彩票走势图

整个设计流程中，数据是基础，如果仅仅是把数据置于孤立、静态的图形中，则会限制可视化能够回答的问题数量，让数据贯彻其中，把来龙去脉娓娓道来，成为数据可视化的核心所在。

数据可视化，并不意味着一定要使用很炫的图形，不同类型的数据需要的展现方式不同，即使是最朴实的展现方式也有适用的场合，可视化的最终目的是为了用直观、交互的方式传递数据中隐藏的信息，回答用户的问题。如果图形很绚丽，但是无法从图形中获取有价值的信息，这样的可视化是不可取的。
数据可视化设计，需要根据场景对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，同一份数据通过数据可视化可以展现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，会利用漂亮的色彩搭配、动画创建生动并具有吸引力的图表。

如何把数据转化成有效的可视化形式（任何种类的图表或图形）是让数据发挥价值的第一步。接下去简单的介绍一些常用的分析图形，以及它们适用的场景。

常规图形

一般我们做统计分析都会用到柱状图，折线图，饼图。折线图通常用于表达趋势，饼图用于显示信息的相对比率，柱状图用于横向比较数据数值。这些常规图形同样会用于数据可视化领域，但都会辅助以交互的方式，不仅限于一份静态的图表；交互的方式，可以使得用户能够对感兴趣的数据进行深入挖掘。除此之外，这些常规的图形还会以组合的方式出现，以突出数据的多维度。

例如，传统的饼图一般用来表达一维数据的比例，如果我们把饼图和地图组合起来使用，就可以大大拓展饼图的使用方式，下图是通过百度ECharts制作的混合饼图，用户展现全国各省的GDP数据，其中地图上的颜色越深代表数值越高，同时用户还可以通过交互的方式在地图上选择参与饼图对比的区域；一方面可以通过地图形象的看到全国最高的省份，同时通过交互式选择也避免了对比条目太多，无法区分重点，把选择的权利交给用户，用户可以根据自己的疑问去设置，进行对比。

散点图

当想要再深入挖掘一些数据，但不确定不同信息的关联方式，或者是否有关联时，可以选择散点图。散点图是大概了解趋势、集中度、极端数值的有效方式。下图是通过百度ECharts制作的散点图样例，展现的是男女身高体重的分布，可以一目了然的看出平均分布和极端数值。

气泡图

气泡图是一种动态的多维度可视化方法，展示维度包括气泡的x坐标、y坐标、大小、颜色、时间等5个维度。通过数据多属性的同步可视化以及时间动画，方便用户探查数据的差异变化以及演变趋势。下图是通过淘宝的DataV组件制作的气泡图样例，展示的是茶叶的销量情况分布，x坐标是搜索指数，y坐标是销售指数，大小是数值，颜色用来分区分类，一张图呈现数据的多维性。

树形图

当希望一目了然看清您的数据，发现不同部分与整体的关系时，可以选择树形图。顾名思义，把这种图表中的数据想成一棵树：每根树枝都赋予一个矩形，代表其包含的数据量。每一矩形再细分为更小的矩形（或者分枝），仍然以其相对于整体的比例为依据。树形图还能有效利用空间，便于您一目了然地看到整个数据集。下图是通过淘宝的DataV组件制作的树形图样例，用于展现3C数码配件的销售分布，以及不同分类的数据占比关系。图中的每个矩形代表树的一个节点，大矩形中的小矩形代表父节点包含的子节点。不同的节点用不同的颜色加以区分，节点的值用矩形面积的大小表示。每个节点可以点击进入查看更细分类的数据占比。

箱形图

箱形图又称盒须图，是显示数据分布情况的重要方式。其名称显示这种图的两个部分：盒，包含数据的中位数，以及第1和第3个四分位数（比中位数分别大、小25%）；须，一般代表四分位距1.5倍以内的数据（第1和第3个四分位数之间的差）。“须”也可用来显示数据内的最高和最低点。当需要展现一组数据的分布情况时，可以选择箱形图：例如，查看数据如何向某一段偏斜，查看数据中的异常值。下图是通过Tableau制作的盒须图样例，用于展现大学招生的成绩的数据分布，可以看出数学专业和建筑专业平均分最高，机械工程专业和金融专业的分数跨越较大。

除此之外，还有用于展现数据之间的联系的弦图，力图，用于对比参照目标评估指标表现的靶心图，用于对比两类数据之间的交集的热力图等等。

数据可视化的发展趋势

随着各行各业对大数据分析的深入，数据可视化已经在各个领域遍地开花。

企业通过数据可视化宣传自己的产品，学校通过数据可视化来分析自己的生源，电商通过数据可视化分析客户的消费习惯，支付产品通过数据可视化提供年度账单，可视化作品是否优秀，取决于产品本事能用户带来什么？

学校分析生源，可以提供按星座分配宿舍的服务，电商分析客户消费习惯，可以把用户最可能关注的商品进行推荐，支付产品提供年度账单，可以增加用户的粘性，说到底都是给用户带来了附加价值。这类优秀作品都是解释型的可视化作品，在这些作品背后，展现形式多种多样，如何找到用户潜在关注的分析维度是数据可视化的核心，而探索型的可视化工具可以协助分析策划人员更有效的分析数据，找到数据之间的关联，制作出优秀的解释型可视化作品。虽然可视化在探索型和解释型领域会各自独立发展，但人们通过探索型的工具发现的数据关联，现有的展现方式无法表达时，就会推动解释型工具的更新。

转自：