备案控制台
探索云世界
开发者社区 大数据 文章 正文

数据可视化第二版-03部分-08章-分布

2023-12-21 18
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： 数据可视化第二版-03部分-08章-分布

数据可视化第二版-03部分-08章-分布


总结

本系列博客为基于《数据可视化第二版》一书的教学资源博客。本文主要是第8章，分布可视化的案例相关。


可视化视角-分布

968d90f23323581131689c79b16c6cd9_dc5ba209f46d4ee8bb08d5d0fda59e09.png

9b7f95409f49609eafd1d68e49109690_d96477fd853242858986206f2e80c27e.png


代码实现

安装依赖


pip install scikit-learn -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install seaborn -i https://pypi.tuna.tsinghua.edu.cn/simple

直方图

直方图依赖


from sklearn import datasets
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from numpy.random import randn
import matplotlib as mpl
import seaborn as sns
from scipy.stats.kde import gaussian_kde
from scipy.stats import norm
from numpy import linspace, hstack
from pylab import plot, show, hist

直方图在计算机视觉中的应用

参考：https://www.dandelioncloud.cn/article/details/1564611965912051714

https://www.shuzhiduo.com/A/GBJrYeBWz0/


import numpy as np
from PIL import Image
import matplotlib.pyplot as plt
import matplotlib.cm as cm
def histeq(image_array,image_bins=256):
    # 将图像矩阵转化成直方图数据，返回元组(频数，直方图区间坐标)
    image_array2,bins = np.histogram(image_array.flatten(),image_bins)
    # 计算直方图的累积函数
    cdf = image_array2.cumsum()
    # 将累积函数转化到区间[0,255]
    cdf = (255.0/cdf[-1])*cdf
    # 原图像矩阵利用累积函数进行转化，插值过程
    image2_array = np.interp(image_array.flatten(),bins[:-1],cdf)
    # 返回均衡化后的图像矩阵和累积函数
    return image2_array.reshape(image_array.shape),cdf
image = Image.open("pika1.jpg").convert("L")
image_array = np.array(image)
plt.subplot(2,2,1)
plt.hist(image_array.flatten(),256)
plt.subplot(2,2,2)
plt.imshow(image,cmap=cm.gray)
plt.axis("off")
a = histeq(image_array)  # 利用刚定义的直方图均衡化函数对图像进行均衡化处理
plt.subplot(2,2,3)
plt.hist(a[0].flatten(),256)
plt.subplot(2,2,4)
plt.imshow(Image.fromarray(a[0]),cmap=cm.gray)
plt.axis("off")
plt.show()

pika1.jpg

f8512cd090b94cf3ef49403262d3a2db_74d6389db1e44661834e41ad994103a8.png

输出为：

c756c89a51becd5e4fedffe33c8ccb88_a16bfa0eb2a04b9fb19320ce409a504e.png


直方图案例1

# 直方图
df = datasets.load_iris()
plt.rcParams['font.sans-serif'] = ['SimHei']  # 添加中文字体
plt.figure(figsize=(10, 8))  # 设置画布大小
plt.hist(df.data[:, 0],  # 选择鸢尾花数据集的第一个特征
         bins=20,  # 设置分组数量
         alpha=0.5,  # 颜色透明度
         color="r",  # 直方图矩形填充颜色
         edgecolor="black",  # 直方图矩形边框颜色
         range=(4, 8.5))  # 设置直方图边界
plt.xlabel(df.feature_names[0])  # x标签
plt.ylabel("频数密度")  # y标签
plt.title("鸢尾花数据集特征分布直方图")
plt.show()

456a93f793f1825ba56a0934d847668b_05014c25befa40169cf78822713d1662.png

直方图示例2

# 直方图示例
data = np.random.randn(1000)
plt.rcParams['font.sans-serif'] = ['SimHei']  # 添加中文字体
plt.rcParams['axes.unicode_minus'] = False
plt.figure(figsize=(10, 8))  # 设置画布大小
plt.hist(data,
         bins=15,  # 设置分组数量
         alpha=0.5,  # 颜色透明度
         color="blue",  # 直方图矩形填充颜色
         edgecolor="black")  # 直方图矩形边框颜色
plt.xlabel("")  # x标签
plt.ylabel("频数密度")  # y标签
plt.title("直方图示例")
plt.show()

2e550e3a29e5a20f0b2d4a757595bbea_52fea689a4cb4b8bb96225df3731302c.png


直方图与趋势线

# 直方图与趋势线
plt.rcParams['font.sans-serif'] = ['SimHei']  # 添加中文字体
plt.rcParams['axes.unicode_minus'] = False
sample1 = norm.rvs(loc=-1.0, scale=1, size=320)
sample2 = norm.rvs(loc=2.0, scale=0.6, size=320)
sample = hstack([sample1, sample2])
probDensityFun = gaussian_kde(sample)
x = linspace(-5, 5, 200)
plot(x, probDensityFun(x))
hist(sample, density=True, alpha=0.5, color="purple")
plt.title("直方图与趋势线")
show()

b35b5d7444f46768c5341b92a56abcb7_04c23f5b055a4094b071cae5a3ef3f4b.png

直方图与趋势线2

# 直方图与趋势线2
data = randn(250)
sns.set_palette("hls")
plt.rcParams['axes.unicode_minus'] = False
mpl.rc("figure", figsize=(10, 6))
sns.displot(data, bins=10, kde=True,
            rug=True,
            color='b')
plt.title("直方图与趋势线2")
plt.show()

06cdc6ba0522c752204e349d0fcfd592_17f640cb4a0b4e81a10f93ff3e51ccac.png


分组直方图

import os
os.chdir(os.path.dirname(__file__))
iris = pd.read_csv("鸢尾花.csv")
plt.rcParams['font.sans-serif'] = ['SimHei']  # 添加中文字体
plt.figure(figsize=(8, 6))  # 设置画布大小
sns.histplot(data=iris, x="Sepal.Length", hue="Species", alpha=0.5)
plt.title("分组直方图")
plt.xlabel("萼片长度")
plt.show()

d330fdbf44ad0f507b5ca63691388737_654cdefda1154f95b7b33387d439bde1.png


变形

# 变形
# 创建数据集
df = pd.DataFrame({
    'var1': np.random.normal(size=1000),
    'var2': np.random.normal(loc=2, size=1000) * -1
})
# 画布大小
plt.rcParams["figure.figsize"] = 10, 6
plt.rcParams['axes.unicode_minus'] = False
# 画变量1的频率分布直方图
sns.histplot(x=df.var1, stat="density", bins=20)
# 画变量2的频率分布直方图
n_bins = 20
# 获得变量2的分组
heights, bins = np.histogram(df.var2, density=True, bins=n_bins)
# 给变量2的高度乘以1
heights *= -1
bin_width = np.diff(bins)[0]
bin_pos = (bins[:-1] + bin_width / 2) * -1
plt.bar(bin_pos, heights, width=bin_width, edgecolor='black')
plt.title("变形")
plt.show()

090e0f1cc0dfae735f532df79382be92_b572723671cc4b1c9f7a0907be7cec5f.png


密度图

密度图1

# 密度图1
import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns
import os
os.chdir(os.path.dirname(__file__))
iris = pd.read_csv("鸢尾花.csv")
plt.rcParams['font.sans-serif'] = ['SimHei']  # 添加中文字体
plt.figure(figsize=(8, 6))  # 设置画布大小
sns.kdeplot(data=iris, x="Sepal.Length", hue="Species", alpha=0.5, fill="Species")
plt.title("密度图1")
plt.show()

81f89a77a4c3fc4beb76b561d9483dd8_fd44090ede884cf3a3acb4bad4b2b29e.png


密度图2-堆积密度图

# 密度图2
import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns
import os
os.chdir(os.path.dirname(__file__))
iris = pd.read_csv("鸢尾花.csv")
plt.rcParams['font.sans-serif'] = ['SimHei']  # 添加中文字体
sns.kdeplot(data=iris.iloc[:, [1, 2, 5]], x="Sepal.Width", hue="Species", common_norm=False, multiple="fill", alpha=1)
plt.title("花萼长度关于花萼宽度的堆积密度图")
plt.xlabel("花萼宽度")
plt.show()

982e87c80c1718bf8bb18fe74793c959_d1d793b041da48ee90f1954f80e81c8e.png


密度图3-二维密度图

# 密度图3
import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns
import os
os.chdir(os.path.dirname(__file__))
iris = pd.read_csv("鸢尾花.csv")
plt.rcParams['font.sans-serif'] = ['SimHei']  # 添加中文字体
sns.kdeplot(x=iris.iloc[:, 1], y=iris.iloc[:, 2], cmap="Reds", fill=True, bw_adjust=.5)
plt.xlabel("花萼长度")
plt.ylabel("花萼宽度")
plt.title("密度图3")
plt.show()

9c3dd98f21b4bd60ca343679772d56bb_8ae402e2c08f4dce86a9c944c3171a4a.png


密度图4-边际密度图

# 密度图4
import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns
iris = pd.read_csv("鸢尾花.csv")
plt.rcParams['font.sans-serif'] = ['SimHei']  # 添加中文字体
plt.rcParams['axes.unicode_minus'] = False
sns.jointplot(x=iris["Petal.Length"], y=iris["Petal.Width"], kind='kde', cmap="Reds", fill=True)
plt.title("密度图4")
plt.show()

9e113ab81064fdf7505afdadde5c0995_4e4e6ec02f0846dbadb22a3ed5b9d15a.png


密度图5-镜像密度图

# 密度图5
import numpy as np
from numpy import linspace
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from scipy.stats import gaussian_kde
# 创建数据
df = pd.DataFrame({
    'var1': np.random.normal(size=1000),
    'var2': np.random.normal(loc=2, size=1000) * -1
})
plt.rcParams['font.sans-serif'] = ['SimHei']  # 添加中文字体
plt.rcParams['axes.unicode_minus'] = False
# 画变量1的核密度图
sns.kdeplot(data=df, x="var1", fill=True, alpha=1)
# 画变量2的密度图
kde = gaussian_kde(df.var2)
x_range = linspace(min(df.var2), max(df.var2), len(df.var2))
sns.lineplot(x=x_range * -1, y=kde(x_range) * -1, color='orange')
plt.fill_between(x_range * -1, kde(x_range) * -1, color='orange')
plt.xlabel("数值")
plt.axhline(y=0, linestyle='-', linewidth=1, color='black')
plt.title("密度图5")
# show the graph
plt.show()

9dbf147b1767f9d63dcd49006dc977ac_d896f4b29a7f4abdadf642da053c47b0.png

密度图6-横向密度图

# 密度图6
import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns
import warnings
warnings.filterwarnings("ignore")
iris = pd.read_csv("鸢尾花.csv")
plt.rcParams['font.sans-serif'] = ['SimHei']  # 添加中文字体
plt.figure(figsize=(8, 6))  # 设置画布大小
sns.kdeplot(data=iris, x="Sepal.Length", alpha=0.5, fill="red", vertical=True)
plt.title("密度图6")
plt.show()

9f6d328a1043312a5dac2222c84d2135_6df62594165d4cf390df813d69bd14c6.png


箱线图

箱线图1

# 箱线图1
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import os
os.chdir(os.path.dirname(__file__))
iris = pd.read_csv("鸢尾花.csv")
df = iris
plt.rcParams['font.sans-serif'] = ['SimHei']  # 添加中文字体
sns.boxplot(x=df["Species"], y=df["Petal.Width"])
plt.xlabel("种类")
plt.ylabel("花瓣宽度")
plt.title("箱线图1", fontsize=10)
plt.show()

4f9b5e1af7dbb4664f40d83e79fe7705_f119d25ec33b4aad943967d69fd367cf.png


箱线图2-带数据点的盒须图

# 箱线图2
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import os
os.chdir(os.path.dirname(__file__))
iris = pd.read_csv("鸢尾花.csv")
df = iris
plt.rcParams['font.sans-serif'] = ['SimHei']  # 添加中文字体
sns.boxplot(x=df["Species"], y=df["Petal.Width"])
sns.stripplot(x="Species", y="Petal.Width", data=df, jitter=0.6, color="pink")
plt.xlabel("种类")
plt.ylabel("花瓣宽度")
plt.title("带数据点的盒须图", fontsize=10)
plt.show()

1d9b61da23be70cff23e2c2d0b8dafa8_0c354d3fe11c492e954b013e12275ca5.png


箱线图3-横向合须图

# 箱线图3
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import os
os.chdir(os.path.dirname(__file__))
iris = pd.read_csv("鸢尾花.csv")
df = iris
sns.boxplot(y=df["Species"], x=df["Petal.Width"], )
plt.xlabel("种类")
plt.ylabel("花瓣宽度")
plt.title("横向盒须图", fontsize=10)
plt.show()

d3c104fe8ea229da827a68d4ce5130df_ec18255ffac141d5b860ac09fa1a5bf1.png


箱线图4-分组合须图

# 箱线图4
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import os
os.chdir(os.path.dirname(__file__))
plt.rcParams['font.sans-serif'] = ['SimHei']  # 添加中文字体
iris = pd.read_csv("鸢尾花2.csv")
df = iris
sns.boxplot(x=df["属性"], y=df["指标值"], hue=(df["种类"]), )
plt.xlabel("属性")
plt.ylabel("")
plt.title("分组盒须图", fontsize=10)
plt.show()

437db2750356eb03c6cb41e4cde5bd03_aa590c9466f14a84ba497ce65d7e80e8.png


小提琴图

小提琴图-

# 小提琴图1
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import os
os.chdir(os.path.dirname(__file__))
iris = pd.read_csv("鸢尾花.csv")
df = iris
plt.rcParams['font.sans-serif'] = ['SimHei']  # 添加中文字体
sns.violinplot(x=df["Species"], y=df["Petal.Width"])
plt.xlabel("种类")
plt.ylabel("花瓣宽度")
plt.title("小提琴图", fontsize=10)
plt.show()

3f65e92f9ecc0adde689af803c6b56b2_1eca1a8e513045d5864eafcf32e3243a.png


小提琴图-学生成绩与性别以及父母婚姻状况的关系

# 小提琴图2
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
import warnings
import os
os.chdir(os.path.dirname(__file__))
warnings.filterwarnings("ignore")
score = pd.read_csv("student/student-mat.csv", sep=";")
plt.rcParams['font.sans-serif'] = ['SimHei']  # 添加中文字体
df = score
sns.violinplot(y=df["G3"], x=df["Pstatus"], hue=(df["sex"]), split=True)
plt.xlabel("父母婚姻状况")
plt.ylabel("学生分数")
plt.title("学生成绩与性别以及父母婚姻状况的关系", fontsize=10)
plt.show()

c9ab2b62d76ac8bcfb96ea0b96435245_4932fb0a4c524285a23defbe93c74050.png

小提琴图-多个小提提琴图

# 小提琴图3
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import os
os.chdir(os.path.dirname(__file__))
iris = pd.read_csv("鸢尾花.csv")
df = iris
plt.rcParams['font.sans-serif'] = ['SimHei']  # 添加中文字体
fig = plt.figure(figsize=(14, 14))
fig.suptitle("多个小提琴图")
plt.subplot(2, 2, 1)
sns.violinplot(x=df["Species"], y=df["Petal.Width"], inner="box")
plt.subplot(2, 2, 2)
sns.violinplot(x=df["Species"], y=df["Petal.Width"], inner="point")
plt.subplot(2, 2, 3)
sns.violinplot(x=df["Species"], y=df["Petal.Width"], inner="stick")
plt.subplot(2, 2, 4)
sns.violinplot(x=df["Species"], y=df["Petal.Width"], inner="quartile")
plt.show()

1b0902ff284e4e91ca6d1a86fe8af119_dee447ee3e654b0bb028aaeadd7842bc.png

小提琴图-带数据点的小提琴图

# 小提琴图4
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import os
os.chdir(os.path.dirname(__file__))
iris = pd.read_csv("鸢尾花.csv")
df = iris
plt.rcParams['font.sans-serif'] = ['SimHei']  # 添加中文字体
sns.violinplot(x=df["Species"], y=df["Petal.Width"])
sns.stripplot(x="Species", y="Petal.Width", data=df, jitter=0.2, color="pink")
plt.xlabel("种类")
plt.ylabel("花瓣宽度")
plt.title("带数据点的小提琴图", fontsize=10)
plt.show()

71e0077835c69bf53942dd4fd8249f2e_9af52b10f704491cb56ab4f17802d7b9.png


小提琴图-横向小提琴图

# 小提琴图5
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import os
os.chdir(os.path.dirname(__file__))
iris = pd.read_csv("鸢尾花.csv")
df = iris
sns.violinplot(y=df["Species"], x=df["Sepal.Length"], )
plt.xlabel("种类")
plt.ylabel("花瓣宽度")
plt.title("横向小提琴图", fontsize=10)
plt.show()

db3e22c8cb42697e3f7c56e2dc401d96_75c3e50e128944b1b2fc95c23b9119da.png


嵴线图

嵴线图-

# 脊线图1
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib import cm  # 色谱
import joypy
import os
os.chdir(os.path.dirname(__file__))
tm1 = pd.read_csv("北京pm2.5数据.csv", sep=",")
plt.rcParams['font.sans-serif'] = ['SimHei']  # 添加中文字体
plt.rcParams['axes.unicode_minus'] = False
tm2 = tm1.iloc[:, [2, 7]]
tm2 = tm2.dropna()
fig, axs = joypy.joyplot(tm2, by="month", fill=True, legend=True, alpha=.8,
                         range_style='own', xlabelsize=22, ylabelsize=22,
                         grid='both', linewidth=.8, linecolor='k', figsize=(8, 6), colormap=(cm.Spectral_r))
plt.title("Ridgeline plot1")
plt.show()

072f5669770d6901576a8f2092a4286b_6ec19ccdbc3a4717b7f100c5e5078e93.png

嵴线图-

# 脊线图2
import pandas as pd
import matplotlib.pyplot as plt
import joypy
import os
os.chdir(os.path.dirname(__file__))
tm1 = pd.read_csv("北京pm2.5数据.csv", sep=",")
plt.rcParams['font.sans-serif'] = ['SimHei']  # 添加中文字体
plt.rcParams['axes.unicode_minus'] = False
tm2 = tm1.iloc[:, [2, 7]]
tm2 = tm2.dropna()
fig, axs = joypy.joyplot(tm2, by="month", fill=True, legend=True, alpha=.8, hist=True, bins=40,
                         range_style='own', xlabelsize=22, ylabelsize=22,
                         linewidth=.8, linecolor='k', figsize=(8, 6))
plt.title("Ridgeline plot2")
plt.show()

3cb625836d58e32131b54b4c467e8101_92b057d57f0c42f880174af5de14d6a3.png


嵴线图-

# 脊线图3
import pandas as pd
import matplotlib.pyplot as plt
import joypy
import os
os.chdir(os.path.dirname(__file__))
tm1 = pd.read_csv("鸢尾花.csv", sep=",")
plt.rcParams['font.sans-serif'] = ['SimHei']  # 添加中文字体
plt.rcParams['axes.unicode_minus'] = False
tm2 = tm1.dropna()
fig, axs = joypy.joyplot(tm2, by="Species", column="Sepal.Length", fill=True, legend=True, alpha=.8,
                         range_style='own', xlabelsize=22, ylabelsize=22,
                         grid='both', linewidth=.8, linecolor='k', figsize=(8, 6))
plt.title("Ridgeline plot3")
plt.show()

f8cd5fa6ea3632b63d789146350cb72e_8dd59a979ab4440aa58e95b9fdfed34e.png

文章标签：
数据可视化
计算机视觉
IT从业者张某某
目录
相关文章
IT胡图图
|
1月前
|
数据可视化 数据挖掘 BI
python数据分析和可视化【2】鸢尾花数据分析
python数据分析和可视化【2】鸢尾花数据分析
IT胡图图
35 0
软件开发架构
|
7月前
|
自然语言处理 数据可视化 算法
第5章 数据可视化——5.4 四维图形可视化
第5章 数据可视化——5.4 四维图形可视化
软件开发架构
262 0
4as3qn2go3ure
|
11天前
|
数据可视化 定位技术
Tableau 数据可视化：探索性图形分析新生儿死亡率数据
Tableau 数据可视化：探索性图形分析新生儿死亡率数据
4as3qn2go3ure
14 1
1941623231718325
|
10天前
|
数据采集 数据可视化 数据挖掘
SciPy在数据分析中的应用：从数据清洗到可视化
【4月更文挑战第17天】# SciPy在数据分析中的应用：从数据清洗到可视化。文章探讨了SciPy在数据清洗（使用NumPy处理缺失值和异常值）、数据分析（描述性统计和模型拟合）以及数据可视化（结合Matplotlib和Seaborn进行图表绘制）中的作用。SciPy与其他Python库结合，为完整的数据分析流程提供了强大支持。
1941623231718325
22 0
IT从业者张某某
|
3月前
|
数据可视化
数据可视化第二版-03部分-12章-网络
数据可视化第二版-03部分-12章-网络
IT从业者张某某
19 0
183王德发
|
5月前
|
数据挖掘
r语言数据分析画数据相关性图热力图
r语言数据分析画数据相关性图热力图
183王德发
107 1
ybbf7fwncy2w2
|
数据可视化 数据挖掘 物联网
二维数据可视化|学习笔记
快速学习二维数据可视化
ybbf7fwncy2w2
209 0
二维数据可视化|学习笔记
学Python的Tony
|
数据可视化 数据挖掘 Python
Python数据分析系列06-柱状图可视化分析数据
现在有很多小年青，不想吃读书的苦，总觉得读书是一件苦差事，有做不完的作业，有考不完的试，总想着何时能逃离校园，总想着怎样走上社会，总觉得社会的生活多姿多彩，总以为一踏入社会，就能享受到自己想要的生活。 要知道没有一定的背景，想要的生活哪有那么容易得到，很多孩子踏入社会以后，经过社会生活的洗礼后，都无比怀念在学校读书的日子。
学Python的Tony
540 0
Python数据分析系列06-柱状图可视化分析数据
hiyachen
|
数据挖掘
数据分析之分布函数
一. 概念解释 PDF：概率密度函数（probability density function）, 在数学中，连续型随机变量的概率密度函数（在不至于混淆时可以简称为密度函数）是一个描述这个随机变量的输出值，在某个确定的取值点附近的可能性的函数。
hiyachen
1210 0
老朱教授
|
数据挖掘
使用OWC生成数据分析图表
老朱教授
1158 0

热门文章

最新文章

  • 1
    详细讲解！Canal+Kafka实现MySQL与Redis数据同步！
  • 2
    nslookup 域名结果正确，但是 ping 域名失败
  • 3
    Linux查看进程的内存占用情况
  • 4
    大咖云集，技术宅开趴倒计时 —— 2017 Kubernetes Meetup | 成都站
  • 5
    用无人机和机器人倒垃圾，沃尔沃做到了
  • 6
    [20180123]测试SQLNET.EXPIRE_TIME参数2
  • 7
    Webservice 的设计和模式
  • 8
    良好的代码书写格式:适时的代码缩进
  • 9
    Asp.Net复合控件疑难与解决——尴尬的生命周期
  • 10
    CSS样式的优先级
  • 1
    解放配置之道：Spring引入外部属性文件
    16
  • 2
    公钥密码学：解密加密的魔法世界
    20
  • 3
    深入剖析：OSI模型解密
    20
  • 4
    TCP IP协议簇：网络通信的基石
    19
  • 5
    数字藏品开发原理丨鲸探幻核数字藏品系统开发功能分析
    18
  • 6
    深入探讨MySQL中Varchar(50)和Varchar(500)的区别
    20
  • 7
    如何实现基于Redis的在线人数统计功能？
    22
  • 8
    MySQL锁解密：读锁与写锁
    11
  • 9
    解锁MySQL的奥秘：探究表级锁、行级锁和页级锁的神秘面纱
    11
  • 10
    MySQL锁之较量：悲观锁与乐观锁的对决
    11

    • 相关课程

    更多
  • 【数据可视化】基础数据画图
  • 深入理解数据分析
  • 阿里云实时数仓实战 - 作业调度与数据可视化
  • 场景实践 - 基于阿里云PAI机器学习平台使用时间序列分解模型预测商品销量
  • Quick BI在业务数据分析中的实战应用
  • 海量数据实时在线分析 Quick BI入门

    • 相关电子书

    更多
  • BigGraph：大规模在线图分析平台
  • 实时数据分析演示
  • 《实时数据分析演示)》

    • 相关实验场景

    更多
  • Github实时数据分析与可视化
  • 基于Kibana Lens进行数据可视化，灵活分析航班信息
  • 通过可观测可视化Grafana版进行数据可视化展示与分析
  • 简单用户画像分析
  • 库仓一体实时数据分析
    • 下一篇
    部署LAMP环境（Alibaba Cloud Linux 3）