# 来自大数据工程师的惊喜：用数据可视化之美逼死密集恐惧症

11*11蜜汁微笑矩阵

123

emoji = '[擦汗]'for i in range(11):    print(emoji*(i+1))

11维下三角擦汗

## 正弦式笑哭

123456789101112131415

library(ggplot2)library(ggimage)showtext::showtext.auto(enable = T) theme1 <-   theme(panel.background = element_rect(fill = "black",color = "black"),plot.background = element_rect(fill="black",color = "black"),panel.grid = element_blank(),plot.title = element_text(hjust=0.5,family = "SimHei",size = 24,color = "#FEFEFE"),                  axis.text = element_blank(),axis.ticks = element_blank())# 正弦曲线x <- seq(from=0,to=2*pi,length.out = 80)y <- sin(x)df_sin <- data.frame(x = x,y=y) ggplot(df_sin,aes(x,y))+  geom_emoji(aes(image='1f602'))+  labs(x= "",y="",title="正弦式笑哭")+  theme1

## 逻辑回归式笑哭

12345678910

# sigmoid曲线sigmoid <- function(x) return(1/(1+exp(-x)))x <- seq(from=-10,to=10,length.out = 100)y <- sigmoid(x)df_sigmoide <- data.frame(x = x,y=y) ggplot(df_sigmoide,aes(x,y))+  geom_emoji(aes(image='1f602'))+  labs(x= "",y="",title="逻辑回归式笑哭")+  theme1

## 正态分布式笑哭

123456789

# 正态密度曲线x <- seq(-5,5,length.out = 100)y <- dnorm(x)df_norm <- data.frame(x = x,y=y) ggplot(df_norm,aes(x,y))+  geom_emoji(aes(image='1f602'))+  labs(x= "",y="",title="正态分布式笑哭")+  theme1

## 爱心式笑哭

12345678910

# 心形曲线t <- seq(0,2*pi,length.out = 100)x <- 16*(sin(t)^3)y <- 13*cos(t) - 5*cos(2*t) - 2*cos(3*t)-cos(4*t)df_heart <- data.frame(x=x,y=y) ggplot(df_heart,aes(x=x,y=y))+  geom_emoji(aes(image='1f602'))+  labs(x= "",y="",title="爱心式笑哭")+  theme1

## 众星捧月式笑哭

1234567891011121314

# 弧形x <- seq(-10,10,length.out=40)r <- 10y <- -sqrt(r^2-x^2)df_cirle <- data.frame(x = c(x,0), y = c(y,5),z=2)df_cirle\$z[nrow(df_cirle)] <- 16 ggplot()+  geom_emoji(data=df_cirle,mapping=aes(x=x,y=y,image='1f602',size=z))+  scale_y_continuous(limits = c(-10,12))+  scale_size_area(max_size = 0.3)+  labs(x= "",y="",title="众星捧月式笑哭")+  guides(size=F)+  theme1

## 囧式笑器

1234567891011121314

x <- seq(-10,10,length.out = 100)y <- 2/(x^2-2)shift <- 3x1 <- rep(seq(min(x)-shift,max(x)+shift,length.out = 150),2)y1 <- c(rep(min(y)-shift,150),rep(max(y)+shift,150))x2 <-  c(rep(min(x)-shift,150),rep(max(x)+shift,150))y2 <- rep(seq(min(y)-shift,max(y)+shift,length.out = 150),2) df_orz <- data.frame(x=c(x,x1,x2),y=c(y,y1,y2)) ggplot(df_orz,aes(x=x,y=y))+  geom_emoji(aes(image='1f602'))+  labs(x= "",y="",title="囧式笑哭")+  theme1

## 金拱门式笑哭

12345678910

# 金拱门x <- seq(0,2*pi,length.out = 100)y <- abs(sin(x)) df_m <- data.frame(x=x,y=y) ggplot(df_m,aes(x=x,y=y))+  geom_emoji(aes(image='1f602'))+  labs(x= "",y="",title="金拱门式笑哭")+  theme1

## 四叶草式笑哭

123456789101112

# 四叶草x <- seq(0,2*pi,length.out = 100)y <- cos(4*x) df_flower <- data.frame(x=x,y=y) ggplot(df_flower,aes(x,y))+  geom_line()+  geom_emoji(aes(image='1f602'))+  coord_polar()+  labs(x= "",y="",title="四叶草式笑哭")+  theme1

## 万花筒式笑哭

1234567891011121314151617181920

# 万花筒式笑哭get_circle <- function(r){  t <- seq(-r,r,length.out = 50*sqrt(r))  x <- rep(t,2)  y <- c(sqrt(r^2-t^2),-sqrt(r^2-t^2))  df <- data.frame(x=x,y=y)  return(df)} df_circle <- data.frame(x=NULL,y=NULL)layer <- 11for(i in 1:layer){  df_circle <- rbind(df_circle,get_circle(i))} ggplot()+  geom_emoji(data = df_circle,aes(x,y,image='1f602'))+  scale_x_continuous(limits = c(-layer,layer))+  labs(x= "",y="",title="万花筒式笑哭")+  theme1

11阶万花筒式笑哭，是不是比矩阵不知道高到哪去了

## 无招胜有招式笑哭

12345678910

# 无招胜有招式笑哭x <- rnorm(10000,mean=0,sd=10)y <- rnorm(10000,mean = 0,sd=10) df_norm <- data.frame(x=x,y=y) ggplot(data = df_norm,mapping = aes(x,y,image='1f602'))+  geom_emoji()+  labs(x= "",y="",title="无招胜有招式笑哭")+  theme1

113 篇文章63 人订阅

0 条评论

## 相关文章

3591

3676

### 【最新】CVPR 2018 论文集下载和 Tutorial 大全目录

【导读】计算机视觉最具影响力的学术会议之一的 IEEE CVPR 于2018 年 6 月 18 日 在美国盐湖城召开举行。在2014年CVPR上首次超过2000...

1782

### 1342: [Baltic2007]Sound静音问题

1342: [Baltic2007]Sound静音问题 Time Limit: 5 Sec  Memory Limit: 162 MB Submit: 710 ...

3567

### vae 相关论文 表示学习 2

https://arxiv.org/pdf/1804.02086.pdf Structured Disentangled Representations

1934

1023

### Python MFCC算法

MFCC(梅尔倒谱系数)的算法思路 读取波形文件 汉明窗 分帧 傅里叶变换 回归离散数据 取得特征数据 Python示例代...

4064

### 【数据挖掘】数据挖掘领域最有影响力的18个算法

ICDM2006-介绍：数据挖掘领域最有影响力的18个算法 ICDM是数据挖掘领域的顶级会议之一，在数据挖掘理论与应用领域具有相当影响力。 Class...

2655

4015

### 【最新】人工智能领域顶会AAAI 2018 Pre-Proceedings 论文列表（附pdf下载链接）

【导读】人工智能领域顶尖学术会议 AAAI 2018，暨第32届 AAAI 大会将于 2 月 2 日 - 2 月 7 日 在新奥尔良举行。AAAI 是由人工智能...

9716