精华内容
下载资源
问答
  • BI 可视化

    2017-07-19 13:54:00
    1. Blackbird: Open Source JavaScript Logging Utility Blackbird 是一款非常酷的 JavaScript 调试工具,带有一个漂亮...Treesaver 是一个用于创建杂志布局的 JavaScript 框架。     3. Bibliotype Bib...

    1.  Blackbird: Open Source JavaScript Logging Utility

    Blackbird 是一款非常酷的 JavaScript 调试工具,带有一个漂亮的界面显示和过滤调试信息。

     

    Javascript-199 in Useful JavaScript and jQuery Tools, Libraries, Plugins

     

    2. Treesaver.js

    Treesaver 是一个用于创建杂志布局的 JavaScript 框架。

     

    Js-001 in Useful JavaScript and jQuery Tools, Libraries, Plugins

     

    3. Bibliotype

    Bibliotype 是一个简单的基于 HTML、CSS 和 JS ,用于快速原型制作的的框架。

     

    Useful-tool-127 in Useful JavaScript and jQuery Tools, Libraries, Plugins

     

    4. Highcharts – Interactive JavaScript charts

    Highcharts 是一个纯 JavaScript 编写,用于生产交互式图表的 JavaScript 库。

     

    Javascript-264 in Useful JavaScript and jQuery Tools, Libraries, Plugins

     

    5. jStat: a JavaScript statistical library

    Stat是一个采用JavaScript开发的统计工具包,可以让你执行高级统计操作,而不需要专门的统计语言。

     

    Js-007 in Useful JavaScript and jQuery Tools, Libraries, Plugins

     

    6. highlight.js

    Highlight.js 是一个用于高亮显示程序代码的 JavaScript 库,简单易用。

     

    Javascript-268 in Useful JavaScript and jQuery Tools, Libraries, Plugins

     

    7. Respond.js: Fast CSS3 Media Queries for Internet Explorer 6-8 and More

    这个快速、轻量的库用于让IE6-8支持 CSS3 Media Queries,是一种让网页支持小屏幕设备显示的特性。

     

    Javascript-154 in Useful JavaScript and jQuery Tools, Libraries, Plugins

     

    8. Underscore.js

    Underscore 是一个实用的JavaScript工具库,提供了类似 Prototype 功能的编程支持,但没有对 JavaScript 内置的对象进行扩展。

     

    Javascript-279 in Useful JavaScript and jQuery Tools, Libraries, Plugins

     

    9.Popcorn.js

    Popcorn.js 是一个HTML5 Video框架,它提供了易于使用的API来同步交互式内容。

     

    Javascript-315 in Useful JavaScript and jQuery Tools, Libraries, Plugins

     

    10. SlickGrid!

    SlickGrid 是一个用于构建简单的、快速、灵活的表格的库。

     

    Js-004 in Useful JavaScript and jQuery Tools, Libraries, Plugins

     

    11. JavaScript InfoVis Toolkit  :http://thejit.org/

    The JavaScript InfoVis Toolkit 用于创建交互的可视化数据。

     

    Javascript-237 in Useful JavaScript and jQuery Tools, Libraries, Plugins

     

    12. Handlebars.js: Minimal Templating on Steroids

    Handlebars 是一个 JavaScript 页面模板库,帮助你轻松的构建语义化模板。可参考ThinkVitamin的文章

    Getting Started with Handlebars.js

     

    Javascript-280 in Useful JavaScript and jQuery Tools, Libraries, Plugins

     

    13. Backbone.js

    Backbone.js 是一个 JavaScript MVC 应用框架,通过Models进行key-value绑定及自定义事件处理。

     

    Javascript-313 in Useful JavaScript and jQuery Tools, Libraries, Plugins

     

    14. OpenFaces

    OpenFaces 是一个包含AJAX-powered JSF组件库,一个Ajax框架和一个客户端校验框架的开源框架,它源于QuipuKit并增加了一些新的组件和特性。

     

    Js-009 in Useful JavaScript and jQuery Tools, Libraries, Plugins

     

    15. d3.js

    D3 可以让你绑定任何数据到文档对象模型(DOM),然后再应用数据驱动传递给文档。

     

    Javascript-238 in Useful JavaScript and jQuery Tools, Libraries, Plugins

     

    16. Visual Event JS Library

    Javascript 是事件驱动的语言,这个可视化事件库用于帮助你追踪事件。

     

    Js-005 in Useful JavaScript and jQuery Tools, Libraries, Plugins

     

    17. Tempo: JSON rendering engine

    Tempo 节奏是一个小的JSON渲染引擎,让你使用纯HTML就可以构建数据模板。

     

    Js-002 in Useful JavaScript and jQuery Tools, Libraries, Plugins

     

    18. Art Deco – Selectable Text

    实现字母分离效果的库,保留了文本能被选择的特性。

     

    Javascript-153 in Useful JavaScript and jQuery Tools, Libraries, Plugins

     

    19. Using Less.js to Simplify Your CSS3

    LESS 是一个扩展CSS,让其拥有动态语言特性的库。

     

    Javascript-175 in Useful JavaScript and jQuery Tools, Libraries, Plugins

    原文链接:http://www.cnblogs.com/aiyuchen/archive/2011/05/15/2047075.html

    展开全文
  • Superset的Airbnb开源的数据可视化工具,目前属于Apache孵化器项目,主要用于数据分析师进行数据可视化工作 PS,Airbnb在数据方面做的很棒,相关的博客B格也很高,他们的博客名字居然叫『Airbnb Engineering & ...
    • Superset

    Superset的Airbnb开源的数据可视化工具,目前属于Apache孵化器项目,主要用于数据分析师进行数据可视化工作

    • PS,Airbnb在数据方面做的很棒,相关的博客B格也很高,他们的博客名字居然叫『Airbnb Engineering & Data Science』,可见对于数据科学的重视

    https://www.jianshu.com/p/5a8174af14b5

     

    • Seal Report 报表工具

    Seal Report 是一款生产报表和开放数据库看板框架,采用微软.Net框架,C# 编写。其官网有相关论坛,可以在论坛上进行提问,不过官网和论坛也均是英文,且访问速度稍慢。主要功能是把SQL语句查询出的行列结构转换成HTML表格(Table),并支持表格的跨行(RowSpan)与跨列(ColSpan)。同时它还支持报表Excel导出、图表显示及冻结表头。

    官网地址:http://www.sealreport.org/

     


     

    展开全文
  • 这是一个可自由拖拽的BI可视化系统 后端框架使用了若依 去年疫情期间没事随手写的一个,如果你觉得好,别忘了加个星,谢谢 这个完全支持Apache doris 功能 按项目管理数据看板 看板具备分享功能 可以自由拖拽...

    介绍

    这是一个可自由拖拽的BI可视化系统

    后端框架使用了若依

    去年疫情期间没事随手写的一个,如果你觉得好,别忘了加个星,谢谢

    这个完全支持Apache doris

    功能

    1. 按项目管理数据看板
    2. 看板具备分享功能
    3. 可以自由拖拽实现数据看板
    4. 自由拖拽实现图表开发
    5. 提供数据报表开发工具
    6. 提供sql开发控制台
    7. 数据下钻(按维度下钻)
    8. 数据源管理
    9. 元数据管理
    10. 用户管理

    目录结构:

    mobile :手机端,手机端只是查看,不具备设计功能

    ui:pc端

    doc:这里是数据库脚本

    编译

    进入到前端页面目录(ui,mobile)

    npm install  
    npm run dev  
    npm run build

    系统截图

    登录界面

    默认用户名密码:admin/123456

    首页

    图表设计

    数据看板

    数据下钻

    数据报表设计

    元数据管理

    代码地址:

    GitHub - hf200012/oceanus.bi​github.com/hf200012/oceanus.bi


    欢迎大家关注了解Apache doris

    Apache doris微信公众号(欢迎扫码关注)

    相关链接: Apache Doris官方网站:​doris.incubator.apache.org

    Apache Doris Github: https://github.com/apache/incubator-doris

    Apache Doris 开发者邮件组:dev@doris.apache.org

    展开全文
  • Jupyter 常见可视化框架的选择

    千次阅读 2018-02-13 00:00:00
    可能对于R社区而言,鼎鼎大名的ggplot2是常见的可视化框架,而大家对于Python,以及Jupyter为核心的交互式报告的可个视化方案就并没有那么熟悉。本文试图比较几个常用的解决方案,方便大家选择。选择标准称述式还是...

    文末有福利!


    对于以Python作为技术栈的数据科学工作者,Jupyter是不得不提的数据报告工具。可能对于R社区而言,鼎鼎大名的ggplot2是常见的可视化框架,而大家对于Python,以及Jupyter为核心的交互式报告的可个视化方案就并没有那么熟悉。本文试图比较几个常用的解决方案,方便大家选择。


    选择标准


    称述式还是命令式


    数据工作者使用的图的类别,常见的就三类:GIS可视化、网络可视化和统计图。因此,大多数场景下,我们并不想接触非常底层的基于点、线、面的命令,所以,选择一个好的封装的框架相当重要。


    当然,公认较好的封装是基于《The Grammar of Graphics (Statistics and Computing)》一书,R中的ggplot2基本上就是一个很好的实现。我们基本上可以像用「自然语言」(Natural Language)一样使用这些绘图命令。我们姑且采用计算机科学领域的「陈述式」来表达这种绘图方式。


    相反,有时候,以下情形时,我们可能对于这种绘图命令可能并不在意:


    1. 出图相当简单,要求绘制速度,一般大的框架较重(当然只是相对而言);

    2. 想要对细节做非常详尽的微调,一般大框架在微调方面会相对复杂或者退缩成一句句命令;

    3. 是统计作图可视化的创新者,想要尝试做出新的可视化实践。


    这些情况下,显然,简单操作式并提供底层绘制命令的框架更让人愉快,与上面类似,我们借用「命令式」描述这类框架。


    是否交互


    与传统的交付静态图标不同,基于Web端的Jupter的一大好处就是可以绘制交互的图标(最近的RNotebook也有实现),因此,是否选择交互式,也是一个需要权衡的地方。


    交互图的优势:


    1. 可以提供更多的数据维度和信息;

    2. 用户端可以做更多诸如放大、选取、转存的操作;

    3. 可以交付BI工程师相应的JavaScript代码用以工程化;

    4. 效果上比较炫酷,考虑到报告接受者的特征可以选择。


    非交互图的优势:


    1. 报告文件直接导出成静态文件时相对问题,不会因为转换而损失信息;

    2. 图片可以与报告分离,必要时作为其他工作的成果;

    3. 不需要在运行Notebook时花很多世界载入各类前端框架。


    是非内核交互


    Jupyter上大多数命令通过以下方式获取数据,而大多数绘图方式事实上只是通过Notebook内的代码在Notebook与内核交互后展示出输出结果。但ipywidgets框架则可以实现Code Cell中的代码与Notebook中的前端控件(比如按钮等)绑定来进行操作内核,提供不同的绘图结果,甚至某些绘图框架的每个元素都可以直接和内核进行交互。



    用这些框架,可以搭建更复杂的Notebook的可视化应用,但缺点是因为基于内核,所以在呈递、展示报告时如果使用离线文件时,这些交互就会无效。


    框架罗列


    matplotlib


    最家喻户晓的绘图框架是matplotlib,它提供了几乎所有python内静态绘图框架的底层命令。如果按照上面对可视化框架的分法,matplotlib属于非交互式的的「命令式」作图框架。


    ## matplotlib代码示例

    from pylab import *

     

    X = np.linspace(-np.pi, np.pi, 256,endpoint=True)

    C,S = np.cos(X), np.sin(X)

     

    plot(X,C)

    plot(X,S)

     

    show()



    优点是相对较快,底层操作较多。缺点是语言繁琐,内置默认风格不够美观。


    matplotlib在jupyter中需要一些配置,可以展现更好的效果,详情参见这篇文章.


    ggplot和plotnine


    值得一说,对于R迁移过来的人来说,ggplot和plotnine简直是福音,基本克隆了ggplot2所有语法。横向比较的话,plotnine的效果更好。这两个绘图包的底层依旧是matplotlib,因此,在引用时别忘了使用%matplotlib inline语句。值得一说的是plotnine也移植了ggplot2中良好的配置语法和逻辑。


    ## plotnine示例

    (ggplot(mtcars, aes('wt', 'mpg', color='factor(gear)'))

    geom_point()

    stat_smooth(method='lm')

    facet_wrap('~gear'))



    Seaborn


    seaborn准确上说属于matplotlib的扩展包,在其上做了许多非常有用的封装,基本上可以满足大部分统计作图的需求,以matplotlib+seaborn基本可以满足大部分业务场景,语法也更加「陈述式」。


    缺点是封装较高,基本上API不提供的图就完全不可绘制,对于各类图的拼合也不适合;此外配置语句语法又回归「命令式」,相对复杂且不一致。


    ## seaborn示例

    import seaborn as sns; sns.set(color_codes=True)

    iris = sns.load_dataset("iris")

    species = iris.pop("species")

    g = sns.clustermap(iris)



    plotly


    plotly是跨平台JavaScript交互式绘图包,由于开发者的核心是javascript,所以整个语法类似于写json配置,语法特质也介于「陈述式」和「命令式」之间,无服务版本是免费的。


    有点是学习成本不高,可以很快将语句移植到javascript版本;缺点是语言相对繁琐。


    ##plotly示例

    import plotly.plotly as py

    import plotly.graph_objs as go

     

    # Add data

    month = ['January', 'February', 'March', 'April', 'May', 'June', 'July',

             'August', 'September', 'October', 'November', 'December']

    high_2000 = [32.5, 37.6, 49.9, 53.0, 69.1, 75.4, 76.5, 76.6, 70.7, 60.6, 45.1, 29.3]

    low_2000 = [13.8, 22.3, 32.5, 37.2, 49.9, 56.1, 57.7, 58.3, 51.2, 42.8, 31.6, 15.9]

    high_2007 = [36.5, 26.6, 43.6, 52.3, 71.5, 81.4, 80.5, 82.2, 76.0, 67.3, 46.1, 35.0]

    low_2007 = [23.6, 14.0, 27.0, 36.8, 47.6, 57.7, 58.9, 61.2, 53.3, 48.5, 31.0, 23.6]

    high_2014 = [28.8, 28.5, 37.0, 56.8, 69.7, 79.7, 78.5, 77.8, 74.1, 62.6, 45.3, 39.9]

    low_2014 = [12.7, 14.3, 18.6, 35.5, 49.9, 58.0, 60.0, 58.6, 51.7, 45.2, 32.2, 29.1]

     

    # Create and style traces

    trace0 = go.Scatter(

        x = month,

        y = high_2014,

        name = 'High 2014',

        line = dict(

            color = ('rgb(205, 12, 24)'),

            width = 4)

    )

    trace1 = go.Scatter(

        x = month,

        y = low_2014,

        name = 'Low 2014',

        line = dict(

            color = ('rgb(22, 96, 167)'),

            width = 4,)

    )

    trace2 = go.Scatter(

        x = month,

        y = high_2007,

        name = 'High 2007',

        line = dict(

            color = ('rgb(205, 12, 24)'),

            width = 4,

            dash = 'dash') # dash options include 'dash', 'dot', and 'dashdot'

    )

    trace3 = go.Scatter(

        x = month,

        y = low_2007,

        name = 'Low 2007',

        line = dict(

            color = ('rgb(22, 96, 167)'),

            width = 4,

            dash = 'dash')

    )

    trace4 = go.Scatter(

        x = month,

        y = high_2000,

        name = 'High 2000',

        line = dict(

            color = ('rgb(205, 12, 24)'),

            width = 4,

            dash = 'dot')

    )

    trace5 = go.Scatter(

        x = month,

        y = low_2000,

        name = 'Low 2000',

        line = dict(

            color = ('rgb(22, 96, 167)'),

            width = 4,

            dash = 'dot')

    )

    data = [trace0, trace1, trace2, trace3, trace4, trace5]

     

    # Edit the layout

    layout = dict(title = 'Average High and Low Temperatures in New York',

                  xaxis = dict(title = 'Month'),

                  yaxis = dict(title = 'Temperature (degrees F)'),

                  )

     

    fig = dict(data=data, layout=layout)

    py.iplot(fig, filename='styled-line')



    注意:此框架在jupyter中使用需要使用init_notebook_mode()加载JavaScript框架。


    bokeh


    bokeh是pydata维护的比较具有潜力的开源交互可视化框架。


    值得一说的是,该框架同时提供底层语句和「陈述式」绘图命令。相对来说语法也比较清楚,但其配置语句依旧有很多可视化框架的问题,就是与「陈述式」命令不符,没有合理的结构。此外,一些常见的交互效果都是以底层命令的方式使用的,因此如果要快速实现Dashboard或者作图时就显得较为不便了。


    ## Bokeh示例

    import numpy as np

    import scipy.special

     

    from bokeh.layouts import gridplot

    from bokeh.plotting import figure, show, output_file

     

    p1 = figure(title="Normal Distribution (μ=0, σ=0.5)",tools="save",

                background_fill_color="#E8DDCB")

     

    mu, sigma = 0, 0.5

     

    measured = np.random.normal(mu, sigma, 1000)

    hist, edges = np.histogram(measured, density=True, bins=50)

     

    x = np.linspace(-2, 2, 1000)

    pdf = 1/(sigma * np.sqrt(2*np.pi)) * np.exp(-(x-mu)**2 / (2*sigma**2))

    cdf = (1+scipy.special.erf((x-mu)/np.sqrt(2*sigma**2)))/2

     

    p1.quad(top=hist, bottom=0, left=edges[:-1], right=edges[1:],

            fill_color="#036564", line_color="#033649")

    p1.line(x, pdf, line_color="#D95B43", line_width=8, alpha=0.7, legend="PDF")

    p1.line(x, cdf, line_color="white", line_width=2, alpha=0.7, legend="CDF")

     

    p1.legend.location = "center_right"

    p1.legend.background_fill_color = "darkgrey"

    p1.xaxis.axis_label = 'x'

    p1.yaxis.axis_label = 'Pr(x)'

     

    p2 = figure(title="Log Normal Distribution (μ=0, σ=0.5)", tools="save",

                background_fill_color="#E8DDCB")

     

    mu, sigma = 0, 0.5

     

    measured = np.random.lognormal(mu, sigma, 1000)

    hist, edges = np.histogram(measured, density=True, bins=50)

     

    x = np.linspace(0.0001, 8.0, 1000)

    pdf = 1/(xsigma * np.sqrt(2*np.pi)) * np.exp(-(np.log(x)-mu)**2 / (2*sigma**2))

    cdf = (1+scipy.special.erf((np.log(x)-mu)/(np.sqrt(2)*sigma)))/2

     

    p2.quad(top=hist, bottom=0, left=edges[:-1], right=edges[1:],

            fill_color="#036564", line_color="#033649")

    p2.line(x, pdf, line_color="#D95B43", line_width=8, alpha=0.7, legend="PDF")

    p2.line(x, cdf, line_color="white", line_width=2, alpha=0.7, legend="CDF")

     

    p2.legend.location = "center_right"

    p2.legend.background_fill_color = "darkgrey"

    p2.xaxis.axis_label = 'x'

    p2.yaxis.axis_label = 'Pr(x)'

     

    p3 = figure(title="Gamma Distribution (k=1, θ=2)", tools="save",

                background_fill_color="#E8DDCB")

     

    k, theta = 1.0, 2.0

     

    measured = np.random.gamma(k, theta, 1000)

    hist, edges = np.histogram(measured, density=True, bins=50)

     

    x = np.linspace(0.0001, 20.0, 1000)

    pdf = x**(k-1) * np.exp(-x/theta) / (theta**k * scipy.special.gamma(k))

    cdf = scipy.special.gammainc(k, x/theta) / scipy.special.gamma(k)

     

    p3.quad(top=hist, bottom=0, left=edges[:-1], right=edges[1:],

            fill_color="#036564", line_color="#033649")

    p3.line(x, pdf, line_color="#D95B43", line_width=8, alpha=0.7, legend="PDF")

    p3.line(x, cdf, line_color="white", line_width=2, alpha=0.7, legend="CDF")

     

    p3.legend.location = "center_right"

    p3.legend.background_fill_color = "darkgrey"

    p3.xaxis.axis_label = 'x'

    p3.yaxis.axis_label = 'Pr(x)'

     

    p4 = figure(title="Weibull Distribution (λ=1, k=1.25)", tools="save",

                background_fill_color="#E8DDCB")

     

    lam, k = 1, 1.25

     

    measured = lam*(-np.log(np.random.uniform(0, 1, 1000)))**(1/k)

    hist, edges = np.histogram(measured, density=True, bins=50)

     

    x = np.linspace(0.0001, 8, 1000)

    pdf = (k/lam)*(x/lam)**(k-1) * np.exp(-(x/lam)**k)

    cdf = 1 - np.exp(-(x/lam)**k)

     

    p4.quad(top=hist, bottom=0, left=edges[:-1], right=edges[1:],

           fill_color="#036564", line_color="#033649")

    p4.line(x, pdf, line_color="#D95B43", line_width=8, alpha=0.7, legend="PDF")

    p4.line(x, cdf, line_color="white", line_width=2, alpha=0.7, legend="CDF")

     

    p4.legend.location = "center_right"

    p4.legend.background_fill_color = "darkgrey"

    p4.xaxis.axis_label = 'x'

    p4.yaxis.axis_label = 'Pr(x)'

     

    output_file('histogram.html', title="histogram.py example")

     

    show(gridplot(p1,p2,p3,p4, ncols=2, plot_width=400, plot_height=400, toolbar_location=None))



    其他特殊需求的作图


    除了统计作图,网络可视化和GIS可视化也是很常用的,在此只做一个简单的罗列:


    GIS类:


    • gmap:交互,使用google maps接口

    • ipyleaflet:交互,使用leaflet接口


    网络类:


    • networkx:底层为matplotlib

    • plotly


    总结



    来源:三次方根

    segmentfault.com/a/1190000011831228


    展开全文
  • 可能对于R社区而言,鼎鼎大名的ggplot2是常见的可视化框架,而大家对于Python,以及Jupyter为核心的交互式报告的可个视化方案就并没有那么熟悉。本文试图比较几个常用的解决方案,方便大家选择。 选择标准 称述式...
  • 几种数据可视化框架分析

    万次阅读 2016-12-04 12:32:35
    商业用途需要授权,有大量的图形模板可以参考,基本上能涵盖常用的曲线图等图表,但是对于数据之间的联系和交互式的展示上不如d3这些专用的数据可视化框架。教程和资料较多,如果够用的前提下,可能highcharts更能好...
  • 该项目包含20多种可视化类型,运行它们的框架以及使您能够构建高质量可视化的测试基础结构。 该框架提供了与Power BI的选择,过滤和其他UI体验完全集成所需的所有接口。 该代码使用编写,因此更易于构建和调试。 ...
  • 本篇我们来概述如何用echarts构建一个仪表盘,生成的仪表盘可以使用URL方式嵌套到我们使用的BI可视化工具中,如tableau等。 ----文末附全代码---- ………………………………………………………………………… 首先进...
  • 因为做 BI 产品Sugar的缘故,我们曾经花费了大量时间了解各种可视化库,接下来将分享我们在这方面的经验,帮助你做出更好的选择。 首先我们将数据可视化分成两种大的类型: 可视化库,比如 D3、Echarts 等,这些是...
  • 只有通过合适的可视化工具,才能更加直观的感受到数据所带来的变化,为接下来的工作提供支持,这就是可视化大屏(BI)所带来的价值。 可视化大屏是为了在大量核心数据中选择最优展现方式,它可以将业务的关键指标以...
  • 目前是一家企业的BI工程师,主要工作就是给业务部门出报表和业务分析报告。 回想自己过去的工作成绩也还算是不错的,多次通过自己分析告,解决了业务的疑难杂症,领导们各种离不开。 但安逸久了总会有点莫名的慌张,...
  • 可视化bi平台与大数据分析的关系

    万次阅读 2018-09-10 18:19:59
    可视化bi平台,是一个数据分析结果的展示,数据可视化的作用也不容小觑,数据可视化的工具也是多种多样,免费的还是收费的,供企业选择的范围也很多。数据可视化过程汇总也会产生一些数据,或者是数据可视化的工具也...
  • CBoard BI 数据可视化 支持国产开源

    万次阅读 2017-06-15 16:13:26
    摘自: ...数据可视化BI生命周期里面非常重要的一个环节,当前数据可视化的几种常见模式如下: 商业软件的几种模式 商业BI套件 能够提供BI生命周期全套的解决方案,业界比较知名BI套件老
  • BI实时图表实现数据可视化的原理

    千次阅读 2019-01-22 14:24:14
    如果你已经使用过实时dashboard,或者正打算建立一个,那么,这篇文章可以帮助你理解实时dashboard背后的故事以及实时数据如何展现在你的dashboard中,从而实现数据可视化。 除去端到端之间极短的时间,数据实时...
  • 随着各行各业大数据的渗透,BI 类数据分析需求与日俱增,如何让可视化更好的展现数据的价值,是 BI 类产品一直努力的方向。对此国内外的BI产品都有自己的方法,如国外大牌的 PowerBI、Tableau,还有国内的 FineBI、...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 7,578
精华内容 3,031
关键字:

bi可视化框架