什么是数据可视化？如何做好数据可视化分析？

本文讲述了什么是数据可视化？如何做好数据可视化分析？

有人说，数据可视化不就是画图嘛，看不出来研究的价值在哪。我原来也天真的以为，数据可视化就是把数据从冰冷的数字转换成图形，顶多就是色彩丰富一些，看起来更酷炫，逼格满满。
　　其实不然，一个好的可视化，能够带给人们不仅仅是视觉上的冲击，还能够揭示蕴含在数据中的规律和道理。
　　可视化的意义
　　可视化的终极目标是洞悉蕴含在数据中的现象和规律，这里面有多重含义：发现、决策、解释、分析、探索和学习。
　　简明定义是：通过可视表达增强人们完成某些任务的效率。比如，相同统计特征(方差、均值等)的几组数据可视化出来的结果是完全不同的。如下面的图 1 所示：

　　可以化的意义在于，可视化作为人脑的辅助工具，可以替我们保留一部分信息，好记性不如烂笔头。其次，图形化的符号可以将用户的注意力引导到重要的目标。

　　可视化的目标和作用

　　传统的可视化可以大致分为探索性可视化和解释性可视化，按照应用来分，可视化有多个目标：

　　有效呈现重要特征

　　揭示客观规律

　　辅助理解事物概念和过程

　　对模拟和测量进行质量监控

　　提高科研开发效率

　　促进沟通交流和合作

　　按照宏观的角度看，可视化的三个功能：

　　信息记录

　　信息推理和分析

　　信息传播与协同

　　数据可视化分类

　　数据可视化包含三个分支，科学可视化(Sci Vis, Scientific Visualization )和信息可视化(Info Vis, Information Visualization)，以及后来演化出第三个分支：可视分析(VAST, Visual Analytics Science and Technology)这个从IEEE VIS 会议的分类中可以看出来。

　　科学可视化面向的是科学和工程领域数据，比如空间坐标和几何信息的三维空间测量数据、计算机仿真数据、医学影像数据，重点探索如何以几何、拓扑和形状特征来呈现数据中蕴含的规律。

　　信息可视化的处理对象是非结构化、非几何的抽象数据，如金融交易、社交网络和文本数据，其核心挑战是针对大尺度高维复杂数据如何减少视觉混淆对信息的干扰。

　　近几年来，随着人工智能的兴起，人们逐渐发现其实一些机器能比人做得更好的事情，同时也发现了一些事情需要借助人类 3 亿年的进化本领。所以将可视化与分析进行结合，产生了一个新的学科：可视分析学。

　　可视分析学被定义为由可视交互界面为基础的分析推理科学，将图形学、数据挖掘、人机交互等技术融合在一起，形成人脑智能和机器智能优势互补和相互提升。

　　数据可视分析和数据挖掘的异同

　　数据可视分析和数据挖掘的目标都是从数据中获取信息与知识，但是手段不同。

　　数据可视分析是将数据呈现给用户以易于感知的图形符号，让用户交互地理解数据。

　　数据挖掘是通过计算机自动或者半自动地获取数据隐藏的知识，并将获取的知识直接给予用户。

　　也就是说，数据可视化可以看到交互界面，更适合于探索性地分析数据。而数据挖掘面对的是一堆活生生但黑不溜秋的数据，需要像挖煤一样从中发现金子。

数据可视化是指以图形的方式展示数据，帮助用户能够更快地识别模式；交互式可视化能够让决策者深入了解细节层次，展示方式的改变使得用户可以查看分析背后的事实。

　　一、数据可视化的作用

　　1.化繁为简，方便理解

　　正所谓“一图胜千言”，使用图表来总结复杂的数据，这种沟通方式使业务领导者能够更快地理解和处理他们的信息。

　　2.发现新趋势、新机遇

　　企业收集到的消费者行为的数据，可以为适应性强的公司带来许多新的机遇。通过使用大数据可视化来监控关键指标，企业领导人可以更容易发现各种大数据集的市场变化和趋势。

　　3、增强数据交互

　　数据可视化的主要好处是它及时带来了风险变化。但与静态图表不同，交互式数据可视化鼓励用户探索甚至操纵数据来发现其他“秘密”。这就为使用分析提供了更好的意见。

　　二、提升数据可视化的技巧

　　1、避免使用饼图

　　尽管它们很受欢迎，但饼图并不是一种可视化数据的有效方法。为什么？因为你的大脑很难确定每块馅饼的相对大小。多使用条形图，它能使受众更容易理解和比较数据的相对大小。

　　Tip：按降序或升序对数据进行排序，能更轻松地比较数据。

　　2、避免数据噪音

　　正如“数据界的达芬奇”Edward Tufte所说，图表上的每一点信息都应该有存在的理由。把不重要的东西减到最少或者去掉。这包括减弱或移除图形线，改变轴线、图形线的颜色，以及用浅灰色描绘电子表格行。使得“数据比率”可以达到一个很高的水平，听众会更容易明白其中的数据情况。

　　Tip:如果有人评价你的图表华而不实，你只需要优化数据比率就好了。

　　3、使用简单易读的字体

　　有些时候，排版可以提升视觉效果，增加额外的情感和洞察力。但数据可视化不包括在内。坚持使用简单的无衬线字体(通常是Excel等程序中的默认字体)。无衬线字体即是那些文字边缘没有小脚的字体。

　　4、使用表格数字字体

　　表格间距赋予所有的数字相同的宽度，使它们排列时能彼此对齐，使比较更容易。大多数流行字体都内置了表格。不确定字体是否正确?就看小数点(或任何数字)是否对齐就行。

　　5、使用相同细节和精度的数字

　　添加的细节(和数字)越多，大脑处理的时间就越长。想想你想要用你的数据传达什么，以及最有效的方式是什么。

　　6、使用基础图形

　　一个很好的经验法则是，如果你不能高效理解，你的读者或听众可能也难理解。因此，坚持使用基础图形:直方图、条形图、维恩图、散点图和线形图。

　　三、数据可视化图表配色的技巧

　　1、多彩配色：宜克制

　　许多时候，我们容易首先考虑设置多彩的颜色去达到外观的酷炫，而没有考虑到这些颜色是否有实际的意义。显然，多彩的图表可能有助于广告效果，却分散了读者对于真正有价值的数据本身的注意力。

　　2、色调与明度：跨度要大

　　在把数据进行可视化的大多数情况下，我们需要让配色容易辨识与区分，也就是说，它们的明度差异一定要够大。对于明度与色调，跨度越大，就能承载越多的数据。下图中第二行就是一个反例，颜色之间辨识度太低，容易模糊不同数据系列的界限，你会很难分辨相邻两色的区别。

　　3、饱和度：尽量低

　　在配色过程中，有时我们挑选了喜欢的颜色，搭配出来的效果却不如人意。是颜色选的不合适吗？别着急，尝试降低它们的饱和度吧。

　　不过仍要注意颜色之间的辨别度，避免不同数据系列的颜色混淆。另外，避免广泛运用艳色的好处是，当你有某个很想要强调的数据时，你可以轻松使用明亮的色彩来表示。

　　4、善于向大自然取经

　　淡黄到深紫的过渡”与“淡紫到深黄的过渡”，这两种方案听起来是否感觉大概相似？但我们在下面可以看到，前者感觉很自然，后者则不是。

　　这是由于我们已经习惯于那些在自然界中随处可见的渐变。在华丽的日落中，我们就能看到明黄色向深紫色的渐变，但却没有哪里能看到淡紫色向深黄色的过渡。

　　5、巧用渐变色

　　无论你只需要2种颜色，还是需要10种颜色，渐变中都能提取出这些颜色，并让图表看起来和谐而自然，因此不失为一种保险的方法。当然，最深和最亮的颜色用于最需要突出的序列。

　　6、背景色的深浅选择

　　在绘制图表时，背景一般采用纯色，否则背景会干扰读者对图片主体信息的读取。

　　另外，浅色的背景显然更有利于用户阅读，可以提高数据的可读性。但是在界面内容过少的情况下，我们可以使用深色背景，使其看起来不那么单调。

　　四、图表可视化的常见误区

　　1、坐标轴处理不当

　　一种是出于夸大数据差异而对坐标轴起点不当截取。

　　另外是对坐标轴使用对数处理，减小了数据差异。

　　2、图表拉伸

　　图表横纵坐标轴的比例异常也会影响数据信息表达，特别是表现趋势方向类的折线图等图表，横坐标和纵坐标的比例在1：1到2：1之间最为合适。

　　3、取值间隔

　　最易出现在波动性较大的数据处理中，间隔取值会得到完全不同的结果。

　　上文就是小编为大家整理的什么是数据可视化？如何做好数据可视化分析？

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。