Svg 前端实践总结

本文是学习和使用svg的一些总结，不介绍svg作图的方法。

svg标签元素参考： MDN - svg

结构化标签也可参考： SVG中的结构化、分组和引用元素

svg的icon方案，参考： 腾讯干货！超实用的高清图标SVG解决方案全总结（下）

svg与普通html元素不同，需要指定命名空间，所以使用 createElement() 、 appendChilde() 抑或JQ的 append() 方法添加到dom上的svg元素是无法正常显示的。需要用到 createElementNS(ns,'svg') ，另外有些svg标签也需要单独的命名空间，例如a标签。为了避免每次添加这么长的命名空间，使用时可以简单包装下( NS_SVG 、 NS_XLINK 分别为svg和a标签命名空间)：

SVG如果是嵌套在HTML中的话，即使用svg标签，会和其他dom元素共用一个document对象，因此可以直接通过该对象来获取到SVG元素对象；如果使用object、embed、iframe标签来引入svg,则其中的内容会有自己document对象，此时的 *** 作需要借助 getSVGDocument() 方法：

对于object、iframe来引入的svg对象，还可以使用 contentDocumnet 属性来获取。当然，contentDocument不是专为svg设计的，同时可以获取其他内嵌xml、html对象。

*** 作的前提需要满足 同源策略(Same-origin policy) ，跨域将无法获取document对象。

平移和缩放表面看起来很简单，svg的平移缩放机制也不复杂，但是dom元素往往不固定宽度，应用场景也多变。例如有时候我们希望随浏览器响应，svg按照比例自动缩放；有时候我们希望为svg添加手动缩放功能或者手动拖拽平移功能（类似于百度地图的缩放平移机制）。

关于svg的viewBox相关知识，张鑫旭有篇文章讲的很详细： 理解SVG viewport,viewBox,preserveAspectRatio缩放 。这里谈谈在具体的应用场景中如何利用这些属性。

1Numpy库

是Python开源的数值计算扩展工具，提供了Python对多维数组的支持，能够支持高级的维度数组与矩阵运算。此外，针对数组运算也提供了大量的数学函数库，Numpy是大部分Python科学计算的基础，具有很多功能。

2Pandas库

是一个基于Numpy的数据分析包，为了解决数据分析任务而创建的。Pandas中纳入了大量库和标准的数据模型，提供了高效地 *** 作大型数据集所需要的函数和方法，使用户能快速便捷地处理数据。

3Matplotlib库

是一个用在Python中绘制数组的2D图形库，虽然它起源于模仿MATLAB图形命令，但它独立于MATLAB，可以通过Pythonic和面向对象的方式使用，是Python中最出色的绘图库。主要用纯Python语言编写的，它大量使用Numpy和其他扩展代码，即使对大型数组也能提供良好的性能。

4Seaborn库

是Python中基于Matplotlib的数据可视化工具，提供了很多高层封装的函数，帮助数据分析人员快速绘制美观的数据图形，从而避免了许多额外的参数配置问题。

5NLTK库

被称为使用Python进行教学和计算语言学工作的最佳工具，以及用自然语言进行游戏的神奇图书馆。NLTK是一个领先的平台，用于构建使用人类语言数据的Python程序，它为超过50个语料库和词汇资源提供了易于使用的接口，还提供了一套文本处理库，用于分类、标记化、词干化、解析和语义推理、NLP库的包装器和一个活跃的讨论社区。

最近因为工作需要做了点HTML5可视化研究如下

为什么没有字体颜色作为一个设计师很不爽

第一次发文有写错的地方还请诸位高手多多包涵

设想，要在页面中生成大量的简单图形，比如10万个方块，并对它们进行拖拽 *** 作。

基本思路有三种方式，传统Div，Svg，与Canvas。

为了加拖拽，暂时没有用canvas。

因为canvas无法生成dom节点，不存在id这种属性，需要通过判断鼠标位置来获取元素再进行 *** 作。虽然写个isMouseinObj()的function也不是不行，但总觉得以后针对某对象单独处理会夜长梦多（主要还是懒）。。。不过从生成图形角度讲，canvas理论上是最快的。

因为贪生怕死担心Dom过多死机，准备先分区生成方块，于是：

一个简图，整体划分如下，设两个input框的值分别为m, n，每个蓝块包括n个绿块。点击每个蓝块可在下方生成n个绿块。

点击GenAll可一次性生成mn个绿块。点击Drag可对绿块进行拖拽。

模拟开始。

首先是用div模拟方块。因为比较熟悉写起来也简单。

Div的拖拽方式可以分成两种。

Jquery-ui的draggble还有很多其他参数，请参考api文档。

现在假定一种新情形：绿色方块只能拖拽到虚线框之内。

默认情况下，Html元素均不可拖拽，所以需要设置拖拽元素的draggable属性为true。同时，默认无法将元素放置到其他元素中，所以需要eventpreventDefault()设置允许放置。

本例中，为class为abox的绿方块添加draggable。

为class为wrap的虚线框添加preventDefault。

之后通过dataTransfer传输数据，实现box的移动。

由于Svg也是直接在Html中生成Dom节点，理论上Div所能实现的功能它都可以实现，并且绘图效果更佳。

然后生成Svg元素，并设置其属性。

循环生成Svg方块并添加拖拽属性。

但这种方式有个问题，就是——慢。当生成仅10000个方块时，效率便低的不可估量。

然而Svg无法应用Html5原生的Drag and Drop事件。

相比于引用插件，这样的效率提高了不少。

从结果上看，在数量少时，针对方块这种简单图形的简单 *** 作Div和Svg均可胜任。然而设置了总共生成100000个方块，发现单从生成的角度，Svg的渲染用时大约是Div的1/2（这里指Dom中直接绘制Svg而非通过js插件绘制Svg）。

加上拖拽功能后，用Html5原生拖放事件的Div，及用鼠标事件的Svg，明显快快快快于应用js插件拖放的效率。于是乎插件虽然强大但对于大量节点的处理实在过于缓慢。

于是在图形化上还是应用Svg更舒畅一些。

但有一个尚未解决的问题。

应用鼠标事件拖动Svg，当鼠标移动过快时，mousemove事件无法触发，导致移动效果不能实现。粗略查了下似乎可以添加透明背景层接收所有触发事件，不过还没有深入研究。

这篇就到此吧。等解决了mousemove的bug再更新后续。

(´・ω・`)

Python有很多经典的数据可视化库，比较经典的数据可视化库有下面几个。

matplotlib

是Python编程语言及其数值数学扩展包 NumPy 的可视化 *** 作界面。它利用通用的图形用户界面工具包，如 Tkinter, wxPython, Qt 或 GTK+，向应用程序嵌入式绘图提供了应用程序接口。

pyplot 是 matplotlib 的一个模块，它提供了一个类似 MATLAB 的接口。 matplotlib 被设计得用起来像 MATLAB，具有使用 Python 的能力。

优点：绘图质量高，可绘制出版物质量级别的图形。代码够简单，易于理解和扩展，使绘图变得轻松，通过Matplotlib可以很轻松地画一些或简单或复杂的图形，几行代码即可生成直方图、条形图、散点图、密度图等等，最重要的是免费和开源。

pandas

Pandas 是一个开放源码、BSD 许可的库，提供高性能、易于使用的数据结构和数据分析工具。Pandas 广泛应用在学术、金融、统计学等各个数据分析领域。需要说明的是它不是“熊猫”，名字衍生自术语 "panel data"（面板数据）和 "Python data analysis"（Python 数据分析）。

优点：是Python的核心数据分析支持库，提供了快速、灵活、明确的数据结构，旨在简单、直观的处理关系型、标记型数据。对于数据分析专业人士，它是数据分析及可视化的利器。

seaborn

Seaborn是基于matplotlib的图形可视化python包。它提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表。

它是基于matplotlib更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn能做出很具有吸引力的图，应该把Seaborn视为matplotlib的补充，而不是替代物，它能高度兼容numpy与pandas数据结构以及scipy与statsmodels等统计模式。

优点：matplotlib高度封装，代码量少，图表漂亮。比起matplotlib具有更美观、更现代的调色板设计等优点。scikit-plot

这是一个跟机器学习有效结合的绘图库。想要深入学习的小伙伴参见其github仓库，这里不再赘述了。

优点：Scikit-Plot是由ReiichiroNakano创建的用在机器学习的可视化工具，能最快速简洁的画出用Matplotlib要写很多行语句才能画出的图。关键是对于机器学习相关可视化处理，该库有较好的支持。

Networkx

networkx是Python的一个包，用于构建和 *** 作复杂的图结构，提供分析图的算法。图是由顶点、边和可选的属性构成的数据结构，顶点表示数据，边是由两个顶点唯一确定的，表示两个顶点之间的关系。顶点和边也可以拥有更多的属性，以存储更多的信息。

优点：用于创建、 *** 纵和研究复杂网络的结构、以及学习复杂网络的结构、功能及其动力学。

上面是我的回答，希望对您有所帮助！

json，似乎是输出到web，楼上介绍的都不错了，另外的选择可以是SVG

如果只是单机输出，Matplotlib库虽大，但结合pandas输出其实也是很简单，你这个需求在pandas调用matplotlib也就两三行代码而已！

可以用sublime_text打开svg图，从浏览器查看dom元素位置找到你想添加ID的代码，然后从svg图中找到该行代码，手动添加ID 获取时用var aaa= svgDocumentgetElementById("aaa"); 获取就可以了，

以上就是关于Svg 前端实践总结全部的内容，包括:Svg 前端实践总结、【Python基础】python数据分析需要哪些库、Div & Svg可视化探索笔记等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！