Advertisement

SVG-time-series:一个用于SVG时间序列图的库。

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型:None


简介:
SVG时间序列图,基于D3.js技术,能够可靠地维持60帧每秒的刷新频率。 相较于其他依赖画布或SVG的图表类型,其水平和垂直方向的缩放速度更为迅速。 该演示包含两个测试场景:第一个测试在台式机、最新的iPhone以及顶级的Android手机上均能达到60 FPS;第二个测试则展示了台式机上的60 FPS,iPhone上的大约24 FPS,以及老旧的LG D90手机上的大约3 FPS。 值得注意的是,对比之下,所使用的库基本未能达到60 fps。 通过按住Shift键,用户可以在主页上进行平移操作以观察演示效果。 上述演示所采用的数据集为相同的纽约与旧金山温度数据集。 D3.js的性能似乎存在问题。 然而,调查表明SVG栅格化并非是造成瓶颈的原因。 在该演示中,只有两个关键问题需要解决才能实现60 fps:避免在平移和缩放过程中对网格的SVG线条进行额外的属性设置(其中一些已经在d3轴的HEAD中进行了处理),并使用d3.timeout()代替d3.zoom()。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • SVG-Time-Series:SVG
    优质
    SVG-Time-Series是一款专为展示和分析时间序列数据而设计的JavaScript库。它利用SVG技术提供灵活、可交互的时间序列图表解决方案,适用于各种Web应用的数据可视化需求。 基于D3.js的SVG时间序列图可以实现60 FPS的效果。与其它基于画布或SVG的图表相比,在平移和缩放操作上速度更快。 例如:1个网格,2条数据系列共1070点;5个网格,每组包含10条数据系列各含1070点的数据集在台式机、最新的iPhone以及顶级Android手机上的表现均能达到60 FPS。另一个演示显示,在台式机上可以达到60 FPS,在较新的iPhone设备上大约为24 FPS,而在老旧的LG D90手机上则约为3 FPS。 相比之下,其他库几乎无法实现60 fps的表现效果。在尝试使用shift键平移这些库提供的示例时会发现这一点(注:这里指代的是原文中提到的操作演示)。 值得注意的是,在上述演示中使用的数据集是相同的纽约与旧金山的温度对比数据。尽管D3.js可能看起来运行较慢,但实际上SVG栅格化并非瓶颈所在。在该特定案例里,只需解决两个问题即可达到60 fps:避免在平移和缩放过程中对网格中的SVG线进行额外属性设置(部分解决方案已经在d3轴库的最新版本中实现),以及使用绘制`d3.timeout()`而不是直接应用`d3.zoom()`来优化性能。
  • 分析教程:Time-Series-Analysis-Tutorial
    优质
    本教程《Time-Series-Analysis-Tutorial》旨在为初学者提供全面的时间序列分析指导,涵盖基础概念、模型建立及应用实例。适合数据科学爱好者和专业人士学习参考。 时间序列分析——分类与预测教程 作者:datamonday 贡献者:datamonday 初次发布:2020-04-17 最后修改:2021-04-06 [toc] 前言 最近一段时间都在学习时间序列预测和时间序列分类相关的知识,一开始感觉无从下手,论文看不懂,代码不会写。经过近三个月的摸索,也算是入门的小白了,这篇博文算是个人经过踩坑、去粗取精之后的经验总结。通过4篇博客、9篇论文、32篇实战教程,梳理出了一套系统化的时间序列预测和时间序列分类任务的入门指南。文中提及的博客论文和教程全部内容字数大约在50万字到100万字之间。既是对这段时间所学知识的梳理总结,也希望给有需要的同学提供帮助。 适用人群: 没有时间序列预测分类相关经验的小白。 代码环境: python 3.7.6 tensorflow 2.1.0
  • Practical Time Series Analysis - 实分析(由Packt出版)
    优质
    《实用时间序列分析》一书由Packt出版社出版,旨在为读者提供时间序列数据处理和预测的实际技能与知识。本书深入浅出地讲解了时间序列分析的基本概念、常用模型及其应用,帮助读者掌握相关技术和工具,以解决实际问题。 《实用的时间序列分析》附带了一个代码库,其中包含了完成本书所需的全部支持项目文件。时间序列分析使我们能够研究一段时间内的数据,并了解这些数据随时间变化的模式。这本书将帮助您理解时间序列分析背后的逻辑并将其应用于各个领域,包括财务、业务和社交媒体。 所有代码都按照章节组织在不同的文件夹中,每个文件夹均以数字开头,后跟应用名称(例如Chapter02)。 示例代码如下所示: ```python import os import pandas as pd %matplotlib inline from matplotlib import pyplot as plt import seaborn as sns ``` 为了运行本书中的示例并编写自己的Python程序进行时间序列分析,您需要安装Anaconda Python发行版。 本书的代码示例如何使用Jupyter Notebook展示和执行。
  • SVG: 简洁仅标头从C++生成SVG文件
    优质
    SVG是一个专为C++设计的轻量级库,专注于简化SVG文件的创建过程。它只包含必要的标头文件,确保了项目的灵活性和高效性。 SVG for C++ 是一个仅标头的库,通过简单的C++接口生成SVG文件,并且能够执行一些重要任务,如计算SVG元素的边界框或将多个图形合并在一起。 基本用法: ```cpp #include svg.hpp #include int main() { SVG::SVG root; // 基本CSS支持 root.style(circle).set_attr(fill, #000000) .set_attr(stroke, #000000); root.style(rect#my_rectangle).set_attr(fill, red); // 添加元素的方法1 - add_child() } ```
  • time-series-prediction: 天池预测竞赛回顾
    优质
    本项目是对天池平台举办的时间序列预测竞赛的一次全面回顾与分析。通过复盘比赛过程、总结经验教训及分享模型优化策略,旨在为数据科学家和爱好者提供宝贵的学习资源。 2月22日学习记录:一开始把Aliyun和Docker账号搞混了,导致出现了一些奇怪的模型错误。最后还是在关键时刻解决了问题并成功运行。真是太难了。 2月26日学习记录:由于数据量庞大,我们使用tsfresh来自动化生成功能,并将这些特征应用于模型中。接下来计划尝试使用transformer进行预测。
  • SVG制作指南(可自制性化SVG);中国各省SVG;四川各市SVG
    优质
    本指南详细介绍如何创建和定制SVG格式的地图,特别针对中国的省级及四川省市级行政区划。提供全面教程与实例解析,助您轻松打造个性化的SVG地图作品。 可以根据SVG教程制作任何想要的SVG地图,无需再为找不到SVG地图资源而发愁。在README里面提到的一个网站可以帮助你找到所需的地图,下载并整理10分钟即可得到自己需要的地图。
  • SVG制作指南(可自制性化SVG);中国各省SVG;四川各市SVG
    优质
    本指南详述了如何创建个性化的SVG地图,并提供了中国各省及四川省各市的具体实例和资源。 根据SVG教程可以制作任何想要的SVG地图,无需再为找不到SVG地图资源而发愁。README文件里提到一个网站,在该网站上找到所需的地图并下载整理10分钟即可得到自己需要的地图。
  • RNN-Time-Series-Anomaly-Detection: 基RNN异常检测器模型PyTorch实现
    优质
    本项目是基于递归神经网络(RNN)的时间序列异常检测模型的PyTorch实现,适用于监测和预测各类时间序列数据中的异常情况。 基于RNN的时间序列异常检测器模型在Pytorch中的实现包括两个阶段的策略:时间序列预测与异常分数计算。 该模型要求的操作环境如下: - Ubuntu 16.04+(注意,在Windows 10上报告了错误) - Python版本3.5或以上 - PyTorch版本0.4.0或更高 - Matplotlib库 数据集包括以下几种类型的时间序列数据: 1. 纽约市出租车乘客人数:提供纽约市的出租车乘客数量流,该数据经过预处理(以每半小时为间隔汇总)。 2. 心电图(ECG):ECG数据集中包含单一异常事件,即心室前收缩。 3. 二维手势(视频监控):记录了视频中手势的XY坐标。 4. 呼吸模式:一个病人的呼吸频率(通过胸部扩展测量获得,采样率为10Hz)。 5. 航天飞机Marotta阀时间序列。 这些数据集被用于训练和验证基于RNN的时间序列异常检测器模型。
  • Python中pyFTS:模糊开源
    优质
    pyFTS是一款专为Python设计的开源库,专注于处理和预测模糊时间序列数据。它提供了一系列工具和算法来简化复杂的时序数据分析工作。 An open source library for Fuzzy Time Series in Python.
  • ARIMAPQ值MATLAB代码-预测:预测Java开源
    优质
    这段内容提供了一段基于MATLAB编写的ARIMA模型参数(P,Q)计算代码,并介绍了一个专门针对时间序列预测优化的Java开源库。 ARIMA的pq值在MATLAB中的时间序列预测是一个提供此功能的Java开源库。它是加法模型的一种实现方式,并由Workday公司的Syman团队发布以支持某些Workday产品的基本时间序列预测需求。 使用方法:为了利用这个库,你需要准备输入的时间序列数据和ARIMA参数。这些参数包括非季节性因子p、d、q以及季节性因子P、D、Q、m。如果D或m的值小于1,则模型被视为非季节性的,并且相应的季节性参数将不会发挥作用。 导入所需类: ```java import com.workday.insights.timeseries.arima.Arima; import com.workday.insights.timeseries.arima.struct.ForecastResult; ``` 准备输入时间序列数据示例代码如下: ```java double[] dataArray = new double[]{2,1,2,5,2,1,2,5,2,1,2,5,2,1}; ```