疫情之下，国内外零售行业企业均遇到店内人力短缺、客户要求提升、货架缺货和线上订单增加等问题，新零售智能化需求迫切，应用场景进一步拓展。在此背景下，电子墨水屏标签的市场需求进一步显现，同时，终端需求快速增长也进一步带动电子墨水屏标签产业链的发展。在以往的传统仓库，通常采用物料卡片来记录货位上物资的信息，每次出入库时都要进行更改，该做法不仅效率低、易出错，物流卡也经常丢失、损坏。因而，部分企业选择采用墨水屏电子标签代替传统纸张显示货物信息的方式，通过无线连接到物资管理系统，直观的显示仓位上的物资信息，同时开发手机APP实现对电子标签货物信息的远程监控，有效减少仓管人员找货的时间。广州日晖智能科技有限公司作为一家从事无源RFID电子标签和读写设备研发生产的国家高新技术企业，于近期发布了最新款电子墨水屏标签——T2902。这款T2902是日晖智能科技顺应当今物联网系统升级而开发的可视化电子RFID标签。标签同时支持高频，超高频与2.4GHz的工作频率；墨水屏则支持显示文本，一维码，二维码，图片内容。产品配套专用的标签管理客户端，可透过手机、RFID阅读器、平板、电脑等设备实时对RFID标签内容进行管理，对墨水屏的显示内容进行实时更改。同时，T2902可视化RFID搭载296*128显示屏，可显示货物的位置、内容或说明，且具有RFID功能。把传统纸质标签的即时可靠性与物联网技术的自动跟踪控制性能相结合。在工业、制造、物流、医疗等多种环境中，把标签安置在运输工具或者物品上，在进出库盘点、物品加工能环节，客户端可通过现场的RFID读写器对标签存储的信息以及显示内容实时修改。在需要人工查看的环节，工作人员可以直接从可视化超高频标签中轻松获取生产状态及收集各类信息，或者通过获取货架或物品特定信息，在指示下完成特定任务，并根据当前情况通过超高频读写器修改显示信息，让工作人员迅速应对突发事件。服务至今，日晖智能科技获得了多家合作伙伴对服务和产品的高度认可，未来，将继续不忘初心，延续这份期望与肯定，为客户提供更优质的服务！

请教一下，这两天在跑camera传感器可视化的样例，命令及日志如下：上机位 mviz MDCVision Image中没有 71这个topic，看日至我没看到那里错了，这个如果排查？我的上机位地址配置好的，摄像头配置文件按照弘景广电demo样例来的，应该没问题。运行及日至：root@mdchost:/home/mdc# /opt/platform/mdc_platform/script/camera_mviz_start.sh 71[Info ] Input instance: 71 2019/04/20 08:28:02.465686650 2019/04/20 08:28:02.453998440 000 CAMV CAMV info [camera mviz start]The MViz server address is parsed and the visualization client is created successfully.2019/04/20 08:28:05.578183330 2019/04/20 08:28:05.566393050 000 CAMV CM info [CM version is 3.10.6]2019/04/20 08:28:05.578269590 2019/04/20 08:28:05.566473540 001 CAMV CM info [CM configuration file path is /opt/platform/mdc_platform/manual_service/camera_mviz/etc/CameraMvizHostProcess/]2019/04/20 08:28:05.578591910 2019/04/20 08:28:05.566796900 002 CAMV CM info [RT_DDS_URI is set with RT_DDS_URI=/opt/platform/mdc_platform/manual_service/camera_mviz/etc/CameraMvizHostProcess/dds.xml]2019/04/20 08:28:05.578687000 2019/04/20 08:28:05.566890190 003 CAMV CM info [Custom qos profile does not exist, default qos profile will be used[userQosPath=/var/domainqos.xml, defaultQosProfile=/opt/platform/mdc_platform/manual_service/camera_mviz/etc/CameraMvizHostProcess/default_qos.xml, service=/HuaweiMDC/PlatformServiceInterface/CameraServiceInterfacePkg/CameraEncodedServiceInterface, instanceId=65535]]2019/04/20 08:28:05.578937260 2019/04/20 08:28:05.567140670 004 CAMV CM info [SOMEIP_CONFIG_FILE is set with SOMEIP_CONFIG_FILE=/opt/platform/mdc_platform/manual_service/camera_mviz/etc/CameraMvizHostProcess/vsomeip.json]2019/04/20 08:28:05.579490950 2019/04/20 08:28:05.567701590 005 CAMV CM info [Participant transport qos mask is 1]2019/04/20 08:28:05.581210480 2019/04/20 08:28:05.569415330 006 CAMV CM info [DDS start find service[serviceId=57344, instanceId=15176]]2019/04/20 08:28:05.581437740 2019/04/20 08:28:05.569641780 007 CAMV CM info [Participant transport qos mask is 1]2019/04/20 08:28:05.581808110 2019/04/20 08:28:05.570018370 008 CAMV CM info [Find maintaind service and create proxy successfully[instanceId=15176]]2019/04/20 08:28:05.582042010 2019/04/20 08:28:05.570249530 009 CAMV CM info [DDS start find service[serviceId=2433, instanceId=65535]]2019/04/20 08:28:05.583700570 2019/04/20 08:28:05.571907460 010 CAMV CM info [Create method client[serviceId=57344, instanceId=15176, methodShortName=MAINTAIND, entityId=60620]]2019/04/20 08:28:05.584520440 2019/04/20 08:28:05.572726720 011 CAMV CM info [Create method client[serviceId=57344, instanceId=15176, methodShortName=MAINTAIND, entityId=62836]]2019/04/20 08:28:05.585277550 2019/04/20 08:28:05.573483850 012 CAMV CM info [Create method client[serviceId=57344, instanceId=15176, methodShortName=MAINTAIND, entityId=54288]]2019/04/20 08:28:05.586028450 2019/04/20 08:28:05.574234040 013 CAMV CM info [Create method client[serviceId=57344, instanceId=15176, methodShortName=MAINTAIND, entityId=52436]]2019/04/20 08:28:05.586806870 2019/04/20 08:28:05.575012730 014 CAMV CM info [Create method client[serviceId=57344, instanceId=15176, methodShortName=MAINTAIND, entityId=26369]]2019/04/20 08:28:05.587478350 2019/04/20 08:28:05.575683130 015 CAMV CM info [Create method client[serviceId=57344, instanceId=15176, methodShortName=MAINTAIND, entityId=58344]]2019/04/20 08:28:05.588146600 2019/04/20 08:28:05.576352080 016 CAMV CM info [Create method client[serviceId=57344, instanceId=15176, methodShortName=MAINTAIND, entityId=62056]]2019/04/20 08:28:05.588830820 2019/04/20 08:28:05.577036120 017 CAMV CM info [Create method client[serviceId=57344, instanceId=15176, methodShortName=MAINTAIND, entityId=33436]]2019/04/20 08:28:05.589530580 2019/04/20 08:28:05.577738060 018 CAMV CM info [Create method client[serviceId=57344, instanceId=15176, methodShortName=MAINTAIND, entityId=54641]]2019/04/20 08:28:05.599859090 2019/04/20 08:28:05.588064910 019 CAMV CM info [DDS event does not use E2E protection[eventInfo=57344_15176_SwitchApplicationLatency]]2019/04/20 08:28:05.600124300 2019/04/20 08:28:05.588328460 020 CAMV CM info [Subscribe event 30161 service id: 57344 instance id: 15176 event shortName is MAINTAIND cachesize is 10]

第七次人口普查数据可视化分析实战个人主页：JoJo的数据分析历险记个人介绍：小编大四统计在读，目前保研到统计学top3高校继续攻读统计研究生如果文章对你有帮助，欢迎✌关注、点赞、✌收藏、订阅专栏文章目录第七次人口普查数据可视化分析实战写在前面1.数据集导入2.总人口统计3.性别比统计4.老龄化率5.人均受教育年限6. 城镇化率7.GDP总结写在前面国家统计局发布的第七次人口普查数据较为宏观，未能较好的体现各地区人口指标的分布情况。本文基于Pyecharts初步分析各地区人口普查数据的分布情况。# 导入相关库import pyechartspyecharts.globals._WarningControl.ShowWarning = Falseimport warningswarnings.filterwarnings('ignore')import pandas as pdfrom pyecharts.charts import Mapfrom pyecharts import options as opts1.数据集导入df = pd.read_csv(r'C:\Users\DELL\Desktop\Statistic learning\数据分析案例\第七次人口普查\pop.csv')df.head()province    Total    Male    Female    sex-ratio    Aging-rate    AHP    Edu-level    GDP    CR0    北京    2189.31    1120    1070    104.65    13.30    2.31    11.87    36102.55    86.201    天津    1386.60    714    672    106.31    14.75    2.40    10.81    14083.73    80.432    河北    7461.02    3768    3693    102.02    13.92    2.75    9.46    36206.89    45.593    山西    3491.56    1781    1711    104.06    12.90    2.52    10.02    17651.93    49.794    内蒙古    2404.92    1228    1177    104.26    13.05    2.35    9.94    17359.82    57.04这里是我对第七次人口普查数据进行了基本处理后得到的数据集，感兴趣的小伙伴可以下载：数据下载地址上述数据包含十个指标，分别如下：province：省份，包含31个省、直辖市和自治区（不包含港澳台）Total：总人口，各地区第七次人口普查总人口（千万）Male：男性人口（千万）Female：女性人口（千万）sex-ratio：性别比(%)，男 性 人 口 女 性 人 口 × 100 % \frac{男性人口}{女性人口} \times 100\% 女性人口男性人口​ ×100%Aging-rate：65岁及以上人口占总人口的比例，用来衡量一个地区的老龄化程度(%)AHP：户均人口。各地区平均每户人口数Edu-level：各地区受教育年限（经过处理后的数据）（年）GDP：各地区GDP数据（亿元）CR：各地区城镇化率(%)2.总人口统计# 总人口统计df['Total'][df['province']=='全国']31    141178.0Name: Total, dtype: float64根据第七次全国人口普查结果，我国人口达14.1178亿，突破14亿大关。那么各个地区的人口分布情况如何呢？来看看你的家乡属于第几梯队‍♂️'''导入地图和数据'''m1=Map()m1.add("总人口", [list(z) for z in zip(df.province, df.Total)], "china",is_map_symbol_show=False)'''自定义间隔'''pieces = [        {'max': 500, 'label': '500以下'},        {'min': 500, 'max': 1000, 'label': '500-1000'},        {'min': 1000, 'max': 2000, 'label': '1000-2000'},         {'min': 2000, 'max': 5000, 'label': '2000-5000'}, # 有下限无上限        {'min': 5000, 'max': 10000, 'label': '5000-10000'},        {'min': 10000, 'label': '10000以上'} ]'''全局设置'''m1.set_global_opts(             title_opts=opts.TitleOpts('第七次人口普查各地区人口总量分布图'),#设置图标题            visualmap_opts=opts.VisualMapOpts(is_piecewise=True,pieces=pieces))#热力图相关设置m1.render_notebook()可以看出人口分布的整体趋势是由东南沿海逐渐向西北内陆地区递减人口最高的两个省份是广东和山东，均超过了1亿，而广东则是达到了1.2亿。北上广深四个一线城市，广东就包含了两个，吸引了大量的外来人口。人口最低的省份是西藏，不足500万。这里有一部分原因是因为西藏有很多环境不适合居住，此外，由于经济发达水平相较较低，地区对人才吸引力较低，很多选择外出工作。这种人口分布情况预计在未来很长一段时间都会保持。3.性别比统计这里的性别比为：男 性 人 口 / 女 性 人 口 × 100 % {男性人口}/{女性人口}\times100 \%男性人口/女性人口×100%# 全国性别比情况df['sex-ratio'][df['province']=='全国']31    105.07Name: sex-ratio, dtype: float64可以看出，全国性别比为105.07%，我国已经成为世界上性别比失衡较为严重、持续时间较长的国家。这里一部分原因是受到了传统重男轻女思想的影响，导致男性人口基数较大，可能要在很长时间才有望达到平衡。这也意味着将会有一部分‍♂️男性较难脱单。接下来我们来看看各地区的性别比例吧！'''导入地图和数据'''m2=Map()m2.add("性别比例（%）", [list(z) for z in zip(df.province, df['sex-ratio'])], "china",is_map_symbol_show=False)'''自定义间隔'''pieces = [        {'max': 100, 'label': '100以下'},#有上限无下限        {'min': 100, 'max': 105, 'label': '100-105'},        {'min': 105, 'max': 110, 'label': '105-110'},         {'min': 110, 'label': '110以上'}# 有下限无上限       ]'''全局设置'''m2.set_global_opts(          title_opts=opts.TitleOpts('第七次人口普查各地区性别比分布图'),#设置图标题            visualmap_opts=opts.VisualMapOpts(is_piecewise=True,pieces=pieces))#热力图相关设置m2.render_notebook()从上面这个性别比热力图，我们发现一个有意思的规律。从全局来看，性别比呈现由北向南逐渐上升的情况。也就是说南方地区，男性比例要更高。其中吉林和辽宁两地区性别比居然还小于100%，广大男性朋友想要脱单的建议去试试！而广东、海南、西藏的男性朋友们就比较惨了，性别比超过了110%。4.老龄化率根据国际标准，65岁以上人口占比7-14%为轻度老龄化，14-20%为中度老龄化，21-40%为重度老龄化。# 全国老龄化程度情况df['Aging-rate'][df['province']=='全国']31    13.5Name: Aging-rate, dtype: float64此次人口普查结果显示我国65岁以上人口占比已经达到13.5%，这意味着中国已经处于中度老龄化的边缘，面对老龄化程度不断上升，国家也在不断推进“三胎”政策来缓解老龄化程度。接下来我们来看看各地区的老龄化情况'''导入地图和数据'''m3=Map()m3.add("65岁及以上人口比例", [list(z) for z in zip(df.province, df['Aging-rate'])], "china",is_map_symbol_show=False)'''自定义间隔'''pieces = [        {'max': 7, 'label': '非老龄化'},#有上限无下限        {'min': 7, 'max': 14, 'label': '轻度老龄化'},        {'min': 14, 'max': 20, 'label': '中度老龄化'},         {'min': 20, 'label': '重度老龄化'},        ]'''全局设置'''m3.set_global_opts(            title_opts=opts.TitleOpts('第七次人口普查各地区老龄化程度分布图'),#设置图标题            visualmap_opts=opts.VisualMapOpts(is_piecewise=True,pieces=pieces))#热力图相关设置m3.render_notebook()#pic_center从上面这个热力图可以看出：目前我国各地区均面临老龄化问题（西藏除外）中部地区和和东北地区面临着中度老龄化问题目前我国还没有面临到重度老龄化的程度5.人均受教育年限人均受教育年限是衡量一个地区文化水平的重要指标，在第七次人口普查数据中，统计了大专及以上、高中、初中和小学的人数，这里做如下处理后得到人均受教育年限大专及以上：16年高中：12年初中：9年小学：6年# 全国受教育情况df['Edu-level'][df['province']=='全国']31    8.88Name: Edu-level, dtype: float64可以看出我国平均受教育年限为8.88，这说明我国九年义务教育基本完成保障（上个世纪一部分人受教育程度较低）。下面我们来看一下各地区的受教育年限分布情况'''导入地图和数据'''m4=Map()m4.add("人均教育年限", [list(z) for z in zip(df.province, df['Edu-level'])], "china",is_map_symbol_show=False)'''自定义间隔'''m4.set_series_opts(label_opts=opts.LabelOpts(is_show=True))pieces = [        {'max': 8, 'label': '8年以下'},#有上限无下限        {'min': 8, 'max': 9, 'label': '8-9年'},        {'min': 9, 'max': 10, 'label': '9-10年'},         {'min': 10, 'label': '12年以上'}     ]'''全局设置'''m4.set_global_opts(             title_opts=opts.TitleOpts('第七次人口普查各地区人均受教育年限分布图'),#设置图标题            visualmap_opts=opts.VisualMapOpts(is_piecewise=True,pieces=pieces))#热力图相关设置m4.render_notebook()从上述热力图可以看出:整体而言，随着大家对教育的重视，各个地区的受教育程度差距逐渐缩小。但东部地区整体受教育程度要高于西部地区，这也和地区经济发展水平存在一定关系‍♂️西藏、云南、贵州、青海几个地区的人均受教育年限较低。这也反应了这些地区的教育水平相较于其他地区有所落后‍♀️而北京、上海最高，平均受教育年限超过了11年，北京上海作为我国最发达的城市，教育水平也是全国最领先的地位，另一方面也反映了其对教育的重视程度6. 城镇化率df['CR'][df['province']=='全国']31    63.89Name: CR, dtype: float64根据第七次人口普查结果可以看出，我国城镇化率达到63.89%，新型城镇化和城乡融合发展工作取得新成效，农业转移人口市民化加快推进，城市群和都市圈承载能力得到增强。根据联合国的估测，世界发达国家的城市化率在2050年将达到86%，我国离这个数字还有一定的距离。下面我们来看看各地区城镇化率分布情况'''导入地图和数据'''m5=Map()m5.add("城镇化（%）", [list(z) for z in zip(df.province, df['CR'])], "china",is_map_symbol_show=False)'''自定义间隔'''pieces = [        {'max': 30, 'label': '30以下'},#有上限无下限        {'min': 30, 'max': 50, 'label': '30-50'},        {'min': 50, 'max': 60, 'label': '50-60'},         {'min': 60, 'max': 80, 'label': '60-80'},         {'min': 80, 'label': '80以上'}       ]'''全局设置'''m5.set_global_opts(            title_opts=opts.TitleOpts('第七次人口普查各地区城镇化率分布图'),#设置图标题            visualmap_opts=opts.VisualMapOpts(is_piecewise=True,pieces=pieces))#热力图相关设置m5.render_notebook()从热力图来看，城镇化率也基本呈现由东部沿海向西部递减的趋势。不同地区的城镇化率差距明显：可以看出北京、天津、上海三个地区的城镇化率已经超过了80%西藏的城镇化率却不足30%7.GDP上述是第七次人口普查的基本分析情况，下面我们来看看大家特别关注的一个指标，GDPdf['GDP'][df['province']=='全国']131    1013567.0Name: GDP, dtype: float6412可以看出2020年，我国GDP总额超过100万亿。这是一个里程碑的数字。那么各个地区的GDP分布情况如何呢，来看看你的家乡属于哪一档的。'''导入地图和数据'''m6=Map()m6.add("GDP（亿元）", [list(z) for z in zip(df.province, df['GDP'])], "china",is_map_symbol_show=False)'''自定义间隔'''pieces = [        {'max': 10000, 'label': '10000以下'},#有上限无下限        {'min': 10000, 'max': 20000, 'label': '10000-20000'},        {'min': 20000, 'max': 50000, 'label': '20000-50000'},         {'min': 50000, 'max': 100000, 'label': '50000-100000'},         {'min': 100000, 'label': '100000以上'}]'''全局设置'''m6.set_global_opts(          title_opts=opts.TitleOpts('第七次人口普查各地区生产总值分布图'),#设置图标题            visualmap_opts=opts.VisualMapOpts(is_piecewise=True,pieces=pieces))#热力图相关设置m6.render_notebook()从上图发现：东南地区GDP要远高于其他地区，其次是中部地区。西部地区和东北地区GDP总值相对较低其中江苏省和广东省最高，均超过了10亿元相反，海南作为自由贸易港建设试验区，GDP还不到万亿，在十四五期间，海南省力图超过万亿大关总结文章对第七次人口普查数据进行了初步分析，主要是运用可视化技术，分析各地区的各项人口指标总体情况。并进行一定总结，后续将进一步做各个指标的结构分析、时间序列分析等，敬请期待！原文链接：https://blog.csdn.net/weixin_45052363/article/details/124789121

Python有许多用于数据可视化的库，例如常见的有seaborn、pyecharts（echarts的Python版本）、ggplot（移植于R语言的ggplot2，但是有些差别，Python有其他方法可以调用R语言的ggplot2）、bokeh、Plotly（同时支持Python和R语言）等等，这些大多是基于Matplotlib进行开发封装的。 Matplotlib是一个Python 2D绘图库（使用Matplotlib发布的mpl_toolkits库可以画3D图形 ），能够以多种硬拷贝格式和跨平台的交互式环境生成出版物质量的图形，用来绘制各种静态，动态，交互式的图表。 Matplotlib 是 Python 最著名的绘图库，它提供了一整套和 MATLAB 相似的命令 API，十分适合交互式地进行制图。而且也可以方便地将它作为绘图控件，使用在Python脚本，Python和IPython Shell、Jupyter notebook，Web应用程序服务器和各种图形用户界面工具包等上面。 Matplotlib的图像是画在figure（如windows，jupyter窗体）上的，每一个figure又包含了一个或多个axes（一个可以指定坐标系的子区域）。最简单的创建figure以及axes的方式是通过pyplot.subplots命令，创建axes以后，可以使用Axes.plot绘制最简易的折线图。 以下使用的是IPython Shell %matplotlib # 在IPython Shell调用Matplotlib绘图接口，需要加这行代码 import matplotlib.pyplot as plt import numpy as np fig, ax= plt.subplots() # 创建一个包含一个axes的figure # 绘图 ax.plot([1, 2, 3, 4], [1, 4, 3, 2]) 这里有一个小知识点，很小很小，但是对于刚刚接触数据可视化的新手可能容易弄混。ax.plot([1, 2, 3, 4], [1, 4, 3, 2]) 这句代码里面第一个参数是数据集里各个数据点的X值的集合，第二个参数数据集里各个数据点的Y值的集合。所以这里输入的参数值并不是数学上常见的成对坐标点如(x1,y1)、(x2,y2)、...、(xn,yn)的格式，而是 (x1,x2,...,xn)和(y1,y2,...,yn) 。 

【功能模块】mviz可视化工具使用【操作步骤&问题现象】操作步骤1：1、使用命令 rtfevent hz $(rtfevent list | grep -i camera) 后可以查看camera event的频率信息，Ctrl+z暂停进程；2、使用mviz工具无法看到camera的画面（MDC vision）3、dg 命令启动rtfevent hz相关的进程后 MDC vision中就可以收到了。问题1：ctrl+z应该暂停的是查询event频率信息的进程，为什么会影响到camera数据的收发呢？操作步骤2：1、使用命令 rtfevent hz $(rtfevent list | grep -i camera) 后可以查看camera event的频率信息，Ctrl+C结束进程；2、使用mviz工具可以看到camera的画面（MDC vision）问题2：crtl+c中断了查询event频率信息的进程，我理解和ctrl+z的作用大同小异，为什么反而这样却可以收到画面呢？【截图信息】【日志信息】（可选，上传日志内容或者附件）

GaussDB Kernel提供自研的TSDB时序引擎，提供扩展的时序场景语法，以及分区管理、时序计算、时序生态函数等服务功能,此博文详细描述如何使用Grafana与DWS时序数仓对接，展示时序数据。1.DWS(时序数仓)构造测试数据Data Studio登录DWS(时序数仓)集群，创建用户、数据库及测试表--创建用户create user sxsc password 'Huawei@123';--创建数据库create database sxscdb owner sxsc encoding='utf-8' TEMPLATE template0;--赋予用户sxsc 模式public权限GRANT ALL PRIVILEGES ON SCHEMA public TO sxsc;执行结果如下：创建测试表，构造时序数据Data Studio上使用新建的sxsc用户登录sxscdb数据库创建测试表，并构造时序数据创建测试表：drop table if exists public.jiaocai;create  table if not exists jiaocai(type        text TSTag,devId      text  TSTag,PhV_phsA    double precision  TSField,PhV_phsB    double precision  TSField,PhV_phsC    double precision  TSField,PhV_neut    double precision  TSField,A_phsA      double precision  TSField,A_phsN      double precision  TSField,A_phsC      double precision  TSField,A_phsB      double precision  TSField,PhVAr_phsA  double precision  TSField,PhVAr_phsB  double precision  TSField,PhVAr_phsC  double precision  TSField,TotVAr      double precision  TSField,PhPF_phsA   double precision  TSField,PhPF_phsB   double precision  TSField,PhPF_phsC   double precision  TSField,TotPF       double precision  TSField,TotVA       double precision  TSField,PhW_phsA    double precision  TSField,PhW_phsB    double precision  TSField,PhW_phsC    double precision  TSField,TotW        double precision  TSField,PhVA_phsA   double precision  TSField,PhVA_phsB   double precision  TSField,PhVA_phsC   double precision  TSField,time        timestamp without time zone  TSTime)with (TTL='7 days', PERIOD = '1 day', orientation=TIMESERIES);COMMENT ON COLUMN public.jiaocai.PhVAr_phsA IS 'A相无功功率';COMMENT ON COLUMN public.jiaocai.PhVAr_phsB IS 'B相无功功率';COMMENT ON COLUMN public.jiaocai.PhVAr_phsC IS 'C相无功功率';COMMENT ON COLUMN public.jiaocai.TotVAr     IS '总无功功率';COMMENT ON COLUMN public.jiaocai.PhPF_phsA  IS 'A相功率因数';COMMENT ON COLUMN public.jiaocai.PhPF_phsB  IS 'B相功率因数';COMMENT ON COLUMN public.jiaocai.PhPF_phsC  IS 'C相功率因数';COMMENT ON COLUMN public.jiaocai.TotPF      IS '总功率因数';COMMENT ON COLUMN public.jiaocai.TotVA      IS '总视在功率';COMMENT ON COLUMN public.jiaocai.PhW_phsA   IS 'A相有功功率';COMMENT ON COLUMN public.jiaocai.PhW_phsB   IS 'B相有功功率';COMMENT ON COLUMN public.jiaocai.PhW_phsC   IS 'C相有功功率';COMMENT ON COLUMN public.jiaocai.TotW       IS '总有功功率';COMMENT ON COLUMN public.jiaocai.PhVA_phsA  IS 'A相视在功率';COMMENT ON COLUMN public.jiaocai.PhVA_phsB  IS 'B相视在功率';COMMENT ON COLUMN public.jiaocai.PhVA_phsC  IS 'C相视在功率';语法介绍：TSTag：维度属性字段TSField：指标属性字段TSTime：时间属性字段TTL：数据生命周期，此表数据生命周期为7天PERIOD：自动创建分区间隔，此表分区按照1天间隔创建Orientation：表属性，TIMESERIES说明是时间序列表创建存储过程insert_data()，模拟时序数据入库CREATE OR REPLACE PROCEDURE insert_data(v_number bigint)ASDECLARE  v_insert_jiaocai_string VARCHAR2(4000);  var_count               bigint;BEGIN  var_count               := 0;  v_insert_jiaocai_string :=             'insert into public.jiaocai(                                          type                                          ,devId                                          ,PhV_phsA                                          ,PhV_phsB                                          ,PhV_phsC                                          ,PhV_neut                                          ,A_phsA                                          ,A_phsN                                          ,A_phsC                                          ,A_phsB                                          ,PhVAr_phsA                                          ,PhVAr_phsB                                          ,PhVAr_phsC                                          ,TotVAr                                          ,PhPF_phsA                                          ,PhPF_phsB                                          ,PhPF_phsC                                          ,TotPF                                          ,TotVA                                          ,PhW_phsA                                          ,PhW_phsB                                          ,PhW_phsC                                          ,TotW                                          ,PhVA_phsA                                          ,PhVA_phsB                                          ,PhVA_phsC                                          ,time                                          )                                          values(                                          ''analog''                                          ,''025BHN6RK9522172_JC''                                          ,random()                                          ,random()*300                                          ,random()*300                                          ,random()*300                                          ,random()*300                                          ,random()*90                                          ,random()*300                                          ,random()*300                                          ,random()*60                                          ,random()*50                                          ,random()*40                                          ,random()*30                                          ,random()                                          ,random()                                          ,random()                                          ,random()                                          ,random()*20                                          ,random()*30                                          ,random()*40                                          ,random()*50                                          ,random()*60                                          ,random()*70                                          ,random()*80                                          ,random()*90                                          ,clock_timestamp() - interval ''7.815 hour''                                          );';  while var_count < v_number loop    EXECUTE IMMEDIATE v_insert_jiaocai_string;    var_count := var_count+1;    pg_sleep(5);    commit;  end loop;END;/ 执行存储过程，执行数据插入1000次，每5s插入一次call insert_data(1000);2.Grafana对接DWS时序数仓部署Grafana(windows版)Grafana下载地址：https://grafana.com/grafana/download?platform=windows下载完成后，在windows路径下解压文件grafana-7.4.3.windows-amd64.rar，如下图：进入bin目录双击grafana-server启动服务Grafana对接DWSGrafana登录地址：http://localhost:3000 默认用户名及密码：admin/admin,第一次登陆会提示修改密码Grafana中配置DWS数据源，点击Data Sources点击 Add data source选择PostgreSQL数据源配置DWS集群信息Save&Test保存Database Connection OK 说明连通性测试成功配置时序图标展示数据点击+Add new panel点击配置数据源，选择$DWS配置区配置要展示的时序数据，如下图：点击，可切换为SQL模式配置完成后点击apply应用此配置页面可以选择时序数据展示的时间区间及刷新频率

【功能模块】【操作步骤&问题现象】1、用SQL定义的数据集，使用时候提示“数据集元数据meta结构不完整”2、【截图信息】【日志信息】（可选，上传日志内容或者附件）

完成本实验贴任务视为支持 物联网的数字化发展与生态构建，更依赖低代码开发平台还是标准物模型平台？正方观点√正方观点：更依赖低代码开发平台活动时间：2021年12月23日~2022年1月16日 参与方式：1、按照demo操作实验  （实验demo见本贴附件）2、按照要求生成实验结果截图，反馈到此活动贴 特别说明：请务必完成年终活动报名：点击报名请务必按照以下格式要求进行回帖，否则无法计算奖励：1、华为云账号：xxx（即右上角的字母数字组合ID）2、任务截图：（请露出右上角的华为云账号信息） 注意事项：1、请务必使用个人账号参与活动（IAM、企业账号等账号参与无效）2、 本次活动规则详见：https://bbs.huaweicloud.com/forum/thread-174300-1-1.html参与博文写作，还能另外获奖喔点击了解

天上一日，地上十年。话说，晋时有个叫王志的人上山打柴，突然看到树下有两位老人在下棋，王志心生好奇，就走过去站在旁边观看。不知道看了多久，一位老人说：“你该回家了”。王志去拿起斧头，发现斧头生锈了，斧柄也腐朽了。王志非常奇怪。王志回到家后，发现家乡已经大变样，无人认识他。原来王志石室山打柴误入仙境，遇到了神仙，仙界一日，人间十年。咳咳，好像写跑题了。今天要说的可不是历史上的神话故事。而是与时间相关的迪赛智慧数可视化互动平台的时间组件。迪赛智慧数的时间组件到底是怎样的了？我们做数据报表的时候，除了展现汇总统计数据以及分布、趋势等数据内容外，也可以用于显示和时间相关的信息，如当前时间，倒计时，时间轴等。同时还会需要显示时间的效果。比如下面这个【城市医疗数据可视化平台】数据大屏中，通过首页显示实时监控数据外，还在左上角或者右上角显示实时时间：迪赛智慧数的时间组件有三种，即当前时间，倒计时，时间轴。我们打开设计页，在左边导航栏的组件里，点击【数字】分类，就会看到这三种时间组件。如图：当前时间，倒计时和时间轴组件虽然同属于时间分类，但是它们展示方式却不同，它们各有各的功能和作用，在不同的场景选用不同组件。那它们到底是怎样的了？1、 当前时间当前时间是显示实时的时间。如图：它使用的场景一般在首页，或者在门脸的页面上，可以一目了然的随时知道是什么时间，知道在什么时间做了什么事，或发生什么事情，给用户带来良好的体验。当你需要用当前时间时，拖拽到页面上即可，非常简单方便。还可以选中组件，在右边的【属性】导航栏里为组件设置多种属性，设置为我们所需要的样式，如设置图层参数，背景色，数字颜色，大小，粗细等等进行设置。如图：2、 倒计时倒计时，应用场景在于离你做某件事的时间远近，可以清楚的知道还有多久就要去做什么。从小我们就接触很多倒计时，如，中考倒计时，高考倒计时，奥运会开始倒计时，纪念日倒计时等。因此当你的简报要展示即将到来的周年庆的时候，就可以拖拽左边的倒计时组件，轻松完成。如图跟【当前时间】组件一样，可以在右边的属性栏，设置我们想要的样式。设置好样式之后，倒计时的时间要怎么设置了？点击右边导航栏【数据】按钮在第2项里的数据源里，只需要输入目标时间的时间戳就可以了。3、 时间轴时间轴，大家可能听到很少，解释时间轴之前，先看图：这个就是时间轴的展示方式。时间轴依据时间顺序，把一方面或多方面的事件串联起来，形成相对完整的记录体系。它的最大作用是就是把过去的事物系统化、完整化、精确化。那怎么创建时间轴了？很简单，跟其他的组件一样，从左边拖拽组件到设计页就完成了。属性配置，在属性栏可以选择时间轴的展示方式，背景颜色等其他样式设置。接下来是时间和文字的数据显示了，怎么让组件按自己的时间和事件显示出来了？如图在编辑栏，按照以上数据格式替换真实的时间和内容就完成了。

【功能模块】【MDC300F】【Camera 数据可视化】【操作步骤&问题现象】1、摄像头选择使用森云IMX390，按照demo进行JSON配置，配置如下图2、启动Mviz，登陆MDC，将“/opt/cfg/conf_run/viz/viz_address.conf”中的文件配置正确的终端IP地址和端口号3、执行如下命令启动camera_mviz服务。/opt/platform/mdc_platform/script/camera_mviz_start.sh 31结果如下4、此时，Mviz的MDC Vision中没有Topic,如下图所示请问是我哪里配置的有问题吗？【截图信息】【日志信息】（可选，上传日志内容或者附件）

不管在工作中还是学习中，文本表格的使用都很普及，即使在炫酷的数据可视化大屏中，除了炫美组件展示以外，表格的展示也很常用。我们先来看看表格在数据大屏中的效果，如下图“产品流量”和“服务情况”两个表格分别是文本表格和进度表格，进度表格相对文本表格多了一列完成进度的显示。下面我来介绍数据可视化中的文本表格如何使用。在迪赛智慧数可视化互动平台的设计界面中，将文本表格拉到屏幕中在数据中上传表格或者直接在框中修改数据，也可通过数据库或者API直接获取对应的数据。在属性中对表格进行设置在右边属性中可设置各列的对齐方式、过宽显示、列宽度、列排序、列筛选；值得注意的是还可对列设置成进度条服务情况表中多了一列服务进度即平均服务完成率，通过直接使用左侧的进度表格即可实现。也可通过文本表格中选择进度条列来实现。同时还可对表格字体、背景、布局、美化、动画效果进行设置。另外，可通过事件的配置，查看表格中的某一行数据跳转到另一个页面查看数据详情，具体操作方法可参照迪赛智慧数官网中的产品资讯→干货分享：会变魔术的数据可视化大屏，让数据联通让数据互动让屏幕想变就变。

使用了迪赛智慧数据可视化平台我才知道多媒体展示还可以这样玩。    我是一个职场新人，才来公司不久。之前在学校担任学生会干部，每个月都需要向主管老师汇报工作，经常需要一些PDF、图片展示，既要正式，又得有新意，每次到了月末就是我最头疼的时候。心想：哎呀折磨死人了，有什么平台可以直接让我一次性展示完就好，pdf又不够，需要图片，需要一些音乐之类的，每次到了汇报，都需要提前打开很多东西，最尴尬的就是下方的菜单栏切换，每次开始汇报之前，我都得尴尬的打开音乐播放器点一下播放，这样不仅尴尬又显得很麻烦，导致汇报效果减弱。    后来毕业了参加工作了，到了部门汇报工作的时候。我看到同事们汇报，不禁疑问“他这是怎么弄的，怎么pdf和图片都在一个窗口。怎么回事？他的样式好多，好炫酷啊，轮播图片、视频、连网页和pdf都能在同一个窗口显示，而且样式好多好炫酷啊”。下班时我问他：“你汇报的真的太好了，能告诉我是什么软件吗？”，纠缠了很久他才告诉我，是迪赛智慧数可视化互动平台。    首先登录注册迪赛智慧数，新建大屏，可以看到左侧多媒体栏目，可以看到可以支持单张图片、图片轮播、照片墙、音频、视频、嵌套网页。    点击单张图片拖拽至大屏，即可将组件添加至大屏，在右侧属性栏，可以对图片进行设置，可以从本地上传图片以及位置、布局、图片的美化等等。    点击图片轮播拖拽至大屏，可以看到将图片轮播器就添加到大屏了，这里需要手动添加图片集或多张图片让图片进行轮播，也可以进行手动轮播，手动轮播则需要点击轮播点进行图片的切换。    点击照片墙拖拽至大屏，在大屏则会出现一个2*2宫格的照片墙，当然可以自己在属性栏随意改动自己想要的多少宫格的照片墙，也可以设置每个宫格的间隔，以及宫格的背景颜色。点击音频拖拽至大屏，可以看到音频组件，在属性栏可以设置人工播放，或者自动播放，可以进行设置循环播放，在播放工具栏里可以对播放进度进行随意调整，可以对播放声音进行静音，可以随意暂停，在属性栏里也可以将播放工具栏关闭显示。    点击视频拖拽至大屏，视频跟音频一样都有工具栏可以选择自动或者人工播放以及循环播放，工具栏相比音频多了全屏播放的按钮。    点击嵌套网页拖拽至大屏，则会将一个网页组件添加至大屏，这边的地址是需要支持iframe嵌套访问的地址。

【功能模块】【MDC300F】【Camera 数据可视化】画面一直闪【操作步骤&问题现象】1、按照《MDC 300 1.0.102-T MDC Application Visualizer 用户指南 01》                                4.1 Camera 数据可视化                                    4.1.1 查看 Camera 数据                                操作2、RVIZ接收到的画面一直闪,是真实画面和一张固定的图片来回闪【截图信息】【日志信息】（可选，上传日志内容或者附件）RVIZ的命令行窗口报错

TA是自主研发的基于浏览器的一款用于配置数据可视化大屏的工具平台。它提供了丰富的可视化设计组件，通过简单的点击、拖拽等操作，即可进行图表布局的调整，只要几分钟就可以配置出一个炫酷的可视化大屏。点击左上角的“组件”，选择所需的各种组件类型，比如文字、数字、多媒体、折线图、柱状图、饼图、地图、3D图表、其他图表、用户输入和其他组件等等，对这些类别里的组件进行点击、拖拽、放大缩小等操作，然后按照自己的想法就可以配置出一页炫酷的可视化大屏。接下来主要介绍如何对柱状图组件进行属性配置以及数据构成。柱状图类总共有12个，今天以前5个为例一、基本柱状图 堆叠柱状图1、基本柱状图首先拖入一个基本柱状图组件，在右边即可看到组件属性配置的各项参数。可以将标题、图例、工具栏、提示等设为隐藏可以开启区域缩放，增加图形颜色组可以进行XY轴互换可以对Y轴分隔线进行颜色设置，并能任意调整分隔线的透明度可以切换成堆叠柱状图可以切换成折线图显示还能设置动画效果，设置好后当打开可视化大屏时，组件就会呈现动画效果。具体操作请看动态图2、堆叠柱状图与并排显示分类的柱状图不同，堆叠柱状图将每个柱子进行分割以显示相同类型下各个数据的大小情况。它可以形象地展示一个大分类包含的每个小分类的数据，以及各个小分类的占比，显示的是单个项目与整体之间的关系。基本柱状图可以一键切换成堆叠柱状图，操作方法请看1、基本柱状图：可以切换成堆叠柱状图。看到这里，大家是不是想问：“这么美观的柱状图，那么数据配置是不是很复杂”？一点都不会，和属性设置一样，分分钟能搞定，基本柱状图和堆叠柱状图的数据构成相同，大家只需在数据源内依据现有格式修改成自己的数据即可。如果数据量较大，还能下载模板文件，在表格上修改后上传。二、瀑布柱状图 阶梯瀑布图瀑布图与基本柱状图不论是外观还是应用场景都不同。瀑布图通过巧妙的设置，使图表中数据的排列形状（称为浮动列）看似瀑布悬空，从而反映数据在不同时期或受不同因素影响的程度及结果，还可以直观反映出数据的增减变化，在工作表中非常实用。1、 瀑布柱状图瀑布柱状图主要反应数据的构成，大家看到生活费包含了房租、水电费、交通费、伙食费、日用品费，全部加起来就是总费用。瀑布柱状图的数据结构比较有趣，是递增似的配置。如费用是0开始，日用品费为300，0+300=300，那么伙食费就是从300开始，花费是900，那么到下一项就是从300+900=1200开始，以此类推。2、 阶梯瀑布图阶梯瀑布图可以展示出某个时间段线上累计值和变化值的增减情况。例如下图，本职工作收入6500元，撰稿收入1200元，两项累加是7700元，下一项就从7700的刻度基础上递增或递减。数据格式请看，上面说到本职工作和撰稿两项金额累加到7700，废品收入为300，而生活支出为2000，在前三项累加8000的基础上减掉2000，目前值为6000，以此类推。三、交错正负图大家可以看到，交错正负图在基本柱形图基础上增加了负数部分的柱状图，多用于展示含相反含义的数据，在数据对比上非常直观清晰，增加了数据的可能性。同样可以进行XY轴互换展示，其他属性设置可参考“一、基本柱状图 堆叠柱状图”交错正负图的数据格式就很容易理解，比方说收入为正数，相反支出即为负数以上5种柱状图的数据配置都支持数据源原格式下修改和下载模板文件修改上传，可满足不同用户需求。

某天快下班的时候，领导突然安排了一个临时任务，让我准备一份季度销售数据分析报告，为了能按时完成，我连水都不敢多喝一口，把成百上千个文档和表格中的数据，一个个复制、粘贴整理到新的excle表格…好不容易完成了大部分数据做报表的整理，但是由于打开的表格太多，电脑突然黑屏了~duang~心脏都要跳出来了，眼前一黑，电脑突然死机，之前录入的数据一下子全没了。看着黑黑的屏幕，欲哭无泪。我的数据啊！~~这可怎么办？正当我抱头抓狂的时候，市场的同事走过来问道：矣？还不下班？在发呆啊？看你苦脑的样子是不是遇到什么问题了？“崩溃！蓝瘦香菇……，我的季度销售数据分析报表，做了一大半，没保存。电脑突然黑屏死机了！”“不会吧？你还在用这么古老的excel工具做报表啊？都2021年了，也该知道有一款叫做迪赛智慧数的数据可视化工具吧？作为毫秒级自动实时快照的数据可视化工具，搭配着智能数据分析，能敏锐的洞察数据之间的关系，不用操作复杂的公式代码。零代码操作，快速上手，比你用excle表格强多了，而且你在平台的每一步操作都可以自动形成快照，不用手动操作，不怕因为忘记保存而前功尽弃。”