数据可视化之美:经典案例与实践解析 -pg电子游戏网站

4顶
0踩

随着dt时代的到来,传统的统计图表很难对复杂数据进行直观地展示。这几年数据可视化作为一个新研究领域也变得越来越火。成功的可视化,如果做得漂亮,虽表面简单却富含深意,可以让观测者一眼就能洞察事实并产生新的理解。可视化(visualization)和可视效果(visual)两个词是等价的,表示所有结构化的信息表现方式,包括图形、图表、示意图、地图、故事情节图以及不是很正式的结构化插图。

基本的可视化展现方式,如条形图、折线图、饼图、雷达图可以很容易通过各种软件(如excel)容易生成,这些方法是常见可视化问题的良好且强大的pg电子游戏网站的解决方案。然而,使用这些方法的最佳方式局限于一些特定的数据类型,而且其标准型和普遍性意味着它们基本无法达到新颖性。如果对地理空间数据、社会网络关系、多维数据进行可视化,直观地传递数据期望表达的信息是需要特定的图表类型来展示。

让我们一起来看几个经典的可视化,观测它们是如何充分利用其源数据结构的。

1. “美国大选”数据可视化

在美国大选期间,美国媒体做了不少与之相关的数据报道,让我们来回顾一下,他们是如何将美国大选的数据可视化的吧!

下图为各洲“选举人票”的占比情况。作者设计了两种表现方法,一是以“选举人票”的分布做为底图,一是直接以美国地图作为底图。除此图上方双方选举人票总体数量对比外,鼠标移至各洲上方还能显示各洲“选举人票”数量及对希拉里与特朗普的支持比例。


关于第三方选举人影响的情况(在只有两种选择和有四个选举人的情况下,选民的态度又是怎样呢?)

特朗普的粉丝更多的是公立学校出身,而希拉里的则大都为精英阶层。

希拉里的粉丝大都较为“书生气”,使用与书籍相关的词汇,其中有很多被认证为教授或博士;而特朗普的粉丝更加喜欢流行文化,他们可能同时是流行歌手的粉丝,也更加关注球类运动等。

2. 社会关系可视化

社会网络分析(social netwrok analysis,sna)是在传统的图与网络的理论之上对社会网络数据进行分析的方法。随着人类进入了移动互联网时代,社会网络数据成了重要的数据资源。sna的本质是利用各样本间的关系来分析整体样本的群落现象,并分析样本点在群落形成中的作用以及群落间的关系。

近几年手机端网游越来越重视游戏用户社交性设计。这款游戏的玩法设计特别强调强社交性:用户可以在游戏内组建家族,家族成员有不同的职务等级,用户也可以在游戏内给好友赠送道具。我们从数据库中收集抽取了部分用户的家族数据(nodes)和好友沟通数据(links)。其中nodes数据集包括id(用户id)、label(用户名称)、group(所属家族)、level(等级)的信息;links数据集包括source(发起方)、target(接收方)和weight(斗气数量)信息。

从网络图可以看出,不同家族的成员基本紧密联系在一起,并通过一些关键成员与其他家族成员联系。例如我们发现右下角的那个社群的成员先通过user1用户、再通过user12用户跟其他社团成员联系在一个大网络图中。

我们也可以用gephi软件快速绘制社会网络图,并对其进行美化。

3. 地理信息可视化

在第一个例子中,我们已经见识到了地理信息可视化的魅力。接下来我们简单了解下如何利用remap包快速绘制可交互的地图数据可视化。目前托管在github,。

百度迁徙图是近年来非常流行的一种地理信息可视化,可以通过连线动态查看人口流向。此处给大家绘制一幅动态航班图的地理信息可视化图,大家点击可查看动态效果。

也可以利用remap快速实现未来。

还可以把一些各地举行的会议事件在地图上进行可视化展示,下图是2015年中国r语言会议在各个城市举行的可视化展示()。

城市热力图也是近年来非常流行的一种地理信息可视化方式,通过颜色的深浅表示不同地区的实际数值大小()。

通过以上的几个小例子,相信大家已经惊叹于上面的可视化效果,给人眼前一亮、耳目一新的感觉。以上可视化并未运用到很高深的技术,如果你也掌握以下一些可视化知识,也能绘制出以上图表的效果。接下来,就给大家介绍几个常用的交互数据可视化手段:d3、echarts和r(r是一款数据分析挖掘软件,但是其拥有强大的可视化功能,并能集成d3、echarts图库,实现交互绘图)。

1.

d3 是最流行的可视化库之一,它被很多其他的表格插件所使用。它允许绑定任意数据到dom,然后将数据驱动转换应用到document中。你可以使用它用一个数组创建基本的html表格,或是利用它的流体过度和交互,用相似的数据创建惊人的svg条形图。

比如d3可以非常容易地绘制交互桑基图。桑基图(sankey diagram),即桑基能量分流图,也叫桑基能量平衡图。它是一种特定类型的流程图,图中延伸的分支的宽度对应数据流量的大小,通常应用于能源、材料成分、金融等数据的可视化分析。桑基图最明显的特征就是,始末端的分支宽度总和相等,即所有主支宽度的总和应与所有分出去的分支宽度的总和相等,保持能量的平衡()。

可以通过d3对sunburst partition可视化探索。通过解析布点获得的用户行为路径数据,我们可以用最简单与直接的方式将每个用户的事件路径点击流数据进行统计,并用数据可视化方法将其直观地呈现出来。 d3.js是当前最流行的数据可视化库之一,我们可以利用其中的sunburst partition来刻画用户群体的事件路径点击状况。从该图的圆心出发,层层向外推进,代表了用户从开始使用产品到离开的整个行为统计;sunburst事件路径图可以快速定位用户的主流使用路径。通过提取特定人群或特定模块之间的路径数据,并使用sunburst事件路径图进行分析,可以定位到更深层次的问题。灵活使用sunburst路径统计图,是我们在路径分析中的一大法宝()。

2.

echarts,缩写来自enterprise charts,商业级数据图表,一个纯javascript的图表库,可以流畅的运行在pc和移动设备上,兼容当前绝大部分浏览器(ie6/7/8/9/10/11,chrome,firefox,safari等),底层依赖轻量级的canvas类库zrender,提供直观,生动,可交互,可高度个性化定制的数据可视化图表。创新的拖拽重计算、数据视图、值域漫游等特性大大增强了用户体验,赋予了用户对数据进行挖掘、整合的能力。

echarts 3还新增更多图表类型,更好的满足不同数据的处理需求 更多的搭配方案让你的数据呈现方式更个性和完美。

比如可视化:



利用echarts绘制。

3.

r语言是一套开源的数据分析pg电子游戏网站的解决方案,几乎可以独立完成数据处理、数据可视化、数据建模及模型评估等工作,而且可以完美配合其他工具进行数据交互。5) r语言拥有顶尖的制图功能。不仅有 lattcie包、ggplot2包对复杂数据进行可视化,更有rcharts包、recharts包、plotly包实现数据交互可视化,甚至可以利用功能强大的shiny包实现r与web整合部署,构建网页应用,帮助不懂css,html的用户能利用r快速搭建自己的数据分析app应用。

比如我们可以绘制动态交互的气泡图,通过下面的时间轴播放动态查看不同年份的气泡情况。

也可以利用networkd3包调用d3.js库,绘制社会网络图和桑基图。


前文我们已经了解了几种常用的数据可视化技术。接下来,让我们一起来学习下创建有效的可视化的步骤。我们通常会按照下述的几个关键步骤进行:
  • 你有什么数据?数据有哪些分类?
  • 关于数据你想了解什么?
  • 应该使用哪种可视化方式?
  • 能够进行可视化的工具有哪些?
  • 透过可视化你看见了什么,有什么意义?
最后,复杂高维数据无法用单一的静态图表进行直观地展示,因此需要借助可视化手段让数据动起来,更好地发现数据价值。比如说有不同组别的数据,我们想查看各组别间的数据和总计时,此时就可以通过交互式探索的形式进行展示。

还可以结合自己掌握的数据分析和可视化技术,搭建数据可视化平台,从而实现智能bi的可视化功能。比如说,我们不需要具备开发能力,利用r工具的shiny包可以快速搭建数据可视化原型。下面这个就是一个通过shiny包结合可视化技术实现的一个可视化平台。



chat实录:
  • 大小: 414.4 kb
  • 大小: 119.5 kb
  • 大小: 71.4 kb
  • 大小: 44.7 kb
  • 大小: 73 kb
  • 大小: 120.6 kb
  • 大小: 217.2 kb
  • 大小: 105.8 kb
  • 大小: 101.5 kb
  • 大小: 175.8 kb
  • 大小: 101.8 kb
  • 大小: 88.3 kb
  • 大小: 88.6 kb
  • 大小: 65.8 kb
  • 大小: 223.6 kb
  • 大小: 123.4 kb
  • 大小: 43 kb
  • 大小: 67.1 kb
  • 大小: 127.1 kb
  • 大小: 38.4 kb
  • 大小: 72.7 kb
  • 大小: 46.2 kb
  • 大小: 62.3 kb
来自:
4
0
评论 共 1 条 请登录后发表评论
1 楼 2017-10-23 16:03
  

发表评论

您还没有登录,请您登录后再发表评论

相关推荐

  • 这几年数据可视化作为一个新研究领域也变得越来越火。成功的可视化,如果做得漂亮,虽表面简单却富含深意,可以让观测者一眼就能洞察事实并产生新的理解。可视化(visualization)和可视效果(visual)两个词是等价...

  • https://blog.csdn.net/tg229dvt5i93mxaq5a6u/article/details/78326451

  • 本项目旨在通过数据可视化技术,对顾客购物数据进行深入挖掘和分析,为商家提供全面的市场分析和商业洞察。通过使用先进的数据可视化工具和技术,我们将从大量的顾客购物数据中提取有价值的信息,并通过直观的图形...

  • 编程模板-r语言脚本写作:最简单的统计与绘图,包安装、命令行参数解析、文件读取、表格和矢量图输出 r语言统计入门课程推荐——生物科学中的数据分析data analysis for the life sciences 数据可视化基本套路总结 ...

  • 数据智能产业创新服务媒体——聚焦数智· 改变商业6月19日,数据猿携手上海大数据联盟,依托双方优势资源与力量,共同以媒体 联盟的方式推动产业的发展与行业的进步,特以“聚焦数智价值 引领产...

  • 入门数据可视化的小伙伴往往都会问这样一个问题:我应该从哪里开始学起,有什么书推荐吗?这个问题之所以普遍,是因为数据可视化是一个相当交叉的学科,既涉及数据分析,也涉及设计和编程。而这三大方向...

  • 本文将从数据获取、数据清洗、数据可视化入手,实现一整套完整的数据分析流程 目标网站:https://www.hurun.net/zh-cn/rank/hsrankdetails?pagetype=rich 本文数据代码可以在公众号 “数据分析与商业实践” 后台...

  • 数据可视化大屏是一个很重要的“面子”,它一方面能够通过酷炫的效果让人眼前一亮,同时也能借助精心策划把业务和数据的“里子”有效的传达出来。表里如一,才是好的大屏该有的标准。其实做一个数据可视化大屏项目...

  • 全文共22790个字,35图最近,数据湖的概念非常热,许多前线的同学都在讨论数据湖应该怎么建?有没有成熟的数据湖pg电子游戏网站的解决方案?各大厂商的数据湖pg电子游戏网站的解决方案到底有没有实际落地的案例?怎么理解数据湖?...

  • 以上就是通过python爬取新冠肺炎数据并进行可视化分析的实战案例,由于时间关系暂时先分析到这里,后续将会对河南省不同时期的新冠肺炎历史数据进行可视化分析(利用pyecharts包进行动态图分析)!其数据包括当日...

  • 探索dbscan算法的内涵与应用,本文详述其理论基础、关键参数、实战案例及最佳实践,揭示如何有效利用dbscan处理复杂数据集,突破传统聚类限制。

  • 轨迹数据和我们的生活息息相关:小到扫地机器人的室内清洁线路,大到跨省跨国跨洲的旅行,短到一次共享单车骑行,长到十年如一日的通信基站记录。对城市治理而言,挖掘人群和车辆的移动规律,能帮助决策者更好地规划...

  • 源码精品专栏原创 | java 2021超神之路,很肝~中文详细注释的开源项目rpc 框架 dubbo 源码解析网络应用框架 netty 源码解析消息中间件 rocketmq 源码解析数据库中间件 sharding-jdbc 和 mycat ...

  • 福利公告:为了响应学员的学习需求,经过易生信培训团队的讨论筹备,现安排《高级转录组分析和r数据可视化》于2022年10月21-23 线上/线下课程 (线上课是通过腾讯会议实时直播线下课,实时互动,并录制有视频回放,无...

  •        二叉查找树的实现中, 删除算法是最难的, 对于我来说, 尤其困惑了好长时间, 需要画图及一些想象力. 由于我的类中有一些成员对方法提供了支持, 所以先看看类的声明:public class binarytree {    public treenode root;             // 树根    private treenode parent;        // 表示

  •        通常我们需要一种方法来对不同的算法来进行比较,一般来说,解决同样的问题有多种算法,那么在不同的客观条件下如何对不同的算法进行取舍呢?一,算法的目标: 1,容易理解,编码和调试      优秀的算法通常是简洁而清晰的,这样带来的直接好处就是易于编码和理解,同时这样算法也必定是健壮的,如果一个算法晦涩难懂,则很可能其中会隐藏较多的错误。 2,最小的代价      算法的代价的最小化是指其

  •       所谓表插入排序,是利用一个有序链表,将无序数组的元素依次插入有序链表中,则元素自动按顺序排列,然后循环删除表头元素,并重新放入数组,即排好序。       在效率上,在有序链表中插入数据,平均比较次数为 n/2, 插入n个数据, 比较次数为 n^2/4,即 o(n^2). 但复制仅需两次,一次从数组到链表,一次从链表到数组,对n个元素为 2*n 次,即 o(n).        对于

  •                                            排序之快速排序        无疑快速排序是最流行的内排序算法, 它在多数情况是最快的, 但是它确实比较复杂, 特别你如果想要搞清楚每一步究竟发生了什么事情, 中间值是如何变化的时候, 特别对于我来讲, 递归虽然从概念上仿佛好理解, 实际搞清它如何工作却是非常头痛的事情.        快速排序的思想基于划分数组

  •        希尔排序算法因科学家 donald l. shell 得名, 它是基于插入排序的, 但增加了一个特性,即增量排序,它在有间隔的元素中进行插入排序,然后减小间隔,直到为间隔1。 比如说先对下标为0,4.8的元素进行排序,然后对下标为 1,5,9的元素排序,接下来减小间隔, 如对 0,1 排序。       插入排序对基本有序的数组排序效率非常高,然而通常情况下, 如果有小的元素在最后,

global site tag (gtag.js) - google analytics
网站地图