（助力国赛）数学建模可视化！！！含代码1（折线图、地图（点）、地图（线）、地图（多边形）、地图（密度）、环形图、环形柱状图、局部放大图）

news2024/11/24 23:26:17

  众所周知，数学建模的过程中，将复杂的数据和模型结果通过可视化图形呈现出来，不仅能够帮助我们更深入地理解问题，还能够有效地向评委展示我们的研究成果。
  今天，作者将与大家分享8种强大的数学建模可视化图形及其在实际问题中的应用，包含如下图形：折线图、地图（点）、地图（线）、地图（多边形）、地图（密度）、环形图、环形柱状图、局部放大图。

  如果阅者觉得此篇分享有效的的话，请点赞收藏再走！！！（还有第二部分后续更新）

1. 折线图：一种趋势分析的利器

  折线图是最基本的可视化工具之一，适用于展示数据随时间或其他连续变量的变化趋势。

#绘制折线图代码如下：
import matplotlib.pyplot as plt
from matplotlib.lines import Line2D
import numpy as np

def plot(ax, colors, legends, legend_anchors, x, y, xlabel, ylabel, n_lengend_col=6):
    """
    :param ax: 使用 fig, ax = plt.subplots 返回的 ax
    :param colors: 折线对应的颜色，必须与折线个数相同
    :param legends: 图例名称，必须与折线个数相同
    :param legend_anchors: 图例显示的位置，(x, y) 其中x和y均为图例中心点在图中的相对位置,
      例如：[0.5, 0.5] 表示图例中心点位于图的正中间，[0.5, 1]表示图例的中心点位于图的正上方，
      [0.5, 1.1]表示图例的中心点位于图的正上方偏上位置
    :param x: x轴数据，一维列表
    :param y: y轴数据，多维列表，必须与颜色和图例数量相同，例如：[y1, y2]
    :param xlabel: x轴标签
    :param ylabel: y轴标签
    :param n_lengend_col: 每行图例显示的个数，如果此值大于折线个数，则一行显示所有图例，如果设置为1，则按列显示图例
    :return: 画布实例
    """
    ax.yaxis.set_tick_params(length=0)
    ax.xaxis.set_tick_params(length=0)
    # 去除边框
    ax.spines["left"].set_color("none")
    ax.spines["right"].set_color("none")
    ax.spines["top"].set_color("none")
    # 显示y轴栅格
    ax.grid(axis='y', alpha=0.4)
    # 创建图例
    handles = [
        Line2D(
            [], [], label=label,
            lw=0,  # there's no line added, just the marker
            marker="o",  # circle marker
            markersize=10,  # marker size
            markerfacecolor=colors[idx],  # marker fill color
        )
        for idx, label in enumerate(legends)
    ]

    legend = ax.legend(
        handles=handles,
        bbox_to_anchor=legend_anchors,  # Located in the top-mid of the figure.
        fontsize=12,
        handletextpad=0.6,  # Space between text and marker/line
        handlelength=1.4,
        columnspacing=1.4,
        loc="center",
        ncol=n_lengend_col,  # 每行图例显示的个数，如果设置为1，表示按列显示图例
        frameon=False
    )

    for i in range(len(legends)):
        handle = legend.legendHandles[i]
        handle.set_alpha(0.7)

    for i in range(len(colors)):
        ax.plot(x, y[i], color=colors[i])
    # 设置x轴 y轴标签
    ax.set_xlabel(xlabel, fontdict={'size': 12})
    ax.set_ylabel(ylabel, fontdict={'size': 12})
    return ax


if __name__ == '__main__':
    # 随机生成一些数据
    x = list(range(100))
    y1 = np.log(x) + np.random.rand(100)
    y2 = np.log(x)
    y3 = np.log(x) - np.random.rand(100)

    colors = ["#009966", "#3399CC", "#FF6600"]
    legends = ["hair dryer", "microwave", "pacifier"]

    fig, ax = plt.subplots(figsize=(8, 6), ncols=1, nrows=1)
    ax = plot(ax, colors, legends, [0.5, 1.03], x, [y1, y2, y3], 'step', 'value')
    plt.show()

  绘制折线图如下图1所示：
请添加图片描述

图1 折线图

2 地图：地理空间数据的直观展示

  地图可视化可以帮助我们理解地理空间数据的分布和模式。

2.1 地图上绘制点

#地图上绘制点的代码
import plotly.io as pio
import plotly.graph_objs as go
import plotly.express as px
from plotly.subplots import make_subplots
import pandas as pd
import numpy as np

# can be `plotly`, `plotly_white`, `plotly_dark`, `ggplot2`, `seaborn`, `simple_white`, `none`
pio.templates.default = 'plotly_white'

# 加载数据
df = px.data.carshare()
print(df.head())

fig = px.scatter_mapbox(df,
                        lat="centroid_lat", lon="centroid_lon",
                        color="peak_hour",
                        size="car_hours",
                        color_continuous_scale=px.colors.cyclical.IceFire,
                        zoom=10)

# mapbox_style 可以为 `open-street-map`, `carto-positron`, `carto-darkmatter`,
# `stamen-terrain`, `stamen-toner`, `stamen-watercolor`
fig.update_layout(mapbox_style="carto-positron")

fig.write_html('test.html')

  绘制地图（点）如下图2所示：
请添加图片描述

图2 地图（绘制点）

2.2 地图上绘制线

#地图上绘制线的代码
import plotly.io as pio
import plotly.graph_objs as go
import plotly.express as px
from plotly.subplots import make_subplots
import pandas as pd
import numpy as np

# pandas打印时显示所有列
pd.set_option('display.max_columns', None)

# can be `plotly`, `plotly_white`, `plotly_dark`, `ggplot2`, `seaborn`, `simple_white`, `none`
pio.templates.default = 'plotly_white'

fig = go.Figure()
fig.add_trace(go.Scattermapbox(
    mode='markers+lines',
    lon=[10, 20, 30],
    lat=[10, 20, 30],
    marker={'size': 10}
))
fig.add_trace(go.Scattermapbox(
    mode="markers+lines",
    lon=[-50, -60, 40],
    lat=[30, 10, -20],
    marker={'size': 10}
))
fig.update_layout(
    mapbox={
        'center': {'lon': 10, 'lat': 10},
        'style': "carto-positron",
        'zoom': 1
    }
)

fig.write_html('test.html')

  绘制地图（线）如下图3所示：
请添加图片描述

图3 地图（绘制线）

2.3 地图上绘制多边形

#地图上绘制多边形的代码1：多边形数据格式遵循GeoJson标准
import plotly.io as pio
import plotly.graph_objs as go
import plotly.express as px
from plotly.subplots import make_subplots
import pandas as pd
import numpy as np

# pandas打印时显示所有列
pd.set_option('display.max_columns', None)

# can be `plotly`, `plotly_white`, `plotly_dark`, `ggplot2`, `seaborn`, `simple_white`, `none`
pio.templates.default = 'plotly_white'

# 设置数据
df = pd.DataFrame({'id': [1, 2], 'value': [10, 7]})
# 遵循geojson标准
geojson = {
    "type": "FeatureCollection",
    "features": [
        {
            "type": "Feature",
            "properties": {"id": 1},
            "geometry": {
                "type": "Polygon",
                "coordinates": [
                    [
                        [247.19238281250003, 45.30580259943578],
                        [241.34765625, 43.389081939117496],
                        [243.80859375, 39.50404070558415],
                        [250.62011718749997, 40.97989806962013],
                        [245.302734375, 42.261049162113856],
                        [247.19238281250003, 45.30580259943578]
                    ]
                ]
            }
        },
        {
            "type": "Feature",
            "properties": {"id": 2},
            "geometry": {
                "type": "Polygon",
                "coordinates": [
                    [
                        [257.783203125, 41.409775832009565],
                        [266.7919921875, 41.409775832009565],
                        [266.7919921875, 46.6795944656402],
                        [257.783203125, 46.6795944656402],
                        [257.783203125, 41.409775832009565]
                    ]
                ]
            }
        }
    ]
}

"""
geojson标准格式中的 properties 属性中需要设置一个标识该多边形的标识符，dataframe中需要有一列与标识符相对应，
这样才可以将dataframe中的其他值与geojson中的多边形相对应。

此处我们设置geojson中的properties属性包含标识符id，并在dataframe中设置一列id，与其相对应。

choropleth_mapbox函数中的参数：
  locations表示dataframe中的标识列名，本例我们设置为 id
  featureidkey表示geojson中的标识符属性名，本例我们设置为 properties.id
"""
fig = px.choropleth_mapbox(df, geojson=geojson, color=['#8ff06d', '#f65a5d'],
                           locations="id", featureidkey="properties.id",
                           opacity=0.5,
                           center={"lat": 45.5517, "lon": -73.7073},
                           zoom=2)

# mapbox_style 可以为 `open-street-map`, `carto-positron`, `carto-darkmatter`,
# `stamen-terrain`, `stamen-toner`, `stamen-watercolor`
fig.update_layout(mapbox_style="carto-positron")

fig.write_html('test.html')

  绘制地图（多边形）如下图4所示：
请添加图片描述

图4 地图（多边形） 
#地图上绘制多边形的代码2：多边形数据格式遵循GeoJson标准
import plotly.io as pio
import plotly.express as px
import plotly.graph_objects as go
from plotly.subplots import make_subplots
import pandas as pd
import numpy as np

# 显示所有列
pd.set_option('display.max_columns', None)

# can be `plotly`, `plotly_white`, `plotly_dark`, `ggplot2`, `seaborn`, `simple_white`, `none`
pio.templates.default = 'plotly_white'

fig = go.Figure(go.Scattermapbox(
    fill = "toself",
    lon = [-74, -70, -70, -74], lat = [47, 47, 45, 45],
    marker = { 'size': 10, 'color': "orange" }
))

fig.update_layout(
    mapbox = {
        'style': "stamen-terrain",
        'center': {'lon': -73, 'lat': 46 },
        'zoom': 5
    },
    showlegend = False
)

fig.show()

  绘制地图（多边形2）如下图5所示：
请添加图片描述

图5 地图（多边形2）

2.4 地图上绘制密度的代码

# 地图上绘制密度的代码
import plotly.io as pio
import plotly.graph_objs as go
import plotly.express as px
from plotly.subplots import make_subplots
import pandas as pd
import numpy as np

# pandas打印时显示所有列
pd.set_option('display.max_columns', None)

# can be `plotly`, `plotly_white`, `plotly_dark`, `ggplot2`, `seaborn`, `simple_white`, `none`
pio.templates.default = 'plotly_white'

df = pd.DataFrame({'lat': [45.5517, 49.1473, 41.1558],
                   'lon': [-73.7073, -79.2188, -72.1445],
                   'value': [10, 5, 15]})

fig = px.density_mapbox(df, lat='lat', lon='lon', z='value',
                        radius=60, opacity=0.6)

# mapbox_style 可以为 `open-street-map`, `carto-positron`, `carto-darkmatter`,
# `stamen-terrain`, `stamen-toner`, `stamen-watercolor`
fig.update_layout(mapbox_style="carto-positron")

fig.write_html('test.html')

  绘制地图（密度）如下图6所示：
请添加图片描述

图6 地图（密度）
# 3. 环形图：用于展示数据占比情况

  环形图是一种特殊的饼图，它可以用来展示各部分占总体的比例关系。

#环形图的代码
import plotly.io as pio
import plotly.graph_objs as go
import plotly.express as px
from plotly.subplots import make_subplots
import pandas as pd

pio.templates.default = 'plotly_white'

labels = ["US", "China", "European Union", "Russian Federation", "Brazil", "India", "Rest of World"]

# 创建子图
fig = make_subplots(rows=1, cols=2, specs=[[{'type': 'domain'}, {'type': 'domain'}]])

fig.add_trace(go.Pie(labels=labels, values=[16, 15, 12, 6, 5, 4, 42], name='GHG Emissions'), 1, 1)
fig.add_trace(go.Pie(labels=labels, values=[27, 11, 25, 8, 1, 3, 25], name="CO2 Emissions"), 1, 2)
# 使用hole参数设置圆环中心空缺大小
fig.update_traces(hole=.4)

fig.update_layout(
    title_text='Global Emissions',
    annotations=[dict(text='GHG', x=0.20, y=0.5, font_size=20, showarrow=False),
                 dict(text='CO2', x=0.80, y=0.5, font_size=20, showarrow=False)]
)

fig.write_html('test.html')

  绘制环形图如下图7所示：请添加图片描述

图7 环形图

4.环形柱状图：适合单维、离散数据，普通柱状图的美化

  环形柱状图（Circular Barplot）：适合单维、离散数据，普通柱状图的美化。

import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from matplotlib.cm import ScalarMappable
from mpl_toolkits.axes_grid1.inset_locator import inset_axes
from textwrap import wrap

GREY12 = "#1f1f1f"
# plt.rcParams.update({"font.family": "Bell MT"})  # 设置默认字体为 Bell MT
plt.rcParams["text.color"] = GREY12  # 设置默认字体颜色


class CircularBarplot:
    def __init__(self, x, y, points=None, count=None, colors=None):
        """
        :param x: x坐标刻度
        :param y: y坐标值
        :param points: 是否标记点，例如标记平均值、最大值等，None为不标记
        :param count: 颜色维度，颜色可以显示一个维度的数值信息，若为None，则默认为y
        :param colors: 离散的颜色值，将对其进行线性插值
        """
        self.x = x
        self.y = y
        self.points = points
        self.length = len(x)
        self.count = count if count is not None else y
        self.angles = np.linspace(0.05, 2 * np.pi - 0.05, len(x), endpoint=False)
        self.colors, self.cmap, self.norm = self.create_colormap(colors)

    def create_colormap(self, colors=None):
        # 根据输入值的个数返回颜色映射
        step_colors = ["#6C5B7B", "#C06C84", "#F67280", "#F8B195"]
        if colors is not None:
            step_colors = colors

        cmap = mpl.colors.LinearSegmentedColormap.from_list("my color", step_colors, N=256)
        norm = mpl.colors.Normalize(vmin=self.count.min(), vmax=self.count.max())

        return cmap(norm(self.count)), cmap, norm

    def show_yticks(self, ax, yticks_label):
        # 设置显示的y轴刻度标签
        PAD = 10
        for i in yticks_label:
            ax.text(-0.2 * np.pi / 2, i + PAD, str(i), ha="center", size=12)

    def pad_xticks(self, ax, pad):
        # 将x轴刻度的标签进行空白填充，使其远离x轴
        xticks = ax.xaxis.get_major_ticks()
        for tick in xticks:
            tick.set_pad(pad)

    def create_colorbar(self, fig, ax, anchor=(0.35, 0.1, 0.35, 0.01), ticks=None,
                        label=None, label_size=12, label_pad=-30, bottom=0.175):
        """
        创建色柱
        :param fig:
        :param ax:
        :param anchor: 色柱位置，[x_min, y_min, width, height]
        :param ticks: 色柱上显示的刻度标签
        :param label: 色柱名称
        :param label_size: 色柱名称的字体大小
        :param label_pad: 色柱名称的空白填充
        :param bottom: 底部空白程度
        :return:
        """
        fig.subplots_adjust(bottom=bottom)
        cbaxes = inset_axes(
            ax,
            width="100%",
            height="100%",
            loc="lower center",
            bbox_to_anchor=anchor,
            bbox_transform=fig.transFigure  # Note it uses the figure.
        )
        cb = fig.colorbar(
            ScalarMappable(norm=self.norm, cmap=self.cmap),
            cax=cbaxes,  # Use the inset_axes created above
            orientation="horizontal",
            ticks=ticks
        )
        cb.outline.set_visible(False)
        cb.ax.xaxis.set_tick_params(size=0)
        if label is not None:
            cb.set_label(label, size=label_size, labelpad=label_pad)

    def plot(self, figsize, ylim, vlines=None, bar_width=0.52, yticks=None,
             xticks_pad=10, yticks_label=None, colorbar=None, title=None):
        """
        绘图
        :param figsize: 画布大小
        :param ylim: y值限制，[ymin, ymax]
        :param vlines: x轴凸显直线的长度, [min, max]，如果为None，则根据ylim进行推断
        :param bar_width: 柱子的宽度，柱子越少，值应越大
        :param yticks: 显示圆圈的y轴刻度, 列表
        :param xticks_pad: x刻度标签的偏离程度
        :param yticks_label: y轴显示的标签
        :param colorbar: 色柱相关参数，详见 create_colorbar，若为None则不绘制色柱
        :param title: 标题相关参数，详见 add_title，若为None则不添加标题
        """
        if vlines is None:
            vlines = [max(ylim[0], 0), ylim[1] * 0.8]

        fig, ax = plt.subplots(figsize=figsize, subplot_kw={'projection': 'polar'})
        fig.patch.set_facecolor("white")
        ax.set_facecolor("white")
        ax.set_theta_offset(1.2 * np.pi / 2)

        ax.set_ylim(*ylim)

        ax.bar(self.angles, self.y, color=self.colors, alpha=0.9, width=bar_width, zorder=10)
        ax.vlines(self.angles, vlines[0], vlines[1], color=GREY12, ls=(0, (4, 4)), zorder=11)
        if self.points is not None:
            ax.scatter(self.angles, self.points, s=60, color=GREY12, zorder=11)

        # 每隔5个字符，将x轴刻度标签进行换行
        region = ["\n".join(wrap(r, 5, break_long_words=False)) for r in self.x]
        ax.set_xticks(self.angles)
        ax.set_xticklabels(region, size=12)

        ax.xaxis.grid(False)
        ax.set_yticklabels([])
        ax.set_yticks(yticks)

        ax.spines["start"].set_color("none")
        ax.spines["polar"].set_color("none")

        self.pad_xticks(ax, xticks_pad)
        self.show_yticks(ax, yticks_label)
        if colorbar is not None:
            self.create_colorbar(fig, ax, **colorbar)
        if title is not None:
            self.add_title(fig, **title)

    def add_title(self, fig, top, title, subtitle):
        """
        添加标题
        :param fig:
        :param top: 上方空白程度
        :param title: 主标题
        :param subtitle: 解释说明
        """
        fig.subplots_adjust(top=top)
        fig.text(0.2, 0.93, title, fontsize=20, weight="bold", ha="left", va="baseline")
        fig.text(0.2, 0.9, subtitle, fontsize=12, ha="left", va="top")


if __name__ == '__main__':
    data = pd.DataFrame({'x': ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H'],
                         'y': [2130, 453, 1333.5, 383, 1601, 671, 210, 106]})
    data = data.sort_values('y', ascending=False)

    title = "\nHiking Locations in Washington"
    subtitle = "\n".join([
        "This Visualisation shows the cummulative length of tracks,",
        "the amount of tracks and the mean gain in elevation per location.\n",
        "If you are an experienced hiker, you might want to go",
        "to the North Cascades since there are a lot of tracks,",
        "higher elevations and total length to overcome."
    ])

    cb = CircularBarplot(data['x'], data['y'], data['y'])
    cb.plot(
        figsize=(9, 18), ylim=(-1000, 2500), vlines=None,
        bar_width=0.7, xticks_pad=3,
        yticks=[0, 500, 1000, 1500, 2000, 2500],
        yticks_label=[500, 1500, 2500],
        colorbar=dict(
            anchor=(0.33, 0.1, 0.35, 0.01),
            ticks=[500, 1000, 1500, 2000],
            label="value",
            label_size=12,
            label_pad=-30,
            bottom=0.175
        ),
        title=dict(
            top=0.74,
            title=title,
            subtitle=subtitle
        )
    )

    plt.show()

  绘制环形柱状图如下8所示：

图8 环形柱状图

5. 局部放大图：细节观察

  局部放大图可以帮助我们放大观察图表中的特定区域，以便更清晰地查看细节。在这里作者分享两种局部放大图。

#第一种局部放大图的代码
import plotly.io as pio
import plotly.express as px
import plotly.graph_objects as go
from plotly.subplots import make_subplots
import pandas as pd
import numpy as np

# 设置plotly默认主题
pio.templates.default = 'plotly_white'

# 设置pandas打印时显示所有列
pd.set_option('display.max_columns', None)



class LocalZoomPlot:
    def __init__(self, x, y, colors, x_range, scale=0.):
        self.x = x
        self.y = y
        self.colors = colors
        self.x_range = x_range
        self.y_range = self.getRangeMinMaxValue(x_range, scale)
    
    def getRangeMinMaxValue(self, x_range, scale=0.):
        """
        获取指定x轴范围内，所有y数据的最大值和最小值

        :param x_range: 期望局部放大的x轴范围
        :param scale: 将最大值和最小值向两侧延伸一定距离
        """
        min_value = np.min([np.min(arr[x_range[0]:x_range[1]]) for arr in self.y])
        max_value = np.max([np.max(arr[x_range[0]:x_range[1]]) for arr in self.y])
        # 按一定比例缩放
        min_value = min_value - (max_value - min_value) * scale
        max_value = max_value + (max_value - min_value) * scale
        # 返回缩放后的结果
        return min_value, max_value
    
    def originPlot(self, fig, **kwargs):
        """
        根据 y 数据绘制初始折线图

        :param fig: go.Figure实例
        """
        fig.add_traces([
            go.Scatter(x=self.x, y=arr, opacity=0.7, marker_color=self.colors[i], **kwargs)
            for i, arr in enumerate(self.y)
        ]) 
        return fig

    def insetPlot(self, fig, inset_axes):
        """
        在原始图像上插入嵌入图

        :param fig: go.Figure对象实例
        :param inset_axes: 嵌入图的位置和大小 [左下角的x轴位置, 左下角的y轴位置, 宽度, 高度]
          所有坐标都是绝对坐标(0~1之间)
        """
        fig = fig.set_subplots(insets=[dict(
            type='xy',
            l=inset_axes[0], b=inset_axes[1],
            w=inset_axes[2], h=inset_axes[3],
        )])

        fig = self.originPlot(fig, xaxis='x2', yaxis='y2', showlegend=False)
        fig.update_layout(
            xaxis2=dict(range=self.x_range),
            yaxis2=dict(range=self.y_range)
        )
        return fig
    
    def rectOriginArea(self, fig):
        """
        将放大的区域框起来

        :param fig: go.Figure实例
        """
        fig.add_trace(go.Scatter(
            x=np.array(self.x_range)[[0, 1, 1, 0, 0]],
            y=np.array(self.y_range)[[1, 1, 0, 0, 1]],
            mode='lines', 
            line={'color': '#737473', 'dash': 'dash', 'width': 3},
            showlegend=False
        ))
        return fig

    def addConnectLine(self, fig, area_point_num, point):
        """
        从放大区域指定点连线

        :param fig: go.Figure实例
        :param area_point_num: 放大区域的锚点，例如：(0, 0)表示放大区域的左下角坐标，(0, 1)表示左上角坐标，
          (1, 0)表示右下角坐标，(1, 1)表示右上角坐标，只能取这四种情况
        :param point: 要进行连线的另一个点，通常位于嵌入图附近，根据美观程度自行指定
        """
        fig.add_shape(type='line', 
            x0=self.x_range[area_point_num[0]], 
            y0=self.y_range[area_point_num[1]],
            x1=point[0], y1=point[1],
            line={'color': '#737473', 'dash': 'dash', 'width': 1},
        )
        return fig
    
    
    
# 随机生成一些数据
# x坐标
x = np.arange(1, 1001)

# 生成y轴数据，并添加随机波动
y1 = np.log(x)
indexs = np.random.randint(0, 1000, 800)
for index in indexs:
    y1[index] += np.random.rand() - 0.5
y1 = y1 + 0.2

y2 = np.log(x)
indexs = np.random.randint(0, 1000, 800)
for index in indexs:
    y2[index] += np.random.rand() - 0.5

y3 = np.log(x)
indexs = np.random.randint(0, 1000, 800)
for index in indexs:
    y3[index] += np.random.rand() - 0.5
y3 = y3 - 0.2


# 开始绘制
plot = LocalZoomPlot(x, [y1, y2, y3], ['#f0bc94', '#7fe2b3', '#cba0e6'], (100, 150), 0.)
fig = go.Figure()

fig = plot.originPlot(fig)
fig = plot.insetPlot(fig, (0.4, 0.2, 0.4, 0.3))
fig = plot.rectOriginArea(fig)
fig = plot.addConnectLine(fig, (0, 0), (420, -0.7))
fig = plot.addConnectLine(fig, (1, 1), (900, 2.7))

fig.update_layout(
    width=800, height=600,
    xaxis=dict(
        rangemode='tozero',
        showgrid=False,
        zeroline=False,
    ),
    xaxis2=dict(
        showgrid=False,
        zeroline=False
    ),
)

fig.show()

  绘制第1种局部放大图如下图9所示：
请添加图片描述

图9 局部放大图1

  （关于第二种局部放大图的介绍请见《数学建模可视化！！！含代码2》）

结语

  通过上述9种可视化图形，我们可以更加生动地展示数学建模的结果。你最喜欢哪一种图形？或者你有其他独特的可视化技巧吗？欢迎在评论区分享你的想法和代码，让我们一起探索数学建模的无限魅力！ 喜欢请多多关注！！！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1606353.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

虚拟现实（VR）开发框架

虚拟现实（VR）开发框架

虚拟现实（VR）开发框架为开发者提供了构建VR应用程序所需的基本工具和功能。它们通常包括3D引擎、场景图、输入系统、音频系统和网络功能。下面是一些流行的VR开发框架。北京木奇移动技术有限公司，专业的软件外包开发公司，欢迎交流…
阅读更多...
深入探索：Facebook如何重塑社交互动

深入探索：Facebook如何重塑社交互动

在当代社会中，社交互动已成为日常生活的核心组成部分。而在众多的社交媒体平台中，Facebook凭借其卓越的用户基础和创新的功能，已经成为了全球最大的社交媒体平台。本文将深入探讨Facebook如何通过其独特的特性和功能，重塑了人们的…
阅读更多...
鸿蒙入门06-常见装饰器( 简单装饰器 )

鸿蒙入门06-常见装饰器( 简单装饰器 )

装饰器是鸿蒙开发中非常重要的一个环节因为在很多地方我们都需要用到装饰器并且如果我们想高度的复用, 那么装饰器就是必不可少的一环接下来我们就来介绍一些常见的装饰器注意 : 所有装饰器首字母大写 Entry 用来装饰 struct 使用表示页面的入口 Component 装饰 struct, …
阅读更多...
MySQL中如何随机获取一条记录

MySQL中如何随机获取一条记录

点击上方蓝字关注我 随机获取一条记录是在数据库查询中常见的需求，特别在需要展示随机内容或者随机推荐的场景下。在 MySQL 中，有多种方法可以实现随机获取一条记录，每种方法都有其适用的情况和性能特点。在本文中，我们将探讨几种…
阅读更多...
实测52.4MB/s！全志T3+FPGA的CSI通信案例分享！

实测52.4MB/s！全志T3+FPGA的CSI通信案例分享！

CSI总线介绍与优势 CSI（CMOS sensor parallel interfaces）总线是一种用于连接图像传感器和处理器的并行通信接口，应用于工业自动化、能源电力、智慧医疗等领域，CSI总线接口示意图如下所示（以全志科技T3处理器的CSI0为…
阅读更多...
【运输层】TCP 的流量控制和拥塞控制

【运输层】TCP 的流量控制和拥塞控制

目录 1、流量控制 2、TCP 的拥塞控制 （1）拥塞控制的原理 （2）拥塞控制的具体方法 1、流量控制 一般说来，我们总是希望数据传输得更快一些。但如果发送方把数据发送得过快，接收方就可能来不及接收&#x…
阅读更多...
Simba：Mamba 增强了 U-ShiftGCN，用于视频中的骨骼动作识别

Simba：Mamba 增强了 U-ShiftGCN，用于视频中的骨骼动作识别

Simba：Mamba 增强了 U-ShiftGCN，用于视频中的骨骼动作识别 摘要IntroductionRelated WorksMethodologyDown-sampling ShiftGCN Encoder Experiments & ResultsDatasets Simba: Mamba augmented U-ShiftGCN for Skeletal Action Recognition in Video…
阅读更多...
计算机网络 -- 网络编程基础

计算机网络 -- 网络编程基础

一 学习准备 1.1 IP地址 在 前文中我们提到过: IP 是全球网络的基础，使用 IP 地址来标识公网环境下主机的唯一性，我们可以根据 目的IP地址 进行跨路由器的远端通信。 但是我们也提到了，通过 IP 地址，只能寻找到目标主机&#xff…
阅读更多...
视频质量度量VQM算法详细介绍

视频质量度量VQM算法详细介绍

视频质量评价 视频质量评价（Video Quality Assessment，VQA）是指通过主观、客观的方式对视频图像的内容、画质等，进行感知、衡量与评价。 ITU definations subjective assessment: the determination of the quality or impairment of programme-like pictures presented…
阅读更多...
最新UI发卡盗U，支持多语言，更新UI界面，支持多个主流钱包，附带系统搭建教程

最新UI发卡盗U，支持多语言，更新UI界面，支持多个主流钱包，附带系统搭建教程

环境：Linux系统 进入宝塔安装环境：Nginx 1.22.1 MySQL 8.0 php7.4 phpMyAdmin 5.2 按照说明去安装环境，如果没有找到MySQL8.0版本去"软件商店"搜索Mysql切换至8.0 1.上传开源源码 2.上传数据库文件 3.上传猴导入数据库文件 4.修…
阅读更多...
Flask 解决指定端口无法生效问题

Flask 解决指定端口无法生效问题

问题重现 手动指定的IP端口是app.run(host0.0.0.0, port9304)，但是启动的地址显示的却是http://127.0.0.1:5000。 if __name__ __main__:app.run(host0.0.0.0, port9304)启动地址如下： 解决方案 PyCharm会自动识别出来flask项目（即使你…
阅读更多...
.Net RabbitMQ（消息队列）

.Net RabbitMQ（消息队列）

文章目录 一.RabbitMQ 介绍以及工作模式1.RabbitMQ的介绍：2.RabbitMQ的工作模式： 二.RabbitMQ安装1.安装Erlang语言环境2.安装RabbitMQ 三.在.Net中使用RabbitMQ1.HelloWorld模式2.工作队列模式3.发布订阅模式4.Routing路由模式和Topics通配符模式 一.Ra…
阅读更多...
114 接口中幂等性的保证

114 接口中幂等性的保证

前言 同样是 面试问题 如何确保接口的 幂等性 幂等是一个 较为抽象的概念, 多次重复访问, 不会导致业务逻辑的异常 这里从增删改查, 几个方面列一下 一般来说, 我们核心需要关注的就是 新增 和 更新 对于 增加元素, 首先针对唯一约束进行校验, 然后再处理新增的相关业…
阅读更多...
IDEA中Docker相关操作的使用教程

IDEA中Docker相关操作的使用教程

一、引言 Docker作为当前最流行的容器化技术，极大地简化了应用的部署和管理。而IntelliJ IDEA作为一款强大的集成开发环境，也提供了对Docker的集成支持。本文将介绍如何在IDEA中配置和使用Docker，包括远程访问配置、服务连接、Dockerfile编写…
阅读更多...
【Linux冯诺依曼体系结构】

【Linux冯诺依曼体系结构】

目录 1.冯诺依曼体系结构原理 1.冯诺依曼体系结构 我们常见的计算机，如笔记本。我们不常见的计算机，如服务器，大部分都遵守冯诺依曼体系。 截至目前，我们所认识的计算机，都是有一个个的硬件组件组成 输入单元&#…
阅读更多...
HTML学习笔记：（一）基础方法

HTML学习笔记：（一）基础方法

Html格式 里面文件使用平台为&#xff1a;w3school 1、基础功能&#xff1a; <html><head> <title>这是我的第一个html页面,会显示在浏览器的标题栏中</title> </head> <!--修改背景颜色 --> <body bgcolor"yellow"> …
阅读更多...
如何合理利用多个中国大陆小带宽服务器？

如何合理利用多个中国大陆小带宽服务器？

我们知道在中国大陆带宽单价非常昂贵&#xff0c;一个1Mbps 带宽的机子一年就得卖好几百人民币&#xff0c;这是不值当的&#xff0c;当然我们可以去低价漂阿里云、腾讯云的轻量服务器&#xff0c;99包年&#xff0c;但是带宽太小很难崩。 所以&#xff0c;我们必须构建一个能够…
阅读更多...
钉钉直播回放怎么下载到本地

钉钉直播回放怎么下载到本地

钉钉直播回放如何下载到本地,本文就给大家解密如何下载到本地 工具我已经给大家打包好了 钉钉直播回放下载软件链接&#xff1a;https://pan.baidu.com/s/1_4NZLfENDxswI2ANsQVvpw?pwd1234 提取码&#xff1a;1234 --来自百度网盘超级会员V10的分享 1.首先解压好我给大家…
阅读更多...
使用脚本启动和关闭微服务

使用脚本启动和关闭微服务

使用脚本启动和关闭微服务 一、前言二、启动1、处理每个服务2、编写启动脚本3、其他启动脚本&#xff08;无效&#xff0c;有兴趣可以看看&#xff09;4、启动 三、关闭1、测试拿服务进程id的命令是否正确2、编写关闭脚本3、关闭 一、前言 假如在服务器中部署微服务不使用 doc…
阅读更多...
ElasticSearch：基础操作

ElasticSearch：基础操作

一、ES的概念及使用场景 ElasticSearch是一个分布式&#xff0c;高性能、高可用、可伸缩、RESTful 风格的搜索和数据分析引擎。通常作为Elastic Stack的核心来使用 我们通过将ES 和 mysql对比来更好的理解 ES&#xff0c;ES和mysql相关的基本概念的对比表格如下&#xff1a; …
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023