后果以及怎么做一次性讲清楚。 玫瑰图的前世今生 这个图学名:南丁格尔玫瑰图,是弗罗伦斯·南丁格尔女士发明的,又名为极区图、鸡冠花图。 要说到南丁格尔女士,也是很传奇,她首先是一位护士,其次也是一名统计学家,更是英国皇家统计学会的第一位女性会员。 19世纪50年代,英国、法国、土耳其和俄国进行了克里米亚战争。南丁格尔主动申请,自愿担任战地护士。当时的医院卫生条件极差,甚至连干净的水源与厕所都没有,

data_cola的博客 1万+

从Mule ESB到Apache Camel:手把手教你设计一个轻量级企业集成框架的‘心脏’

本文深入探讨了从Mule ESB到Apache Camel的轻量级企业集成框架设计实践,对比了两者在协议支持、消息处理能力和部署灵活性等方面的差异。通过实际代码示例和性能优化技巧,帮助开发者构建高效的核心模块,适用于现代微服务架构下的系统集成需求。

weixin_28738165的博客 376

python+matplotlib绘制南丁格尔玫瑰图

实验:绘制南丁格尔玫瑰图   本实验有一定难度,有人说matplotlib绘图和matlab大同小异,我看除了一些函数名相同之外,其他的像参数和使用方法很不一样.另外我不知道是不是在matlab中画玫瑰图直接一个"肉丝"函数就成了,为什么matplotlib里面没有~~   无论如何还是感谢本次实验,虽然费了点时间但是我对函数画图有了一定深度的了解和掌握,草草在python之matplotlib库重要绘图函数简介里面记录了一下,因为内容太多没有一一写成博文,但是附加了一些别人博客的链接,还是很有帮助的. 文

小兰同学的博客 9836

倾向得分匹配的stata命令_政策评估方法引荐|广义倾向得分匹配(GPSM)

和大家分享一下最近学习的进展,在痛苦读完stata journal和练习OA程序,已经可以基本完成广义倾向得分的估计了,在国内这一方法还没有形成广泛运用,因此学习资源也是有点稀缺的,在文章最后给各位提供数据和代码以供练习。有问题可以随时文末留言或者联系我哦。人文社会科学中一般无法在实验室中控制样本个体的特征,我们一般采用“准自然实验”的研究路径,也就是不随机安排样本接受处理与否。但放弃随机分组假定...

weixin_39550258的博客 1万+

使用Simulink进行基于IIR滤波器的设计与稳定性分析仿真

IIR滤波器的稳定性与其系统函数的极点位置密切相关。如果所有极点都位于Z平面的单位圆内,则该滤波器是稳定的;否则,滤波器将是不稳定的。在设计IIR滤波器时,确保其稳定性对于避免输出信号发散至关重要。明确你的系统需求,比如输入信号类型(如正弦波)、采样率、IIR滤波器的设计参数(如滤波器类型、阶数、截止频率等)。假设我们需要设计一个低通IIR滤波器,用来去除高于500Hz的所有频率成分,保留低于500Hz的信号成分。采样率为8kHz。

xiaoheshang_123的博客 151

【Python】数据分析:如何使用matplotlib和pyecharts制作南丁格尔玫瑰图

玫瑰图是弗罗伦斯·南丁格尔所发明的。又名为极坐标面积图,是一种圆形的直方图。南丁格尔自己常昵称这类图为鸡冠花图(coxcomb),适用于绘制比较、随时间变化的循环现象。和传统的饼图展示形式单一相比,南丁格尔玫瑰图更加绚丽,给人的感觉更直观、深刻,因此,南丁格尔玫瑰图在数据可视化领域的应用十分广泛。文章介绍如何使用python制作玫瑰图,提供了2中方式:pyecharts生成html和matplotlib生成png。

黎明总是如期而至 8964

AI人工智能领域持续学习:提升技术能力的关键

在当今科技飞速发展的时代,AI人工智能已经渗透到我们生活的方方面面。本文章的目的就是帮助大家了解在AI人工智能领域持续学习的重要性,以及如何通过持续学习来提升自己的技术能力。文章会涵盖AI的核心概念、持续学习的原理和方法、实际应用场景等方面,让大家对AI领域的持续学习有一个全面的认识。本文首先会介绍AI人工智能的核心概念,让大家对这个领域有一个初步的了解。然后详细讲解持续学习的原理和方法,通过代码示例展示如何在实际项目中实现持续学习。接着会分析AI持续学习在不同场景的应用,推荐一些学习工具和资源。

AI 原生应用开发的博客 1289

Python数据可视化之南丁格尔玫瑰图(亲测)

文章目录 1. 什么是南丁格尔玫瑰图 2. 南丁格尔玫瑰图的绘制 1. 什么是南丁格尔玫瑰图 央视新闻用来展示疫情0增长天数的图就是南丁格尔玫瑰图。 南丁格尔玫瑰图(Nightingale rose diagram)又名鸡冠花图、极坐标区域图。统计学家和医学改革家佛罗伦斯‧南丁格尔 (Florence Nightingale) 曾在克里米亚战争期间使用这种图表传达士兵身亡情况,故得名。 2. 南丁格尔玫瑰图的绘制 (1) 安装pyecharts库 pip install pyechart.

gb4215287的博客 5184

深度解析:LPDDR5 Receiver 的挑战与应对

LPDDR5 的数据速率已经来到Tbit​DataRate1​≈156ps在6400Mbps时也就是说,。👉 这就是为什么成为 LPDDR5 的“标配”。

weixin_43199439的博客 211

微信小程序 - 实现Java微信支付退款功能以及退款流程,微信小程序前端+java后端完整示例源码,微信小程序退款功能详解,小程序订单申请退款和退款回调方法、查询退款等(新版微信支付,详细示例代码)

微信小程序开发-微信支付退款功能以及退款回调方法,微信支付退款API详解,微信小程序支付V3(支付、退款)Java实现微信小程序开发 小程序支付开发-小程序退款功能,微信小程序小程序和公众号 退款功能教程(含申请退款和退款回调,退款回调地址在商户后台配置或者代码自定义)最新版微信小程序支付,退款问题,小程序支付和退款功能详解,小程序申请退款,小程序处理退款,微信小程序支付与退款java,微信小程序退款及回调,JAVA实现微信小程序支付退款功能,退款api调用报错,如何解决退款申请无响应,如何用实现小程序订单

🏆 前端领域优质创作者 4159

[数据可视化] 南丁格尔玫瑰图

本文主要讲解南丁格尔玫瑰图

Hudas的博客 7742

你以为你懂 Java 反射?看了这篇源码分析,我发现我以前都错了

摘要:本文讲述了一次生产环境Metaspace内存溢出的故障排查经历。事故源于一个通用数据导出功能中频繁使用反射调用method.invoke(),触发了JVM的"膨胀机制":当同一Method对象调用超过15次时,JVM会动态生成GeneratedMethodAccessor类,导致Metaspace被撑爆。文章分析了问题根源在于循环中反复调用getMethods()创建新Method对象,并提出了三种解决方案:缓存Method对象、改用MapStruct/MethodHandle工具

BUG猿的博客 770

举个栗子!Tableau技巧(35):学做 南丁格尔 玫瑰图 Nightingale rose diagram

在工作中,如果遇到需要计算总费用或金额的各个部分构成比例的情况,我们可以使用饼图,直接显示各个组成部分及所占比例。 但是,如果因为组成部分较多而导致饼图分区多且密集,图表就变得不易观察。 能不能等角度分布(占比小的项不会被忽略),又能体现各个项的大小(突出占比大的项)?同时还能对比不同类型(多角度分析)的差异? 有一种图表可以满足上面的这些需求,它就是南丁格尔玫瑰图。 南丁格尔玫瑰图Nigh...

weixin_45588393的博客 5509

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

数据可视化_科学统计图表5——ggplot绘制南丁格尔玫瑰图

19世纪50年代,英国、法国、土耳其和俄国进行了克里米亚战争,英国的战地战士死亡率高达42%。弗罗伦斯·南丁格尔主动申请,自愿担任战地护士。她率领38名护士抵达前线,在战地医院服务。当时的野战医院卫生条件极差,各种资源极度匮乏,她竭尽全力排除各种困难,为伤员解决必须的生活用品和食品,对他们进行认真的护理。仅仅半年左右的时间伤病员的死亡率就下降到2.2%。每个夜晚,她都手执风灯巡视,伤病员们亲切地称她为“提灯女神”。 战争结束后,南丁格尔回到英国,被人们推崇为民族英雄。 出于对资料统计的结果会不受人重视的忧

qq_36711935的博客 5160

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

Tableau 南丁格尔玫瑰图

简介:南丁格尔玫瑰图是弗罗伦斯·南丁格尔所发明的。又名为极区图。是一种圆形的直方图。 应用场景:可以看到比饼图更加详细地信息。 参考书目:跟阿达学 Tableau 数据可视化 操作步骤: 以示例-超市为例 1、导出相关数据(处理数据源) 1.1、在软件中选择我们需要的几个字段拖到行和列,这里我们选择18年的12个月 1.2、再左上角工作表→导出→交叉表到Excel,导出后效果如下 1.3、可是这样的数据我们 Tableau 并不能直接利用,需要转化成下图样式 具体操作步骤不做讲解,就是删掉一些不要的,然

whjhut的博客 3573

性感的数据可视化 —— 桑基图、气泡图、南丁格尔玫瑰图

阿里云数据中台官网 https://dp.alibaba.com/index (作者:常成) 2019年的“凯度信息之美奖”揭晓了,有很多很有意思的信息可视化作品。很多作品看到的时候都被感动到,数据/信息不再是冷冰冰的,而是立体的,通过可视化可以让人们更清晰的看到和感受到作者想表达的信息,比文字更加直接。选择了合适的数据可视化组件,就会有魔力,让你想传达的信息变得生动起来。 这里介绍三个可视化作品和故事,和他们使用的三个重要的可视化组件:桑基图、气泡图、南丁格尔玫瑰图。 1. “凯度信息之美奖.

数据库技术 2936

如何制作南丁格尔玫瑰图?多种方法对比制作!

诞生于19世纪的克里米亚战争时期,该图表的创始人是一位名叫南丁格尔的英国护士长,由南丁格尔汇总数据并绘制完成。这张图表不仅清楚地显示了士兵死亡的原因和时间分布,还揭示出医疗条件的不足和卫生环境的恶劣,南丁格尔玫瑰图因此成为了统计图表的先驱之一,被广泛地运用于各个领域。上面这张图展示1854年4月到1855年3月这一年间士兵的死亡情况。其中,图中又分为两张小图,左图表示1855年4月到1856年3月的死亡人数,右图表示1854年4月到1855年3月的死亡人数。

weixin_42684533的博客 2230

ECharts 南丁格尔玫瑰图教程:自定义样式与交互,打造高颜值数据可视化」 「前端数据可视化:ECharts 南丁格尔玫瑰图实战,附完整代码与详细注释」 「ECharts 玫瑰图进阶:自定义样式、标

ECharts 南丁格尔玫瑰图教程:自定义样式与交互,打造高颜值数据可视化」 「前端数据可视化:ECharts 南丁格尔玫瑰图实战,附完整代码与详细注释」 「ECharts 玫瑰图进阶:自定义样式、标签与交互,轻松实现复杂数据展示」 「手把手教你用 ECharts 实现南丁格尔玫瑰图,附完整代码解析与样式优化」 「ECharts 玫瑰图入门:从零开始实现带交互的多系列玫瑰图」ECharts 南丁格尔玫瑰图教程:自定义样式与交互,打造高颜值数据可视化」 「前端数据可视化:ECharts 南丁格尔玫瑰图实战,附

南北极之间 1646

南丁格尔玫瑰图 With ggplot2【R语言】

之前在饼图中提到过,要整理一下南丁格尔玫瑰图的画法😑南丁格尔玫瑰图又名鸡冠花图、极坐标区域图,是南丁格尔在克里米亚战争期间提交的一份关于士兵死伤的报告时发明的一种图表。南丁格尔玫瑰图是在极坐标下绘制的柱状图,使用圆弧的半径长短表示数据的大小(数量的多少)。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。由于圆形有周期的特性,所以玫瑰图也适用于表示一个周期内的时间概念,比如星期、月份。

生信学习 4521

数据可视化的艺术:饼图与南丁格尔玫瑰图的深度解析

饼图是一种圆形统计图表,通过扇形角度的大小来表示各类别在总体中的比例关系。每个扇区的角度与它所代表的数量成正比。主要用于展示数据的占比情况,能直观地反映各部分在总体中所占的份额。

2301_80845407的博客 977
上一篇: 【实战指南】Ubuntu20.04与CentOS7离线部署Docker及NVIDIA容器工具链全解析
下一篇: Windows 10下Veins+SUMO+OMNeT++环境搭建全攻略(避坑指南)
糖果HTML
博客等级 码龄3年 76粉丝 1357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  | 博主筛选后可见
 
 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
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