第41页，共231页。 显示 2,310 条结果 (0.326 秒)
矩阵树图
1 概述 矩形树图，是一种有效的实现层级结构可视化的关系型图表结构。 在树图中，各个小矩形的面积表示每个子节点的大小，面积越大，表示子节点在父节点中的占比越大，整个矩形的面积之和表示整个父节点。右键点击矩形块可下钻到子分支，每个子分支的矩形又按照相应节点的子节点进行分割。 通过树图及其钻取情况，用户可以清晰地了解到数据的全局层级结构和每个层级的详情。 2 业务场景 1、场景描述：某大型零售公司，想要分析省份和下一层级发货城市的销售量，如下图所示： shutu01.gif 2、以产品内置Demo资源的“订单模型”作为数据来源。 3、操作步骤 （1）在数据选择区中，拖拽 省份 字段到 标记 > 标签 ，销售额组件管理
），实现组件资源显示还原。 不支持最大化的组件：标签、文本、图片、页签、矩形框、空白、收藏夹、卡片列表、应用商店、便捷入口。 删除 将组件进行删除。 更多 作为筛选器 将组件作为筛选器。 浮动顺序 设置该浮动组件的浮动顺序。 多图层重叠时，选中的组件层级最高，需要全部取消选中组件后，才能看到浏览时的实际图层层级。 锁定 锁定组件的大小和位置，鼠标无法拖拽修改。 隐藏标题 隐藏组件的标题。 隐藏组件 隐藏组件，单击隐藏的组件可取消隐藏。 导出 导出当前组件的数据，导出Excel，导出CSV。 复制 将组件进行复制。 粘贴 将复制其它组件 ⬝ 空白组件
如下图所示： kongbai-05.png 2、操作步骤 （1）已有的仪表盘看板效果如下，希望看板右侧为分析 区域销售情况 ，上下两个图分别从发货区域和发货省份两个维度去分析销售情况。 kongbai-01.png （2）在仪表盘编辑界面中新建一个 空白 组件，调整空白组件的大小至覆盖步骤1中的两个组件的内容，在组件属性中设置空白组件的 边框 ，如下图所示： kongbai-02.png （3）调整空白组件的浮动顺序为 移至底层 ，效果如下图所示： kongbai-03.png （4）点击空白处，取消选中空白组件后，效果如下图所示： kongbai-04.png （5）添加标签组件设置统一的标题，标签组件功能可参考应用服务器配置建议(JVM参数)
描述 -Xms 512m以上 初始化"堆"大小 -Xmx 16384m及以上 当JVM运行过程中出现java.lang.OutOfMemoryError: Heap space时，应当增大此值，或者使用集群配置减轻并发压力; 当提示JVM(XMX)设置超过服务器内存，应减少设置项的值。 "堆"最大允许大小，指定Java程序中允许使用的最大内存数，一般建议配置为服务器总内存的70%左右。 -Xloggc 可以在跟踪内存溢出时打开 生成JVM垃圾回收日志，打开这个选项可以跟踪服务器是否存在内存泄漏。IBM JDK（例如WebSphere）生成的文件需要2.2.6中提安装SmartbiMPP(普通用户)
SELINUX #临时关闭selinux # setenforce 0 #永久关闭Selinux，需要重启服务器生效 sed -i 's/=enforcing/=disabled/g' /etc/selinux/config 2、关闭防火墙 1）CentOS 7.X/Redhat 7.X … smartbi-mpp-22.8.9.24.tar.gz安装包上传至服务器，并解压 由于默认数据目录存放在安装包目录中，请确认目录空间充足，避免磁盘空间不足导致数据库异常 $ tar -zxvf smartbi-mpp-22.8.9.24-x86_64.tar.gz 解压后，目录结果如下： p1.png 目录说明2021年体验中心资源分析
如下： 2021-07-23_17-11-59.png 布局各设置项说明如下： 设置项 参数 说明 尺寸 1920*1080 根据需要投屏的屏幕大小，设置屏幕尺寸。 缩放方式 等比缩放宽度铺满 宽度铺满全屏，高度按比列自动缩放。 主题 浅色主题 选择浅色 … 设置如下： 2022-02-09_18-28-54.png 组件设置如下： 03.png 坐标轴设置如下： 2021-07-26_10-28-23.png 通过用户行为统计-资源使用情况，对资源增长、浏览量的各月的趋势进行分析，从资源增长折线图可以看出这一年来资源的增长不太稳定，而与之对应的相关浏览量数据挖掘-采样
总体样本中每一个样本都有已知的、非零的概率被选入为研究对象，以保证样本的代表性。 image2020-5-21 10:44:18.png 以加权方式生成采样数据。先从总体中，选择用于加权的列，然后按照该列值的大小进行采样，权重值越大，抽取的概率越大。 image2020-5-21 10:42:50.png 分层采样是保留类别比例的采样方式，先将总体的单位按某种特征分为若干次级总体（层），然后再从每一层内进行单纯随机采样。它能保证总体中每一层都有个体被抽到，这样除了能估计总体的参数值，还可以分别估计各个层内的情况，避免类型丢失。 示例：训练样本中包含0标签和1标签两种样本，如果对其进行随机采样数据挖掘-采样
总体样本中每一个样本都有已知的、非零的概率被选入为研究对象，以保证样本的代表性。 image2020-5-21 10:44:18.png 以加权方式生成采样数据。先从总体中，选择用于加权的列，然后按照该列值的大小进行采样，权重值越大，抽取的概率越大。 image2020-5-21 10:42:50.png 分层采样是保留类别比例的采样方式，先将总体的单位按某种特征分为若干次级总体（层），然后再从每一层内进行单纯随机采样。它能保证总体中每一层都有个体被抽到，这样除了能估计总体的参数值，还可以分别估计各个层内的情况，避免类型丢失。 示例：训练样本中包含0标签和1标签两种样本，如果对其进行随机采样如何处理宕机问题
(ParallelGC)" os_prio=0 tid=0x0000000002eb7000 nid=0x5052 runnable 20562的十六进制为5052，所以以上的示例就是gc线程占用cpu 出现内存溢出或内存不足的情况，在满足服务器配置（查看服务器配置要求 https://wiki.smartbi.com.cn … 但是有线程处于空闲状态。 "http-nio-8080-exec-7" #131 daemon prio=5 os_prio=0 tid=0x0000000034b35000 nid=0x92c4 waiting on condition [0x进度图
（2）选择维度：产品类别；指标：销售量； 2022-01-21_13-52-15.png （3）对组件进行设置： 布局列数为1； 目标值选择自定义，按需设置为：10000； 指标标签：垂直位置居中，水平位置随刻度，内容显示为百分比，字体大小为微软雅黑、12号、蓝色； 指标名称：垂直位置居上，字体大小为微软雅
