【数据可视化-05】：Plotly数据可视化宝典

一、引言

  数据可视化是机器学习流程中不可或缺的一部分。通过图形和图表展示数据，我们可以更直观地理解数据的分布、趋势和关联，从而更有效地进行数据分析、特征工程和模型评估。Plotly是一个功能强大且灵活的数据可视化库，它提供了丰富的图表类型和交互功能，使得数据可视化过程更加便捷和高效。本文将详细介绍Plotly的基础知识、图表类型、高级功能以及在机器学习中的应用，并通过示例展示其使用方法。

二、Plotly基础
Plotly简介

  Plotly是一个基于Web的数据可视化库，它支持多种编程语言，包括Python、R、JavaScript等。Plotly具有强大的图表定制能力、丰富的图表类型和交互功能，广泛应用于数据分析、科学研究和机器学习等领域。Plotly的历史可以追溯到2012年，由克里斯·帕特尔（Chris Plotly）等人创建。经过多年的发展，Plotly已经成为数据可视化领域的佼佼者之一。

安装与设置

  要在Python中使用Plotly，你需要首先安装相应的库。你可以使用pip命令来安装Plotly，如下所示：

pip install plotly

  此外，为了能够在本地环境中查看Plotly生成的图表，你还需要安装plotly.offline模块。你可以通过以下命令来安装它：

pip install plotly[offline]

  安装完成后，你就可以在Python代码中导入Plotly库并开始使用它了。

基本用法

  Plotly的基本用法非常简单。下面是一个使用Plotly绘制简单折线图的示例：

import plotly.graph_objects as go# 创建数据
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]# 创建折线图
fig = go.Figure(data=go.Scatter(x=x, y=y))# 设置图表标题和轴标签
fig.update_layout(title='简单折线图', xaxis_title='X轴', yaxis_title='Y轴')# 离线显示图表
import plotly.offline as pyo
pyo.plot(fig)

在这里插入图片描述

  在这个示例中，我们首先导入了plotly.graph_objects模块，并创建了一个包含X轴和Y轴数据的折线图。然后，我们使用update_layout方法设置了图表的标题和轴标签。最后，我们使用plotly.offline模块的plot函数将图表离线显示在本地浏览器中，需要指出的是plotly.graph_objects模块提供了丰富的绘图函数，plotly.express模块也提供丰富的绘图函数，下面的介绍将两个模块配合使用。

  通过修改数据和配置选项，你可以轻松地创建出各种不同类型的图表，如散点图、柱状图、饼图等。接下来，我们将详细介绍Plotly支持的图表类型及其用法。

三、Plotly图表类型详解

1. 折线图（Line Charts）

  折线图通常用于展示时间序列数据或连续数据的变化趋势。Plotly可以轻松绘制多系列折线图，以比较不同数据集的动态。

import plotly.graph_objects as go# 创建数据
x = ['2021-01', '2021-02', '2021-03', '2021-04', '2021-05']
y1 = [10, 15, 13, 17, 20]
y2 = [12, 13, 10, 16, 18]# 创建折线图
fig = go.Figure()
fig.add_trace(go.Scatter(x=x, y=y1, mode='lines', name='Series 1'))
fig.add_trace(go.Scatter(x=x, y=y2, mode='lines', name='Series 2'))# 设置图表标题和轴标签
fig.update_layout(title='时间序列折线图', xaxis_title='Month', yaxis_title='Value')# 显示图表
fig.show()

在这里插入图片描述

2. 散点图（Scatter Plots）

  散点图用于展示两个变量之间的关系。在Plotly中，你可以添加颜色、大小等属性来增强图表的可读性。

import plotly.graph_objects as go# 创建数据
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
sizes = [10, 20, 30, 40, 50]
colors = ['red', 'orange', 'green', 'blue', 'purple']# 创建散点图
fig = go.Figure(data=go.Scatter(x=x, y=y,mode='markers',marker=dict(size=sizes,color=colors,opacity=0.8)
))# 设置图表标题和轴标签
fig.update_layout(title='散点图', xaxis_title='X轴', yaxis_title='Y轴')# 显示图表
fig.show()

在这里插入图片描述
  下面我们可以使用plotly.express模块来绘制气泡图；

import plotly.express as px
df = px.data.gapminder()fig = px.scatter(df.query("year==2007"), x="gdpPercap", y="lifeExp",size="pop", color="continent",hover_name="country", log_x=True, size_max=60)
fig.show()

在这里插入图片描述

3. 柱状图（Bar Charts）

  柱状图用于展示分类数据的数量或比例。Plotly支持分组柱状图和堆叠柱状图等多种类型。

import plotly.graph_objects as go# 创建数据
x = ['Category 1', 'Category 2', 'Category 3']
y1 = [10, 15, 12]
y2 = [8, 12, 16]# 创建分组柱状图
fig = go.Figure(data=[go.Bar(name='Series 1', x=x, y=y1),go.Bar(name='Series 2', x=x, y=y2)
])# 设置图表标题和轴标签
fig.update_layout(barmode='group', title='分组柱状图', xaxis_title='Category', yaxis_title='Value')# 显示图表
fig.show()

在这里插入图片描述

4. 饼图（Pie Charts）

  饼图用于展示分类数据的比例关系。在Plotly中，你可以轻松地绘制出各种颜色的扇形来代表不同分类。

import plotly.graph_objects as go# 创建数据
labels = ['Category 1', 'Category 2', 'Category 3']
values = [15, 30, 55]# 创建饼图
fig = go.Figure(data=[go.Pie(labels=labels, values=values)])# 设置图表标题
fig.update_layout(title='饼图')# 显示图表
fig.show()

在这里插入图片描述

5. 箱线图（Box Plots）

  箱线图是一种展示数据分布和异常值的图表类型。在Plotly中，你可以通过箱线图快速了解数据的四分位数、中位数和异常值。

import plotly.express as px
df = px.data.tips()
fig = px.box(df, y="total_bill")
fig.show()

在这里插入图片描述

import plotly.express as px
df = px.data.tips()
fig = px.box(df, x="time", y="total_bill")
fig.show()

在这里插入图片描述

6. 热力图（Heatmaps）

  热力图用于展示二维数据矩阵中的数值分布。颜色深浅表示数值的大小，非常适合用于展示表格数据或矩阵数据。

import plotly.graph_objects as go
import numpy as np# 创建数据
z = np.random.rand(10, 10)# 创建热力图
fig = go.Figure(data=go.Heatmap(z=z))# 设置图表标题和轴标签
fig.update_layout(title='热力图', xaxis_title='X Axis', yaxis_title='Y Axis')# 显示图表
fig.show()

在这里插入图片描述

7.直方图
import plotly.express as px
df = px.data.tips()
fig = px.histogram(df, x="total_bill", nbins=20)
fig.show()

在这里插入图片描述

8. 三维图表（3D Charts）

  Plotly还支持绘制三维图表，如三维散点图、三维曲面图等，用于展示三维空间中的数据。

import plotly.graph_objects as go
import numpy as np
np.random.seed(1)N = 70fig = go.Figure(data=[go.Mesh3d(x=(70*np.random.randn(N)),y=(55*np.random.randn(N)),z=(40*np.random.randn(N)),opacity=0.5,color='rgba(244,22,100,0.6)')])fig.update_layout(scene = dict(xaxis = dict(nticks=4, range=[-100,100],),yaxis = dict(nticks=4, range=[-50,100],),zaxis = dict(nticks=4, range=[-100,100],),),width=700,margin=dict(r=20, l=10, b=10, t=10))fig.show()

在这里插入图片描述

9. 地图可视化

  Plotly支持地理数据的可视化，包括绘制散点图、热力图等在地图上。你可以使用内置的地图投影和坐标系统，或者上传自定义的GeoJSON文件。

import plotly.express as px
df = px.data.gapminder().query("year==2007")
fig = px.scatter_geo(df, locations="iso_alpha", color="continent",hover_name="country", size="pop",projection="natural earth")
fig.show()

在这里插入图片描述

10. 子图（Subplots）

  Plotly支持在一个图表中绘制多个子图，这对于比较不同数据集或展示多个维度的数据非常有用。

import plotly.graph_objects as go
from plotly.subplots import make_subplotsimport pandas as pd# read in volcano database data
df = pd.read_csv("https://raw.githubusercontent.com/plotly/datasets/master/volcano_db.csv",encoding="iso-8859-1",
)# frequency of Country
freq = df
freq = freq.Country.value_counts().reset_index().rename(columns={"index": "x"})# read in 3d volcano surface data
df_v = pd.read_csv("https://raw.githubusercontent.com/plotly/datasets/master/volcano.csv")# Initialize figure with subplots
fig = make_subplots(rows=2, cols=2,column_widths=[0.6, 0.4],row_heights=[0.4, 0.6],specs=[[{"type": "scattergeo", "rowspan": 2}, {"type": "bar"}],[            None                    , {"type": "surface"}]])# Add scattergeo globe map of volcano locations
fig.add_trace(go.Scattergeo(lat=df["Latitude"],lon=df["Longitude"],mode="markers",hoverinfo="text",showlegend=False,marker=dict(color="crimson", size=4, opacity=0.8)),row=1, col=1
)# Add locations bar chart
fig.add_trace(go.Bar(x=freq["x"][0:10],y=freq["Country"][0:10], marker=dict(color="crimson"), showlegend=False),row=1, col=2
)# Add 3d surface of volcano
fig.add_trace(go.Surface(z=df_v.values.tolist(), showscale=False),row=2, col=2
)# Update geo subplot properties
fig.update_geos(projection_type="orthographic",landcolor="white",oceancolor="MidnightBlue",showocean=True,lakecolor="LightBlue"
)# Rotate x-axis labels
fig.update_xaxes(tickangle=45)# Set theme, margin, and annotation in layout
fig.update_layout(template="plotly_dark",margin=dict(r=10, t=25, b=40, l=60),annotations=[dict(text="Source: NOAA",showarrow=False,xref="paper",yref="paper",x=0,y=0)]
)fig.show()

在这里插入图片描述

四、Plotly在机器学习中的应用

1. 数据探索

  数据探索是机器学习项目中的关键步骤，通过可视化技术可以帮助我们更好地理解数据。Plotly可以轻松地创建各种图表来展示数据的分布、趋势和相关性。

示例代码：使用Plotly绘制散点图和直方图进行数据探索

import plotly.graph_objects as go
import numpy as np
import pandas as pd# 假设我们有一个DataFrame，包含两个特征'feature1'和'feature2'
# 这里我们使用随机数据作为示例
np.random.seed(0)
data = pd.DataFrame({'feature1': np.random.randn(1000),'feature2': np.random.randn(1000) + 2
})# 使用散点图查看特征之间的关系
fig = go.Figure(data=go.Scatter(x=data['feature1'],y=data['feature2'],mode='markers',marker=dict(color=data['feature2'],  # 设置颜色以区分不同数值colorscale='Viridis',    # 使用Viridis颜色比例尺showscale=True)
))# 添加标题和轴标签
fig.update_layout(title='Data Exploration: Scatter plot of feature1 and feature2',xaxis_title='Feature 1',yaxis_title='Feature 2'
)# 显示图表
fig.show()# 使用直方图查看特征的分布
fig = go.Figure([go.Histogram(x=data['feature1']), go.Histogram(x=data['feature2'])])# 自定义直方图的布局
fig.update_layout(barmode='overlay',title='Data Exploration: Histogram of features',xaxis_title='Value',yaxis_title='Count'
)# 显示图表
fig.show()

在这里插入图片描述
在这里插入图片描述

2. 模型评估

  模型评估是机器学习项目中的重要环节，Plotly可以帮助我们绘制评估图表，如混淆矩阵、ROC曲线等，以直观地展示模型的性能。

示例代码：使用Plotly绘制混淆矩阵

import plotly.express as px
import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_curve, auc
from sklearn.datasets import make_classificationX, y = make_classification(n_samples=500, random_state=0)model = LogisticRegression()
model.fit(X, y)
y_score = model.predict_proba(X)[:, 1]
fpr, tpr, thresholds = roc_curve(y, y_score)# The histogram of scores compared to true labels
fig_hist = px.histogram(x=y_score, color=y, nbins=50,labels=dict(color='True Labels', x='Score')
)fig_hist.show()# Evaluating model performance at various thresholds
df = pd.DataFrame({'False Positive Rate': fpr,'True Positive Rate': tpr
}, index=thresholds)
df.index.name = "Thresholds"
df.columns.name = "Rate"fig_thresh = px.line(df, title='TPR and FPR at every threshold',width=700, height=500
)fig_thresh.update_yaxes(scaleanchor="x", scaleratio=1)
fig_thresh.update_xaxes(range=[0, 1], constrain='domain')
fig_thresh.show()

在这里插入图片描述
在这里插入图片描述

  注意：对于更复杂的评估图表（如ROC曲线），可能需要使用sklearn.metrics中的函数来生成数据，并使用Plotly的曲线图（go.Scatter）或其他适合的图表类型进行绘制。

import plotly.express as px
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_curve, auc
from sklearn.datasets import make_classificationX, y = make_classification(n_samples=500, random_state=0)model = LogisticRegression()
model.fit(X, y)
y_score = model.predict_proba(X)[:, 1]fpr, tpr, thresholds = roc_curve(y, y_score)fig = px.area(x=fpr, y=tpr,title=f'ROC Curve (AUC={auc(fpr, tpr):.4f})',labels=dict(x='False Positive Rate', y='True Positive Rate'),width=700, height=500
)
fig.add_shape(type='line', line=dict(dash='dash'),x0=0, x1=1, y0=0, y1=1
)fig.update_yaxes(scaleanchor="x", scaleratio=1)
fig.update_xaxes(constrain='domain')
fig.show()

在这里插入图片描述

3. 特征工程

  特征工程是机器学习项目中的另一个关键步骤，Plotly可以用于可视化特征之间的关系，以指导特征选择和转换。

示例代码：使用Plotly绘制特征之间的相关性矩阵

import seaborn as sns
import plotly.express as px
import pandas as pd# 假设我们有一个包含多个特征的DataFrame
# 这里我们使用seaborn的内置数据集作为示例
data = sns.load_dataset('iris')# 使用Plotly Express绘制相关性矩阵热力图
fig = px.imshow(data.corr(), color_continuous_scale='Viridis')# 添加标题和轴标签
fig.update_layout(title='Feature Correlation Matrix',xaxis_title='Features',yaxis_title='Features'
)# 显示图表
fig.show()

在这里插入图片描述

  在这个例子中，我们使用了Plotly Express（Plotly的一个高级接口），它简化了数据可视化的流程。通过相关性矩阵热力图，我们可以快速识别出哪些特征之间存在高度相关性，从而指导特征选择和转换。

五、总结与展望

总结

  Plotly作为一款功能强大的数据可视化库，在机器学习项目中发挥着重要作用。它支持多种编程语言，包括Python、R和JavaScript，提供了丰富的图表类型和高度可定制化的选项，使得数据探索和模型评估变得更加直观和高效。

  在数据探索阶段，Plotly可以帮助我们快速生成各种图表，如散点图、直方图、箱线图等，以展示数据的分布、趋势和相关性。这些图表有助于我们更好地理解数据，发现数据中的模式和异常值，为后续的特征工程和模型训练提供有价值的指导。

  在模型评估阶段，Plotly可以用于绘制混淆矩阵、ROC曲线等评估图表，以直观地展示模型的性能。这些图表有助于我们评估模型的分类效果和泛化能力，从而调整模型参数或选择更合适的模型。

  在特征工程阶段，Plotly可以用于可视化特征之间的关系，如相关性矩阵热力图等。这些图表有助于我们识别出高度相关的特征，从而指导特征选择和转换，提高模型的预测性能。

展望

  随着数据科学和机器学习的不断发展，数据可视化将变得越来越重要。Plotly作为一款功能强大的数据可视化库，未来将继续发展并改进其功能，以满足不断增长的需求。

  首先，Plotly可以进一步加强对交互式图表的支持，使得用户能够更直观地探索和分析数据。例如，通过添加更多交互式元素和动画效果，用户可以更深入地了解数据的细节和模式。

  其次，Plotly可以进一步扩展其图表类型和定制化选项，以满足更多领域和场景的需求。例如，可以添加更多适用于金融、医疗等领域的专业图表类型，并提供更多可定制的样式和主题选项。

  最后，Plotly可以加强与其他数据科学和机器学习库的集成，提供更加便捷的数据处理和可视化解决方案。例如，可以与Pandas、NumPy等数据处理库进行无缝集成，使得数据预处理和可视化分析更加高效和简单。

六、附录

参考资料和链接
  • Plotly官方文档：https://plotly.com/python/
  • Plotly Express教程：https://plotly.com/python/plotly-express/
  • Seaborn数据集：https://seaborn.pydata.org/generated/seaborn.load_dataset.html
建议进一步学习的资源和书籍
  • 《Python数据可视化：使用Matplotlib、Pandas、Seaborn和Plotly》：这本书详细介绍了Python中常用的数据可视化库，包括Plotly的使用方法和技巧。
  • 《数据科学实战》：这本书涵盖了数据科学领域的各个方面，包括数据探索、特征工程、模型训练和评估等，并提供了丰富的实战案例和代码实现。
  • Plotly官方教程和社区论坛：Plotly官方提供了丰富的教程和示例代码，同时还有一个活跃的社区论坛，用户可以在其中提问和分享经验。

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.mzph.cn/web/12773.shtml

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email:809451989@qq.com，一经查实，立即删除！

相关文章

WebLogic SSL应用

WebLogic SSL应用

SSL 安全套接字层(SSL)是通过在客户端和Web服务器端之间进行身份验证，并对双方交换的数据进行加密，从而提供安全连接。 验证类型： 单向：客户端验证Web服务器端证书 双向：客户端验证Web服务器证书， Web服务器验证客户端证书 Weblogic Server12c 支持 SSL 3.0 和 TLS1.0 …
阅读更多...
5.2 操作系统安装必备知识

5.2 操作系统安装必备知识

目前操作系统安装方式接近于全自动化，用户无需做过多操作就能完成操作系统安装。但是操作系统安装也有其复杂的一面，例如固件及分区表的不同就会导致操作系统安装失败。本节主要介绍系统安装的一些必备知识。 5.2.1 BIOS 概述 BIOS(Basic Input/Output …
阅读更多...
量子计算机接入欧洲最快超算！芬兰加快混合架构算法开发

量子计算机接入欧洲最快超算！芬兰加快混合架构算法开发

内容来源：量子前哨（ID：Qforepost） 文丨浪味仙 排版丨沛贤 深度好文：1900字丨7分钟阅读 摘要：芬兰技术研究中心（VTT）与 CSC 展开合作，基于量子计算机超算架构进行算法开…
阅读更多...
jspXMl标记语言基础

jspXMl标记语言基础

1.打开命令框进入数据库 打开eclipse创建需要连接的项目 粘贴驱动程序 查看驱动器 使用sql的包 int代表个 conlm代表列名 <%page import"java.sql.ResultSet"%> <%page import"java.sql.Statement"%> <%page import"java.sql.Connect…
阅读更多...
蛋白聚乙二醇化修饰检测试剂盒

蛋白聚乙二醇化修饰检测试剂盒

蛋白多肽因其高生物活性、高特异性等优点备受药物开发商和研究者的青睐。但分子量大、亲水性强、稳定性差等劣势限制了蛋白多肽在临床上的应用&#xff0c;特别是蛋白多肽作为一种异源蛋白具有很强的免疫原性&#xff0c;容易被机体免疫系统识别并清除&#xff0c;导致药物的血…
阅读更多...
万物皆可监控（shell脚本监控TIDB-DM和DSG同步状态）

万物皆可监控（shell脚本监控TIDB-DM和DSG同步状态）

监控的方式有很多&#xff0c;常用的有zabbix和prometheus平台&#xff0c;理论上都可以做到对有状态服务的监控&#xff0c;因为我个人对这两个监控平台不是很熟悉&#xff0c;所以一般喜欢使用shell脚本来做监控&#xff1b; 纯oracle 数据库的监控推荐使用EMCC&#xff0c;…
阅读更多...
C# Winform+Halcon结合标准视觉工具

C# Winform+Halcon结合标准视觉工具

介绍 winform与halcon结合标准化工具实例 软件架构 软件架构说明 基于NET6 WINFORMHALCON 实现标准化视觉检测工具 集成相机通讯 集成PLC通讯 TCP等常见通讯 支持常见halcon算子 图形采集blob分析高精度匹配颜色提取找几何体二维码提取OCR识别等等 。。。 安装教程 …
阅读更多...
【Kafka】2.深入理解Kafka事件流平台及其核心概念

【Kafka】2.深入理解Kafka事件流平台及其核心概念

1.事件流(Event streaming) 事件流是人体中枢神经系统的数字化的等价物。它是构建“始终在线”世界的技术基础&#xff0c;在这个世界中&#xff0c;企业越来越多地被定义为软件化和自动化&#xff0c;而软件的用户本身也是软件。 从技术上讲&#xff0c;事件流是从数据库、传…
阅读更多...
SHELL编程（一）

SHELL编程（一）

目录 一、 Linux操作系统&#xff08;一&#xff09;内核与操作系统&#xff08;二&#xff09;操作系统的功能 二、Linux高级命令&#xff08;一&#xff09; 离线安装 dpkg1. 安装2. 使用3. 查看安装详细信息4. 安装路径5. 不完全删除6. 完全删除 &#xff08;二&#xff09;…
阅读更多...
KNN算法用于回归分析

KNN算法用于回归分析

生成数据集 from sklearn.datasets import make_regression import matplotlib.pyplot as plt# 生成特征数量为1&#xff0c; 噪音为50的数据集 X, y make_regression(n_features1, n_informative1, noise50, random_state8)# 散点图 plt.scatter(X, y, c"orange",…
阅读更多...
什么是TCP的粘包、拆包问题？

什么是TCP的粘包、拆包问题？

一、问题解析 TCP粘包和拆包问题是指在进行TCP通信时&#xff0c;因为TCP是面向流的&#xff0c;所以发送方在传输数据时可能会将多个小的数据包粘合在一起发送&#xff0c;而接收方则可能将这些数据包拆分成多个小的数据包进行接收&#xff0c;从而导致数据接收出现错误或者数…
阅读更多...
欢乐钓鱼大师攻略大全，新手钓鱼入坑必备攻略！

欢乐钓鱼大师攻略大全，新手钓鱼入坑必备攻略！

《欢乐钓鱼大师》是一款深受玩家喜爱的钓鱼手游&#xff0c;在游戏中&#xff0c;玩家可以通过升级和更换鱼竿来享受钓鱼的乐趣&#xff0c;并有机会钓到各种稀有鱼类。然而&#xff0c;很多玩家在闯关过程中遇到了不少困难。为了帮助大家更好地掌握游戏技巧&#xff0c;小编特…
阅读更多...
4 软件定义安全综合：使用c/s模式进行控制器数据安全交互管理

4 软件定义安全综合：使用c/s模式进行控制器数据安全交互管理

在SDN三层结构中&#xff0c;我们通过OpenFlow 协议可以控制数据转发设备的相关行为&#xff08;包括收集设备的信息&#xff09;&#xff0c;那么控制器上的数据能否通过应用层的程序进行管理调用呢&#xff1f; SDN&#xff08;软件定义网络&#xff09;的北向开发是指通过编…
阅读更多...
二进制搭建k8s

二进制搭建k8s

实验环境&#xff1a; k8s集群master01:192.168.1.11 k8s集群master02:192.168.1.22 master虚拟ip&#xff1a;192.168.1.100 k8s集群node01:192.168.1.33 k8s集群node01:192.168.1.44 nginxkeepalive01&#xff08;master&#xff09;:192.168.1.55 nginxkeepalive02&a…
阅读更多...
渲染农场是什么意思?瑞云渲染为你解答

渲染农场是什么意思?瑞云渲染为你解答

渲染农场是一种通过集合多台计算机的计算能力来加速图像渲染过程的系统。它尤其适用于动画、电影特效和高端视觉效果的制作&#xff0c;这些领域通常需要处理非常复杂和计算密集型的渲染任务。 渲染农场就是一大群电脑&#xff0c;他们一起可以快速渲染出漂亮的图像。在做动画片…
阅读更多...
客观需求验证的常见5大步骤（实施版）

客观需求验证的常见5大步骤（实施版）

我们在挖掘用户需求时&#xff0c;往往容易犯伪需求或需求错位等问题&#xff0c;因此需要进行客观需求验证。通过客观的验证&#xff0c;我们可以有效减少主观判断误差问题&#xff0c;确保需求的准确性&#xff0c;从而降低需求变更和项目风险的概率&#xff0c;减少开发成本…
阅读更多...
LeetCode算法题：11. 盛最多水的容器（Java）（双指针问题总结）

LeetCode算法题：11. 盛最多水的容器（Java）（双指针问题总结）

给定一个长度为 n 的整数数组 height 。有 n 条垂线&#xff0c;第 i 条线的两个端点是 (i, 0) 和 (i, height[i]) 。 找出其中的两条线&#xff0c;使得它们与 x 轴共同构成的容器可以容纳最多的水。 返回容器可以储存的最大水量。 提示&#xff1a; n height.length2 <…
阅读更多...
第十四届蓝桥杯大赛软件赛国赛C/C++ 大学 B 组 数三角

第十四届蓝桥杯大赛软件赛国赛C/C++ 大学 B 组 数三角

//枚举顶点。 //不存在等边三角形 #include<bits/stdc.h> using namespace std; #define int long long const int n2e311; int a,b,c,l[n],r[n]; signed main() {ios::sync_with_stdio(false);cin.tie(0),cout.tie(0);cin>>a;for(int i1;i<a;i){cin>>…
阅读更多...
UE4_环境_局部雾化效果

UE4_环境_局部雾化效果

学习笔记&#xff0c;不喜勿喷&#xff01;侵权立删&#xff01;祝愿大家生活越来越好&#xff01; 本文重点介绍下材质节点SphereMask节点在体积雾中的使用方法。 一、球体遮罩SphereMask材质节点介绍&#xff1a; 球体蒙版&#xff08;SphereMask&#xff09; 表达式根据距…
阅读更多...
2024红帽全球峰会：CEO行业洞察分享

2024红帽全球峰会：CEO行业洞察分享

作为全球IT领域一年一度的行业盛宴&#xff0c;2024红帽全球峰会于近日盛大召开。生成式AI与大模型是当前IT行业最受关注的热点话题&#xff0c;而红帽在生成式AI与大模型领域的最新动作&#xff0c;也理所当然地成为了本届峰会观众目光聚集的焦点。 作为世界领先的开源解决方案…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023