精华内容
下载资源
问答
  • 对股票进行可视化分析

    千次阅读 多人点赞 2021-01-07 16:07:16
    对一只股票的数据分析前言一、数据爬取二、数据可视化分析1.近三个月的走势2.股票点数的最大值区间3.每日低点分析4.低开高走的时间段总结 前言 本文通过对股票数据的爬取,进而对这只股票进行可视化数据分析,分析的...


    前言

    本文通过对股票数据的爬取,进而对这只股票进行可视化数据分析,分析的若有问题,大家可以在下方进行留言。


    一、数据爬取

    博主采用的数据爬取方式是:利用python的财经数据包tushare,就直接可以将你想获取的数据下载下来,它也是有接口的,利用不同的接口可以获取不同的数据。

    代码如下:

    import tushare as ts
    import pandas as pd
    stock_data = ts.get_hist_data('600848')
    stock_data.to_csv(r'C:\Users\GK丶taptap\Desktop\stock_data2.csv')
    

    其csv文件图片如下:

    在这里插入图片描述

    二、数据可视化分析

    1.近三年的走势

    对该股票每天结束时的点数,使用matplotlib进行可视化分析
    代码如下:

    import numpy as np
    import matplotlib.pyplot as plt 
    df = pd.read_csv(r'C:\Users\GK丶taptap\Desktop\stock_data2.csv')
    x = df['date']
    y = df['close']
    plt.figure(figsize=(10,10))
    plt.plot(x, y)
    plt.title('close-date')
    plt.xlabel('date')
    plt.ylabel('close')
    plt.savefig(r'C:\Users\GK丶taptap\Desktop\3.jpg')
    plt.show()
    

    得到的曲线图如下:
    在这里插入图片描述
    由走势图可知,这只股票还是非常的不稳定,在跌的时候是深不见底的,而且跌的幅度是非常大的,过程涨的阶段也很少,而在涨的时候涨的很慢,耗费很多时间,并且涨的过程还伴随着巨幅的下跌,这样以来很多人会跑路,就不会获取最后涨的收益。并且它在后面跌的时候是在2020,2020年也算慢牛时期,很多股票都涨了很多。所以这只股票不建议投资。


    2.股票点数的最大值区间

    我们对该股票的每天点数的最大值进行分析,可以让我们了解到那个最大值区间是有更多位置的,来判断是否投资这个股票。
    我们先对最大值进行划分区间,划分为一下四个区间:
    [0,20] (20,25] (25,30] (30,+oo]
    代码如下:

    import pandas as pd
    import matplotlib.pyplot as plt
    df = pd.read_csv(r'C:\Users\GK丶taptap\Desktop\stock_data2.csv')
    plt.title('股票运势最高点分布(百分点)')#绘制标题
    plt.rcParams['font.sans-serif']='SimHei'#设置中文显示
    label=['20以下','20-25','25-30','30以上']#定义饼图的标签,标签是列表
    explode=[0.01,0.01,0.01,0.01]#设定各项距离圆心n个半径
    values=[len(df[df['high']<=20]),len(df[(df['high'] >20 ) & (df['high'] <=25)]),len(df[(df['high'] >25 ) & (df['high'] <=30)]),len(df[df['high'] > 30])]
    plt.pie(values,explode=explode,labels=label,autopct='%1.1f%%',radius=2)#绘制饼图
    plt.savefig(r'C:\Users\GK丶taptap\Desktop\2.jpg')
    plt.show()
    

    得到的饼状图如下:
    在这里插入图片描述
    由图可知,该股票每天的最大值分布最多点数的位置在20-25之间,20以下是最少的,25和25-30的点数大致相同,该股票每天上涨空间还是很大的,但由前面的分析,可得出该股票每天在某个时间会涨很多,但后面也伴随着大跳水,这对喜欢盯盘的人是非常的不友好。

    3.每日低点分析

    我们利用散点图对每日低点进行数据分析,看其每日的跌幅能有多大。
    代码如下:

    df = pd.read_csv(r'C:\Users\GK丶taptap\Desktop\stock_data2.csv')
    x = df['date']
    y = df['low']
    plt.figure(figsize=(10,10))
    plt.title("min-date")
    plt.xlabel("date") 
    plt.ylabel("min") 
    plt.plot(x,y,"ob") 
    plt.savefig(r'C:\Users\GK丶taptap\Desktop\6.jpg')
    plt.show()
    

    得到的散点图如下:
    在这里插入图片描述

    由散点图可知,其每日低点的走势和结束的走势大致相同,高点都是35,而且看点的分布密集地方都是较低点,每天的结束值大致和最低值相同,可知这个股票不宜购买。

    4.高低开分析

    我们对该股票的起始值进行分析,判断其低开多还是低开多。
    代码如下:

    import numpy as np 
    import matplotlib.pyplot as plt
    import pandas as pd
    df = pd.read_csv(r'C:\Users\GK丶taptap\Desktop\stock_data2.csv')
    plt.savefig(r'C:\Users\GK丶taptap\Desktop\8.jpg')
    df.hist('open')
    plt.show()
    

    得到的柱状图如下:
    在这里插入图片描述
    由图可知,该股票低开的时候很多,但其走势不是低开高走,而在高开时,就是走的高开低走,非常的坑人。



    三、 总结

    由上面四个分析可知,上海临港(代码600848)这个股票不建议购买,不低开高走,而在高开时,却低走,以及前面的结论,可知该股票是非常的不稳定。
    最后,理财有风险,投资需谨慎,请大家合理的进行投资分配,有不懂的地方可以向我提问,有理解错误的地方也请大家指出来。

    展开全文
  • JVM进阶(十二)——JAVA 可视化分析工具

    万次阅读 多人点赞 2017-03-13 10:47:00
    JVM进阶(十二)——JAVA 可视化分析工具  经过前几篇博文对堆内存以及垃圾收集机制的学习,相信小伙伴们已经建立了一套比较完整的理论体系!本篇博客就根据已有的理论知识,通过可视化工具来实践一番。 我们今天要...

    #JVM进阶(十二)——JAVA 可视化分析工具
      经过前几篇博文对堆内存以及垃圾收集机制的学习,相信小伙伴们已经建立了一套比较完整的理论体系!本篇博客就根据已有的理论知识,通过可视化工具来实践一番。
    我们今天要讲解的工具位于JDK目录的bin目录下,大家可以发现该目录下有很多可执行文件,这里都是JDK为我们提供用于分析内存的一些工具。我们重点看看jconsole.exe,JAVA监视与管理控制台。
    先运行以下程序:
    这里写图片描述
      再双击运行可视化工具,这里会让你选择要监控的程序,我们选择刚刚运行的程序。结果如图:
    这里写图片描述
      该页面只是一个概览页面,我们可以点进去上方导航栏的内存页,进去后我们可查看内存中各部分的使用情况图表,这里我们选择Eden区的查看。
    这里写图片描述
      可看到内存使用呈锯齿波状态,因为我们在循环中不断的产生新对象,而新对象又在Eden区中创建,所以内存使用会不断增加,当达到所设定的最大值后就会进行内存的回收,由于每个新生的对象都被存入到了List中,因此都不属于垃圾对象(因为处于关系网中),所以就要复制到另一个Survivor中,如果另一个Survivor区也满了,就会复制到年老区了。可查看上图右下角绿色图,在运行中会动态更新的,变化情况和我刚刚说的是一样的。
      当我们使用多线程的时候,会经常出现程序一直运行不会停止的情况,有可能出现死锁,有可能出现了死循环,可以通过该工具检测出来,先运行以下程序:
    这里写图片描述
      再点击导航栏上的线程进入线程查看页:
    这里写图片描述
      进入后页面长这个样子,看下方红色标记部分,根据我们刚刚执行的代码来看,代码开启了一个线程,作用就是执行死循环,线程的名字为默认的“Thread-0”。因为有了死循环,所以程序无法正常退出,查看堆栈跟踪,发现程序停在Test类的第14行,查看代码可发现那里是个死循环。注意:这里只是个测试例子,因此线程的名字用的是默认的,在实际环境中应为每个线程命名,在跟踪调试的过程中会大大减少工作量。
      接下来我们来测试死锁的情况,运行以下代码:
    这里写图片描述
      代码中线程1先申请obj1,再申请obj2;线程2先申请obj2,再申请obj1。如果执行次数多了就会出现死锁,我们依然来看线程的监控台:
    这里写图片描述
      可以看出来,这么多的线程都处于等待中,不能正常退出,我们随机点一个查看,可以看到他的状态是BLOCKED。他需要的锁被线程31所持有。我们再看看31的线程(就不发图了),可以看到他需要的锁被线程30所持有。那么我们再看看30的线程,可以发现,30线程所需要的锁被31号线程所持有。他们互相等待,互相不释放,最终导致死锁,也导致后面那么多的线程处于BLOCKED状态。
      这个可视化的工具我们就先讲这么多吧。从内存到线程,是我们在实际环境中不管是优化还是编码都会经常遇到的问题。

    ![这里写图片描述](https://imgconvert.csdnimg.cn/aHR0cDovL2ltZy5ibG9nLmNzZG4ubmV0LzIwMTYxMjIwMjEwNjM2NzA1?x-oss-process=image/format,png) ![这里写图片描述](https://imgconvert.csdnimg.cn/aHR0cDovL2ltZy5ibG9nLmNzZG4ubmV0LzIwMTYxMjIwMjEwNzMzNDQ2?x-oss-process=image/format,png)
    展开全文
  • 关联数据可视化分析组件一、Neo4j Browser – 开源二、Neo4j Bloom - 收费三、GraphXR - 收费四、yFiles - 收费五、Linkurious Enterprise - 收费六、其它可视化项目七、开源JS库 图数据库可视化分析组件介绍 一、...

    图数据库可视化分析组件介绍

    一、Neo4j Browser – 开源

    Neo4j和ONgDB自带的可视化分析浏览器

    在这里插入图片描述

    二、Neo4j Bloom - 收费

    在这里插入图片描述

    三、GraphXR - 收费

    3D效果,贼炫酷可以试用

    在这里插入图片描述

    四、yFiles - 收费

    在这里插入图片描述

    五、Linkurious Enterprise - 收费

    在这里插入图片描述

    六、其它可视化项目

    特别推荐一下Gephi,这是一个桌面版的可视化分析应用,效果挺好的

    在这里插入图片描述

    七、开源JS库

    在这里插入图片描述

    展开全文
  • 好看的图表离不开配色,好看的PPT离不开配色,好看的大屏可视化分析更离不开配色。 博主平时也要做一些数据可视化分析的大屏,一般都需要对背景、图表、数据列表等区域进行配色,根据美工那边的配色推荐,博主整理...

    好看的图表离不开配色,好看的PPT离不开配色,好看的大屏可视化分析更离不开配色。

    博主平时也要做一些数据可视化分析的大屏,一般都需要对背景、图表、数据列表等区域进行配色,根据美工那边的配色推荐,博主整理了一下平时做图表、数据可视化分析大屏时会用到的配色方案,希望对他们平时做大屏展示或者做PPT时有帮助,方便大家日后的大屏开发和PPT效果,让大家辛苦做出来的作品,更加直观好看、效果舒服、得到更高的加分值。(配上各个图表配色方案的  十六进制颜色码  和  RGB颜色值  )

    《取色技巧》平时大家都会登录QQ或微信,可以利用截图功能,抓取颜色:

    ① 同时按住 Ctrl + Alt + A,进入截图;

    ② 按住 Ctrl 键,光标处会显示光标位置对应RGB的6位十六进制颜色码;

    ③ 松开 Ctrl 键,光标处会显示光标位置对应RGB的3串RGB颜色值。

    用好上面的取色技巧,可以大大加快项目组的开发速度和配色技能。

    方案1(复古):

    系列色——十六进制颜色码:

    0780cf - 765005 - fa6d1d - 0e2c82 - b6b51f - da1f18 - 701866 - f47a75 - 009db2 - 024b51 - 0780cf - 765005

    系列色——RGB颜色值:

    (7,128,207)-(118,80,5)-(250,109,29)-(14,44,130)-(182,181,31)-(218,31,24)-(112,24,102)-(244,122,117)-(0,157,178)-(2,75,81)-(7,128,207)-(118,80,5)

    方案2(新特性):

    系列色——十六进制颜色码:

    63b2ee - 76da91 - f8cb7f - f89588 - 7cd6cf - 9192ab - 7898e1 - efa666 - eddd86 - 9987ce - 63b2ee - 76da91

    系列色——RGB颜色值:

    (99,178,238)-(118,218,145)-(248,203,127)-(248,149,136)-(124,214,207)-(145,146,171)-(120,152,225)-(239,166,102)-(237,221,134)-(153,135,206)-(99,178,238)-(118,218,145)

    方案3(渐变):

    系列色——十六进制颜色码:

    71ae46 - 96b744 - c4cc38 - ebe12a - eab026 - e3852b - d85d2a - ce2626 - ac2026 - 71ae46 - 96b744 - c4cc38

    系列色——RGB颜色值:

    (113,174,70)-(150,183,68)-(196,204,56)-(235,225,42)-(234,176,38)-(227,133,43)-(216,93,42)-(206,38,38)-(172,32,38)-(113,174,70)-(150,183,68)-(196,204,56)

    方案4(清新):

    系列色——十六进制颜色码:

    00a8e1 - 99cc00 - e30039 - fcd300 - 800080 - 00994e - ff6600 - 808000 - db00c2 - 008080 - 0000ff - c8cc00

    系列色——RGB颜色值:

    (0,168,225)-(153,204,0)-(227,0,57)-(252,211,0)-(128,0,128)-(0,153,78)-(255,102,0)-(128,128,0)-(219,0,194)-(0,128,128)-(0,0,255)-(200,204,0)

    方案5(怀旧):

    系列色——十六进制颜色码:

    3b6291 - 943c39 - 779043 - 624c7c - 388498 - bf7334 - 3f6899 - 9c403d - 7d9847 - 675083 - 3b8ba1 - c97937

    系列色——RGB颜色值:

    (59,98,145)-(148,60,57)-(119,144,67)-(98,76,124)-(56,132,152)-(191,115,52)-(63,104,153)-(156,64,61)-(125,152,71)-(103,80,131)-(59,139,161)-(201,121,55)

    方案6(商务):

    系列色——十六进制颜色码:

    194f97 - 555555 - bd6b08 - 00686b - c82d31 - 625ba1 - 898989 - 9c9800 - 007f54 - a195c5 - 103667 - f19272

    系列色——RGB颜色值:

    (25,79,151)-(85,85,85)-(189,107,8)-(0,104,107)-(200,45,49)-(98,91,161)-(137,137,137)-(156,152,0)-(0,127,84)-(161,149,197)-(16,54,103)-(241,146,114)

    方案7(明亮):

    系列色——十六进制颜色码:

    0e72cc - 6ca30f - f59311 - fa4343 - 16afcc - 85c021 - d12a6a - 0e72cc - 6ca30f - f59311 - fa4343 - 16afcc

    系列色——RGB颜色值:

    (14,114,204)-(108,163,15)-(245,147,17)-(250,67,67)-(22,175,204)-(133,192,33)-(209,42,106)-(14,114,204)-(108,163,15)-(245,147,17)-(250,67,67)-(22,175,204)

    方案8(雅致):

    系列色——十六进制颜色码:

    3682be - 45a776 - f05326 - eed777 - 334f65 - b3974e - 38cb7d - ddae33 - 844bb3 - 93c555 - 5f6694 - df3881

    系列色——RGB颜色值:

    (54,130,190)-(69,167,118)-(240,83,38)-(238,215,119)-(51,79,101)-(179,151,78)-(56,203,125)-(221,174,51)-(132,75,179)-(147,197,85)-(95,102,148)-(223,56,129)

    方案9(柔和):

    系列色——十六进制颜色码:

    5b9bd5 - ed7d31 - 70ad47 - ffc000 - 4472c4 - 91d024 - b235e6 - 02ae75

    系列色——RGB颜色值:

    (91,155,213)-(237,125,49)-(112,173,71)-(255,192,0)-(68,114,196)-(145,208,36)-(178,53,230)-(2,174,117)

    方案10(淡雅):

    系列色——十六进制颜色码:

    95a2ff - fa8080 - ffc076 - fae768 - 87e885 - 3cb9fc - 73abf5 - cb9bff - 434348 - 90ed7d - f7a35c - 8085e9​​​​​​​

    系列色——RGB颜色值:

    (149,162,255)-(250,128,128)-(255,192,118)-(250,231,104)-(135,232,133)-(60,185,252)-(115,171,245)-(203,155,255)-(67,67,72)-(144,237,125)-(247,163,92)-(128,133,233)

    方案11(经典):

    系列色——十六进制颜色码:

    002c53 - ffa510 - 0c84c6 - ffbd66 - f74d4d - 2455a4 - 41b7ac

    系列色——RGB颜色值:

    (0,44,83)-(255,165,16)-(12,132,198)-(255,189,102)-(247,77,77)-(36,85,164)-(65,183,172)

    方案12(艳丽):

    系列色——十六进制颜色码:

    fa2c7b - ff38e0 - ffa235 - 04c5f3 - 0066fe - 8932a5 - c90444 - cb9bff - 434348 - 90ed7d - f7a35c - 8085e9​​​​​​​

    系列色——RGB颜色值:

    (250,44,123)-(255,56,224)-(255,162,53)-(4,197,243)-(0,102,254)-(137,50,165)-(201,4,68)-(203,155,255)-(67,67,72)-(144,237,125)-(247,163,92)-(128,133,233)

    方案13(科技):

    系列色——十六进制颜色码:

    05f8d6 - 0082fc - fdd845 - 22ed7c - 09b0d3 - 1d27c9 - f9e264 - f47a75 - 009db2 - 024b51- 0780cf - 765005​​​​​​​

    系列色——RGB颜色值:

    (5,248,214)-(0,130,252)-(253,216,69)-(34,237,124)-(9,176,211)-(29,39,201)-(249,226,100)-(244,122,117)-(0,157,178)-(2,75,81)-(7,128,207)-(118,80,5)

    方案14(炫彩1):

    系列色——十六进制颜色码:

    e75840 - a565ef - 628cee - eb9358 - d05c7c - bb60b2 - 433e7c - f47a75 - 009db2 - 024b51- 0780cf - 765005​​​​​​​

    系列色——RGB颜色值:

    (231,88,64)-(165,101,239)-(98,140,238)-(235,147,88)-(208,92,124)-(187,96,178)-(67,62,124)-(244,122,117)-(0,157,178)-(2,75,81)-(7,128,207)-(118,80,5)

    方案15(炫彩2):

    系列色——十六进制颜色码:

    ef4464 - fad259 - d22e8d - 03dee0 - d05c7c - bb60b2 - 433e7c - f47a75 - 009db2 - 024b51- 0780cf - 765005​​​​​​​

    系列色——RGB颜色值:

    (239,68,100)-(250,210,89)-(210,46,141)-(3,222,224)-(208,92,124)-(187,96,178)-(67,62,124)-(244,122,117)-(0,157,178)-(2,75,81)-(7,128,207)-(118,80,5)

    方案16(简洁1):

    系列色——十六进制颜色码:

    929fff - 9de0ff - ffa897 - af87fe - 7dc3fe - bb60b2 - 433e7c - f47a75 - 009db2 - 024b51- 0780cf - 765005​​​​​​​

    系列色——RGB颜色值:

    (146,159,255)-(157,224,255)-(255,168,151)-(175,135,254)-(125,195,254)-(187,96,178)-(67,62,124)-(244,122,117)-(0,157,178)-(2,75,81)-(7,128,207)-(118,80,5)

    方案17(简洁2):

    系列色——十六进制颜色码:

    50c48f - 26ccd8 - 3685fe - 9977ef - f5616f - f7b13f - f9e264 - f47a75 - 009db2 - 024b51- 0780cf - 765005​​​​​​​

    系列色——RGB颜色值:

    (80,196,143)-(38,204,216)-(54,133,254)-(153,119,239)-(245,97,111)-(247,177,63)-(249,226,100)-(244,122,117)-(0,157,178)-(2,75,81)-(7,128,207)-(118,80,5)

    方案18(冷色1):

    系列色——十六进制颜色码:

    bf19ff - 854cff - 5f45ff - 02cdff - 0090ff - 314976 - f9e264 - f47a75 - 009db2 - 024b51- 0780cf - 765005​​​​​​​

    系列色——RGB颜色值:

    (191,25,255)-(133,76,255)-(95,69,255)-(2,205,255)-(0,144,255)-(49,73,118)-(249,226,100)-(244,122,117)-(0,157,178)-(2,75,81)-(7,128,207)-(118,80,5)

    方案19(冷色2):

    系列色——十六进制颜色码:

    45c8dc - 854cff - 5f45ff - 47aee3 - d5d6d8 - 96d7f9 - f9e264 - f47a75 - 009db2 - 024b51- 0780cf - 765005​​​​​​​

    系列色——RGB颜色值:

    (69,200,220)-(133,76,255)-(95,69,255)-(71,174,227)-(213,214,216)-(150,215,249)-(249,226,100)-(244,122,117)-(0,157,178)-(2,75,81)-(7,128,207)-(118,80,5)

    方案20(暖色):

    系列色——十六进制颜色码:

    9489fa - f06464 - f7af59 - f0da49 - 71c16f - 2aaaef - 5690dd - bd88f5 - 009db2 - 024b51- 0780cf - 765005​​​​​​​

    系列色——RGB颜色值:

    (148,137,250)-(240,100,100)-(247,175,89)-(240,218,73)-(113,193,111)-(42,170,239)-(86,144,221)-(189,136,245)-(0,157,178)-(2,75,81)-(7,128,207)-(118,80,5)

     

    配色效果图全局概览:

    展开全文
  • Python爬取天气数据及可视化分析

    千次阅读 多人点赞 2020-07-29 10:48:23
    Python爬取天气数据及可视化分析 文章目录Python爬取天气数据及可视化分析说在前面1.数据获取请求网站链接提取有用信息保存csv文件2.可视化分析当天温度变化曲线图当天相对湿度变化曲线图温湿度相关性分析图空气质量...
  • 复杂网络可视化分析

    2019-08-28 11:00:43
    专注于图数据可视化分析,提供可视化、布局算法、社区发现算法等开发组件,便于第三方快速集成,开发图可视化分析应用。 个人网站及学生都可以免费试用。 支持定制版本。 其他可视化分析需求咨询合作。 使用示例效果...
  • python可视化分析(matplotlib、seaborn、ggplot2)

    万次阅读 多人点赞 2020-06-25 16:45:56
    python可视化分析总结(matplotlib、seaborn、ggplot)一、matplotlib库1、基本绘图命令3、图形参数设置4、特殊统计图的绘制4.1 数学函数图4.2 气泡图4.1 三维曲面图二、seaborn库1、常用统计图1.1 箱线图1.2 小提琴...
  • Python爬虫以及数据可视化分析

    千次阅读 多人点赞 2020-12-25 17:43:30
    Python爬虫以及数据可视化分析之B站动漫排行榜信息爬取分析 简书地址:https://www.jianshu.com/u/40ac87350697 简单几步,通过Python对B站番剧排行数据进行爬取,并进行可视化分析 源码文件可以参考Github上传的...
  • 思来想去,虽然很忙,但还是挤时间针对这次肺炎疫情写个Python大数据分析系列博客,包括网络爬虫、可视化分析、GIS地图显示、情感分析、舆情分析、主题挖掘、威胁情报溯源、知识图谱、预测预警及AI和NLP应用等。...
  • R语言可视化分析--航班数据可视化

    千次阅读 2018-10-22 12:44:18
    @@R语言数据可视化分析–全国航班数据 数据可视化展示: (不能上传动图) 数据来源参考:https://blog.csdn.net/GISShiXiSheng/article/details/80639567
  • 数据可视化分析平台

    千次阅读 2020-08-27 17:18:10
    DataGear是一款数据可视化分析平台,使用Java语言开发,采用浏览器/服务器架构,支持多种数据库, 主要功能包括数据管理、SQL工作台、数据导入/导出、数据集管理、图表管理、看板管理等。 DataGear 1.11.1 已发布,...
  • 一、GC日志可视化分析工具 1. 概述 2. GCeasy 3. GCPlot 4. JClarity 5. GcViewer 二、JVM状态可视化(JVisualVM) 1. 概述 2. 运行 3. 安装插件 4. 远程监控 4.1 jstatd连接 4...
  • 独立的数据毫无意义,能...使用数据可视化工具进行数据可视化分析非常简单,经过简单的配置,使用者只需在B/S端简单拖拽目标数据及相关维度,即可得到从不同维度分析的结果,提升数据可视化程度,帮助决策层做出准...
  • BI可视化分析之Pentaho

    万次阅读 2017-12-27 15:57:59
    我们在上一篇数据仓库选型中已经确定了用使用Pentaho作为BI可视化分析工作。 Pentaho的中文文档多,国际化做的比较好。 巧合的是我们之前使用的ETL数据清洗工具kettle也是属于Pentaho公司的。 Pentaho是世界上最...
  • Gephi--网络可视化分析

    千次阅读 2019-06-23 11:34:55
    Gephi--网络可视化分析
  • 本章将以电力行业数据及常见可视化分析需求为例,介绍11种初级视图的创建用法,分别是: 条形图、 饼图、折线图、直方图 气泡图、 圆视图、 标靶图、压力图 基本表、 树地图、 甘特图 通过本文,可以...
  • 摘要:大数据分析要实现的应用领域之一就是预测性分析,可视化分析和数据挖掘都是前期铺垫工作,只要在大数据中挖掘出信息的特点与联系,就可以建立科学的数据模型,通过模型带入新的数据,从而预测未来的数据。...
  • 三维显示中可视化分析——视域分析、视点分析   今天来介绍一下三维显示的可视化分析中常见的两种工具(Viewshed与Observer Points)的区别。 一、实验背景   开发商要在本区域建造观景亭,希望在观景亭上能看到...
  • 如何设计数据可视化分析图表,又有哪些数据可视化分析图表,下面我将展开说明。 数据可视化分析图表制作 1.掌握数据分析 数据可视化图表是数据分析结果的呈现形式,要制作数据可视化分析图表,首要的任务便是掌握...
  • Python爬取新冠肺炎实时数据及其可视化分析

    万次阅读 多人点赞 2020-03-11 17:25:06
    点赞、关注再看,养成...案例:Python爬取新冠肺炎实时数据及其可视化分析 作者:PyQuant 博客:https://blog.csdn.net/qq_33499889 慕课:https://mooc1-2.chaoxing.com/course/207443619.html 本案例适合作为大...
  • 本系列文章是Python大数据分析系列博客,包括网络爬虫、可视化分析、GIS地图显示、情感分析、舆情分析、主题挖掘、威胁情报溯源、知识图谱、预测预警及AI和NLP应用等。前文分享了数据抓取,并将数据存储至本地,最后...
  • 用python写一个豆瓣通用爬虫并可视化分析

    千次阅读 多人点赞 2020-10-24 09:06:02
    文章结构前言登录爬取储存可视化分析 前言 在本人上的一门课中,老师对每个小组有个任务要求,介绍和完成一个小模块、工具知识的使用。然而我所在的组刚好遇到的是python爬虫的小课题。 心想这不是很简单嘛,搞啥呢...
  • 需求: 1:获取指定岗位的招聘...可视化分析: 公司地区:柱状图,地图 公司待遇:云图 公司-学历情况:饼图 公司工作经验:饼图 模块: request:网络请求 re:正则匹配数据 pyecharts:可视化工具 自定义工具类:...
  • 数字冰雹武器装备可视化分析决策系统,支持整合海量数据资源,兼容多种主流装备模型格式,支持武器装备情报数据的可视化显示、监测、分析研判,支持高精度外观结构可视化、数据驱动动作姿态显示、海陆空天电一体化...
  • 智慧景区可视化分析决策平台

    千次阅读 2018-01-05 14:01:01
     智慧景区可视化分析决策平台,是数字冰雹面向景区管理部门,推出的大数据可视化决策平台。平台面向景区指控中心大屏环境,支持整合景区现有信息系统的数据资源,凭借先进的人机交互方式,实现景区资源、客流可视化...
  • GC日志可视化分析工具GCeasy和GCViewer

    万次阅读 2019-10-28 23:35:02
    上节介绍了GC日志的打印及含义,但是GC日志看起来比较麻烦,本节将会介绍一下GC日志可视化分析工具GCeasy和GCviewer。通过GC日志可视化分析工具,我们可以很方便的看到JVM各个分代的内存使用情况、垃圾回收次数、...
  • 基于ELK 的 Apache 日志可视化分析

    千次阅读 2018-12-05 00:15:41
    Apache日志可视化分析 项目地址:https://github.com/whirlys/Elastic-In-Practice/tree/master/apache_log_demo 在网站的运营过程中,网站访问者的各种信息对于网站运营者来说,是非常有价值的信息。而网站日志则...
  • 数据可视化分析工具大集合

    万次阅读 2016-06-13 09:51:40
    数据可视化分析工具大集合,一定有你没见过的! 俗话说“巧妇难为无米之炊”,在这个大数据时代,没有一款好的数据可视化分析工具,光有团队怎么行?商场如战场,数据是把枪。亚马逊运用大数据为客户推荐商品信息,...
  • 本文旨在总结记录自己在学习基于Python语言的可视化分析研究成果,数据源为拉勾网杭州市人工智能岗位。 关于大致内容我做了个简单的PPT做简要概述,分为四个部分进行讲解,其中可视化分析部分对Python抓取到的图形...
  • 可视化分析包大小 webpack-bundle-analyzer 分析内容:如图所示,打包出的文件包含哪些,大小占比如何,模块包含关系,依赖项,文件是否重复,压缩后大小如何 步骤如下: 1. 安装:npm install webpack-bundle-...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 42,684
精华内容 17,073
关键字:

可视化分析