我的可视化样本 R语言可视化的一些实际示例 世界-在精美的世界地图上绘制国际航线。 （使用的数据来自以下链接： ： 和 新加坡热卖物业的热图（发布在 ） 简单箱形图或直方图的ggplot

3D寻路算法可视化器 用于一些3D常见寻路算法的可视化工具。 现场演示 可以在找到一个实时交互式演示。 特征 加权和非加权算法 Dijkstra的算法（加权） 寻路算法之父，它创建了从起始顶点（源）到图中所有其他点的最短路径树。 保证最短的路径！ A *搜索算法（加权） 启发式路径查找和图形遍历中使用的最好且最受欢迎的技术之一。 保证最短的路径！ 广度优先搜索（不加重） 该算法从树的根部开始，并在移至下一个深度级别的节点之前探索当前深度的所有邻居节点。 保证最短的路径！ 深度优先搜索（未展开） 该算法从根节点开始，并在回溯之前尽可能沿着每个分支进行探索。 不保证最短的路径！ 迷宫一代 产生迷宫的两种方法： 递归司 随机迷宫 使用的图书馆 Three.js React三根纤维 Tween.js 贡献 欢迎捐款。 请随时进行PR。 项目设置 该项目是通过Create React

OCTproZ：OCTproZ是用于光学相干断层扫描处理和可视化的开源软件

yfiles-for-html-demos：包含JavaScript图表库yemos for HTML的演示源

:rocket: 项目文档请阅读 ！ :collision: 你的 Star 是我开发的动力，下载源码 git clone https://gitee.com/pnoker/iot-dc3.git ！ :seedling: 为了便于你的二次开发和理解，DC3 开源了 Demo Web UI ， DC3是基于Spring Cloud的开源可分布式物联网(IOT)平台,用于快速开发、部署物联设备接入项目,是一整套物联系统解决方案。IOT DC3 is an open source, distributed Internet of Things (IOT) platform based on Spring Cloud. It is used for rapid development of IOT projects and management of IOT devices. It is a set of solutions for IOT

HTML5 Canvas正弦波 正弦波或正弦波是描述平滑的周期性振荡的数学曲线。 正弦波是连续波。 y（t）= Asin（ 2Πf + φ ） 在哪里： 振幅（A）：正弦波的振幅是它从零开始达到的最大距离。 由于正弦函数在+1到-1之间变化，因此幅度为1。 频率（f）：正弦波的频率是每秒发生的完整周期的数量。 波长：波长是周期波的空间周期，该周期是波形状重复的距离。 波长和波数与速度和频率相关，如：k = 2Π / λ = 2Πf / v = ω / v 这里 使用javascript进行数据可视化 将产品的销售数据显示为多折线图（JavaScript，canavs.js） 将数据显示为单个饼图（JavaScript，canavs.js） 将数据显示为多重饼图（JavaScript，canavs.js） 将数据显示为简单条形图（JavaScript，canavs.js

视觉对象 一个Maven插件，用于可视化Java EE项目。 请查看 。 有关实现的一些说明：Visualee扫描java-source-files中的相关依赖项。 依赖关系将作为JSON文件生成。 此JSON文件是d3.js可视化的输入。 GUI使用jquery和jquery-ui。 为什么不使用java-reflection？ 早期版本使用Java反射来检查Java类，但是我决定反对它，而是更喜欢对源文件进行简单的扫描，因为： 甚至可以可视化甚至无法编译的代码（在开发初期或紧急情况下很有用） 将Visualee实现为其他语言更容易 插件配置的麻烦要少得多，因为这些类必须是可加载的（提示：“缺少代码...”，必须包括EE-Stack的实现）。

信息可视化第三版，英文版，含目录。作者Colin Ware。

数据可视化 :bar_chart: 可拖拽配置的可视化监控视图，易与扩展 目前只完成了拖拽组件的配置及组件的合并与放大缩小，视图的预览功能。后面会增加单独的组件的属性修改配置并添加 依赖组件及插件 用于构造基本框架及部分拖拽组件的引用的元素（图片，走马灯拖拽组件） v-charts图形拖拽组件使用，因简化了echarts的配置，非常好使 vue-charts图形拖拽组件，当v-charts满足不了需求时使用，相当于原生的echarts echarts原生echarts，上面的两个图形组件都有依赖到，也可以使用echarts自定义组件 InteractJs适用于现代浏览器的js规模，调整大小的库 效果展示 配置

弱监督定位调查：使用PyTorch中预先训练的CNN进行弱监督对象定位的各种算法的调查