Tamara Munzner所著Visualization Analysis and Design

拉曼光谱反分析 编码以纠缠拉曼光谱，可视化拉曼光谱，识别混合拉曼光谱中的成分，并最终使用拉曼光谱法识别材料的分解或存在。 团队成员（按字母顺序排列）：布兰登·科恩，伊丽莎白·拉斯穆森，帕克·斯蒂兴 总体项目目标 该项目识别并计算拉曼光谱中的分解，以输出速率数据。 使用此方法的优点是： 完全开源，项目的任何部分都不依赖付费服务 自动化过程，自动化分析，快速获得结果 可验证的是，用户可以通过统计软件堆栈了解他们对结果的信心 可在“找到该项目的更多详细背景和动机。 假设和项目范围 不包括甲酸分解产物（氢，水，二氧化碳，一氧化碳）以外的存储数据库，因为其他组件目前不在项目范围内。 假定用户正在尝

MPU-6050-MATLAB-工具箱：通过MPU-6050加速度计+陀螺仪校准和计算方向，并使用Matlab进行数据可视化

微博文本分析和可视化 0.数据来源和结构 新浪微博，爬虫链接： 微博内容数据结构（mongo数据库导出的json文档） content_example: [ {'_id': '1177737142_H4PSVeZWD', 'keyword': 'A股', 'crawl_time': '2019-06-01 20:31:13', 'weibo_url': 'https://weibo.com/1177737142/H4PSVeZWD', 'user_id': '1177737142', 'created_at': '2018-11-29 03:02:30', 'tool': 'Android'

MCScanX：MCScanX：多重共线性扫描工具包X版本。 世界上最流行的同义词分析工具！

OsmnxProjectDemo 复杂网络与社会网络分析大作业 利用python的开源第三方库Osmnx ，结合旧金山的出租车轨迹数据集和旧金山的驱动道路网络，进行了一些分析，将结果可视化出来 注意：第一次运行此代码时，替换程序中的代码注释去掉 出租车的轨迹数据集保存在cabspottingdata文件夹中 cabspottingdata文件夹中的每个一个txt文件（除去一个记录了所有车的编号的txt文件）表示插入车辆移位的轨迹， txt文件名即为车辆的唯一标记编号， txt文件里面的每个行数据的各个列分别表示为：纬度|经度|是否载客（“ 0”表示空车状态，“ 1”表示载客状态）|最高 数据文

交互式3D人心可视化 可视化 功能性 在右上角，您可以选择器官的一部分。 将强调这一点，并在右侧添加一个合适的Wikipedia文章。 如果一个器官隐藏了另一个器官，则可以切除部分心脏以获得更好的外观。 控制项 可以通过拖动鼠标来旋转可视化效果。 要在Mac上进行翻译，必须按下CONTROL键。 如果单击一个解剖结构，可见性将设置为false。 要选择并突出显示一个对象并获取更多信息，请在右上角有一个菜单。 不同类型解剖结构的配色方案 器官结构 颜色 冠状动脉 红色的 肺静脉 红色的 主动脉 红色的 冠状静脉 蓝色 肺动脉 蓝色 上腔静脉和下腔 蓝色 骨小梁肌 马鞍棕色 心肌卡 棕色的 左右耳廓 ＃ffc0a1 心脏瓣膜 浅蓝 资料来源： 图书馆与数据 型号：BodyParts3D，:copyright:生命科学数据库中心，获得CC Attribution-Share Alike 2.1 Japan的

neovis.js 由vis.js支持的图形可视化以及来自Neo4j的数据。 产品特点 连接到Neo4j实例以获取实时数据 用户指定的标签和要显示的属性 用户指定的Cypher查询来填充 为节点的图像的URL指定节点属性 指定边缘厚度的边缘属性 指定社区/集群的节点属性 指定节点大小的节点属性 配置弹出窗口 安装 Neovis.js可以通过npm安装： npm install --save neovis.js 您还可以通过CDN获得neovis.js： CDN 为了便于使用，可以从Neo4jLabs CDN获得Neovis.js： 最新发行 <script src="h

在Keras中实现Grad-CAM 梯度类激活图是用于深度学习网络的可视化技术。 参见论文： : 该论文的作者实现了火炬实施： ： 该代码假定Tensorflow尺寸顺序，并默认在keras.applications中使用VGG16网络（网络权重将在首次使用时下载）。 用法： python grad-cam.py 例子 示例图片： '拳击手'（在keras中为243或242） '老虎猫'（在keras中为283或282）

脑电图可视化项目 目的：使用Neurosky EEG数据以任何用户易于理解的方式可视化心理状态。 （请参阅projectOverview） MusicEEG-art数据来自第35组