You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert
Please log in (or register) to post a dweet (copy-paste the code somewhere safe to save it meanwhile) u(t) is called 60 times per second. t: Elapsed time in seconds. S: Shorthand for Math.sin. C: Shorthand for Math.cos. T: Shorthand for Math.tan. R: Function that generates rgba-strings, usage ex.: R(255, 255, 255, 0.5) c: A 1920x1080 canvas. x: A 2D context for that canvas.
import numpy as np theta = np.linspace(-4 * np.pi, 4 * np.pi, 100) z = np.linspace(-2, 2, 100) r = z**2 + 1 x = r * np.sin(theta) y = r * np.cos(theta) import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import axes3d # <- 明示的には使わないが、インポートしておく必要がある。 # Notebook出力には次の1行が必要(%matplotlib inlineだとグラフを回転できない) %matplotlib notebook fig = plt.figure() ax = fig.gca(projection='3d') # <- axes3dをインポートしてい
時は戦国 Python には作図ライブラリがたくさんあります。 最もデファクトスタンダードに近く歴史も古い作図ライブラリは matplotlib で間違いないでしょうが、それでも R における ggplot2 ほどの地位は確立していないように思います。 特に、Jupyter-notebook 上ではインタラクティブなグラフを表示するニーズがあり、そこでは静的なグラフよりもさらにライブラリが割拠している印象があります。何がどう違うのかよくわかりません。 そこで今回は代表的な作図ライブラリの Jupyter-notebook 上での 違いについて簡単にまとめます。 注意 各ライブラリはいずれも細かくグラフのスタイルを設定可能で、やろうと思えば同じような見た目のグラフを生成することも可能ですが、今回はできるだけ何も設定せずにプロットした時のグラフを使います。 今回試すライブラリたち matplo
Tableau を使う理由 Toggle sub-navigation Tableau とは データカルチャーの構築 Tableau Economy コミュニティ Salesforce Advantage Tableau のお客様 Tableau について Toggle sub-navigation ミッション 研究 受賞と称賛 Tableau Foundation Tableau における平等 製品 Toggle sub-navigation Tableau Tableau Pulse Data Management 埋め込み分析 CRM Analytics Enterprise Tableau Public 統合 最新リリース プランと価格 Toggle sub-navigation Pricing Calculator ソリューション Toggle sub-navigation Ta
単語と遊ぶ① 分布図を書いてみる 分布図を書くメソッドを以下のように定義しました。 通常、単語のベクトル表現は100次元とか300次元とかでモデルに学習させます。 それを次元圧縮して2次元に落とし込んだ後に可視化を行っています。 from sklearn.decomposition import PCA import matplotlib.pyplot as plt def draw_word_scatter(word, topn=30): """ 入力されたwordに似ている単語の分布図を描くためのメソッド """ # 似ている単語を求めるためにはGensim word2vecの以下の機能を利用 # model.most_similar(word, topn=topn) words = [x[0] for x in sorted(model.most_similar(word, topn
[Alex Tabarrok, “Charting Charts Chart,” Marginal Revolution, September 15, 2016] [『ニューヨークタイムズ』の9月号に掲載されたグラフの数(5年刻みで調べた)] Pricenomicsブログから引用: 『ニューヨークタイムズ』からとったサンプルでは,1990年以前だと「ビジネス」セクション以外にグラフは1つしか見つからなかった(…).2000年代の後半になると,『タイムズ』の報道にとってグラフは中心を占めるようになっている.同紙はグラフィック担当の記者チームに紙面を斬新な視覚情報で埋めさせている.また,『タイムズ』のウェブ版では,そうしたデータ視覚化がインタラクティブになっている場合も多い. (…)『ニューヨークタイムズ』が視覚重視の報道の方針をゆるぎないものにしたのは,2014年のデータ主導ニュースサイトの
2021-09-072016-08-17 オーマ、人工知能搭載の人物検索エンジン「あのひと検索SPYSEE2」リリース オーマ株式会社は、インターネット上に存在する膨大なページに人工知能を活用し、人物のつながりやその人物に関連するキーワードの可視化をする人物検索エンジン「あのひと検索SPYSEE2」を2016年8月17日(水)にリリースした。 同サービスでは、「◯◯分野」の重要人物、「△△社」の社内ネットワーク、「□□さん」のつながりや得意分野、「××さん派閥」のネットワーク、「☆☆社」の性別比・年代構成がひと目で分かる。また、以下の問題を簡単に解決できる。 ・あの分野での重要人物を知りたい ・あの分野の性別比・年代構成が知りたい ・あの大学での中心人物を知りたい ・あの会社の社内ネットワークがどうなっているのかを知りたい ・あの人とつながりのある人を知りたい ・あの人の得意分野を知りたい
Bar plot The most common way a pie chart can be improved is by turning it into a bar chart, with categories on the x axis and percentages on the y-axis. This doesn’t apply to all plots, but it does to this one. library(ggplot2) theme_set(theme_bw()) ggplot(d, aes(Hours, Percentage)) + geom_bar(stat = "identity") + facet_wrap(~Task) Note that much like the original pie chart, we “faceted” (divided
世界中で話題になっているパナマ文書。各国で政権を揺るがすような事態にもなっていますが、純粋にデータとしてみた場合、これは計算機やデータ解析に関わる人々にも面白いものだと思います。データの中身や背景などについてはさんざん報道されていますのでここでは触れません。一方、現場でどのような作業が行われているのかはあまり報道されていません。現実的な問題として、人力ではどうしようもない量のリークデータを手に入れた場合、調査報道機関はどんなことを行っているのでしょうか?私も以前から疑問に思っていたのですが、先日あるデータベース企業と、データ分析アプリケーションを作成する会社のブログにて、その実際の一端を窺うことができる投稿がありました: Panama Papers: How Linkurious enables ICIJ to investigate the massive Mossack Fonseca
Vivid, contextually-rich visualizations of the world's deepest knowledge graph. Graphiq's products put data into context for researchers, journalists and enterprise. Graphiq is a semantic technology company that instantly delivers deep insights from the world's data. What is a Graphiq Visualization? Pre-Designed: 10 billion visualizations at your fingertipsAuthoritative: built upon the world's dee
Excel のグラフで事実を誇張したい場合、3Dグラフを使うと便利だ。というわけで、普通の棒グラフでなく、3D棒グラフを作る。 合格者数の推移を3D棒グラフにしたもの [1] グラフを描く視点を変える この段階だと、まだ「圧倒的な」感じはしない。だが、グラフを描く視点を変えれば、「圧倒的な合格力」を見せつけることができる。グラフを描く視点を変えるには、グラフ上で右クリックをしてメニューを出し、「3-D 回転…」を選ぶ。 「3-D回転…」というメニューからグラフを描く視点を変えることができる。 そうすると、次のような画面が出てくる。この画面の数値をいじることで、グラフの描かれ方が変わる。 数値を変えることで、グラフを描く視点を変え、別の印象を与えることができる。 まずは、「軸の直交」というチェックを外す。そうすると、次のような形のグラフになる。 「軸の直交」というチェックを外したあとの3D棒
世界中に存在する本の内容を読み取ってデータ化し、さまざまな形で利用できることを意図したグーグル・ブックス・プロジェクトが立ち上げられた時、そんなことができるのか(分量的な意味でも権利的な意味でも)と疑問に思ったものだ。それが今では、著作権侵害などさまざまな課題を残しつつも事業は継続し、検索した時にお世話になることも増えてきた。3000万冊以上の本をすでにデジタル化しているようで、その是非はともかくとしてもかなり大規模な計画だ。 本書『カルチャロミクス 文化をビッグデータで計測する』の著者らは、この壮大なデジタル図書館に目をつけた。著者らのグループとグーグルが共同で開発した、Nグラム・ビューワーと名づけられたツールは、単語を入力することでその単語の出現頻度が時代に伴ってどのように推移したかを図で示してくれる。ある単語が、ある時点でどれだけの人の関心を集めているのかを知りたいのであれば、グーグ
大それたタイトルですが、ただの自分用の�手書きまとめメモです。 基になっているのは主に以下3つの書籍です。ご参考までに。 理論やコンセプトを理解するのに最適なのがこちら。ここの基本マインドセットができていないと、それ以上の応用が利かないので読み込み重要。立ち戻るべきはこの本です。ちなみにより根本的なところはトヨタウェイを読んでおくと深まります。 理論は分かったんだけど、実際にどう実践したらいいの?という具体的な部分まで踏み込んだのがこちら。リーンキャンバス、海賊指標(AARRR指標)やプロダクトマーケットフィットなど、体系的に検証可能なテンプレートやマイルストーン、KPIのベースラインなど紹介がまさに目から鱗です。 トヨタウェイと同じく、リーンスタートアップの概念のベースになったのがこちら。こちらも強烈なマインドセットと、プロセスの初期に大事な「仮説」の考え方に大きな示唆を与えてくれます。
こんにちは、トレンド調査ラボの井上寛之(@inohiro)です。 クックパッドの検索ログを基にした法人向けデータサービス「たべみる」の開発を担当しています。 本稿では、現在開発を行っているスマートフォン向けウェブアプリケーション(Rails)で採用した、 JavaScriptチャートライブラリを選定するにあたって検討した観点について述べます。 また、実際に採用したライブラリと、その利用例を簡単に紹介します。 ウェブ上に無数にあるJavaScriptチャートライブラリから、最適なものを一つ選択するのは なかなか難しい作業ではないかと考えています。おそらく、これから記述する条件を満たすライブラリは数多く存在し、 今回私が選択したライブラリ以上に良いものがあるのではないかと思います。 「何を以って良いライブラリとするか」という議論もまた難しい話題です。 そのようなライブラリについては、はてブコメ
How to Analyze Data: 6 Useful Ways To Use Color In Graphs Effectively using color means your graphs clearly communicate your data. This post shows how. We summarize and apply visualization research to real-world examples. You can make graphs like these with Plotly’s web app, or APIs for Python, MATLAB, and R. For users who want to securely share graphs and data within a team, or create interactive
KEY Black values are sorted. Gray values are unsorted. A red triangle marks the algorithm position. Dark gray values denote the current interval (shell, merge, quick). A pair of red triangles marks the left and right pointers (quick). DISCUSSIONThese pages show 8 different sorting algorithms on 4 different initial conditions. These visualizations are intended to: Show how each algorithm operates.
本稿は、ブダペストで開かれたイベント「 RuPy 」で、Pat Shaughnessyが披露したプレゼンの内容をまとめたものです。 プレゼンの映像はここ から視聴できます。 本稿は当初、 同氏の個人ブログ に投稿されましたが、同氏の了承を得て、Codeshipに再掲載します。 このイベントは「RubyとPython」に関するカンファレンスなので、RubyとPythonでは、ガベージコレクション(以下「GC」)の動作がどう違うのかを比較すると面白いだろうと私は思いました。 ただしその本題に入る前に、そもそもなぜ、GCを取り上げるのかについてお話しします。正直言って、すごく魅力的な、わくわくするテーマではないですよね? 皆さんの中でGCと聞いて、心がときめいた方はいらっしゃいますか? [実はこのカンファレンス出席者の中で、ここで手を挙げた人は数名いました!] Rubyコミュニティで最近、Rub
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く