数据分析可视化是什么?
2024-05-12 01:08
1. 数据分析可视化是什么?
数据可视化，是关于数据视觉表现形式的科学技术研究。其中，这种数据的视觉表现形式被定义为，一种以某种概要形式抽提出来的信息，包括相应信息单位的各种属性和变量。 它是一个处于不断演变之中的概念，其边界在不断地扩大。主要指的是技术上较为高级的技术方法，而这些技术方法允许利用图形、图像处理、计算机视觉以及用户界面，通过表达、建模以及对立体、表面、属性以及动画的显示，对数据加以可视化解释。 可视化并不是单独的一门学科，它是对于计算机图形学和统计学等一些学科的更深层次的延伸，比如说社交网络的图谱应用到了很多图形学的边算法，当然，很多时候是和数据挖掘关系最紧密，因为前者是为后者提供数据，后者是为了更好的展现数据。 数据可视化是和数据挖掘不可分割的，可视化作者想要表达的侧重点对于可视化的传达结果是有直接关联的。也就是说，当数据本身的特点与规律并不明显的时候，你需要进行大量的测试与研究来探寻出数据的规律，之后才能传达出正确而且有规律可循的可视化图案。
2. 数据可视化的概念的理解数据可视化
数据可视化：1~4月份海外疫情可视化数据！
3. 数据可视化的概念的数据可视化的应用
数据可视化的开发和大部分项目开发一样，也是根据需求来根据数据维度或属性进行筛选，根据目的和用户群选用表现方式。同一份数据可以可视化成多种看起来截然不同的形式。 有的可视化目标是为了观测、跟踪数据，所以就要强调实时性、变化、运算能力，可能就会生成一份不停变化、可读性强的图表。 有的为了分析数据，所以要强调数据的呈现度、可能会生成一份可以检索、交互式的图表 有的为了发现数据之间的潜在关联，可能会生成分布式的多维的图表。 有的为了帮助普通用户或商业用户快速理解数据的含义或变化，会利用漂亮的颜色、动画创建生动、明了，具有吸引力的图表。 还有的被用于教育、宣传或政治，被制作成海报、课件，出现在街头、广告手持、杂志和集会上。这类可视化拥有强大的说服力，使用强烈的对比、置换等手段，可以创造出极具冲击力自指人心的图像。在国外许多媒体会根据新闻主题或数据，雇用设计师来创建可视化图表对新闻主题进行辅助。 数据可视化的应用价值，其多样性和表现力吸引了许多从业者，而其创作过程中的每一环节都有强大的专业背景支持。无论是动态还是静态的可视化图形，都为我们搭建了新的桥梁，让我们能洞察世界的究竟、发现形形色色的关系，感受每时每刻围绕在我们身边的信息变化，还能让我们理解其他形式下不易发掘的事物。
4. 数据可视化的概念
数据可视化技术包含以下几个基本概念：①数据空间：是由n维属性和m个元素组成的数据集所构成的多维信息空间；②数据开发：是指利用一定的算法和工具对数据进行定量的推演和计算；③数据分析：指对多维数据进行切片、块、旋转等动作剖析数据，从而能多角度多侧面观察数据；④数据可视化：是指将大型数据集中的数据以图形图像形式表示，并利用数据分析和开发工具发现其中未知信息的处理过程。数据可视化已经提出了许多方法，这些方法根据其可视化的原理不同可以划分为基于几何的技术、面向像素技术、基于图标的技术、基于层次的技术、基于图像的技术和分布式技术等等。
5. 数据可视化的概念
数据可视化（Data Visualization）和信息可视化（Infographics）是两个相近的专业领域名词。 狭义上的数据可视化指的是数据用统计图表方式呈现，而信息可视化则是将非数字的信息进行可视化。前者用于传递信息，后者用于表现抽象或复杂的概念、技术和信息。 广义上的数据可视化则是数据可视化、信息可视化以及科学可视化等等多个领域的统称。数据可视化起源于1960s计算机图形学，人们使用计算机创建图形图表，可视化提取出来的数据，将数据的各种属性和变量呈现出来。随着计算机硬件的发展，人们创建更复杂规模更大的数字模型，发展了数据采集设备和数据保存设备。同理也需要更高级的计算机图形学技术及方法来创建这些规模庞大的数据集。随着数据可视化平台的拓展，应用领域的增加，表现形式的不断变化，以及增加了诸如实时动态效果、用户交互使用等，数据可视化像所有新兴概念一样边界不断扩大。
6. 第5章 数据与可视化
可视化是监控的目标之一，没有一个好的展示，再多的数据我们也很难分析。这里主要对Grafana进行介绍，前面我们虽然也展示过Grafana数据可视化的界面，但是并没有深入介绍。
书本介绍了Prometheus自带的控制台界面，开启这个功能只需要在启动命令中添加相关的参数。但是，用这个方法作图的效率实在是太低了。实际使用中，都是通过配合Grafana一起使用的。关于console template的原文链接 点我 下面介绍Grafana。
Console Teamplet虽然能满足一定的可视化需求，但是也仅仅是对Prometheus的基本能力的补充。同时使用也会有许多问题，首先用户需要学习和了解Go Template模板语言，其它其支持的可视化图表类型也非常有限，最后其管理也有一定的成本。在第1章的“初识Prometheus”中我们已经尝试通过Grafana快速搭建过一个主机监控的Dashboard，在本章中将会带来读者学习如何使用Grafana创建更加精美的可视化报表。
首先Grafana是一个通用的可视化工具。‘通用’意味着Grafana不仅仅适用于展示Prometheus下的监控数据，也同样适用于一些其他的数据可视化需求。在开始使用Grafana之前，我们首先需要明确一些Grafana下的基本概念，以帮助用户能够快速理解Grafana。
对于Grafana而言，Prometheus这类为其提供数据的对象均称为数据源（Data Source）。目前，Grafana官方提供了对：Graphite, InfluxDB, OpenTSDB, Prometheus, Elasticsearch, CloudWatch的支持。对于Grafana管理员而言，只需要将这些对象以数据源的形式添加到Grafana中，Grafana便可以轻松的实现对这些数据的可视化工作。
通过数据源定义好可视化的数据来源之后，对于用户而言最重要的事情就是实现数据的可视化。在Grafana中，我们通过Dashboard来组织和管理我们的数据可视化图表：
如上所示，在一个Dashboard中一个最基本的可视化单元为一个 Panel（面板） ，Panel通过如趋势图，热力图的形式展示可视化数据。 并且在Dashboard中每一个Panel是一个完全独立的部分，通过Panel的 Query Editor（查询编辑器） 我们可以为每一个Panel自己查询的数据源以及数据查询方式，例如，如果以Prometheus作为数据源，那在Query Editor中，我们实际上使用的是PromQL，而Panel则会负责从特定的Prometheus中查询出相应的数据，并且将其可视化。由于每个Panel是完全独立的，因此在一个Dashboard中，往往可能会包含来自多个Data Source的数据。
Grafana通过插件的形式提供了多种Panel的实现，常用的如：Graph Panel，Heatmap Panel，SingleStat Panel以及Table Panel等。用户还可通过插件安装更多类型的Panel面板。
除了Panel以外，在Dashboard页面中，我们还可以定义一个 Row（行） ，来组织和管理一组相关的Panel。
除了Panel, Row这些对象以外，Grafana还允许用户为Dashboard定义 Templating variables（模板参数） ，从而实现可以与用户动态交互的Dashboard页面。同时Grafana通过JSON数据结构管理了整个Dasboard的定义，因此这些Dashboard也是非常方便进行共享的。Grafana还专门为Dashboard提供了一个共享服务： https://grafana.com/dashboards ，通过该服务用户可以轻松实现Dashboard的共享，同时我们也能快速的从中找到我们希望的Dashboard实现，并导入到自己的Grafana中。
作为一个通用可视化工具，Grafana除了提供灵活的可视化定制能力以外，还提供了面向企业的组织级管理能力。在Grafana中Dashboard是属于一个 Organization（组织） ，通过Organization，可以在更大规模上使用Grafana，例如对于一个企业而言，我们可以创建多个Organization，其中 User（用户） 可以属于一个或多个不同的Organization。 并且在不同的Organization下，可以为User赋予不同的权限。 从而可以有效的根据企业的组织架构定义整个管理模型。
对于Grafana而言，Prometheus就是一个用于存储监控样本数据的数据源（Data Source）通过使用PromQL查询特定Prometheus实例中的数据并且在Panel中实现可视化。
接下来，我们将带领读者了解如何通过Panel创建精美的可视化图表。
Panel是Grafana中最基本的可视化单元。每一种类型的面板都提供了相应的查询编辑器(Query Editor)，让用户可以从不同的数据源（如Prometheus）中查询出相应的监控数据，并且以可视化的方式展现。
Grafana中所有的面板均以插件的形式进行使用，当前内置了11种类型的面板，常用的包括：Graph，Singlestat，Heatmap, Dashlist，Table以及Text等。
其中像Graph这样的面板允许用户可视化任意多个监控指标以及多条时间序列。而Siglestat则必须要求查询结果为单个样本。Dashlist和Text相对比较特殊，它们与特定的数据源无关。
通过Grafana UI用户可以在左边的菜单栏增加一个Dashboard，然后里面选择 Choose Visualization 即可看到下面这些的面板：
选择想要创建的面板类型即可。这里以Graph面板为例，选择Graph后我们看到有4个菜单的内容需要进行设置的。
最上面的那个是Queries，在这里要定义数据源以及查询的PromQL语句；第二个也就是上图看到的，这里可以定义图表显示的内容，比如x轴和y轴的设置；第三个是General，可以定义面板的名称以及注释等；最后一个是alert，配置告警信息（Grafana也可以做告警的）。
在通用设置中，除了一些Panel的基本信息以外，最主要的能力就是定义动态Panel的能力，这部分内容会在本章的“模板化Dashboard”小结中详细介绍。
这4个设置菜单里面，最重要是第一个菜单，也就是PromQL查询语言的编写，示例为我要显示CPU的使用率的情况，我这么设置：
公式为： avg(irate(node_cpu_seconds_total{mode!='idle'}[2m])) without (cpu)
在数据源的选择那里，有好几个选项。其中default是我们前面设定的默认数据源；Prometheus是我们添加的数据源；Grafana则用于需要查询Grafana自身状态时使用； Mixed用于需要从多个数据源中查询和渲染数据的场景；另外一个Dashboard不清楚了。这里我们选择Prometheus作为数据源。
选择好数据源之后，我们要配置查询的语句。Grafana提供了对PromQL的完整支持，在Query Editor中，可以添加任意个Query，并且使用PromQL表达式从Prometheus中查询相应的样本数据。
每个PromQL表达式都可能返回多条时间序列。**Legend **用于控制如何格式化每条时间序列的图例信息。Grafana支持通过模板的方式，根据时间序列的标签动态生成图例名称，例如：使用表示使用当前时间序列中的instance标签的值作为图例名称：
当查询到的样本数据量非常大时可以导致Grafana渲染图标时出现一些性能问题，通过 Min Step 可以控制Prometheus查询数据时的最小步长（Step），从而减少从Prometheus返回的数据量。
Resolution 选项，则可以控制Grafana自身渲染的数据量。例如，如果 Resolution 的值为 1/10 ，Grafana会将Prometeus返回的10个样本数据合并成一个点。因此 Resolution 越小（1小于10，也就是默认已经最小了）可视化的精确性越高，反之，可视化的精度越低。
Format 选项定义如何格式化Prometheus返回的样本数据。这里提供了3个选项：Table,Time Series和Heatmap，分别用于Tabel面板，Graph面板和Heatmap面板的数据可视化。
除此以外，Query Editor还提供了调试相关的功能，点击 Query Inspector 可以展开相关的调试面板：
在这里我们可以配置显示的样式，这里我只自定义了左边Y轴的数字格式，选择为百分比。
在这里我定义了面板的名称已经注释
这里我没有做定义，最后的图表如下：
Graph面板是最常用的一种可视化面板，其通过折线图或者柱状图的形式显示监控样本随时间而变化的趋势。我们继续用CPU的例子来做讲解：
查询公式为
上面的箭头指向， Add series override菜单，可以让我们自定义某一条折线的样式
继续往下，这里可以定义X、Y轴的情况，比如我把左边Y轴的单位改为百分数。
继续往下，这里可以定义图例的样式，也就是我们前面定义的 {{ instance }} 的样式，这里我选择用表格来显示，显示min、max和current的值。
继续往下，这里可以定义一个阈值，图表是告警的阈值。比如说我的CPU使用率超过50%，那就会显示不同的颜色，有一条阈值线。
这里和之前一样，只定义这个面板的名称和注释。
最后的图表是：
热力图这里不做介绍，这个用得稍微少点。可以看原文 点我
Singlem Panel侧重于展示系统的当前状态而非变化趋势。如下所示，在以下场景中特别适用于使用SingleStat：
如下所示，是使用SingleStat进行数据可视化的显示效果：
我们继续用CPU来说事，比如我这里定义CPU使用率低于50%就定义主机状态为健康，否则就是不健康。
对于SingleStat Panel而言，其只能处理一条时间序列，否则页面中会提示“Multiple Series Error”错误信息。这里使用上例一样的语句去查询：
首先我们新建一个singlestat面板，然后输入公式，这时候毫无疑问出现了错误提示：
为了能够正常显示，这里我们手动指定下单个实例，修改语句为：
这时候就有数据了，接下来我们要修改图表的样式。
默认情况下，当前面板显示的是平均值，我们实际要看的是当前的值.我们还要修改显示的颜色，这里我定义了两个值，小于0.5的时候显示绿色，大于0.8显示红色，中间显示橙色；然后设置显示折线图，并设置为绿色。
为了提高数字的可读性，我们把数字替换为文字。CPU使用率低于50%的时候显示为healthy，大于50%的时候显示为unhealthy。
配置面板名称及注释
最后的成品如下：
前面我们介绍的例子中，Grafana能够方便的将Prometheus返回的数据进行可视化展示。例如，在展示主机CPU使用率时，我们使用了如下表达式：
该表达式会返回当前Promthues中存储的所有时间序列，每一台主机都会有一条单独的曲线用于体现其CPU使用率的变化情况：
而当用户只想关注其中某些主机时，基于当前我们已经学习到的知识只有两种方式，要么每次手动修改Panel中的PromQL表达式，要么直接为这些主机创建单独的Panel。但是无论如何，这些硬编码方式都会直接导致Dashboard配置的频繁修改。在这一小节中我们将学习使用Dashboard变量的方式解决以上问题。
在Grafana中用户可以为Dashboard定义一组变量（Variables），变量一般包含一个到多个可选值。如下所示，Grafana通过将变量渲染为一个下拉框选项，从而使用户可以动态的改变变量的值：
例如，这里定义了一个名为node的变量，用户可以通过在PromQL表达式或者Panel的标题中通过以下形式使用该变量：
变量的值可以支持单选或者多选，当对接Prometheus时，Grafana会自动将$node的值格式化为如“ host1|host2|host3 ”的形式。配合使用PromQL的标签正则匹配“ =~ ”，通过动态改变PromQL从而实现基于标签快速对时间序列进行过滤。
通过Dashboard页面的Settings选项，可以进入Dashboard的配置页面并且选择Variables子菜单:
用户需要指定变量的名称，后续用户就可以通过$variable_name的形式引用该变量。Grafana目前支持7种不同的变量类型，而能和Prometheus一起工作的主要包含以下5种类型：
Label属性用于指定界面中变量的显示名称，Hide属性则用于指定在渲染界面时是否隐藏该变量的下拉框。
当Prometheus同时采集了多个主机节点的监控样本数据时，用户希望能够手动选择并查看其中特定主机的监控数据。这时我们需要使用Query类型的变量。
如上所示，这里我们为Dashboard创建了一个名为node的变量，并且指定其类型为Query。Query类型的变量，允许用户指定数据源以及查询表达式，并通过正则匹配（Regex）的方式对查询结果进行处理，从而动态生成变量的可选值。在这里指定了数据源为Prometheus，通过使用node_load1我们得到了两条时间序列：
通过指定正则匹配表达式为 /.*instance="([^"]*).*/ 从而匹配出标签instance的值作为node变量的所有可选项，即：
Selection Options 选项中可以指定该变量的下拉框是否支持多选，以及是否包含全选（All）选项。
保存变量后，用户可以在Panel的Queries中通过$node的方式使用该变量，如下所示：
这里需要注意的是，如果允许用户多选在PromQL表达式中应该使用标签的正则匹配模式，因为Grafana会自动将多个选项格式化为如“192.168.113.52:9100|192.168.113.70:9100”的形式。
使用Query类型的变量能够根据允许用户能够根据时间序列的特征维度对数据进行过滤。在定义Query类型变量时，除了使用PromQL查询时间序列以过滤标签的方式以外，Grafana还提供了几个有用的函数：
例如，当需要监控Prometheus所有采集任务的状态时，可以使用如下方式，获取当前所有采集任务的名称：
label_values(up, job)
例如，有时候我们想要动态修改变量查询结果。比如某一个节点绑定了多个ip，一个用于内网访问，一个用于外网访问，此时prometheus采集到的指标是内网的ip，但我们需要的是外网ip。这里我们想要能在Grafana中动态改变标签值，进行ip段的替换，而避免从prometheus或exporter中修改采集指标。
这时需要使用grafana的query_result函数
当在一个Panel中展示多条时间序列数据时，通过使用变量可以轻松实现对时间序列的过滤，提高用户交互性。除此以外，我们还可以使用变量自动生成Panel或者Row。 如下所示，当需要可视化当前系统中所有采集任务的监控任务运行状态时，由于Prometheus的采集任务配置可能随时发生变更，通过硬编码的形式实现，会导致Dashboard配置的频繁变更：
如下所示，这里为Dashboard定义了一遍名为job的变量：
通过使用label_values函数，获取到当前Promthues监控指标up中所有可选的job标签的值：
如果变量启用了Multi-value或者Include All Option选项的变量，那么在Panel的General选项的Repeat中可以选择自动迭代的变量，这里使用了Singlestat展示所有监控采集任务的状态：
Repeat选项设置完成后，Grafana会根据当前用户的选择，自动创建一个到多个Panel实例。 为了能够使Singlestat Panel能够展示正确的数据，如下所示，在Prometheus中，我们依然使用了 job 变量，不过此时的$job反应的是当前迭代的值：
最后的结果图如下，当我选择全部的时候，自动生成了6个Panel。
7. 数据可视化的概念
数据可视化：1~4月份海外疫情可视化数据！
8. 数据分析可视化有哪些类型？
数据可视化实训总结
总结是对某一阶段的工作、学习或思想中的经验或情况进行分析研究的书面材料，它能使我们及时找出错误并改正，让我们一起认真地写一份总结吧。总结怎么写才不会千篇一律呢？下面是我精心整理的数据可视化实训总结，仅供参考，希望能够帮助到大家。
数据可视化实训总结1 数据可视化是指将数据间的关系利用图表直观地展示出来。通过数据可视化将大量的数据集构成数据图像，同时将数据的各个属性值以多维数据的形式表示，可从不同的维度观察数据，从而对数据进行更深入的观察和分析。
一、数据分析可视化常用的图表类型有如下几种：
1、表格
2、散点图
3、折线图
4、柱状图
5、条形图
二、可视化分析
2.1想分析购买数量前10名的用户是否是回头客还是客单量大？
对该项分析使用 表格 分析，按购买数量排名前10的用户根据购买日期的次数分析：都是一次性购买，并非回头客用户，企业应该想办法维护这些大客户群。
2.2 根据2.1分析结果继而想到那些回头客购买力度怎么样呢？从而再次对后买日期统计，分析购买次数多的用户：得出本次共分析29944个用户，回头客只有25个，占比0.083%；其中只有1名用户是购买4次的， 其余24名用户只购买2次。商家需要拉些回头客，考虑是否质量过关，是否活动力度不够？
使用一个饼状图更直接看出回头客比重之小
2.3 根据商品种类cat_id统计出销量前10名的商品种类，使用条形图做了可视化分析：
2.4 对20xx年和20xx年总销量分别按照月度和按照季度做 折线图 可视化分析，很明了看出销售变化趋势如下；11月度销量最高，第四季度销量最高。
2.5 分析表2数据，想知道哪个年龄段的儿童服装销量比较高？如下分别用 柱形图 和 散点图 进行可视化图表分析（感觉点状图效果稍好一些），可以看出相同年龄段的男女生销量走势是一致的，且随着年龄增长销量呈下降趋势。
若以3岁为一个阶段，0—3岁为婴儿期间的销量最高，淘宝和天猫市场需求量大。
三、作为数据分析职责的思想总结
在此总结下两篇初步学习数据分析的心得：数据分析首先要掌握常用的数据分析方法，数据分析工具，然后再根据自己公司的产品调整，灵活组合。接下来我要系统学习数据分析知识。数据分析师是一个实践的职位，要在实际项目中不断的训练，才能成为高手。
作为数据分析师我认为的主要职责是要将业务数据清晰、准确、明了的呈现给数据使用者和决策者，比如预测用户的流失，对用户进行自动分类等。你能提供的价值大了。决策者和管理者能够根据呈现的数据结果及时合理调整业务活动，以使企业得到利润最大化。
数据可视化实训总结2 一、数据可视化的定义
数据可视化（Data Visualization）是涉及信息技术、自然科学、统计分析、图形学、交互、地理信息等多种学科交叉领域，通过将非数字的信息进行可视化以表现抽象或复杂的概念和信息的技术。简单的说，这种技术将数据以图表的方式呈现，用以传递信息。人类有五官，能通过5种渠道感受这个物质世界，那么为什么单单要青睐可视化的方式来传递信息呢？这是因为人类利用视觉获取的信息量巨大，人眼结合大脑构成了一台高带宽巨量视觉信号输入的并行处理器，具有超强模式识别能力，有超过50%功能用于视觉感知相关处理的大脑，大量视觉信息在潜意识阶段就被处理完成，人类对图像的处理速度比文本快6万倍，所以数据可视化是一种高带宽的信息交流方式。
如果我们的视野再开阔些，数据可视化从广义上来说包含了三个分支：科学可视化（Scientific Visualization），信息可视化（Information Visualization）和可视分析学（Visual Analytics）。科学可视化是跨学科研究与应用领域，关注三维现象的可视化，在建筑学、气象学、医学或生物学方面的各种系统中有广泛的应用，这个领域研究的数据具有天然几何结构（如磁感线、流体分布等）。
scientific_data_viz。png
信息可视化则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，这个领域研究的数据具有抽象的结构，比如柱状图，趋势图，流程图和树状图，这些图表将抽象的概念转化成为可视化信息，常常以数据面板的形式体现。
info_data_viz。png
可视分析学结合了交互式视觉表示以及基础分析过程（统计过程、数据挖掘技术），执行高级别、复杂的活动（推理、决策）。
viz_analysis。png
二、在数据科学全过程中的位置
数据科学的主要组成部分包含三个大的阶段：数据整理，探索性数据分析和数据可视化。站在一个更高的位置来看，数据可视化在数据科学中的位置是比较靠后的，是属于最后的成果展示阶段。如果要从头说起的话，首先，在数据整理阶段，我们的主要任务是数据的获取和解析，包括一系列对原始数据的清洗和加工工作，这一块的知识领域主要涉及计算机科学。紧接着是探索性数据分析阶段，这个阶段要大量使用统计和数据挖掘方面的专业知识，也需要绘制图表来解释数据和探索数据，这个阶段的主要任务是过滤和挖掘。但这个阶段的可视化分析只是你和数据之间的“对话”，是数据想要告诉你什么，而数据可视化则是数据和你的读者之间的对话，是你通过数据想要告诉读者什么，这是它们之间最大的区别。完成了上面两个阶段的内容，才到了我们最后的数据可视化阶段，这是一个多学科交叉的领域，涉及到图形设计，信息可视化和人机交互，我们的主要任务是对信息进行精炼，然后通过可视化表示出来，并与读者产生交互。然而，如果将数据科学的这三个阶段理解为按严格顺序进行的“线性”的模型那就大错特错了，它经历的是一个迭代的，非线性的过程。后面的步骤会让你更了解之前所做的工作，可能到了数据可视化阶段，才意识到还有太多疑点要弄明白，我们需要回到上一步重新进行之前的工作，就像画家翻来覆去才能最终完成一幅杰作一样，数据可视化的过程并不是给数据分析这个刚出炉的蛋糕加点糖霜，，而是有一个反复迭代，不断优化的过程。
三、数据可视化的技术栈
数据可视化是一个再典型不过的多学科交叉领域了，可以说数据可视化所需要用到的知识，就是数据科学庞大知识体系的一个剪影。你会感受到数据科学理性的.一面，同样也会感受到她感性的一面。你可以穷尽自己的一生，在这个浩如烟海的领域中尽情的探索，常学常新，其乐无穷。
四、数据可视化过程
数据可视化的本质，是充分理解业务的基础上对数据进行深入分析和挖掘，然后将探索数据所得到的信息和知识以可视化的形式展现出来。也就是说我们做的工作其实就是从数据空间映射到图形空间。我们要做的第一步工作是充分的结合业务理解数据，然后采用某些方法选择合适的图表类型，这又要求我们先对图表类型有个比较全面的了解。绘制完图表是不是就完成了呢？其实不是。我们还要对图表进行优化，优化所针对的对象是各种图表元素，对此我们有一系列的设计技巧，下面将一步一步的来介绍这些知识。
4.1 结合业务理解数据
离开对业务的理解谈数据分析都是耍流氓。这里介绍一种快速了解数据与业务以开展进一步的探索与分析的方法，叫“5W2H法”。
步骤一：WHAT，这是关于什么业务的什么事？数据所描述的业务主题是什么？
步骤二：HOW，即如何采集的数据？采集规则会影响后续分析，比如如果是后端数据埋点，那么数据一般是实时的；而如果是前端数据埋点，那么就要进一步弄清楚数据在什么网络状态会上传？无网络状态下是如何处理的？这些都会影响最后数据的质量进而影响分析质量。
步骤三：WHY，为什么搜集此数据？我们想从数据中了解什么？数据分析的目标是什么？
步骤四：WHEN，是何时段内的业务数据？
步骤五：WHERE，是何地域范围内的业务数据？
步骤六：WHO，谁搜集了数据（Who）？在企业内可能更关注是来自哪个业务系统。
步骤七：HOW MUCH，各种数据有多大的量，足够支持分析吗？数据充足和不足的情况下，分析方法是有所不同的。如果七个问题中有一个答复不能令人满意，则表示这方面有改进余地。
4.2 选择图表类型
用简单的三个步骤就可以选择合适的图表类型：一看数据类型，二看数据维度，三看要表达的内容。
我们有两种数据类型，每种数据类型又有两个子类别。首先，我们有分类数据和定量数据。分类数据用来表示类别，比如苹果，香蕉，梨子和葡萄，就是水果的4种类别，称为分类定类；有的分类变量是有一定顺序的，比如可以把红酒的品质分为低，中，高三档，人的身材有偏瘦，正常和肥胖等等，这种特殊的分类变量称为分类定序。定量数据也可以进一步分为两类，一类叫连续值数据，比如人的年龄；一类叫离散值数据，比如猫咪的数量。
最新文章
热门文章
推荐阅读