Helm可让开发者不需要搭建全新环境并手动配置每个kube对象，借助Helm和Helm Charts——Kubernetes的模板，就可以自动化90％的工作。

在开发者社区的帮助下，Helm变得越来越强大。开发人员发现Helm Charts非常有用，所以他们开始为特定功能开发工具、附加组件和插件，以进一步增强它。以下是可以使用的一些Helm Charts工具列表。
1. Helmfile
说到Helm Charts工具，我们不得不提及Helmfile。Helmfile由roboll开发，用于处理部署Helm Charts时使用的声明性规范。它可以根据运行的应用程序或Web服务的特定需求来简化Kubernetes环境配置。它的运行方式与Autohelm一样，同时提供了其他额外功能，对你来说可能会很有用。
GitHub地址：https://github.com/roboll/helmfile
2. Landscaper
Landscaper允许指定一组Helm Charts来创建应用程序环境，必须为Landscaper添加具有明确值的引用，剩余部分就很简单了。
GitHub地址：https://github.com/Eneco/landscaper/
3.Monacular
想要搭建自己的Helm Charts存储库？你现在可以使用Monocular来搭建，而不是使用CLI这种老方法。在很多情况下需要搭建自己的存储库，Monocular会简化这些工作，这要归功于它提供的Web UI。
GitHub地址：https://github.com/helm/monocular
4. Autohelm
它的名字说明了一切，Autohelm旨在进行Helm Charts的自动部署。Autohelm和其他工具之间的主要区别在于它使用Python来完成工作。Autohelm还支持使用Git URL作为Helm Charts的源。你可以使用这个工具在几分钟内部署号社区提供的Charts。
GitHub地址：https://github.com/reactiveops/autohelm
5.Cabin
Cabin是一个有趣的工具，如果需要在旅途中管理Kubernetes Helm，那么绝对有必要使用这个工具。这个工具实际上是一个移动应用程序，你可以在智能手机上管理Kubernetes Pod和节点。
GitHub地址：https://github.com/bitnami-labs/cabin
6.Orca
Orca是我最喜欢的Helm Charts工具之一，旨在简化高级持续集成和持续交付过程。虽然Orca看起来像是Helm的替代品，但实际上是对Helm和Helm Charts的补充，甚至可与ChartMuseum一起使用。
GitHub地址：https://github.com/nuvo/orca
7. ChartMuseum
ChartMuseum对于那些需要Helm Charts存储库的人来说非常有用，可以支持流行的Kubernetes环境和服务，包括微软Azure Blob Storage和Oracle Cloud Infrastructure Object Storage。
GitHub地址：https://github.com/helm/chartmuseum
8.Helmsman
Helmsman旨在简化Helm Charts创建、安装、升级、迁移和删除。
GitHub地址：https://github.com/Praqma/helmsman
9.Helm-Backup
Helm-backup更像是一个插件，而不是一个独立工具，但如果经常使用Helm Charts，那么这就是一款必备插件，可用来处理版本备份和还原。开发者不需要定期手动备份，可以使用Helm-backup简化整个过程。
GitHub地址：https://github.com/maorfr/helm-backup
10. Codefresh
Codefresh最初是一个面向CI/CD的工具，旨在简化Kubernetes的管理工作。与Orca非常相似，但增加了基于Web的UI和额外工具。Codefresh现在提供仪表盘来管理Helm Charts和版本发布。
官方主页：https://codefresh.io/
11. Helm Diff
Helm Diff插件提供了一个简单的专用功能：通过diff预览Helm升级。Helm Diff带来的简单功能让Kubernetes和Helm用户的工作变得更加轻松。在升级时使用这个工具，就可以避免不必要的错误。
GitHub地址：https://github.com/databus23/helm-diff
12. Helm-GCS
现在能够找到让Kubernetes、Helm和Google Cloud Services协同工作的工具和插件并不奇怪。毕竟，Kubernetes最初是由谷歌开发的。如果在GCS上使用Helm Charts，那么Helm-GCS插件正是你所需要的。
GitHub地址：https://github.com/viglesiasce/helm-gcs
13.Replicated Ship
Replicated Ship简化了Kustomize补丁的升级和集成到Helm和Helm Charts的过程。Replicated Ship也可用于监控，此外它还可以自动执行很多更新和维护任务。
GitHub地址：https://github.com/replicatedhq/ship
14.Helm-Secrets
Helm-Secrets插件可以保护密码和访问令牌，使基础设施安全，同时也易于访问。该插件还提供了动态解密和清理功能。
GitHub地址：https://github.com/futuresimple/helm-secrets
15. Keel.sh
Keel.sh也是为持续交付而设计，为Helm和Helm Charts添加了自动更新和一长串其他功能。
毫无疑问，Helm在很多方面让Kubernetes变得更强大。这些工具进一步补充了Helm和Helm Charts在不同情况和用例中的集成。
官方主页：https://keel.sh/
英文原文：https://dzone.com/articles/15-useful-helm-charts-tools

Charts使用
 
Charts是一个开源的绘图框架，来源自Android的MPAndroidChart，是一个跨平台的框架。支持Swift和Objective-C
 其具体使用文档可参考：
 
mpandroidchart - 虽然是Android的文档，但用法是一样的
 
以下内容只是我自己的理解，参考文档内容，可能理解有误
 
Axis轴
 
参考：
 
Axis (General)
XAxis
YAxis
 
在iOS中轴的基类是AxisBase，轴可以设定样式，由4个部分组成
 
labels - 标签，轴的描述值
轴线
网格线 - grid-lines
限制线 - LimitLines
 
一些常用的属性
 1.控制绘制
 
enabled - 是否启用某个轴
drawLabelsEnabled - 是否绘制Labels
drawAxisLineEnabled - 是否绘制轴线
drawGridLinesEnabled - 是否绘制网格线
 
2.自定轴的范围（最大值最小值）
 
axisMinimum
axisMaximum
 
3.样式
 
labelTextColor - 标签颜色
labelFont - 标签字体
axisLineColor - 轴颜色
axisLineWidth - 轴宽度
axisLineDashPhase
axisLineDashLengths - 轴虚线相关属性
gridColor - 网格线颜色
gridLineWidth - 网格线宽度
 
X轴
 
重要属性
 
labelPosition - 默认为LabelPosition.top，即X轴默认是位于顶部的，可以通过设置该属性来调整X轴的位置
 
    @objc(XAxisLabelPosition)
    public enum LabelPosition: Int
    {
        case top
        case bottom
        case bothSided
        case topInside
        case bottomInside
    }
 
Y轴
 
Y轴要区分左轴还是右轴，默认左右轴都是启用并绘制的
 例如要禁用右轴：
 
_chartView.rightAxis.enabled = NO;
 
设置数据对应的是哪个轴？
 
set1.axisDependency = AxisDependencyLeft;
 
Legend
 
我理解的Legend就是图的标识
 

 获取legend
 
ChartLegend *l = _chartView.legend;
 
是否启用legend
 
_chartView.legend.enabled = NO;//不启用legend
 
一些重要的属性：
 
horizontalAlignment - 水平对齐方式
verticalAlignment - 垂直对齐方式
orientation - 方向，是水平排列，还是竖直排列
direction - 文字的方向
drawInside - 是绘制的外面还里面
font - 字体
textColor - 文字颜色
 
LineChart
 
折线图的一些设置
 
在LineChartDataSet上设置颜色等
 
        set1 = [[LineChartDataSet alloc] initWithEntries:yVals1 label:@"正确率"];
        set1.axisDependency = AxisDependencyLeft; //对齐的轴，即使左轴还是右轴
        
        set1.lineWidth = 2.0;
        [set1 setColor:[UIColor colorWithHexString:@"15B38A"]];//线条颜色
        [set1 setValueTextColor:[UIColor colorWithHexString:@"15B38A"]];//文字颜色
        [set1 setValueFont:[UIFont systemFontOfSize:10.0f]];
        
        [set1 setCircleColor:[UIColor colorWithHexString:@"15B38A"]];//圆圈颜色
        set1.circleRadius = 4.0;//圆圈半径
        set1.drawCircleHoleEnabled = YES;//空心圆圈
        set1.circleHoleColor = [UIColor whiteColor];//空心圆的颜色
        set1.circleHoleRadius = 2.0;//空心圆的半径

        //渐变填充
        NSArray *gradientColors = @[
                                    (id)CF_COLOR_FFFFFF.CGColor,
                                    (id)[UIColor colorWithHexString:@"15B38A"].CGColor
                                    ];
        CGGradientRef gradient = CGGradientCreateWithColors(nil, (CFArrayRef)gradientColors, nil);
        set1.fillAlpha = 0.2;
        set1.fill = [ChartFill fillWithLinearGradient:gradient angle:90.f];
        //set1.fillColor = [UIColor colorWithHexString:@"15B38A"];
        set1.drawFilledEnabled = YES;

 

 通过mode设置线条的模式
 
set.mode = LineChartModeLinear; //模式
 
可用模式包括：
 
typedef SWIFT_ENUM_NAMED(NSInteger, LineChartMode, "Mode", closed) {
  LineChartModeLinear = 0,
  LineChartModeStepped = 1,
  LineChartModeCubicBezier = 2,
  LineChartModeHorizontalBezier = 3,
};
 
ValueFormatter
 
使用valueFormatter可以自定义格式化轴的value，例如显示百分比等，如下的例子：
 
 
自定义Y轴的ValueFormatter类如下：
 
//Y轴坐标字符串
@interface OEExamCaseAssertChartViewYValueFormatter : NSObject <IChartAxisValueFormatter>

@end

@implementation OEExamCaseAssertChartViewYValueFormatter

- (id)init {
    self = [super init];
    if (self) {
        
    }
    return self;
}

- (NSString *)stringForValue:(double)value axis:(ChartAxisBase *)axis {
    NSInteger valueInt = (NSInteger)value;
    if (valueInt == 0) {
        return @"0";
    } else {
        return [NSString stringWithFormat:@"%ld%%", (long)valueInt];
    }
}

@end
 
设置valueFormatter
 
leftAxis.valueFormatter = [[OEExamCaseAssertChartViewYValueFormatter alloc] init];

 
iOS Top App Charts
 
 
 
http://www.appannie.com/apps/ios/top/china/overall/?device=iphone#

 
百度charts
 
For some reason I recently got it in my head that I wanted to go back and create more NBA shot charts. My previous shotcharts used colored circles to depict the frequency and effectiveness of shots at different locations. This is an extremely efficient method of representing shooting profiles, but I thought it would be fun to create shot charts that represent a player’s shooting profile continously across the court rather than in discrete hexagons.
 
 
 由于某种原因，我最近想起要创建更多的NBA投篮记录。 我以前的弹图使用彩色圆圈描绘了不同位置的拍摄频率和效果。 这是表示射击轮廓的一种非常有效的方法，但是我认为创建一个能够在球场上连续而不是离散的六边形来表示球员的射击轮廓的射击图表会很有趣。 
 
 
By depicting the shooting data continously, I lose the ability to represent one dimenion – I can no longer use the size of circles to depict shot frequency at a location. Nonetheless, I thought it would be fun to create these charts.
 
 
 通过连续描绘拍摄数据，我失去了表示一个维度的能力–我再也无法使用圆圈的大小来描绘某个位置的拍摄频率。 尽管如此，我认为创建这些图表会很有趣。 
 
 
I explain how to create them below. I’ve also included the ability to compare a player’s shooting performance to the league average.
 
 
 我在下面解释如何创建它们。 我还包括了将球员的投篮表现与联盟平均水平进行比较的功能。 
 
 
In my previous shot charts, I query nba.com’s API when creating a players shot chart, but querying nba.com’s API for every shot taken in 2015-16 takes a little while (for computing league average), so I’ve uploaded this data to my github and call the league data as a file rather than querying nba.com API.
 
 
 在我以前的击球图中，我在创建球员击球图时查询nba.com的API，但是对于2015-16赛季的每一次击球，查询nba.com的API都需要花费一些时间（用于计算联盟平均水平），因此我已经上传了此数据数据发送到我的github，然后将联赛数据作为文件调用，而不是查询nba.com API。 
 
 
This code is also available as a jupyter notebook on my github.
 
 
 此代码也可以在我的github上作为jupyter笔记本使用。 
 
 

  

   

    
1
1
2
2
3
3

   
  
 
 
Here, I create a function for querying shooting data from NBA.com’s API. This is the same function I used in my previous post regarding shot charts.
 
 
 在这里，我创建了一个用于从NBA.com的API查询射击数据的函数。 这与我以前的关于击球图表的帖子中使用的功能相同。 
 
 
You can find a player’s ID number by going to the players nba.com page and looking at the page address. There is a python library that you can use for querying player IDs (and other data from the nba.com API), but I’ve found this library to be a little shaky.
 
 
 您可以转到播放器nba.com页面并查看页面地址来找到播放器的ID号。 有一个python库可用于查询播放器ID（以及nba.com API中的其他数据），但是我发现该库有些不稳定。 
 
 

  

   

    
1
1
2
2
3
3
4
4
5
5
6
6
7
7
8
8
9
9
10
10
11
11
12
12
13
13
14
14
15
15
16
16
17
17
18
18
19
19
20
20
21
21
22
22
23
23
24
24
25
25

   
  
 
 
Create a function for drawing the nba court. This function was taken directly from Savvas Tjortjoglou’s post on shot charts.
 
 
 创建一个用于绘制nba球场的函数。 该功能直接取自Savvas Tjortjoglou在击球图表上的帖子 。 
 
 

  

   

    
1
1
2
2
3
3
4
4
5
5
6
6
7
7
8
8
9
9
10
10
11
11
12
12
13
13
14
14
15
15
16
16
17
17
18
18
19
19
20
20
21
21
22
22
23
23
24
24
25
25
26
26
27
27
28
28
29
29
30
30
31
31
32
32
33
33
34
34
35
35
36
36
37
37
38
38
39
39
40
40
41
41
42
42

   
  
 
 
Write a function for acquiring each player’s picture. This isn’t essential, but it makes things look nicer. This function takes a playerID number and the amount to zoom in on an image as the inputs. It by default places the image at the location 500,500.
 
 
 编写获取每个玩家照片的功能。 这不是必需的，但可以使事情看起来更好。 此功能将玩家ID号和放大图像的数量作为输入。 默认情况下，它将图像放置在500,500的位置。 
 
 

  

   

    
1
1
2
2
3
3
4
4
5
5
6
6
7
7
8
8
9
9

   
  
 
 
Here is where things get a little complicated. Below I write a function that divides the shooting data into a 25×25 matrix. Each shot taken within the xy coordinates encompassed by a given bin counts towards the shot count in that bin. In this way, the method I am using here is very similar to my previous hexbins (circles). So the difference just comes down to I present the data rather than how I preprocess it.
 
 
 这是事情变得有些复杂的地方。 在下面，我写了一个函数，将拍摄数据分为25×25矩阵。 给定仓位所包含的xy坐标内拍摄的每个镜头都计入该仓位中的镜头数量。 这样，我在这里使用的方法与我以前的六边形（圆圈）非常相似。 因此，区别只在于我呈现数据而不是预处理数据。 
 
 
This function takes a dataframe with a vector of shot locations in the X plane, a vector with shot locations in the Y plane, a vector with shot type (2 pointer or 3 pointer), and a vector with ones for made shots and zeros for missed shots. The function by default bins the data into a 25×25 matrix, but the number of bins is editable. The 25×25 bins are then expanded to encompass a 500×500 space.
 
 
 此函数获取一个数据帧，该数据帧的X平面上具有射击位置矢量，Y平面上具有射击位置矢量，一个具有射击类型（2指针或3指针）的矢量以及一个带有1的已拍摄镜头和零的向量错过了镜头。 默认情况下，该功能将数据合并到25×25矩阵中，但是合并数是可编辑的。 然后将25×25的箱扩展为包含500×500的空间。 
 
 
The output is a dictionary containing matrices for shots made, attempted, and points scored in each bin location. The dictionary also has the player’s ID number.
 
 
 输出是一个字典，其中包含用于在每个仓位中拍摄，尝试和得分的矩阵。 字典中也有玩家的ID号。 
 
 

  

   

    
1
1
2
2
3
3
4
4
5
5
6
6
7
7
8
8
9
9
10
10
11
11
12
12
13
13
14
14
15
15
16
16
17
17
18
18
19
19
20
20
21
21
22
22
23
23
24
24
25
25
26
26
27
27
28
28
29
29

   
  
 
 
Below I load the league average data. I also have the code that I used to originally download the data and to preprocess it.
 
 
 下面我加载联盟平均数据。 我还拥有用于最初下载数据和对其进行预处理的代码。 
 
 

  

   

    
1
1
2
2
3
3
4
4
5
5
6
6
7
7
8
8
9
9

   
  
 
 
I really like playing with the different color maps, so here is a new color map I created for these shot charts.
 
 
 我真的很喜欢玩不同的颜色表，因此这里是我为这些拍摄图表创建的新颜色表。 
 
 

  

   

    
1
1
2
2
3
3
4
4
5
5
6
6
7
7
8
8
9
9
10
10
11
11
12
12
13
13
14
14
15
15

   
  
 
 
Below, I write a function for creating the nba shot charts. The function takes a dictionary with martrices for shots attempted, made, and points scored. The matrices should be 500×500. By default, the shot chart depicts the number of shots taken across locations, but it can also depict the number of shots made, field goal percentage, and point scored across locations.
 
 
 在下面，我编写了一个用于创建nba击球图的函数。 该功能采用字典，其中包含尝试，做出和得分的矩阵。 矩阵应为500×500。 默认情况下，击球图描述的是不同地点拍摄的照片数量，但它也可以描述不同地点拍摄的照片数量，射门得分百分比和得分。 
 
 
The function uses a gaussian kernel with standard deviation of 5 to smooth the data (make it look pretty). Again, this is editable. By default the function plots a players raw data, but it will plot how a player compares to league average if the input includes a matrix of league average data.
 
 
 该函数使用标准偏差为5的高斯核来平滑数据（使其看起来很漂亮）。 同样，这是可编辑的。 默认情况下，该函数绘制球员原始数据，但是如果输入包含联赛平均值数据矩阵，它将绘制玩家与联赛平均值的比较关系。 
 
 

  

   

    
1
1
2
2
3
3
4
4
5
5
6
6
7
7
8
8
9
9
10
10
11
11
12
12
13
13
14
14
15
15
16
16
17
17
18
18
19
19
20
20
21
21
22
22
23
23
24
24
25
25
26
26
27
27
28
28
29
29
30
30
31
31
32
32
33
33
34
34
35
35
36
36
37
37
38
38
39
39
40
40
41
41
42
42
43
43
44
44
45
45
46
46
47
47
48
48
49
49
50
50
51
51
52
52
53
53
54
54
55
55
56
56
57
57
58
58
59
59
60
60
61
61
62
62
63
63
64
64
65
65
66
66
67
67
68
68
69
69
70
70

   
  
 
 
Alright, thats that. Now lets create some plots. I am a t-wolves fan, so I will plot data from Karl Anthony Towns.
 
 
 好的，就是这样。 现在让我们创建一些图。 我是T型狼迷，所以我将绘制Karl Anthony Towns的数据。 
 
 
First, here is the default plot – attempts.
 
 
 首先，这是默认绘图-尝试次数。 
 
 

  

   

    
1
1
2
2
3
3

   
  
 
 

 

  
 
 
 
 
 
Here’s KAT’s shots made
 
 
 这是KAT的镜头 
 
 

  

   

    
1
1
2
2
3
3

   
  
 
 

 

  
 
 
 
 
 
Here’s field goal percentage. I don’t like this one too much. It’s hard to use similar scales for attempts and field goal percentage even though I’m using standard deviations rather than absolute scales.
 
 
 这是射门得分百分比。 我不太喜欢这个。 即使我使用标准差而不是绝对比例，也很难对尝试和射门得分百分比使用相似的比例。 
 
 

  

   

    
1
1
2
2
3
3

   
  
 
 

 

  
 
 
 
 
 
Here’s points across the court.
 
 
 这是整个球场上的要点。 
 
 

  

   

    
1
1
2
2
3
3

   
  
 
 

 

  
 
 
 
 
 
Here’s how KAT’s attempts compare to the league average. You can see the twolve’s midrange heavy offense.
 
 
 这是KAT的尝试与联盟平均值进行比较的方式。 您可以看到Twolve的中距离进攻。 
 
 

  

   

    
1
1
2
2
3
3

   
  
 
 

 

  
 
 
 
 
 
How KAT’s shots made compares to league average.
 
 
 KAT的投篮方式与联盟平均水平相比。 
 
 

  

   

    
1
1
2
2
3
3

   
  
 
 

 

  
 
 
 
 
 
How KAT’s field goal percentage compares to league average. Again, the scale on these is not too good.
 
 
 KAT的投篮命中率与联盟平均值的比较。 同样，这些方面的规模还不太好。 
 
 

  

   

    
1
1
2
2
3
3

   
  
 
 

 

  
 
 
 
 
 
And here is how KAT’s points compare to league average.
 
 
 这是KAT的积分与联盟平均值的比较。 
 
 

  

   

    
1
1
2
2
3
3

   
  
 
 

  
翻译自: https://www.pybloggers.com/2016/05/nba-shot-charts-updated/
 
 
百度charts