ZM—后台无法给想要的数据格式(2)

本文介绍如何将后台提供的非标准数据结构转换为期望的listData格式,通过循环遍历和映射操作,实现数据整合,便于后续图表绘制。

问题描述:

后台无法给想要的数据格式,

想要的数据格式:

listData:[
          {
              title:"甲醇",
              place:['陕西','西安'],
              value:['12345.3','36985.6']
          },
          {
              title:"乙烯",
              place:['武汉','安徽'],
              value:['568945.154','7856452.32']
          }
      ]
后台给的数据格式:
newval:[
          {
              title:"甲醇",
              place:"陕西",
              value:123450.6
          },
          {
              title:"甲醇",
              place:"西安",
              value:36985.6
          },
          {
              title:"乙烯",
              place:"武汉",
              value:568945.154
          },
          {
              title:"甲醇",
              place:"安徽",
              value:7856452.32
          },
      ]

解决方案:

循环获得的数据并且进行赋值
dataList(newVal,oldVal){
      // console.log(newVal)
        var map = {},dest=[]
        for(var i = 0;i < newVal.length;i++){
          var list = newVal[i];
          if(!map[list.title]){
            dest.push({
              title:list.title,
              place:[list.place],
              value:[list.value]
            });
            map[list.title] = list;
          }else{
            for(var j = 0;j < dest.length;j++){
              var clist = dest[j];
              if(clist.title == list.title){
                clist.place.push(list.place)
                clist.value.push(list.value)
                break
              }
            }
          }
          // console.log(map,'123456')
        }
        this.listData = dest
        // console.log(this.listData,'123')
        // console.log(dest,'456')
        this.drawchanpinEchart()
      }
根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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