[情感分析] Yelp数据集的综合情感分析 对Yelp_Dataset的综合情感分析 下载Yelp数据集以进行大规模数据分析，包括情绪，多年分布和一个月分布。 包括： - 情绪分析。 数据清理。 数据预处理。 数月，数年的正面，负面，中性评论分布。 下载输出文件夹，以了解此python程序的确切功能。

如何在Titanic Kaggle挑战中获得0.8134分：泰坦尼克号Kaggle竞赛的解决方案

D3-Visualization-on-Historical-Olympics-Data 这用于华盛顿大学高级信息可视化课程的课堂作业。 该数据集包含国家、年份、季节（夏季或冬季）、每个国家的金牌、银牌和铜牌数量。 可视化是使用 D3js 库实现的。 演示在这里： :

SZU Visualization 基于 d3.js 的可视化信息处理导论大作业：可交互的美国各州超市年度利润数据地图以及每月详细利润柱状图。 功能 地图用颜色来表示某个州在所有州中的相对利润表现（越绿表示表现越好，越红表示表现越差）。 鼠标悬停在某个州上可以查看州的州名及当前年份的总利润。 可通过点击某个州可以查看该州在当前年份每个月利润的柱状图。 可通过点击年份按钮来切换当前年份，切换时地图每个州的颜色会随其在新的年份中相对利润表现而改变；此外，某个州的每月详细利润的柱状图也会改变并伴有过渡效果。 可通过点击“Play all years”按钮来自动切换年份，便于观察。 瑕疵 csv 文件有 1w 条数据可能会加载（白屏）很久。 为了赶 DDL 我也是开启了暴走模式，所以代码质量有点 :see-no-evil_monkey: 2333。

快速绘图 该项目不再维护 由于数据可视化的需求越来越大，因此出现了许多语言不可知的库。 只为其可视化服务器编写客户端会更有效率。 它是如何工作的？ Haskell创建了一个在后台运行的简单服务器，并将数据发送到可视化它的浏览器。 在上面的演示中，浏览器和ghci在运行，但是您可以在相当现代的浏览器中使用任何编辑器（甚至是 ）。 一旦数据到达浏览器，任何JavaScript可视化库都可以处理它，例如 如何使用？ QuickPlot旨在简化交互式数据浏览。 因此，除了ghci外，以下内容没有多大意义 0.安装QuickPlot stack install QuickPlot cabal install QuickPlot -- or manually 1.导入QuickPlot import QuickPlot import QuickPlot.Plotly -- if you want to use the plotly library 2.启动QuickPlot runQuickPlot 3.连接到QuickPlot 转到打印的地址runQuickPlot 4.情

数据分析可视化 基本数据分析和可视化项目。

股票投资组合 该项目将创建一个精心挑选的股票清单的绩效仪表板。 投资开始的日期是2021年3月5日。与当前表现的比较是基于该日期的收盘价。 1.库存清单 Power BI通过Web门户从Yahoo Finance网站导入核心数据。 链接在下面列出。 VNQ： ：//ca.finance.yahoo.com/quote/VNQ/history p VNQ .tsrc fin-srch RBNK.TO： SMH： ： p SMH .tsrc fin- SOXX： ：//ca.finance.yahoo.com/quote/SOXX/history p SOXX .tsrc fin-srch AAPL： ：//ca.finance.yahoo.com/quote/AAPL/history p AAPL RY.TO： KBWD： ://ca.fi

比赛项目 Rossmann销售预测（Top3％）：Rossmann在7个欧洲国家经营着3000药店。结果，罗斯曼门店经理的任务是提前6周预测他们的日收益，商店的销售受到许多因素的影响，包括促销，竞争，学校和国家假日，重置和地域性，由于数以千计的管理者根据自己的特殊情况预测销售，结果的准确性可能会有很大的差异； NCAA 沃尔玛 能源预测③（排名前36％）：在本次竞赛中，基于ASHRA公司数据，在以下领域开发计量建筑能源使用的精确模型：冷水，电，热水和蒸汽表，数据来自超过1000栋建筑，历时三年，对这些节能投资的更好估计，大型投资者和金融机构将更加重视在这一领域投资，盔甲在提高建筑效率方面取

ecco：可视化和探索NLP语言模型。 Ecco直接在Jupyter笔记本中创建交互式可视化文件，解释基于Transformer的语言模型（例如GPT2）的行为

在本文中，我们提出并实现了一种在3D空间中的多层可视化技术，称为多维数据多层可视化（MLMD）及其相应的交互技术，用于可视化多维数据。 将基于点的图的图层堆叠并连接到虚拟可视化多维数据集中，以比较不同的尺寸设置。 从侧面看，图层本质上形成平行坐标图。 MLMD紧凑地集成了基于点的图和平行坐标，以便一次显示更多信息，以帮助进行数据调查。 设计了用于方便操作的MLMD方法的相关用户交互。 通过使用MLMD及其匹配的交互技术，可以实现正确的尺寸设置和深入的数据感知。