本文目录一览：

• 〖壹〗 、我们每天关注的疫情分布图是怎么做出来的?
• 〖贰〗
  、一个前端开发者投稿了两个不错的前端开源项目
• 〖叁〗、开源人脸口罩检测数据+模型+代码+在线网页体验,通通都开源
• 〖肆〗 、tidyverse实战——利用疫情数据
• 〖伍〗
  、仪表板展示|使用DataEase开源工具实时直击上海疫情
• 〖陆〗、疫情常态化下,数据可视化BI报表以及数据大屏类项目该怎么做

我们每天关注的疫情分布图是怎么做出来的?

随便找个网站，拔下来一份最新的疫情数据 点击开始制作图表--- 创建图表 --- 选取地图---标准中国地图 数据编辑--- 导入excel 。即可将我们准备的疫情数据导入 4 ，调整颜色 通过参数调整
。在值域中通过修改值域范围和控制器颜色。可以简单的做出一个还不错的图表 。另外
，图说里面还有其他很多常用的图例
。

使用小O地图的【地图可视化】功能，制作疫情风险热力图。在小O地图中 ，选取【地图可视化】-【热力图】 。导入包含风险等级（或相关权重）的Excel表格数据。根据数据生成热力图
，通过颜色深浅表示风险等级的高低
。

生成地图：打开高德地图，选取“新建行政区地图 ” ，配置数据，点击“加载
”导入数据
，显示疫情累计病例分布。 地图输出：保存地图效果，可以使用“地图快照”功能 ，自定义范围 、比例尺
，添加水印，截取不同尺寸的PNG、TIF或HTML格式图片 ，分享疫情地图 。

一个前端开发者投稿了两个不错的前端开源项目

这两个前端开源项目分别为解决地图数据获取和移动端日期选取问题提供了高效方案
，具体介绍如下：项目一：echarts-map-demo项目定位针对前端开发中地图热力图等场景下获取和更新geoJson数据的痛点，提供实时数据获取与动态下钻功能
。

varunshenoy/opendream：可扩展的扩散Web UI开源地址：https：//github.com/varunshenoy/opendream开源时间：2023-05-12总星标数量：7k项目描述：该项目提供了一个可扩展
、易于使用且便携的扩散Web UI。

首先自荐前端开源项目：信使web builder：基于TailwindCss构建 ，通过拖拽可视化配置快速构建现代化响应式UI、可自定义 、多主题
、多语言的网站应用 。它包含美观的后台管理主题
，并提供完整的前端解决方案
。

开源人脸口罩检测数据+模型+代码+在线网页体验,通通都开源

〖壹〗、口罩检测数据集：数据集包含从多个来源收集的1000多张图片。基于WIDER Face和MAFA数据集构建了包含口罩和非口罩人脸的训练集 。数据集经过精心标注，确保模型能够准确识别戴口罩的人脸
。数据集被随机划分为训练集和验证集 ，用于模型训练和评估。口罩检测模型：采用SSD思想构建的深度学习模型 。

〖贰〗 、面对新冠疫情
，科技和人工智能领域的企业与从业者积极贡献，通过研发AI人脸检测设备和算法 ，支持前线抗疫工作
。本文分享了一个开源项目，旨在提供口罩检测数据集
、模型、代码以及模型的浏览器在线体验。项目通过开源方式
，旨在促进社区学习和创新，加速口罩检测技术的发展与应用 。

〖叁〗 、FaceX-Zoo是京东AI研究院开源的一个专为人脸识别设计的开源库 ，提供了一站式研究平台
，支持多种功能与模块，方便研究人员比较不同方法并开发实际应用。论文与开源信息论文标题为《FaceX-Zoo： A PyTorch Toolbox for Face Recognition》 ，详细介绍了该开源库的特点
。

〖肆〗
、项目旨在完成一个基于 PaddleDetection 的前后端分离 Flask 应用开发
，实现人脸口罩检测功能。通过此应用，用户可直观地识别并分类人脸图像 ，判断其是否佩戴口罩 。模型训练首先
，我们需要利用 PaddleDetection 完成模型训练，具体步骤如下：数据集准备：选用包含未带口罩与带口罩人脸图像的数据集
。

〖伍〗、为提高速度可牺牲部分精度。微信小程序无法利用WASM加速或直接使用硬件加速 ，且存在2MB的大小限制 。为了优化人脸检测演示
，我们将原始大小为4MB 、包含4层模型的人脸训练模型（Regressor.js）改为了1层模型，以符合微信小程序的大小限制
。最后 ，文章的开源代码地址已提供，供开发者借鉴和使用。

tidyverse实战——利用疫情数据

〖壹〗
、利用tidyverse进行疫情数据实战分析 数据来源：约翰霍普金斯大学持续更新的开源项目（CSSEGISandData/COVID-19）
，包含确诊数、死亡数和治愈数三个数据集 。分析工具：主要使用tidyverse套件中的readr 、dplyr、tidyr等包进行数据读取
、清洗和转换，并利用barRacer包制作动态条形图
。

〖贰〗、tidyverse是一个由一系列R包组成的生态系统 ，旨在让数据传输 、清理和转换变得简单
、有扩展性、可读性和一致性。tidyverse包括常用的包dplyr和tidyr
，分别用于数据处理和转换，以及总结数据中的缺失值和非方便型的列 、行 。在学习ggplot2和tidyverse之前 ，需要掌握R语言基本知识和一些绘图基础知识
。

〖叁〗
、设置环境首先
，确保你已经安装并加载了必要的R包。常用的包包括lme4用于拟合混合效应模型，ggplot2用于数据可视化 ，以及tidyverse用于数据处理 。

〖肆〗、要进行GSEA分析
，首先需要准备转录组差异分析后的数据，通常包含SYMBOL（基因名）和foldchange（或logFC）两列。数据处理可以使用Excel或R的tidyverse包 ，根据需要删减不必要的列
。下面
，需要将基因ID转换为统一的Entrez ID格式，以便后续分析的准确性和特异性。

〖伍〗 、这本书介绍了如何使用R语言进行深度学习相关的操作 。书中内容高端且实用 ，虽然深度学习对于初学者来说可能较为困难，但通过阅读这本书可以收获很多有用的知识和经验
。 《机器学习实战
，使用R
、tidyverse和mlr》这本书介绍了如何使用R语言及其相关包（如tidyverse和mlr）进行机器学习。

〖陆〗、Shiny开发学习路径可分为六个主要关卡，涵盖从基础到实战的完整流程 ，推荐通过核心资料系统学习并实践
，以下是具体路径及时间规划：关卡1：R 基础（2-3 周）核心目标：掌握数据处理与可视化的核心技能，为Shiny开发奠定基础 。

仪表板展示|使用DataEase开源工具实时直击上海疫情

〖壹〗 、使用DataEase开源工具可以实时直击展示上海疫情仪表板
。具体实现方式如下：数据获取：通过新浪新闻提供的上海疫情API接口和求助信息接口 ，利用DataEase的API数据源功能导入数据。数据集建立与更新：在DataEase中建立数据集
，并设置定时更新，确保所展示数据的实时性 。

〖贰〗
、DataEase的易用性和灵活性让博主得以快速制作出满足需求的仪表板 ，他表示这款开源工具非常适合各类数据分析场景
。他期待DataEase项目未来能有更多发展和更新
，以满足更多用户的需求。

〖叁〗、DataEase作为一款开源的数据可视化分析工具，以其丰富的功能 、易用性和开源免费的特性 ，为用户提供了高效的数据分析和可视化解决方案 。在使用过程中
，我深刻感受到了DataEase的便捷性和实用性，无论是数据集配置、视图配置还是仪表盘配置 ，都能够轻松上手并快速制作出专业的图表和仪表盘
。

疫情常态化下,数据可视化BI报表以及数据大屏类项目该怎么做

〖壹〗
、疫情常态化下，数据可视化BI报表及数据大屏类项目需通过低代码平台、工具化开发 、模块化设计及开源技术实现高效协作与风险控制
，确保项目质量
、工期和成本可控。采用低代码平台与工具化开发模式打破传统开发依赖：传统开发模式依赖团队集中协作，疫情下人员流动受限 ，风险被放大 。

〖贰〗、利用Power BI实现数据大屏的步骤如下：前期准备明确需求：确定数据大屏的主题
，例如销售业绩监控 、生产流程监控
、客户分析等，明确需要展示的关键指标和数据维度。收集数据：根据需求收集相关数据 ，数据来源可以是数据库、Excel文件 、CSV文件
、API接口等
。

〖叁〗、bi数据可视化分析报表的制作主要分为三大流程
，分别是：对接数据源 、报表设置以及数据可视化图表与智能分析功能应用。

〖肆〗
、选取支持模块化联动的BI工具传统BI工具因采用单一查询模式，难以实现复杂联动（如8个模块控制1个饼图） ，需优先选取支持分体式BI技术的工具（如云蛛系统） 。其核心优势包括：组件对象化：将页面元素拆分为独立模块
，每个模块可拖拽生成多个实例，支持不同配置下的复用
。

〖伍〗、制造企业可通过“敏捷BI+数据可视化大屏 ”方案 ，从数据整合 、处理、可视化分析三个层面入手
，系统性提升数据价值，实现从粗放式运营到精细化运营的转型。