数据可视化的基本流程总结

Posted 爱数据原统计网

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了数据可视化的基本流程总结相关的知识,希望对你有一定的参考价值。



数据可视化的基本流程总结

温馨提示
小伙伴们尽量减少外出,为了个人健康出门请佩戴口罩,日常勤洗手,远离生禽



我们要的不是数据,而是数据告诉我们的事实。大多数人面临这样一个挑战:我们认识到数据可视化的必要性,但缺乏数据可视化方面的专业技能。部分原因可以归结于,数据可视化只是数据分析过程中的一个环节,数据分析师可能将精力花在获取数据、清洗整理数据、分析数据、建立模型,但在最终的展示沟通上力不从心。


数据可视化的基本流程总结


这也是“写代码的干不过做PPT”的部分原因。实际上,只要掌握了可视化的技能,我们的工作就更容易受到leader的认可。


可视化工具包括但不限于,Tableau,Excel,PowerBI,Python,R



可视化之前:探索性分析与解释性分析



二者之间有很重要的区别:探索性分析指理解数据并找出值得分析或分享给他人的精华。这就好比,在牡蛎中寻找珍珠,可能打开一百个牡蛎(尝试很多种方法)才最终找到两颗珍珠。而解释性分析,我们迫切希望能够言之有物,讲好某个故事--专注于两颗珍珠。


大多数时候我们汇报工作就是要做好解释性分析的工作。



可视化过程



一个完整的数据可视化过程,主要包括以下4个步骤:

确定数据可视化的主题
提炼可视化主题的数据
根据数据关系确定图表
进行可视化布局及设计


数据可视化的基本流程总结

图片来自:木东居士


可视化元素由3部分组成:可视化空间+标记+视觉通道



可视化空间



数据可视化的显示空间,通常是二维。三维物体的可视化,通过图形绘制技术,解决了在二维平面显示的问题,如3D环形图、3D地图等。



标记



标记,是数据属性到可视化几何图形元素的映射,用来代表数据属性的归类。


根据空间自由度的差别,标记可以分为点、线、面、体,分别具有零自由度、一维、二维、三维自由度。如我们常见的散点图、折线图、矩形树图、三维柱状图,分别采用了点、线、面、体这四种不同类型的标记。



视觉通道



数据属性的值到标记的视觉呈现参数的映射,叫做视觉通道,通常用于展示数据属性的定量信息。


常用的视觉通道包括:标记的位置、大小(长度、面积、体积...)、形状(三角形、圆、立方体...)、方向、颜色(色调、饱和度、亮度、透明度...)等。



确定图表



数据之间的相互关系,决定了可采用的图表类型。常见的数据关系和图表类型的对应关系如下图所示:


数据可视化的基本流程总结

图片来自:木东居士


在以后的专栏中,我们将逐步分享上述图片中出现的各图形应用案例及注意事项。
接下来,我们结合具体案例来讲述数据可视化的魅力



表格



使用表格时,需要记住的一点是:让设计融入背景,让数据占据核心地位。不要让厚重的边框和阴影与数据争夺受众的注意力。相反,要使用空格来区分表格中的元素。


数据可视化的基本流程总结


左表,框线过多容易扰乱阅读者的注意力,反之,三线表简洁干练,通常是论文及出版物表格样式的首选。



热力图



热力图是用表格的形式可视化数据的一种方法,在显示数据的地方(数据之外)利用着色的单元格传递数据相对大小的信息。


数据可视化的基本流程总结


热力图绘制(excel2010版):选中数据--开始--样式--条件格式(你可以根据需要选择合适的条件格式)。



折线图



我们通常可以借助折现图理解趋势,比如,时间序列的每年降雨量(每日将与量之和);在某些情况下,折线图中的线可能代表一个综合的统计数据,比如平均值或预测的点估计。如果你还想展示范围(或者置信区间),可以直接在图上进行可视化。


源数据:


数据可视化的基本流程总结
数据可视化的基本流程总结


左图是多指标折线图,右图在折线图中展示范围内的平均值。


绘制右图时:先绘制avg--max折线图,然后右键“更改图表类型”,选择“面积图”;


右键“选择数据”,添加min折线图;最后选中“min折现图”,右键“设置数据系列格式”,选择“纯色填充--白色”。


End.

来源:求知鸟




关注领取机器学习资料
    

以上是关于数据可视化的基本流程总结的主要内容,如果未能解决你的问题,请参考以下文章

数据可视化基本套路总结

图解:什么是数据可视化

ECharts课堂(大数据可视化)基础

Pythonpyecharts 数据可视化模块

Pythonpyecharts 数据可视化模块

Pythonpyecharts 数据可视化模块