算法
颠倒二进制位
颠倒给定的 32 位无符号整数的二进制位。
示例:
输入: 43261596
输出: 964176192
解释: 43261596 的二进制表示形式为 00000010100101000001111010011100 ，
返回 964176192，其二进制表示形式为 00111001011110000010100101000000 。
var reverseBits = function(n) {
var num = n.toString(2).split('');
while(num.length < 32){num.unshift('0')};
return parseInt(num.reverse().join(''), 2);
};
帕斯卡三角形
给定一个非负整数 numRows，生成杨辉三角的前 numRows 行。
输入: 5
输出:
[
[1],
[1,1],
[1,2,1],
[1,3,3,1],
[1,4,6,4,1]
]
var generate = function(numRows) {
var res = [];
var beforeNums = [];
for(var i=1; i<=numRows; i++){
var nums = new Array(i);
if(i < 3){
nums = nums.fill(1);
}else{
nums[0] = 1;
nums[i-1] = 1;
for(var j=1; j<i-1; j++){
nums[j] = beforeNums[j-1] + beforeNums[j];
}
}
beforeNums = nums;
res.push(nums)
}
return res;
};
数据可视化
科学可视化（Scientific Visualization）、 信息可视化（Information Visualization）和可视分析学（Visual Analytics）三个学科方向通常被看成可视化的三个主要分支。而将这三个分支整合在一起形成的新学科 “数据可视化”
科学可视化
科学可视化（Scientific Visualization）是科学之中的一个跨学科研究与应用领域，主要关注三维现象的可视化，如建筑学、气象学、医学或生物学方面的各种系统，重点在于对体、面以及光源等等的逼真渲染。科学可视化是计算机图形学的一个子集，是计算机科学的一个分支。 科学可视化的目的是以图形方式说明科学数据，使科学家能够从数据中了解、说明和收集规律。
信息可视化
信息可视化（Information Visualization）是研究抽象数据的交互式视觉表示以加强人类认知。 抽象数据包括数字和非数字数据，如地理信息与文本。信息可视化与科学可视化有所不同：科学可视化处理的数据具有天然几何结构（如磁感线、流体分布等），信息可视化处理的数据具有抽象数据结构。柱状图、趋势图、流程图、树状图等，都属于信息可视化，这些图形的设计都将抽象的概念转化成为可视化信息。
可视分析学
可视分析学（Visual Analytics）是随着科学可视化和信息可视化发展而形成的新领域，重点是通过交互式视觉界面进行分析推理。
区别
- 科学可视化处理具有自然几何结构（磁场、MRI 数据、洋流）的数据。
- 信息可视化处理抽象数据结构，如树或图形。
- 可视分析学将交互式视觉表示与基础分析过程（统计过程、数据挖掘技术）结合，能有效执行高级别、复杂的活动（推理、决策）。
为什么需要数据可视化
- 快：视觉是人类获取外界信息最高速，最主要也是最重要渠道。
- 有效：利用人眼的感知和模式识别能力，可视化可以帮助我们增强认知，发现常规统计方法难以得到的洞察。
- 美：数据可视化是创造性的设计美学、缜密的数据算法和严谨的工程技术结合的产物，用形象、有趣的形式呈现沉闷繁杂的数据。
- 持久：人类的记忆被认为并不靠谱，但最近认知科学家发现，我们的大脑所捕捉的视觉细节比曾经所认为的要多得多。
数据可视化过程
数据可视化分析原则
- 准确：从数据转化到可视表达时不歪曲，不误导，不遗漏，忠实反映数据里包含的信息。
- 有效：信息传达有重点，克制不冗余，避免信息过载，用最适量的数据-油墨比（Data-ink Ratio）表达对用户最有用的信息。
- 清晰：表现方式清楚易读，具条理性，可以帮助用户快速达成目标，在最少的时间内获取更多的信息。
- 美：对数据的完美表达，合理利用视觉元素进行艺术创作，不过度修饰，给用户优雅的体验。
任务层次
可以简单的理解成数据呈现，信息加工，辅助决策。
数据获取：该层解决用户的第一是问题“是什么”，用户主要通过浏览查看来获取数据，其通用交互范式为 Overview + Detail（概览+细节），常见于传统数据报表、汇报型图表、大屏等，比如流量监控、区域销售大盘。
信息加工：该层解决用户的第二个问题“为什么”，当图上有看不懂的信息时，用户期望有人告诉他为什么会这样，或者自己查探明究竟，其通用交互范式为 Focus + Context（聚焦+关联），常见于富交互的统计报表，或海量、高维、多源的可视分析系统。
知识流转：该层解决用户的第三个问题“怎么办”，当获取洞见通用交互范式为 Annote + Guide（标记+指引），常见于可视分析系统、智能分析、智能决策系统，比如运营专员对异常点进行标记辅助管理员进行决策，智能系统对整体趋势进行解读与归因分析。