搜索[可视化工具]结果-低调大师优秀个人博客

精选列表

搜索[可视化工具]，共10000篇文章

运输管理 TMS 系统 | AI 路径规划可视化：多方案对比与拖拽调整

**所以一个好的路径规划可视化，不是把一条蓝线甩给用户看，而是要做到三件事：多方案并排比得出、人工能改得动、改完立刻算得清。

2026-10-22

RKKY相互作用的物理机制、理论模型与参数化可视化实现

# RKKY相互作用的物理机制、理论模型与参数化可视化实现 1.

2026-10-20

智能仓储 WMS 前端系统 | 拣货路径优化可视化：Canvas/SVG 路径动画

路径可视化的价值，就是把算法变成拣货员一眼能验证、能质疑、能改的东西。本文落地一套双渲染管线的拣货路径可视化：SVG 负责结构化节点、可缩放交互与点击查询，Canvas 负责万级路径段的高帧率动画。

2026-10-17

金融报表开发：jquick-pdf K 线图 PDF 可视化解决方案

# 29 金融报表开发：jquick-pdf K 线图 PDF 可视化解决方案 ## 引入投研日报需要在一份可归档的 PDF 里同时呈现交易日、开高低收行情和风险说明。

2026-10-09

AI 预测可视化平台 | 异常检测标记系统：前端如何高亮预测异常点

# 引言偏差分解把"不准"拆成了工单，但工单不会自己排进队列——总得有人先发现它。计划员每天面对成百上千个 SKU、每个 SKU 上百个时间点，**靠肉眼扫线图找异常，漏报率几乎是百分之百**。异常标记系统要解决的，正是这个"发现"环节：用统一的判定规则把可疑点筛出来，用分层视觉编码让最严重的点一眼可见，再给每个点挂上状态机和协作入口。本文拆解异常的四类来源、多层级高亮策略、状态流转与持久化设计，并讨论前端该算到什么程度——哪些该自己做，哪些必须交给后端。 --- # 一、先分清：异常是"预测外"还是"预测内" 这是设计异常系统第一个要踩的坑。很多团队把所有偏差大的点都叫"异常"，结果把节前促销这种**模型本来就该预测到**的点也算进去了——这类点偏差大，但它不异常，它是模型表现差。异常至少应分四类，判定逻辑完全不同： |类型|判定逻辑|语义|建议色| | --- | --- | --- | --- | |区间外|`actual upper`|落在预测区间之外|红| |残差偏置|`|residual|` 显著高于该 SKU 残差分布| |趋势突变|相邻点斜率超过历史分位|行为模式突变|黄| |数据质量|缺值、负值、突降为零|源数据有问题|灰| ![](https://developer.qcloudimg.com/http-save/audit-10133498/f3d95c79a9f76f4bdac4bdf77c399a4c.png) **解析**：这是一条**优先级链，不是并列判断**。区间外最严重、最明确，单独成一类；残差离群要和历史自身比较，避免把天生波动大的 SKU 误杀；趋势突变捕捉的是"模式变了"，即便单点不超界也值得关注；数据质量问题则独立于模型存在。**四类用不同颜色编码，是整套系统可读性的根基**——计划员扫一眼颜色就知道要处理什么性质的问题。 --- # 二、数据契约：让异常"带状态"地流动异常不是一次性计算结果，它是一个**有生命周期的对象**。今天标红的点，可能被标注为"已核实、是促销"，也可能被驳回"数据有误待修复"。所以后端下发的字段必须同时承载判定结果与人工状态。 ```javascript { "sku": "SKU-1002331", "series": [ { "ds": "2026-11-11", "actual": 1520, "yhat": 1370, "yhatLower": 1180, "yhatUpper": 1470, "residual": 150, "severity": 3, "codes": ["out_of_band", "residual_outlier"], "status": "open", "annotator": null, "annotatedAt": null, "comment": null } ], "thresholds": { "residualP95": 138, "slopeP95": 0.42, "intervalLevel": 0.8 } } ``` **解析**：`codes` 是数组而非单值，因为一个点上**可以同时命中多类异常**（如既区间外又残差离群），用单字符串就无法表达。`severity` 用 1-3 三级，是视觉编码的输入，也便于列表页排序。`status` 是状态机的核心字段，取值只能是 `open / confirmed / dismissed / resolved` 之一，前端据此控制交互可用性。`thresholds` 必须下发并展示，否则计划员会质疑"凭什么算异常"——**阈值可见是异常系统获得信任的前提**。 --- # 三、分级视觉编码：三级信号叠加高亮不是把所有异常点都涂红。红色用滥了就等于零，这是视觉告警的通病。正确的做法是用**形状 + 描边 + 填充**三层信号叠加，让最严重的点"穿透"整张图。 ![](https://developer.qcloudimg.com/http-save/audit-10133498/b9daa6db1a2ca243cc97335f1c13bf1e.png) **解析**：三级编码遵循"**越严重，越不可忽略**"的原则。一级只加描边，不抢注意力；二级填充，扫图时能被发现；三级实心加发光，并同步推送到异常清单置顶。**形状和颜色同时编码，能让色弱用户也可读**——这是无障碍合规的基本要求，不能用颜色做唯一通道。 ```javascript const SEVERITY = { 0: { fill: '#9CA3AF', size: 3, stroke: 'none', glow: false }, 1: { fill: '#FBBF24', size: 5, stroke: '#B45309', glow: false }, 2: { fill: '#FB923C', size: 6, stroke: '#C2410C', glow: false }, 3: { fill: '#EF4444', size: 7, stroke: '#991B1B', glow: true }, } export function AnomalyMarkers({ series, onSelect }) { const anomalies = series.filter(d => d.severity > 0) return ( {anomalies.map(d => { const style = SEVERITY[d.severity] const cx = dateToX(d.ds) const cy = valueToY(d.actual) return ( onSelect(d)} tabIndex={0} onKeyDown={e => e.key === 'Enter' && onSelect(d)}> {style.glow && ( )} ) })} ) } ``` **解析**：异常点单独成一层、渲染在实际线**之上**，保证不被曲线遮挡。`SEVERITY` 用查表替代条件判断，新增等级只改配置不改逻辑。**三级加 SVG **`animate`** 脉冲**，是"需要立即处理"的最强信号，且脉冲是 CSS/SVG 原生实现、零 JS 开销。`tabIndex` 和键盘事件让点可用 Tab 聚焦、Enter 选中，是键盘可达性的最低要求。 --- # 四、阈值配置：让业务自己定"什么叫异常" 阈值写死在前端，是异常系统最常见的失败方式。不同品类、不同波动水平的 SKU，异常标准完全不同，必须支持用户调整并即时回看效果。 ![](https://developer.qcloudimg.com/http-save/audit-10133498/9094b665076d5f3bf1aec15eda15ceff.png) **解析**：阈值调整是高频试探动作，必须**即时回算、零网络往返**。只有用户点"保存"时才发请求，这是交互流畅与数据安全的基本平衡。 ```javascript import { useMemo, useState } from 'react' export function ThresholdPanel({ base, onChange }) { const [draft, setDraft] = useState(base) // 本地草稿与已提交值分离，避免误提交 const dirty = JSON.stringify(draft) !== JSON.stringify(base) return ( setDraft({ ...draft, residualP95: v })} /> setDraft({ ...draft, slopeP95: v })} /> onChange(draft)} disabled={!dirty} className="px-3 py-1 bg-indigo-600 text-white rounded disabled:opacity-40"> 应用到本 SKU setDraft(base)} disabled={!dirty} className="px-3 py-1 border rounded">重置 ) } // 纯函数：按当前阈值重算整段序列的异常码 export function detectAnomalies(series, t) { return series.map((d, i) => { if (d.actual == null) return { ...d, severity: 0, codes: [] } const codes = [] if (d.actual > d.yhatUpper || d.actual t.slopeP95) codes.push('trend_shift') } if (Math.abs(d.residual) > t.residualP95) codes.push('residual_outlier') const severity = codes.includes('out_of_band') ? 3 : codes.length >= 2 ? 2 : codes.length === 1 ? 1 : 0 return { ...d, codes, severity } }) } ``` **解析**：`draft` 与 `base` 比对控制"保存"按钮的可点状态，防止空提交，这是表单交互的基本功。`detectAnomalies` 是纯函数，输入序列和阈值、输出带标记的新序列——**纯函数意味着可测试、可复现**，单元测试直接覆盖边界情况（如首点无前驱、实际值为空、残差恰等于阈值）。`severity` 的合并规则体现优先级：区间外一律最高级，多重命中升一级，单类命中为一级。 --- # 五、状态机：从发现到闭环异常标记不是终点。一个点被标红之后，必须走完"核实—决策—回传"的完整链路，否则系统只会越积越多的红点，最后被计划员无视。 ![](https://developer.qcloudimg.com/http-save/audit-10133498/428f8cc5aa5c8e1fdea241bbd0eb86c2.png) **解析**：`open` 是所有新异常的初始态，只有三种出口，且**每种出口都对应一个后续动作**。这保证了红点不会烂在系统里。`confirmed` 直接对接反馈队列（本系列最后一篇详述）；`dismissed` 看似是"忽略"，实际在积累规则例外数据，长期看是规则优化的重要样本；`resolved` 则触发重新预测，形成即时反馈。 ```javascript const TRANSITIONS = { open: ['confirmed', 'dismissed', 'resolved'], confirmed: [], dismissed: [], resolved: [], } export function AnnotationPanel({ point, onUpdate }) { const allowed = TRANSITIONS[point.status] || [] const submit = (next, comment) => { if (!allowed.includes(next)) return onUpdate({ ...point, status: next, comment, annotator: currentUser.id, annotatedAt: new Date().toISOString(), }) } return ( {point.ds} 严重度 {point.severity} {point.codes.map(c => • {CODE_LABEL[c]})} onUpdate({ ...point, draftComment: e.target.value })} /> {allowed.map(s => ( submit(s, point.draftComment)} disabled={!point.draftComment?.trim()} className="px-3 py-1 text-sm border rounded disabled:opacity-40"> {STATUS_LABEL[s]} ))} ) } ``` **解析**：`TRANSITIONS` 把状态流转规则**集中在一张表里**，新增状态只改配置，这是状态机模式的核心价值。`allowed` 决定按钮是否渲染，比"渲染了再禁用"更干净——**不该有的动作就不该出现**。提交按钮在说明为空时禁用，因为标注无说明等于无效数据，后端也无法据此学习。 --- # 六、异常清单：从发现到排期图表上的标记解决"看见"，清单解决"处理"。两者必须同步——点击清单行，图表跳转到对应点；点击图上点，清单自动高亮该行。 ![](https://developer.qcloudimg.com/http-save/audit-10133498/1f58ef83b09a8f7b0bd61cee30e1ffa7.png) **解析**：清单默认只显示 `open` 且按严重度降序，是"今天先处理最严重的"这个工作流的直接映射。已 dismissed 的点可展开查看，但不占主列表，避免干扰。虚拟滚动在这里是刚需——一个品类可能有上千个异常点。 ```javascript import { useVirtualizer } from '@tanstack/react-virtual' export function AnomalyList({ items, selected, onSelect }) { const parentRef = useRef(null) const virtualizer = useVirtualizer({ count: items.length, getScrollElement: () => parentRef.current, estimateSize: () => 56, overscan: 8, }) return ( {virtualizer.getVirtualItems().map(vi => { const d = items[vi.index] return ( onSelect(d)}> {d.ds} {d.codes.map(c => CODE_LABEL[c]).join('、')} {(d.actual - d.yhat > 0 ? '+' : '') + (d.actual - d.yhat)} ) })} ) } ``` **解析**：`react-virtual` 只渲染可视区域内的行，`overscan: 8` 让滚动时有缓冲不露白。**行高用固定 56px 并 **`estimateSize`** 声明**，是虚拟滚动流畅的前提——行高不固定会导致滚动条抖动。每行保留颜色点、日期、异常类型、偏差值四段信息，一眼可扫。 --- # 七、性能：前端判定 vs 后端判定阈值调整的即时回算是前端判定的唯一合理场景，除此之外都应交给后端： |场景|判定位置|原因| | --- | --- | --- | |阈值试探|前端纯函数|需零延迟反馈| |首屏展示|后端下发|避免重复计算| |多 SKU 批量|后端预计算|数据量大| |规则更新|后端|保持一致性| **解析**：1 万点以内前端判定是毫秒级，完全可承受；超过 5 万点就接近一帧预算，**应改为 Worker 或把阈值回算也交给后端**。经验法则是：判定逻辑只在前端保留一份用于交互预览，正式结果一律以后端为准，避免规则分叉。 --- # 结语异常标记系统的价值不在于"画红点"，而在于把模型的不确定性和人工经验接成一条可追踪的链路。本文给出了从判定到闭环的完整设计：四类异常各有判定逻辑与视觉编码，三级严重度用形状、描边、填充和脉冲叠加保证可读与无障碍，阈值可试探调整但规则只保留一份权威源，状态机确保每颗红点都有出口。阅读本文的收获： - 区间外、残差离群、趋势突变、数据质量必须分开标记并用不同颜色区分； - 颜色不能是唯一通道，需叠加形状编码以兼顾色弱用户； - 阈值调整必须在前端即时回算，但正式结果始终以后端为准，避免规则分叉； - 每个异常点都要走完 confirmed / dismissed / resolved 三种出口，否则红点会堆积到被无视。

2026-10-06

System Architecture Modeling (SAM) - 知识体系与能力框架可视化建模提示词

** 今天继续分享我原来整理的基于系统工程学思想的可视化建模提示词和标准规范。实际在今年1月份的时候就出了该规范，但是当时大模型的绘图能力有限，也没有引起我足够重视。

2026-09-22

可视化 CRUD 增加从 AI 设计数据表开始

新增增加 AGENTS.md 系统配置增加 AI 相关配置项 可视化 CRUD 增加从 AI 设计数据表开始 可视化 CRUD 增加复制上下文按钮，以便无缝对接

2026-09-17

基于SpringBoot和PostGIS的各国及所属机场信息检索及可视化实现

，在这两篇文章中，我们侧重是讲了数据的采集和数据的入库、检索、空间可视化，但是缺乏从国家这个维度来进行展示和分析。

2026-09-12

基于Leaflet和天地图的南海部分岛礁标准名称可视化实践

文本讲解如何使用Leaflet，结合国家天地图来进行南海部分岛礁标准名称可视化。

2026-09-08

Dify 工作流：可视化编排 LLM 应用的架构逻辑与工程实践

**Dify 工作流：可视化编排 LLM 应用的架构逻辑与工程实践**，这并非一句简单的产品口号，而是对当前大语言模型（LLM）应用开发范式的一次深刻重构。

2026-09-05

3D 数字孪生 + 动环监控，实现机房可视化远程运维

结合 3D 数字孪生技术，把机房物理设备与实时监测数据结合，实现机房可视化远程运维，降低运维理解门槛。传统机房动环监控大多采用二维列表、组态画面展示运行参数。

2026-09-01

Apache Doris 上线 Profile 可视化诊断：基于 Doris Skills 破解 AI 误诊难题

上述 Skills 均采用开放的 Agent Skills 标准格式，适配多种 Agent 框架与运维工具。

2026-08-28

# WorkBuddy 实战：自动拉取 A股行情并生成可视化周报（附完整脚本）

- 在工作区加载 **a-stock-data** 技能（A股全栈数据工具包，覆盖行情、研报、资金面等）。 - 本地有 Python 3.10+ 环境（生成 HTML 报告用）。

2026-08-20

基于Leaflet的高德AOI数据在天地图底图可视化纠偏实践

# 前言之前有朋友咨询有一份从高德地图获取的数据。在高德地图上展示时，位置都是没有问题的。但是在底图切换到天地图时，发现空间范围面发生了偏移。想咨询怎么解决这个问题。关于地图中的坐标系，这里不讲述过多的理论知识，关于坐标系的内容，大家可以自行查找一些互联网的资料来进行学习。国内的地图提供商，比如高德、百度、腾讯等等，都会做一些偏移。关于偏移的效果如下所示： ![](https://developer.qcloudimg.com/http-save/yehe-12362774/c5eb2d15c86e0eeea39576b513bbd951.png) 选择天地图作为在线底图是一种常见的做法，也是推荐的做法。如前文所述，在进行一些在线数据的采集时，会将不同的矢量数据在底图中进行展示，因此发生的矢量数据和底图有偏移的情况。如上图中的红色是从高德中采集的原始数据，即偏移的数据，白色范围是对应的在天地图中的准确数据。当然，如果您的底图也是采用高德的底图的话，那么则无需处理这种情况。本文即在此需求背景下产生，博客内容主要讲述如何从高德地图中查找我们需要的AOI边界数据，如何将采集回来的AOI数据在Leaflet地图中展示，其次讲述使用JavaScript在前端进行高德数据到WGS84坐标的转换，最后综合展示纠偏前和纠偏后的数据，让您对当前的场景有一个综合的了解和熟悉。如果您当前也遇到了这类问题，不妨来这里看看博文。 # 一、高德地图中的AOI数据 AOI数据是兴趣面数据，对应的是POI即兴趣点数据。在空间点的分布当中，通过POI可以找到对应的AOI数据，比如一个小区，可以构建成一个AOI。这里也不深入的讲解什么是AOI，这里以高德地图为例，重点讲解如何在高德地图中查询我们需要的AOI数据，同时可以将高德的AOI数据进行相应的抓取。 ## 1、数据查询首先我们在浏览器中打开高德地图，将弹出如下界面： ![](https://developer.qcloudimg.com/http-save/yehe-12362774/6114c0d04e0e81eb26c2249854324c71.png) 以上是高德地图的首页，跟我们之前自己实现的Leaflet地图功能类似，可以做地图的缩放，非常清晰的，可以在地图的左上角可以看到可以支持关键词检索。比如在地址检索框中输入“梅溪湖步步高”，可以看到系统做了以下检索： ![](https://developer.qcloudimg.com/http-save/yehe-12362774/6e117ccf8458f4e1f02e14bc8a589c66.png) 可以看到，它在查询检索界面不仅将目标地址进行了列出，同时还在地图中展示了一个空间边界的范围，就是一个商场的外围边界。而这个外围边界就是指的AOI数据。我们可以在控制台来看一下它的主要请求过程是怎么发生的。 ## 2、服务接口简介为了能准确的获取目标兴趣点的边界数据，还需要对相关的接口进行介绍。主要分为两个接口。一个是获取目标兴趣点的列表信息，第二个是通过详情id获取坐标信息详情的接口。先来看下检索的过程是怎么处理的，打开网页的调试模式，如下图所示： ![](https://developer.qcloudimg.com/http-save/yehe-12362774/5e868369a9753ddd7a8e3c59d4c9c939.png) 可以在监控窗口可以看到，系统访问的后台服务地址如下： ``` https://www.amap.com/service/poiInfo?query_type=TQUERY&pagesize=20&pagenum=1&qii=true&cluster_state=5&need_utd=true&utd_sceneid=1000&div=PC1000&addr_poi_merge=true&is_classify=true&zoom=16.74&city=430100&geoobj=112.855343%7C28.196778%7C112.866758%7C28.200526&keywords=%E6%AD%A5%E6%AD%A5%E9%AB%98%E6%A2%85%E6%BA%AA%E6%96%B0%E5%A4%A9%E5%9C%B0 ``` 其携带的请求参数如下所示： ![](https://developer.qcloudimg.com/http-save/yehe-12362774/4f7ba920ddced5d246c825c74993f96b.png) 在响应中可以看到有以下的数据列表： ![](https://developer.qcloudimg.com/http-save/yehe-12362774/3f7abb887c4d9ee72269896bc54f02b3.png) 返回的是一个POI的数据列表，打开具体的一条记录，请记住里面的ID字段，这个字典就是后面的数据关联对象。尤其是打开详情的时候的信息。 ``` { "rating": "4.0", "tel": "", "typecode": "060000", "areacode": "0731", "address": "东方红路657号", "cityname": "长沙市", "display_brand": "", "shape_region": "", "longitude": "112.862798", "review_total": "", "cinemazuo_flag": "0", "diner_flag": "0", "id": "B0KADSUQ7M", "name": "步步高梅溪新天地假日广场", "group_flag": "0", "distance": "0", "entrances": [], "recommend_flag": "3", "exits": [], "adcode": "430104", "domain_list": [ { "type": "html", "id": "1015", "name": "poiclosed" }, { "type": "img", "id": "1003", "name": "icon" }, { "type": "html", "id": "1011", "name": "traffic" }, { "type": "text", "id": "1014", "name": "roadaoi" }, { "type": "button", "id": "1012", "name": "ext_btn" }, { "type": "webimg", "id": "1009", "value": "http://store.is.autonavi.com/showpic/c399c8adab0448847bfa1b8d698fd252", "name": "pic_info" }, { "type": "img", "id": "1008", "name": "overbooked" }, { "type": "img", "id": "1007", "name": "moreservice" }, { "type": "html", "id": "1006", "name": "tag" }, { "type": "text", "id": "1005", "name": "parent_info" }, { "type": "array", "name": "parent_other_rel", "id": "1004" }, { "type": "text", "id": "1010", "name": "business_area" }, { "type": "html", "id": "1002", "name": "deepinfo" }, { "type": "html", "id": "1001", "name": "price" }, { "type": "text", "id": "1013", "name": "aoi" } ], "newtype": "060000", "disp_name": "步步高梅溪新天地假日广场", "cpdata": "", "latitude": "28.196510", "discount_flag": "0" } ``` 在最后打开详情页面，可以找到AOI详情数据。如下图所示： ![](https://developer.qcloudimg.com/http-save/yehe-12362774/920a0bc731e70b6aeb1accce5008c379.png) 访问连接如下： ``` https://www.amap.com/detail/get/detail?id=B0FFHRXORE ``` 在返回的值中就可以找到对应的AOI数据，查看data节点下的spec，再打开mining_shape字段，如下： ![](https://developer.qcloudimg.com/http-save/yehe-12362774/e80920774e90ffd7421acd5a02e8ee5b.png) 到这里，基本就可以获取到高德的AOI数据。下面我们结合天地图来讲解如何进行web展示以及纠偏展示。 # 二、在天地图中展示AOI数据将面的坐标点导到本地后，就可以将坐标位置展示出来。本节结合天地图和Leaflet来看一下如何将这些面展示出来。 ## 1、对面数据的处理首先我们来一个真实的AOI输入，数据样例如下所示： ``` "112.869683,28.191884;112.868807,28.191039;112.86821,28.190464;112.867508,28.189842;112.867465,28.189826;112.867417,28.189832;112.867366,28.189852;112.867218,28.189914;112.867173,28.189945;112.86708,28.190037;112.866052,28.191339;112.865927,28.191468;112.865743,28.191696;112.865561,28.19198;112.86546,28.192143;112.864943,28.193369;112.864461,28.194713;112.864407,28.194901;112.863687,28.198129;112.863535,28.198951;112.86354,28.198996;112.863564,28.199039;112.863605,28.199068;112.86367,28.199087;112.864193,28.199117;112.864551,28.199109;112.864858,28.199091;112.866598,28.199148;112.867201,28.199252;112.868416,28.199481;112.868517,28.199511;112.868986,28.199696;112.869025,28.199704;112.86906,28.199706;112.869095,28.199697;112.869139,28.199679;112.870409,28.198994;112.870438,28.198966;112.870451,28.198938;112.870463,28.198907;112.87052,28.198537;112.870597,28.198195;112.870866,28.197445;112.870891,28.197386;112.871148,28.196907;112.871583,28.196115;112.871695,28.195868;112.872088,28.195;112.872085,28.194965;112.872075,28.194937;112.872056,28.194919;112.872032,28.194904;112.870381,28.194416;112.870349,28.194398;112.870313,28.194379;112.87029,28.194356;112.870269,28.194334;112.870255,28.194275;112.87023,28.194178;112.870231,28.194067;112.870262,28.193956;112.870301,28.193888;112.870388,28.193776;112.87045,28.193705;112.870515,28.193636;112.870627,28.193523;112.87066,28.193483;112.870677,28.193449;112.870686,28.193396;112.870689,28.193341;112.870653,28.192904;112.870648,28.192846;112.870631,28.192802;112.870606,28.192773;112.870267,28.192485;112.870243,28.192456;112.870236,28.192425;112.870223,28.192318;112.870218,28.192292;112.870212,28.192266;112.870194,28.192244;112.869794,28.191969;112.869683,28.191884"; ``` 可以看到，这是一个由多个坐标点连续而成的面。两个坐标点之间用；号隔开。而坐标点的经纬度则用逗号隔开。因此我们在Javascript中只需要先按分号分隔字符串，再用逗号分隔就可以形成一个连续的面坐标。关键代码如下： ``` function convertStr2DataArrayNoTrans(strInfo){ var resultData = new Array(); var dataArray = strInfo.split(";"); for(var i = 0;i 137.8347) || ((lat 55.8271) || false) } ``` 接下来，我们将面坐标的构建进行一个简单的封装，跟之前的无转换不同，这里包含了坐标的转换。 ``` function convertStr2DataArrayTrans(strInfo){ var resultData = new Array(); var dataArray = strInfo.split(";"); for(var i = 0;i< dataArray.length;i++){ var _tempLatLon = dataArray[i].split(","); //parseFloat() 这里一定要用parseFloat函数，否则+运算后会变成非数字，导致偏移失败。 var pointJson = gcj02towgs84(parseFloat(_tempLatLon[0]),parseFloat(_tempLatLon[1])); resultData.push([pointJson[1],pointJson[0]]); } return resultData; } ``` 在这里，请注意由于我们的坐标点都是用字符串来表示，因此在传参时一定要转成浮点型来计算，否则将无法正确的计算对应的值。接下来我们将转换后的值叠加到地图当中去： ``` L.polygon([ convertStr2DataArrayTrans(diyishifanStr) ],blueStyle).addTo(map).bindPopup("湖南第一师范学院东方红校区转换数据"); ``` 然后在页面中查看一下具体的面数据，为了有所区别，我们将转换后的数据用白色来描述边界。效果如下： ![](https://developer.qcloudimg.com/http-save/yehe-12362774/b6ad51a5dacf3196a18a29fafb59edce.png) 通过上图可以看到，根据面数据的大小不一，均进行一定的偏移。同时经过我们的数据纠偏操作，成功的将数据进行了天地图的吻合和叠加。通过以上的代码和教程，大家就能掌握具体的纠偏方法。 # 四、总结以上就是本文的主要内容，博客内容主要讲述如何从高德地图中查找我们需要的AOI边界数据，同时讲解如何将采集回来的AOI数据如何在Leaflet地图中展示，其次讲述如何使用JavaScript在前端进行高德数据到WGS84坐标的转换，最后综合展示纠偏前和纠偏后的数据，让您对当前的场景有一个综合的了解和熟悉。行文仓促，定有许多不足支持，如有不足还恳请各位专家朋友在评论区留言指正，不甚感激。

2026-08-19

上传一张表格，WorkBuddy 自动帮你做数据分析与可视化

【配图4：最终分析报告截图】 ## 标签 #WorkBuddy #数据分析 #可视化 #Excel #效率工具

2026-08-17

#教程 #WorkBuddy# 数据分析实战：上传表格 3 步产出可视化图表

这篇教程分享我用 WorkBuddy 数据分析模式的做法：上传表格、下一条指令，三步拿到可视化图表和结论，全程基本不用碰公式。

2026-08-16

Python 财务数据可视化实战 · 模板合集（5 类图表可运行代码）

《Python财务数据可视化实战》系列 5 篇收官。这里把全部代码打包成一个可运行脚本，覆盖月报和经营分析最常用的 5 类图表：营收趋势、产品对比、费用结构、营收利润背离、科目季节性。

2026-08-16

WebBuilder 模板引擎实战教程——零代码实现动态可视化数据卡片

## 一、前言在企业级后台、ERP、MES、数据中台系统开发中，**数据卡片、指标看板、统计模块**是高频刚需场景。传统开发需要前端编写大量HTML、CSS、JS渲染逻辑，后端封装数据接口，前后端联调耗时费力，且样式复用性差、动态更新繁琐。 WebBuilder 内置自研高性能模板渲染引擎，支持**原生HTML模板 + 动态数据绑定 + 一键局部刷新**，无需复杂JS渲染逻辑，单组件即可完成多指标数据展示、实时更新，完美适配ERP数据看板、经营指标统计、生产数据监控等场景。本文基于完整可运行源码，手把手落地动态模板卡片实战。 ## 二、核心技术能力亮点 - **双向数据绑定**：支持静态默认值、动态对象取值、时间格式化、数字格式化； - **局部增量更新**：无需重载页面，一键更新指定字段数据； - **原生样式封装**：内置全套UI样式类，无需额外写CSS； - **两种渲染模式**：组件模板渲染 + 列表视图模板渲染，适配不同业务场景。 ## 三、完整实战代码解析 ### 1. 静态初始化数据模板通过 `tplData` 预设初始化数据，模板通过 `{字段名}`、`{[data.字段.子属性]}` 两种语法快速渲染文本、数字、时间、格式化金额。支持多种数据类型原生解析：百分比、金额美元格式化、自定义文本、12小时制时间、整型数字。 ### 2. 动态局部更新能力传统开发更新看板数据需要重新请求接口、刷新DOM，WebBuilder 通过 `update()` 方法实现**无刷新局部更新**，仅修改指定字段，性能极致轻量化。 ``` // 一键局部更新模板数据，无需重载页面 app.tplComp.update({ p1: '56.82%', p2: 839213, p4: new Date() }); ``` ## 四、两种渲染方案业务场景适配 ### 1. Component 组件模板（适合固定指标卡片）适用于ERP首页核心指标、系统概览、固定统计项：增长率、营收、市场数据、系统时间、累计总量等固定维度展示。 ### 2. View 视图模板（适合动态列表指标） ![](https://developer.qcloudimg.com/http-save/yehe-12550059/62fd1bde10b69c908480657a19a63ee8.png) 通过 `itemTpl` 循环渲染列表数据，支持动态增减字段，适合可变维度的数据统计看板，灵活适配企业自定义报表需求。 ## 五、实战落地价值在ERP系统开发中，首页数据看板、经营统计、库存指标、生产进度统计，使用WebBuilder模板引擎可**省去90%前端渲染代码**，无需搭建接口、无需操作DOM，配置即生效、更新即实时，极大提升后台管理系统、数据中台、MES看板的开发效率。

2026-07-31

Python 自动化做数据可视化10个示例（含代码），强烈推荐

**Python**提供了众多强大的可视化库。**Matplotlib**作为基础绘图库，提供了超过85种图表类型，构成Python可视化生态的基石。

2026-07-20

WSL Dashboard v0.5.1 开源更新，一款 WSL 可视化管理面板

E、伙伴邀请如果您对Rust 及开源充满兴趣，可以沟通加入一起开发该工具。

2026-03-12

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

WebStorm

WebStorm 是jetbrains公司旗下一款JavaScript 开发工具。目前已经被广大中国JS开发者誉为“Web前端开发神器”、“最强大的HTML5编辑器”、“最智能的JavaScript IDE”等。与IntelliJ IDEA同源，继承了IntelliJ IDEA强大的JS部分的功能。