标签分类
当前位置:首页 > 数据库电子书 > 数据电子书网盘下载
鲜活的数据:数据可视化指南 鲜活的数据:数据可视化指南
qq_37457

qq_37457 提供上传

资源
46
粉丝
42
喜欢
143
评论
1

    鲜活的数据:数据可视化指南 PDF 高清版

    数据电子书
    • 发布时间:

    给大家带来的一篇关于数据相关的电子书资源,介绍了关于数据、数据可视化方面的内容,本书是由人民邮电出版社出版,格式为PDF,资源大小29.6 MB,Nathan编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:8.2,更多相关的学习资源可以参阅 数据库电子书、等栏目。

  • 鲜活的数据:数据可视化指南 PDF 下载
  • 下载地址:https://pan.baidu.com/s/1YCLjpYegxp7NHgED3--Kog
  • 分享码:jbk1
  • 鲜活的数据:数据可视化指南 PDF

    在生活中,数据几乎无处不在,任我们取用。然而,同样的数据给人的感觉可能会千差万别:或冰冷枯燥,让人望而生畏、百思不解其意;或生动有趣,让人一目了然、豁然开朗。为了达到后一种效果,我们需要采用一种特别的方式来展示数据,来解释、分析和应用它。这就是数据可视化技术。Nath an Yau是这一创新领域的先锋。在本书中,他根据数据可视化的工作流程,先后介绍了如何获取数据,将数据格式化,用可视化工具(如R)生成图表,以及在图形编辑软件(如Illustrator)中修改以使图表达到最佳效果。本书介绍了数十种方法(如柱形图、饼图、折线图和散点图等),以创造性的视觉方式生动讲述了有关数据的故事。

    目录

    • 第1章  用数据讲故事    1
    • 1.1  不只是数字    2
    • 1.1.1  新闻报道    2
    • 1.1.2  艺术    3
    • 1.1.3  娱乐    5
    • 1.1.4  引人注目    6
    • 1.2  我们要寻求什么    7
    • 1.2.1  模式    7
    • 1.2.2  相互关系    9
    • 1.2.3  有问题的数据    10
    • 1.3  设计    11
    • 1.3.1  解释编码    11
    • 1.3.2  标注坐标轴    13
    • 1.3.3  确保几何上的正确性    15
    • 1.3.4  提供数据来源    16
    • 1.3.5  考虑你的受众    16
    • 1.4  小结    17
    • 第2章  处理数据    18
    • 2.1  收集数据    19
    • 2.1.1  由他人提供    19
    • 2.1.2  寻找数据源    19
    • 2.1.3  自动搜集数据    22
    • 2.2  设置数据的格式    32
    • 2.2.1  数据格式    32
    • 2.2.2  格式化工具    34
    • 2.2.3  用代码来格式化    38
    • 2.3  小结    42
    • 第3章  选择可视化工具    44
    • 3.1  开箱即用的可视化工具    45
    • 3.1.1  可选项    45
    • 3.1.2  取舍    52
    • 3.2  编程工具    52
    • 3.2.1  可选项    52
    • 3.2.2  取舍    61
    • 3.3  绘图软件    62
    • 3.3.1  可选项    63
    • 3.3.2  取舍    65
    • 3.4  地图绘制工具    65
    • 3.4.1  可选项    66
    • 3.4.2  取舍    71
    • 3.5  衡量各种可选项    71
    • 3.6  小结    72
    • 第4章  有关时间趋势的可视化    73
    • 4.1  在时间中寻求什么    74
    • 4.2  时间中的离散点    75
    • 4.2.1  柱形    75
    • 4.2.2  柱形的堆叠    88
    • 4.2.3  圆点    92
    • 4.3  延续性数据    97
    • 4.3.1  点与点相连    98
    • 4.3.2  一步一个台阶    102
    • 4.3.3  平滑和估算    106
    • 4.4  小结    110
    • 第5章  有关比例的可视化    111
    • 5.1  在比例中寻求什么    112
    • 5.2  整体中的各个部分    112
    • 5.2.1  饼图    112
    • 5.2.2  面包圈图    116
    • 5.2.3  比例中的堆叠    121
    • 5.2.4  层级和矩形    128
    • 5.3  带时间属性的比例    132
    • 5.3.1  堆叠的延续    133
    • 5.3.2  逐点详述    144
    • 5.4  小结    145
    • 第6章  有关关系的可视化    146
    • 6.1  在关系中寻求什么    147
    • 6.2  关联性    147
    • 6.2.1  更多的圆点    147
    • 6.2.2  探索更多的变量    152
    • 6.2.3  气泡    156
    • 6.3  分布    162
    • 6.3.1  老式的分布图表    163
    • 6.3.2  有关分布的柱形    165
    • 6.3.3  延续性的密度    168
    • 6.4  对照和比较    173
    • 6.5  小结    184
    • 第7章  发现差异    185
    • 7.1  在差异中寻求什么    186
    • 7.2  在多个变量间比较    186
    • 7.2.1  热身    186
    • 7.2.2  相面术    195
    • 7.2.3  星光灿烂    200
    • 7.2.4  平行前进    207
    • 7.3  减少维度    213
    • 7.4  寻找异常值    218
    • 7.5  小结    222
    • 第8章  有关空间关系的可视化    223
    • 8.1  在空间中寻求什么    224
    • 8.2  具体位置    224
    • 8.2.1  找到纬度和经度    225
    • 8.2.2  单纯的点    227
    • 8.2.3  有大有小的点    233
    • 8.3  地区    235
    • 8.4  跨越空间和时间    248
    • 8.4.1  系列组图    249
    • 8.4.2  抓住差额    251
    • 8.4.3  动画    253
    • 8.5  小结    268
    • 第9章  有目的地设计    269
    • 9.1  让自己作好准备    270
    • 9.2  让读者作好准备    271
    • 9.3  视觉提示    275
    • 9.4  好的可视化    280
    • 9.5  小结    280

    上一篇:Java Web轻量级开发面试教程  下一篇:Android物联网开发细致入门与最佳实践

    展开 +

    收起 -

    数据相关电子书
    学习笔记
    网友NO.242272

    Python数据可视化库seaborn的使用总结

    seaborn是python中的一个非常强大的数据可视化库,它集成了matplotlib,下图为seaborn的官网,如果遇到疑惑的地方可以到官网查看。http://seaborn.pydata.org/ 从官网的主页我们就可以看出,seaborn在数据可视化上真的非常强大。 1.首先我们还是需要先引入库,不过这次要用到的python库比较多。 import numpy as npimport pandas as pdimport matplotlib as mplimport matplotlib.pyplot as pltimport seaborn as sns 2. sns.set_style() :不传入参数用的就是seaborn默认的主题风格,里面的参数共有五种 darkgrid whitegrid dark white ticks 我比较习惯用whitegrid。 3.下面说一下seaborn里面的调色板,我们可以用 sns.color_palette() 获取到这些颜色,然后用 sns.palplot() 将这些色块打印出来。color_palette()函数还可以传入一些参数 sns.palplot(sns.color_palette("hls",n))#显示出n个不同颜色的色块sns.palplot(sns.color_palette("Paired",2n))#显示出2n个不同颜色的色块,且这些颜色两两之间是相近的sns.palplot(sns.color_palette("color"))#由浅入深显示出同一颜色的色块sns.palplot(sns.color_palette("color_r"))##由深入浅显示出同一颜色的色块sns.palplot(sns.color_palette("cubehelix",n))#显示出n个颜色呈线性变化的色块sns.palplot(sns.cubehelix_palette(k,start=m,rot=n))#显示出k个start(0,3)为m,rot(-1,1)为n的呈线性变化的色块sns.palplot(sns.light_palette("color"))#将一种颜色由……

    网友NO.477847

    通过python的matplotlib包将Tensorflow数据进行可视化的方法

    使用matplotlib中的一些函数将tensorflow中的数据可视化,更加便于分析 import tensorflow as tfimport numpy as npimport matplotlib.pyplot as pltdef add_layer(inputs, in_size, out_size, activation_function=None): Weights = tf.Variable(tf.random_normal([in_size, out_size])) biases = tf.Variable(tf.zeros([1, out_size]) + 0.1) Wx_plus_b = tf.matmul(inputs, Weights) + biases if activation_function is None: outputs = Wx_plus_b else: outputs = activation_function(Wx_plus_b) return outputs# Make up some real datax_data = np.linspace(-1, 1, 300)[:, np.newaxis]noise = np.random.normal(0, 0.05, x_data.shape)y_data = np.square(x_data) - 0.5 + noise# define placeholder for inputs to networkxs = tf.placeholder(tf.float32, [None, 1])ys = tf.placeholder(tf.float32, [None, 1])# add hidden layerl1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)# add output layerprediction = add_layer(l1, 10, 1, activation_function=None)# the error between prediction and real dataloss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction), reduction_indices=[1]))train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)# important step#initialize_all_variables已被弃用,使用tf.global_variables_initializer代替。 init = tf.global_variables_initializer()sess = tf.Session()sess.run(init)# plot the real datafig = plt.figure()ax = fig.add_subplot(1,1,1)ax.scatter(x_data, y_data)plt.ion() #使plt不会在show之后停止而是继续运行plt.show()for i in range(1000): # traini……

    网友NO.392236

    Python数据分析:手把手教你用Pandas生成可视化图表的教程

    大家都知道,Matplotlib 是众多 Python 可视化包的鼻祖,也是Python最常用的标准可视化库,其功能非常强大,同时也非常复杂,想要搞明白并非易事。但自从Python进入3.0时代以后,pandas的使用变得更加普及,它的身影经常见于市场分析、爬虫、金融分析以及科学计算中。 作为数据分析工具的集大成者,pandas作者曾说,pandas中的可视化功能比plt更加简便和功能强大。实际上,如果是对图表细节有极高要求,那么建议大家使用matplotlib通过底层图表模块进行编码。当然,我们大部分人在工作中是不会有这样变态的要求的,所以一句import pandas as pd就足够应付全部的可视化工作了。 下面,我们总结一下PD库的一些使用方法和入门技巧。 一、线型图 对于pandas的内置数据类型,Series 和 DataFrame 都有一个用于生成各类 图表 的 plot 方法。 默认情况下, 它们所生成的是线型图。其实Series和DataFrame上的这个功能只是使用matplotlib库的plot()方法的简单包装实现。参考以下示例代码 - import pandas as pdimport numpy as np df = pd.DataFrame(np.random.randn(10,4),index=pd.date_range('2018/12/18', periods=10), columns=list('ABCD')) df.plot() 执行上面示例代码,得到以下结果 - 如果索引由日期组成,则调用gct().autofmt_xdate()来格式化x轴,如上图所示。 我们可以使用x和y关键字绘制一列与另一……

    Copyright 2018-2019 xz577.com 码农之家

    版权责任说明