数据可视化

一、简介 　　最近因为工作需要，使用了一些单机版Redis的界面化管理工具，使用过程中那惨痛的体验真的只有用过的人才能体会；为此本人和小伙伴准备动手一个Redis可视化工具，但是因为小伙伴最近工作比较忙，搞了一大半没有时间继续（会有后续，界面不敢说，使用体验上面肯定要比现有的好）；本人对wpf不是很熟，再想到很久之前的web迅雷，就想动手实现一个web版的Redis的界面化管理工具；目前这个工具已初步成型，所以放出来分享一下。 二、基本使用步骤 　　Web Redis Manager是一款web 版的Redis可视化工具，即可以作为单机的web 版的Redis可视化工具来使用，也可以挂在服务器上多人管理使用的web 版的Redis可视化工具。首先下载 https://github.com/yswenli/WebRedisManager/releases 包，并解压打开，如果是core版的直接安装dotnet core 2.0后输入dotnet webredismanager.dll即可运行。 .net版的如下图： 　　 　　接下来双击文件WebRedisManager.exe运行，如果无法运行的话，可能需要安装.net framework 4.5，成功打开界面如下： 　　 　　然后打开浏览器，地址栏按上面提示输入url，界面如下： 　　 　　这个时候就可以添加redis服务器了：

通过浏览器就可以访问使用了，并且可以同时管理、维护、监控MySQL,Oracle等关系数据库，值得一用。 1、配置数据库的连接参数，可以Hive，MySQL同时配置，方便查看原始数据，以及回写到MySQL的数据。 2、切库换数据库，查看及维护数据，同时可以在线执行SQL，查询数据。可以从Hive同步数据到MySQL等。 原文：https://www.cnblogs.com/treesoft/p/9347343.html

一：Dragon绘制实例（三维扫描的绘制） 三维扫描主要用于对物体空间外形结构以及色彩进行扫描，用以获得物体表面的空间坐标， 他的主要意义在于能够将实物的立体信息转换为计算机能够直接处理的数据信号，为实物的数字化提供了相对方便快捷的手段， 因此，三维扫描为工业建模，文物保存，虚拟空间构建都起到了非常重要的作用。 下载地址： http://graphics.stanford.edu/data/3Dscanrep/ ，页面搜索Dragon即可 import tarfile,os #读取tar压缩文件 dragon_tar_file = tarfile.open( " dragon_recon.tar.gz " ) try : os.mkdir( " dragon_data " ) except: pass dragon_tar_file.extractall( " dragon_data " ) dragon_tar_file.close() import os dragon_ply_file = os.path.join( " dragon_data " , " dragon_recon " , " dragon_vrip.ply " ) .ply是一个很通用的三维扫描格式Polygon File Format--->也叫作Stanford Triangle Format　

Yellowbrick 是一套名为「Visualizers」的视觉诊断工具，它扩展了 Scikit-Learn API 以允许我们监督模型的选择过程。简而言之，Yellowbrick 将 Scikit-Learn 与 Matplotlib 结合在一起，并以传统 Scikit-Learn 的方式对模型进行可视化。 可视化器 可视化器（Visualizers）是一种从数据中学习的估计器，其主要目标是创建可理解模型选择过程的可视化。在 Scikit-Learn 的术语中，它们类似于转换器（transformer），其在可视化数据空间或包装模型估计器上类似「ModelCV」（例如 RidgeCV 和 LassoCV）方法的过程。Yellowbrick 的主要目标是创建一个类似于 Scikit-Learn 的 API，其中一些流行的可视化器包括： Rank Features：单个或成对特征排序以检测关系 Radial Visualization：围绕圆形图分离实例 PCA Projection：基于主成分分析映射实例 Manifold Visualization：通过流形学习实现高维可视化 Feature Importances：基于模型性能对特征进行排序 Recursive Feature Elimination：按重要性搜索最佳特征子集 Scatter and Joint Plots

1.系统：ubuntu 14.04 2.IDE：VSCode,Qt 3.可视化库： OpenCV 。封装了大量的可应用于无人驾驶研究的函数，包括各种滤波器算法、特征点提取、矩阵运算、投影坐标转换、机器学习算法等。(Learning OpenCV3) libQGLViewer。OpenGL 适配 qt 的一个库。官网及压缩包内的 example。 Boost 库。相关的（电子或纸质）书，把目录读一遍。 QCustomplot。对照着 example 中的例程写代码，可以快速把自己的数据变成可视化图像。 4.通信机制：Ros，LCM 5.Git & Github。廖雪峰的 Git 教程，浅显易懂，而且还配合图文+视频，简直良心。 参考：https://mp.weixin.qq.com/s/cvnQaS6lsSGljt1IiUU7tA 来源：博客园 作者： 寒江小筑 链接：https://www.cnblogs.com/yrm1160029237/p/11796817.html

matplotlib基础绘图函数功能 函数 功能 figure.add_subplot 创建选中资图，指定行数列数和子图编号 plt.figure 创建空话不，指定大小和像素 plt.xlable(ylabel) 添加x（y）轴名称，指定位置，颜色，字体的大小 plt.xlim(ylim) 指定x（y）轴范围，只能确定一个数值区间，而无法使用字符串标识 plt.xticks(yticks) 指定x（y）轴数目与取值 plt.legend 指定当前图例，可指定图例大小位置标签 plt.title 给图片增加标题 plt.savafig 保存绘制的图形，可以指定图形的分别率，边缘颜色等 plt.show 在本机显示图像 绘制散点图 matplotlib.pyplot.scatter(x,y,s=None,c=None,marker=None,alpha) 参数名 功能 x,y 接受array，表示x,y数据 c 表示每个点的大小 s 表示每个点的颜色 alpha 表示点的透明度 marker 表示绘制点的类型 常见marker取值，以及功能 ȡֵ 功能 ȡֵ 功能 ‘o’ ԲȦ ‘D’ 菱形 ‘.’ 点号 ‘s’ 正方形 ‘*’ 星号 ‘x’ X 来源：51CTO 作者： 大鹏的编程之路 链接：https://blog.csdn.net/WSRY_GJP/article/details

[TOC] Github Visualization / Github 数据可视化 网站链接: https://ssthouse.github.io/github-visualization/ github链接: https://github.com/ssthouse/github-visualization 效果: 一个简单的Github数据展示网页, 目前功能有: 输入github username, 展示所有repository 支持鼠标滚轮缩放 & 拖拽 筛选是否为fork的 repository Tech: 使用到的技术: Vue用作 UI 快速搭建 (其实直接用纯html + js也行, 用Vue只是方便快速搭建界面) D3.js , 数据可视化的核心库 使用github page 作为静态网页的展示, 通过配置webpack, 可以通过将 npm/yarn run build 编译到项目 /doc 目录下, 从而直接部署到github page 从github 的api 以 GraphQL 形式提供 使用的是 personal token ==> 详情参见文档: https://help.github.com/articles/creating-a-personal-access-token-for-the-command-line/ Purpose: 练习使用 D3

文章目录 Dragon绘制 Canyon地形可视化 Earth Graph Dragon绘制 import shutil import tarfile from mayavi import mlab from os . path import join # 读取tar压缩文件 dragon_tar_file = tarfile . open ( 'Data/dragon.tar.gz' ) dragon_tar_file . extractall ( 'dragon_data' ) dragon_tar_file . close ( ) dragon_ply_file = join ( 'dragon_data' , 'dragon_recon' , 'dragon_vrip.ply' ) # 渲染dragon ply文件 mlab . pipeline . surface ( mlab . pipeline . open ( dragon_ply_file ) ) mlab . show ( ) # 删除解压的文件夹 shutil . rmtree ( 'Data/dragon_data' ) Canyon地形可视化 import zipfile import numpy as np from mayavi import mlab # 读取压缩文件 # N36W113.hgt

图表字体易读性的基本规则 1：一般而言，为了便于阅读，行距应当比字体大两磅。例如选10磅的字体取12磅的行距（一磅=一像素） 2：不要将字体设置得太小或太紧凑 3：无论是衬线体或无衬线体，需要保持字体风格简约。只有在强调某一点的时候才使用粗体或斜体。不能同时使用粗体和斜体（衬线体指的是字母起始或末尾增加了修饰性笔画） 4：不要全部大写，这不易阅读。就如同手写一样，要使用大写字母和小写字母 5：避免使用黑底白字或彩色底 6：避免使用连字符连接 7：不要使用太艺术化的字体 8：不要将字体设置为某一角度倾斜 测试易读性的简单方法：在复印机上将图表缩印为很小的尺寸。当缩印后，字体仍然清晰可读 图表的字体编排 在图表中，字体编排不应当是焦点，数据才是中心。图表中的字体是用来清晰地描述图表的，而不是像时尚杂志或政治海报那样用来激发某种情感的。 因此无论如何都要避免使用字体风格来美化图表的冲动。合理的字体编排有助于最有效、最直接地表述信息。 1：在图表中，不允许字体编排盖过重要信息；要保持字体编排的简洁，标题可以使用粗体或大几号字体 2：不要使用高度风格化的字体，或将字体竖排以节省空间；可以采用衬线体与无衬线体相互补充，这样能增加变化且有较高易读性 3：不要把大量文本设置成粗体；粗体应用来强调信息的焦点 4：不要使用黑底白字或彩色底，这会破坏易读性；在阴影背景中可以使用粗体字以增加易读性

开发工具与关键技术：Visual Studio 和 ASP.NET.MVC, 作者：陈鸿鹏 撰写时间：2019年5月25日 下面是我学习的对ECharts插件调用的总结 ECharts是一个纯 Javascript 的图表库，可以流畅的运行在 PC 和移动设备上，兼容当前绝大部分浏览器（IE8/9/10/11，Chrome，Firefox，Safari等），底层依赖轻量级的 Canvas 类库 ZRender，提供直观，生动，可交互，可高度个性化定制的数据可视化图表。 ECharts中加入了很多丰富的交互功能以及更多的可视化效果，并且对移动端做了深度的优化。 ECharts中有丰富的图表类型，它提供了常规的折线图，柱状图，散点图，饼图，K线图，用于统计的盒形图，用于地理数据可视化的地图，热力图，线图，用于关系数据可视化的关系图，treemap，多维数据可视化的平行坐标，还有用于 BI 的漏斗图，仪表盘，并且支持图与图之间的混搭。 ECharts有多个坐标系的支持，独立出了“坐标系”的概念，支持了直角坐标系（catesian，同 grid）、极坐标系（polar）、地理坐标系（geo）。图表可以跨坐标系存在，例如折、柱、散点等图可以放在直角坐标系上，也可以放在极坐标系上，甚至可以放在地理坐标系中。 它借助 Canvas 的能力，ECharts