Nano Hash - криптовалюты, майнинг, программирование

Ключ строки StackedBarChart не добавляется в DefaultCategoryDataSet

У меня есть два класса сущностей: A и B. У A есть сущности B, и у меня есть Map, определенный в следующем формате: Map<A, List<B>.

Я хочу добавить все данные карты в DefaultCategoryDataset со следующим кодом. Например, если есть 5 A и каждый A имеет 4 B, я хочу иметь 25 ключей строк. (Номер объекта * (номер объекта A entityNumber + B в каждом A). Ключ строки, в котором хранится класс A, должен иметь одинаковую ширину; все остальные строки, в которых хранятся объекты B, должны иметь одинаковую ширину. Чтобы добиться успеха, я даю одинаковые значения при добавлении ключей строки A ((double) 1 / (1 + bResultList .size()) и предоставление меньших значений при добавлении ключей строки A ((double) 1 / (1 + bResultList .size() + 6).

DefaultCategoryDataset dataset = new DefaultCategoryDataset();
/** for each workpoint */
for (A aResult : map.keySet()) {
    List<B> bResultList = map.get(aResult);
    dataset.addValue(
        (double) 1 / (1 + bResultList.size()),
        "WorkPoint " + aResult.getTimeStep(),
        "WP T=" + aResult.getTimeStep());
    /** for each contingency result */
    for (B bResult : bResultList) {
        dataset.addValue(
            (double) 1 / (1 + bResultList.size() + 6),
            bResult.getName(),
            "WP T=" + aResult.getTimeStep());
    }
}

Но когда я добавляю все данные карты в набор данных, все ключи строк не сохраняются. Когда я отлаживаю, набор данных имеет только 9 строк. (A1,B1,B2,B3,B4,A2,A3,A4,A5) Только B объектов из первого объекта A сохраняются как ключи строки. Другие объекты B другого объекта A не хранятся в базе данных.

Но когда я показываю график, все данные отображаются на графике, но в неправильном порядке. Порядок следующий.

A1-B1-B2-B3-B4
B1-B2-B3-B4-A2
B1-B2-B3-B4-A3
B1-B2-B3-B4-A4
B1-B2-B3-B4-A5

Я хочу отображать как

A1-B1-B2-B3-B4
A2-B1-B2-B3-B4
A3-B1-B2-B3-B4
A4-B1-B2-B3-B4
A5-B1-B2-B3-B4
java jfreechart
13.11.2011

  • Укажите sscce, который указывает на описанную вами проблему. 13.11.2011

Ответы:


1

В отсутствие вашего sscce проблема не очевидна. Это может помочь сравнить ваш набор данных с типичным CategoryDataset, таким как этот, который имеет отдельные ключи серии (строки) и категории (столбца). Кроме того, добавление CategoryItemLabelGenerator может помочь в отладке.

renderer.setBaseItemLabelGenerator(
    new StandardCategoryItemLabelGenerator(
        "{0} {1} {2}", NumberFormat.getInstance()));
renderer.setBaseItemLabelsVisible(true);
14.11.2011
Новые материалы
Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
Частный метод Python: улучшение инкапсуляции и безопасности
Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..