java数据显示的好看点_仅在选定的数据点上显示数据点?

本文介绍如何使用GraphView库在Android应用中创建交互式图表。通过实例代码展示了如何设置数据点、配置图表样式及添加监听器实现点击效果。

我正在使用GraphView库(http://www.android-graphview.org/legend/)来构建我的图表 . 我的图表中有一个监听器,而purporse是在开始时以零数据点开始 . 我想点击图表中的特定位置,从我点击的位置显示数据点图标 .

我的例子:

我想要的例子:

这是我的代码:

class MainActivity : AppCompatActivity() {

lateinit var series:LineGraphSeries

override fun onCreate(savedInstanceState: Bundle?) {

super.onCreate(savedInstanceState)

setContentView(R.layout.activity_main)

val series = LineGraphSeries(

arrayOf(

DataPoint(9.0, 9.0),

DataPoint(10.0, 10.0),

DataPoint(11.0, 11.0),

DataPoint(12.0, 12.0),

DataPoint(13.0, 13.0),

DataPoint(14.0, 14.0)))

graph.addSeries(series)

var staticLabelsFormatter = StaticLabelsFormatter(graph)

staticLabelsFormatter.setHorizontalLabels(arrayOf("2018", "2019", "2020","2021","2022","2023"))

graph.viewport.isScrollable = true

graph.gridLabelRenderer.gridStyle = GridLabelRenderer.GridStyle.NONE

graph.gridLabelRenderer.isVerticalLabelsVisible = false

graph.gridLabelRenderer.labelFormatter = staticLabelsFormatter

series.color = Color.BLACK

series.thickness = 6

series.isDrawBackground = true

series.isDrawDataPoints = true

series.isDrawDataPoints = false

series.backgroundColor = Color.parseColor("#0D000000")

series.setOnDataPointTapListener { series, dataPoint ->

Toast.makeText(

applicationContext,

"Series1: On Data Point clicked: $dataPoint",

Toast.LENGTH_SHORT

).show()

}

}

}

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  | 博主筛选后可见
 
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