今天给大家推荐一个优质的Python公众号「法纳斯特」,作者:小F。 学习编程是一个比较枯燥的过程,所以小F平常喜欢分享一些有趣、有料的Python原创项目实战。从2018年8月一直到现在,已经更新接近 百篇原创 文章。 主要有Python基础、爬虫、数据分析、数据可视化等内容,非常受编程学习者的欢迎,不少文章被各大平台转载。 这里精选了50个Python数据分析实战案例,不仅包含源码,还有使用教程。 50+的Python实战案例及使用教程,可在公众号「法纳斯特」后台回复 “合辑” 获取~ 点击关注 回
页面可视化搭建, 是一个历久弥新的话题. 更广义上讲, 页面是 GUI 的一部分, GUI 的拖拉生成在各种开发工具上很常见, 如 Android Studio, Xcode, Visual Studio 等. 前端页面早在十几年前就能用 Dreamweaver, Frontpage 等工具可视化搭建出来.
自定义BI改变了传统IT主导开发固定报表的时代,让数据能够即席分析达到所见即所得,随着大模型的兴起与火热,LLMs 结合数据可视化技术,通过问答的方式能够让系统智能与数据交互与生成图表,无论是BI copilot还是ChatBI, 除了替代之前小助手功能只能查询已有报表数据外,更多的是省略创建dashboard拖拉拽的操作,让新生成的图表和已经存在或者创新新的dashboard。
之前发了一条动态数据可视化的视频,有很多朋友来咨询怎么制作的,其实制作过程难度不大,上手很快,特地为大家整理了一篇制作教程,五分钟让你的数据动起来!
之前在做数据分析的时候,用过一个自动化生成数据探索报告的Python库:ydata_profiling
在这个博客中,我们将探讨如何使用人工智能生成计算机(AIGC)来生成惊艳的3D内容。我们将详细介绍每个步骤,并提供代码示例以帮助您理解。
接口数据信息,通过附加交互(js)及布局样式(html/css)信息, 最终流向屏幕的像素信息。
点击关注公众号,Java干货及时送达 推荐阅读:Spring Cloud Alibaba 终于一统江湖! 出品 | OSC开源社区(ID:oschina2013) Grafana 9.0 的主要重点是改善 Grafana 的用户体验,使可观察性和数据可视化更易用也更容易获得。无论是通过 Prometheus 和 Loki 可视化查询生成器还是面板和仪表板搜索功能,Grafana 9.0 都引入了更新的工作流程,使发现和调查数据变得更加容易和直观。 要深入了解所有最新功能,可以加入在 GrafanaCONl
由于工作里常常要做图表,Excel没法满足复杂场景,所以Echarts和Tableau成为了我最得力的两个助手。
出品 | OSC开源社区(ID:oschina2013) Grafana 9.0 的主要重点是改善 Grafana 的用户体验,使可观察性和数据可视化更易用也更容易获得。无论是通过 Prometheus 和 Loki 可视化查询生成器还是面板和仪表板搜索功能,Grafana 9.0 都引入了更新的工作流程,使发现和调查数据变得更加容易和直观。 要深入了解所有最新功能,可以加入在 GrafanaCONline 举行的 Grafana 9.0 会议:https://grafana.com/go/grafanac
点击上方“芋道源码”,选择“设为星标” 管她前浪,还是后浪? 能浪的浪,才是好浪! 每天 10:33 更新文章,每天掉亿点点头发... 源码精品专栏 原创 | Java 2021 超神之路,很肝~ 中文详细注释的开源项目 RPC 框架 Dubbo 源码解析 网络应用框架 Netty 源码解析 消息中间件 RocketMQ 源码解析 数据库中间件 Sharding-JDBC 和 MyCAT 源码解析 作业调度中间件 Elastic-Job 源码解析 分布式事务中间件 TCC-Transaction
熟悉pandas的童鞋估计都知道pandas的describe()和info()函数,用来查看数据的整体情况,比如平均值、标准差之类,就是所谓的探索性数据分析-EDA。
你是否想知道LSTM层学到了什么?有没有想过是否有可能看到每个单元如何对最终输出做出贡献。我很好奇,试图将其可视化。在满足我好奇的神经元的同时,我偶然发现了Andrej Karpathy的博客,名为“循环神经网络的不合理有效性”。如果你想获得更深入的解释,建议你浏览他的博客。
随着数据量的快速增长和对数据洞察力的需求日益增强,数据可视化成为了数据科学和分析领域中至关重要的一部分。Python作为一种功能强大、灵活且易于学习的编程语言,拥有丰富的数据可视化库和工具,使得开发者能够轻松地创建出令人印象深刻的图形。
当地时间 7 月 7 日,OpenAI 在社交平台表示,将向所有 ChatGPT Plus 用户开放代码解析器(Code Interpreter)功能。消息一出便瞬间引发了开发者们的广泛关注,该功能被有的开发者认为是自 OpenAI 发布 GPT-4 以来最强大的功能。
去年实习时,因为项目需要,接触了一下Learning to Rank(以下简称L2R),感觉很有意思,也有很大的应用价值。L2R将机器学习的技术很好的应用到了排序中,并提出了一些新的理论和算法,不仅有效地解决了排序的问题,其中一些算法(比如LambdaRank)的思想非常新颖,可以在其他领域中进行借鉴。鉴于排序在许多领域中的核心地位,L2R可以被广泛的应用在信息(文档)检索,协同过滤等领域。
作为企业管理者,我们每天都需要关注各种数据和信息,以便做出正确的商业决策。然而,这些数据和信息通常分散在不同的系统、应用程序和文件中,如果要手工收集和整理,不仅费时费力,而且容易出错。因此,为了更高效地管理数据和信息,我们需要一个强大的报表定制系统。
https://grafana.com/grafana/plugins/alexanderzobnin-zabbix-app/
本文介绍了如何在Jupyter Notebook中创建交互内容。所谓内容,主要指可视化内容。不过我们很快就会看到,这里的可视化内容不仅包括通常的图表,还包括有助于探索数据的交互界面和动画。
不知道大家有没有听说过低代码这个东西?有人觉得低代码是一种无用的玩具,也有人认为低代码的出现有可能颠覆行业,取代程序员。
近年来,我国各类器材制造业已经开始向数字化生产转型,使得生产流程变得更加精准高效。通过应用智能设备、物联网和大数据分析等技术,企业可以更好地监控生产线上的运行和质量情况,及时发现和解决问题,从而提高生产效率和产品质量。电缆厂作为传统机械器材加工业,更需顺应时代潮流,紧跟数字化趋势。
Harness 是Devops的一把利剑,用过drone,gitness都知道,Y(aml)asC/P(ipeline)asC 是其核心,其利用模块化可视化的语言将CICD更加便利更加AI的供用户使用。在从Jenkins做migration到Harness过程中,难免会涉及到数据集的转换,比如input sets,还有一些pipeline stage等的转换。但是Harness在API doc上只提供了go,python,java,curl的API:
2021 年 2 月底,国家矿山安监局综合司发布的《“十四五”矿山安全生产规划(征求意见稿)》中再次强调要“实时采集矿山安全监控、人员位置监测、视频监控等数据,建成一个连接各级用户、各类角色的矿山安全生产综合信息系统”。此外,根据自然资源部披露,2021 年我国将建 100 个初级智能化示范煤矿,到 2025 年,大型煤矿和灾害严重煤矿基本实现智能化;到 2035 年,各类煤矿基本实现智能化,构建多产业链、多系统集成的煤矿智能化系统,建成智能感知、智能决策的煤矿智能化体系,实现安全绿色、高效、智能化生产。
Matplotlib 是 Python数据科学生态系统中非常重要的一个 Python库,是 Python可视化中使用最多,同时其他许多可视化库也是在这个基础上衍生或延展而来的。
RAWGraphs是一个在线的开源工具和数据可视化框架,用来处理Excel表中的数据。你只需将数据导入到RAWGraphs中,设计你想要的图表,然后将其导出为SVG格式或PNG格式的图片。此外,上传至RAWGraphs的数据只会在web端在线进行处理,保证了数据的安全性。
随着VAG进一步的成熟,我们为了进一步扩大用户的应用平台,推出了window版本的VAG,且界面进一步优化,目前已经能基本实现从图文件提取,bam文件提取,到可视化展示(目前的版本只支持read比对的结果展示(read)与图形基因组(Graph)展示)。Window版本已整合所有依赖的包,点击即用,通过生成本地图文件与调用浏览器展示可交互的图像。但<.info>文件的生成与泛基因组图的格式的转化仍需通过getinf.py脚本与经gfatools的处理的脚本生成。
简介 在Python的世界里,可视化你的数据有多种选择。由于这种多样性,决定何时使用哪一个确实是种挑战。这篇文章包含由更受欢迎的包中的一部分制作的示例,并说明如何使用它们创建一个简单的条形图。我将使用: Pandas Seaborn ggplot Bokeh pygal Plotly 在例子中,我将使用Pandas处理数据并驱动可视化。大多数情况下这些工具可以在没有pandas的环境中运行,但是我认为pandas和可视化工具的结合非常普遍,这是最合适的开始之处。 Matplotlib怎么样? Matpl
组态软件是一种用于创建、配置和管理监控和控制系统的软件工具。组态是指不需要编写计算机程序、通过配置的方式完成工业应用开发的系统。它们通常用于工业自动化领域,用于实时监视和控制工业过程。组态软件提供了丰富的功能和工具,使用户能够创建用户界面、配置数据采集和通信、设置报警和事件处理、进行数据分析和报告生成等。通过组态软件,用户可以实时监控和控制工业设备和过程,并对数据进行可视化和分析,以便做出更好的决策和优化生产效率。组态软件通常支持各种通信协议和设备接口,以便与不同类型的设备和系统进行集成。
本文从大数据应用出发,讨论数据可视化在大数据时代所面临的一系列挑战,并重点介绍AutoVis针对这些挑战所做尝试及其体系架构、关键技术和功能特点。
上次可视化系列说了瀑布图(可跳转)。它可以用于展示拥有相同的X轴变量数据(如相同的时间序列)、不同的Y轴离散型变量(如不同的类别变量)和Z轴数值变量。
汽车共享”最早出现于上个世纪四十年代的瑞士,他们发明了“自驾车合作社”,后来日本、英国等国争相效仿,但都未形成规模。而今,共享经济通过互联网达到了一个新的高度,共享汽车项目则乘势如雨后春笋般涌现在全国多个城市,一些人看好,而一些人看衰
过去的 2018 年,我们认为是国内工业互联网可视化的元年,图扑软件作为在工业可视化领域的重度参与者,一线见证了众多 HTML5/Web 化、2D/3D 化的项目在工业界应用落地,我们觉得有必要在此分享下过去一年,基于 HT 实施的数百个工业互联网 2D 3D 可视化应用案例,希望能激发行业和学术工作者对可视化的深度思考,为推进国内工业互联网发展出份薄力。
小程序现有的开发模式是基于已有的小程序基础库提供的组件,通过自定义业务的样式实现自定义化和功能。
从“应对治疗”(完全缓解)到发生感兴趣事件的时间通常称为生存时间(或事件发生的时间)。
当前,国际油价低位徘徊导致各国石油化工行业投资大幅缩减,石油化工建设行业竞争环境日趋严峻,施工企业的利润空间也被不断压缩。内外交困的环境下,促使企业采取更有效的管理手段来提高效率和降低成本。石油工业大数据具有无限潜力与价值,将大数据与数据挖掘技术应用其中,不仅可以提升石油行业工业化水平,而且对其智慧化发展起到强有力的推动作用。
不安分、爱挑战的“折腾”之旅 我是李焱, 来自成都漫极客科技有限公司。 我于 2010 年从北京大学毕业,获得信息管理系学士学位以及计算机软件学士学位。毕业之后,我在酷我音乐商务组从事 web 开发,主要负责公司广告系统、VIP 会员等级体系、音乐盒内弹窗等业务。 两年之后,我觉得前端开发技术难度比较小,而且浏览器兼容性问题很大,大部分时间都是纠结于一些莫名其妙的 bug,不值得继续做下去,选择在后端深入下去。然后,我跳槽去了人人游戏,加入钢铁元帅项目组,做游戏后端开发,用到的技术主要包括网络协议、服务器缓
在大数据时代,离不开数据的处理和分析,这次来介绍一下数据可视化,在之后的文章中使用的工具都是Apache ECharts,它是一个基于 JavaScript 的开源可视化图表库。
数字化工厂由设备、机器人、AGV、网络、信息数据等构成,集成了产品制造过程和工厂模型的数据库,以提高产品的质量和生产过程所涉及的质量和动态性能。通过借助计算机,对整个生产过程进行数据采集,并可进一步扩展到整个产品制造过程的全生命周期,将打通产品设计和产品制造之间的桥梁,实现信息的集成。而生产车间是组成工厂最重要的组成部分,实现了生产车间的数字化,基本上完成了数字化工厂最核心的部分。在数字化系统建设中以数据的可视化管理和应用为核心,而非简单注重完全的自动化程度。利用PLM系统实现主数据流和工业网络、智能装备、智能仓库、智能系统等方面系统集成,实现数据流贯通与共享。
最近两年,在互联网行业各大技术峰会上,都能看到关于工程效能这个概念,从侧面也反映出了研发效能已经逐渐被各企业所重视!
前端表单可视化生成器可以说是非常之多,基本实现比较简单的功能,稍微复杂的就捉襟见肘
在本次直播中,产品经理张妙维将向您介绍RayData Web最新的产品形态,展现高效的数字孪生可视化项目搭建流程。
本文主要针对可解释可视化推荐任务提出的大模型相关方法LLMVis,现有的各种基于机器学习的方法通常需要大量的可视化对数据集(数据和标签)来进行训练,并且其结果缺乏可解释性。
📷 大数据文摘作品,转载要求见文末 作者 | 宁云州,Aileen 呜啦啦啦各位小伙伴大家好呀,又到了本周的AI大事件时间了。过去的一周中AI圈都发生了什么?大佬们互撕了哪些问题?研究者们发布了哪些值得一读的论文?又有哪些开源的代码和数据库可以使用了?了解过去一周AI爆点,一篇就够啦! 新闻 如何规范人工智能 来源:纽约时报 Elon Musk坚持认为人工智能代表着“对人类存在的根本威胁”,这是一个令人惊恐的观点,AI仿佛成为了科幻小说中终结人类的怪兽。 然而,很多AI研究人员
生成对抗网络(Generative Adversarial Network,GAN)是一种无监督学习的深度学习模型,由Ian Goodfellow等人在2014年提出。GAN包含两个相互竞争的神经网络:生成器(Generator)和判别器(Discriminator)。生成器试图生成看起来像真实数据的假数据,而判别器则试图区分真实数据和生成数据。通过这种对抗过程,生成器能够生成非常逼真的数据。本教程将详细介绍如何使用Python和PyTorch库实现一个简单的GAN,并展示其在MNIST数据集上的应用。
随着信息技术、自动化技术和人工智能等技术的快速发展和应用,智能制造已成为全球制造业发展的主流趋势。智能制造是将智能化、自动化、数字化和网络化等技术手段运用到制造过程中,使生产过程具有高度智能化、自动化和数字化的特点,进而提高生产效率,降低生产成本,优化产品质量,推动环保和可持续发展,使企业的核心竞争力和市场地位得到进一步提升。
但存在几个问题,不能实时更新数据,制作的是静态的仪表盘,每次生成仪表盘都要调整代码,不能一运行就直接生成可视化仪表盘。
你很可能也看到过公众号文章下方的广告,是关于 Python 自动化生成报表的,我自己就经常看到,说的是一个人因为报表做不出来,愁眉苦脸,做不出来就要被辞职了,这时一个高手拿过电脑,一顿操作猛如虎,一份精美的报表很快就生成了,被帮助的人写满一脸的崇拜...
2022年低代码已经不是一个新鲜概念,对于低代码是什么也不需要再赘述,但过去这一年热度持续只增不减,全球市场规模从 113 亿美元到 2021年的 138亿美元,其年复合增长率达22.6%。大家都知道技术炒作曲线(The Hype Cycle),那我们要如何理性看待低代码这些所谓”前沿“技术的周期曲线,不盲从也不管中窥豹,本文希望以过去一年低代码发展趋势以及未来可能演变等角度,来分享一些浅显理解和思考,贻笑大方。
在“新基建”驱动的数字经济热潮下,智慧园区建设发展成为实现园区管理绿色化、现代化、智慧化的核心抓手。通过利用云计算、物联网、大数据等新一代技术手段,充分聚合园区内各类资源,全面提升园区的综合管理效率,打通园区人、事、物运行管理全要素的动态感知、实时共享、高效应用。
领取专属 10元无门槛券
手把手带您无忧上云