分类
新手都可掌握的蜡烛图分析法

初学者易懂的曲线图分析法

Dino笔记

初学者如何快速上手数据可视化设计


△ 图片来源于网络

3. 优化设计之前要注意几点:

  • 切忌设计时不要过度装饰图表,喧宾夺主造成数据不直观,对观者获取数据产生障碍。
  • 图形化要友好,不能一味地追求视觉效果,造成图形识别度降低、友好度下降。
  • 图形化后一定要利于理解。所有的设计一定是为业务服务的,数据图形化后更不利于业务信息传达,那就失去了图形化设计的意义
  • 开发可实现,设计师常遇到,酷炸炫的效果让开发落地非常困难,务必要多沟通,懂取舍。设计之初就要考虑全面。

设计尺寸与大屏的拼接方式

可视化大屏一般都是多屏拼接或者 LED\LCD 等材质屏幕。不同的屏幕像素是不相同的,显示像素、物理像素都不同,包括硬件设备的不同导致输出像素也不相同,例如同样是 3×2 的拼接屏,输出像素可以是 X1*Y1 也可以是 X2*Y2,这就造成了很多潜在问题,设计之初屏幕硬件及拼接方式需要提前确定。基本有两个方法,简单的说,方法一、拼接屏可以按照拼接后的横纵像素总和设计(拼接屏像素超大可等比例缩放)。LED/LCD 屏幕设计也是同样的原理。方法二、按照硬件输出像素设计,硬件设备的输出像素一定是和整个拼接屏成比例或者是吻合的。所以按照输出像素设计是可以的。

页面设计及布局思路

具体设计要根据项目确定使用的工具做调整,如 web、u3d、ue4 等等。项目用什么开发工具很大程度决定了设计方法方式,各种工具自有不同的优劣势,像 web 轻量化图表控件多,效果相比 u3d 会弱很多。u3d 对三维支持好,粒子等效果有优势。了解这些大致可知道设计思路。

1. 字体:

  • 选择识别性高的,字体不要太细,同时要注意版权,不要选择太圆润的字体。

2. 颜色:

  • 颜色明度饱和度要高些,远距离观看更利于信息清晰传达。颜色不要过于相近,大屏颜色相近更不易于数据间的区分,降低阅读舒适感。大屏背景选择深色系,内容选择亮色系。保持内容与背景有一定的对比关系,便于业务信息传达。(同时深色系也省电)

设计风格的确定

风格的确定也是至关重要的,首先要确定应用场景是怎样的(室内、室外、光照如何、灯光照射如何、硬件如何等等),要充分考虑,以及目标用户是谁,给谁用等等。都会对风格有不小的影响,设计是相通的,可用 UI 的方式来定义可视化设计风格,AB 测试、情绪版等等。差异比较大的一点是应用场景的环境。

  • 现在的设计布局是否合理
  • 配色是否合理并能通过色彩传达数据的意义
  • 整体设计是否符合之初的业务目标
  • 是否存在其他问题等等

现场硬件设备校对

开发落地及再次现场校对(含性能)初学者易懂的曲线图分析法

开发工具不同(如 web、u3d、ue4 等等),对接方式也会有差异。相同相似之处有如标注规范,颜色,字体字号等等。对于一些三维场景需要提供三维文件,如 obj、FBX 等。

补充一点,拼接屏到 8K 左右甚至更高,输出像素不必达到 8K,稍微加点效果,会卡到怀疑人生。一般会降低到 4k 左右,对硬件要求下降的同时也能保证整体效果和流畅度。

分享到微信

分享到微博

DinoBox

Grasshopper插件 JerryFish

订阅所有Dino笔记的日志

Dino笔记

[Dino笔记]矩形柱的PM曲线电算与手算对比

作者:初学者易懂的曲线图分析法 dinochen1983 日期:2021-08-24

[Dino笔记]矩形截面的PM曲线的电算与手算对比
相关资料下载: 初学者易懂的曲线图分析法

(微信公众号点击下方【阅读原文】下载):
【软件下载】 程序:矩形截面的PM曲线程序
【Python源代码】 python :矩形截面的PM曲线分析源代码
【Github】 https://github.com/dinochen1983/Python4Fun/tree/main/ColumnPMCurve

发现有一些新的《混凝土原理》的教科书已经没有对PM曲线的计算有详细的描述,其实这几个公式在平时的混凝土结构设计中经常用到,太重要了。

对称配筋矩形截面大偏心受压构件的Nu-Mu相关曲线的公式如下式所示:
(注:原教材的公式有误,第一项应该是负号)

对称配筋矩形截面小偏心受压构件的Nu-Mu相关曲线的公式如下式所示:


通过这两组公式就可以绘制出混凝土截面的PM曲线了,这个公式的不足之处在于没有考虑腰筋的影响,这个在设计中需要注意。书上的实例绘制出一系列的PM曲线如下图所示:


笔者通过Delphi编程PM手算程序如下所示。以教材上的截面作为算例:
Delphi的相关程序可以点击下载。


采用DELPHI编制的绘图与计算程序

算例:截面bxh = 500x600,截面配筋为565~5400,对称配筋。钢筋质心到边缘的距离是35mm,混凝土等级为C30,钢筋采用HRB400.fy = 360MPa, fc = 14.3MPa,经过程序计算得到的PM曲线与材料是不同的,如下图所示。当年本科的时侯学习《混凝土结构》就发现这个问题了,一直没有参照证明哪一组曲线是对的。那么接下来就采用ETE-SEC与手算公式进行对比吧。



发现书上的曲线与编程所得结果不同

以配筋As = 5024mm为例,改为4T40的配筋,在ETE-SEC的截面输入如下图所示。


ETE-SEC对矩形柱的建模与网格划分(不考虑腰架的影响)



ETE-SEC程序中截面分析功能

分析所得结果与手算公式的PM曲线对比如下图所示。通过曲线的对比,也侧面证明当年的材料《混凝土原理》书上的曲线是印刷错的,所以说尽量信不如无书。

手算是数值积分的结果进行对比


图,采用matplotlib的库基于python绘制曲线


绘制矩形柱的PM曲线的代码


这个是我的 微信公众号 [Dino结构笔记]:DINOSTRU
也可以通过扫二维码进行关注一下。

[本日志由 dinochen1983 于 2022-03-03 02:15 AM 编辑]
文章来自: 本站原创
引用通告: 初学者易懂的曲线图分析法 查看所有引用 | 我要引用此文章
Tags: pythonpython 截面分析截面分析

@司南牧|知乎|博客|易懂教程|李韬

156 初学者易懂的曲线图分析法 原创 2万+ 周排名 105万+ 总排名 36万+ 访问 等级

专栏达人

持之以恒

笔耕不辍

勤写标兵

  • ubuntu cmake Fatal error: iostream: No such file or directory
  • 什么是大端(Big Endian)?什么是小端?为何需要这样设计?
  • 初学者易懂的曲线图分析法
  • [易懂]如何真正理解SLAM中的BA中的扰动法求导泰勒展开
  • 如何理解PnP问题的DLT解法以及Python编程实践

适合初学者的神经网络机器学习理论到实践入门

关注

作者: 司南牧

啤酒与尿布?挖掘商品之间的关联性分析(1):机器学习之Apriori算法

挖掘商品关联性(2): FP-growth算法

适合初学者易懂的机器学习算法之k-means(k均值)Python代码实现

通俗解释高中生能听懂的SVM本质和原理

[编辑推荐|易懂]如何理解论文中的那些评估方法性能指标概念名词 适合初学者的神经网络 实战 理论 实践(6)

适合初学者的神经网络 实战 理论 实践(6)[易懂]如何理解论文中的那些评估方法性能指标概念名词<召回率 ROC AUC 交叉验证>作者:知乎 Ai酱首发于:知乎专栏《适合初学者的机器学习神经网络理论到实践》假设现在我们论文是要识别垃圾邮件。将邮件分类为垃圾邮件和非垃圾邮件。好了接下来通过垃圾邮件这个例子说明别人论文中常常出现的评估方法性能的概念名字是什么意思。假如我输入了.

从本质看决策树,谈谈信息熵是怎么发现的,ID3决策树Python实践实现XOR异或

本文首发于CSDN @Ai酱 的博客,转载请注明出处。任何机器学习的套路机器学习算法看起来那么多,其实套路就一个。那么多算法是背不下来的,自己知道他们怎么根据套路想出来的就可以。套路就三步:选取一种数学模型来对数据进行分类预测*。线性回归是用直线这个数学模型来划分数据。逻辑回归是用sigmoid这个函数来输出一个概率值。决策树是想用一个二叉树来对数据分类(二叉树也是一个数学模型)确.

易懂如何理解单个神经元+随机梯度下降学习逻辑与规则编程实践

适合初学者的神经网络理论到实践(2):理论结合python编程实践介绍反向传播,为何说深度学习离不开反向传播?

适合初学者的神经网络理论到实践(3): 概率统计与机器学习神经网络的联系?

适合初学者的神经网络理论到实践(4): 打破概念束缚:强化学习是个啥?

适合初学者的强化学习教程(1): python使用gym实践和注意事项

安装 pip install gym报错 AttributeError: module 'gym.envs.box2d' has no attribute 'BipedalWalker'这是因为gym没有安装box2d的原因。pip install box2d-py如果上面这条命令出下面这个报错:error: command ‘swig.exe’ failed: No such.初学者易懂的曲线图分析法

适合初学者的神经网络理论到实践(5):10分钟从实践了解Python测试入门

Table of Contents- 如何比较运行时某变量大小或类型是否与预期值一致: assert(断言)assert例子:assert练习:- Python单元测试实践- 如何测试近似相等,非常接近我们就认为是相等(需要用到numpy)为何要测试:设定预期结果让计算机判断结果是否符合预期。省得组件很多的时候一个一个的检测这些组件是否运行结果正确。- 如何比较运行时某.

初学者都能看懂的95%置信区间

bitcarmanlee 于 2018-09-14 22:56:35 发布 316978 初学者易懂的曲线图分析法 收藏 430

1.点估计与区间估计

首先我们看看点估计的含义:
是用样本统计量来估计总体参数,因为样本统计量为数轴上某一点值,估计的结果也以一个点的数值表示,所以称为点估计。点估计虽然给出了未知参数的估计值,但是未给出估计值的可靠程度,即估计值偏离未知参数真实值的程度。
接下来看下区间估计:
给定置信水平,根据估计值确定真实值可能出现的区间范围,该区间通常以估计值为中心,该区间则为置信区间。

2.中心极限定理与大数定理

中心极限定理:
在适当的条件下,大量相互独立随机变量的均值经适当标准化后依分布收敛于正态分布。例如我们要计算全中国人的平均身高。如果每次取10000个身高作为样本,对应有一个样本均值。如果再从总体中重复抽取n多次10000个样本,就对应有n个样本均值。随着n增大,把所有样本均值画出来,得到的就是一个接近正太分布的曲线。
大数定理:
取样数趋近无穷时,样品平均值按概率收敛于期望值。抛硬币的次数越多,越接近正反各一半。

3.置信区间与置信水平

一般我们用中括号[a,b]表示样本估计总体平均值误差范围的区间。a、b的具体数值取决于你对于"该区间包含总体均值"这一结果的可信程度,因此[a,b]被称为置信区间。
一般来说,选定某一个置信区间,我们的目的是为了让"ab之间包含总体平均值"的结果有一特定的概率,这个概率就是所谓的置信水平。
例如我们最常用的95%置信水平,就是说做100次抽样,有95次的置信区间包含了总体均值。

4.标准差(standard deviation)与标准误差(standard error)

标准差是描述观察值(初学者易懂的曲线图分析法 个体值)之间的变异程度(例如一个人打十次靶子的成绩,这时有一个平均数8,有一个反映他成绩稳定与否的标准差);
标准误是描述样本均数的抽样误差(例如十次抽样,每次他成绩平均数(7,8,6,9,5,6,7,7,8,9)的标准差,也就是抽样分布的标准差);
样本的标准误差为:
S E = s ( 样 本 标 准 差 ) n SE = \frac > S E = n

5.如何理解95%的置信区间

以上面的统计身高为例,假设全国人民的身高服从正态分布:
X ∼ N ( μ , σ 2 ) X \sim N(\mu, \sigma^2) X ∼ N ( μ , σ 2 )

不断进行采样,假设样本的大小为n,则样本的均值为:
M = 初学者易懂的曲线图分析法 X 1 + X 2 + ⋯ + X n n M = 初学者易懂的曲线图分析法 \frac M = n X 1 ​ + X 2 ​ + ⋯ + X n ​ ​

由大数定理与中心极限定理:
M ∼ N ( μ , σ 1 2 ) M \sim N(\mu, \sigma_1^2) M ∼ N ( μ , σ 1 2 ​ )
注意 σ 1 \sigma_1 σ 1 ​ 的计算方法为第4部分提到的标准误差!

6.计算置信区间的套路

从上面的例子来看,计算置信区间的套路如下:
1.首先明确要求解的问题。比如我们的例子,就是想通过样本来估计全国人民身高的平均值。
2.求抽样样本的平均值与标准误差(standard error)。注意标准误差与标准差(standard deviation)不一样。
3.确定需要的置信水平。比如常用的95%的置信水平,这样可以保证样本的均值会落在总体平均值2个标准差得范围内。
4.查z表,求z值。
5.计算置信区间
a = 样本均值 - z标准误差
b = 样本均值 + z
标准误差

用公式表示置信区间:
x ‾ ± z s n \overline x \pm z \frac x ± 初学者易懂的曲线图分析法 z n

​ s ​
其中, x ‾ \overline x x 表示样本的均值, z z z 值表示有多少标准差, s s s 为样本的方差。