数据可视化_数据可视化模板 - CSDN
数据可视化 订阅
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。 [1]  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。与立体建模之类的特殊技术方法相比,数据可视化所涵盖的技术方法要广泛得多。 展开全文
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。 [1]  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。与立体建模之类的特殊技术方法相比,数据可视化所涵盖的技术方法要广泛得多。
信息
外文名
Data visualization
研究起源
二十世纪50年代
中文名
数据可视化
发展阶段
科学可视、信息可视、数据可视
数据可视化概述
数据可视化主要旨在借助于图形化手段,清晰有效地传达与沟通信息。但是,这并不就意味着数据可视化就一定因为要实现其功能用途而令人感到枯燥乏味,或者是为了看上去绚丽多彩而显得极端复杂。为了有效地传达思想概念,美学形式与功能需要齐头并进,通过直观地传达关键的方面与特征,从而实现对于相当稀疏而又复杂的数据集的深入洞察。然而,设计人员往往并不能很好地把握设计与功能之间的平衡,从而创造出华而不实的数据可视化形式,无法达到其主要目的,也就是传达与沟通信息。数据可视化与信息图形、信息可视化、科学可视化以及统计图形密切相关。当前,在研究、教学和开发领域,数据可视化乃是一个极为活跃而又关键的方面。“数据可视化”这条术语实现了成熟的科学可视化领域与较年轻的信息可视化领域的统一。
收起全文
精华内容
参与话题
  • 数据可视化

    千次阅读 2018-08-24 23:33:12
    我们本篇文章讲的数据可视化是面向开发人员的,是利用python中一些可视化库如:matplotlib或是seaborn通过对数据可视化,来分析数据表格中各维度间的关系或是数据分布的特性,从而有助于我们更好的理解数据,帮助...

    作者:Walker

    我们本篇文章讲的数据可视化是面向开发人员的,是利用python中一些可视化库如:matplotlib或是seaborn通过对数据可视化,来分析数据表格中各维度间的关系或是数据分布的特性,从而有助于我们更好的理解数据,帮助我们进行下一步数据分析或是为数据建模提供方向。本篇文章的方法并非是面向用户做数据展示或面向企业做数据可视化,这种情况下大家可以尝试使用Echarts或Tableau等数据展示工具。本文将分为matplotlib可视化和seaborn可视化两个部分。

    一、Matplotlib数据可视化:

    Matplotlib是一个Python的2D绘图库,开发者使用Matplotlib仅需要几行代码便可以轻松绘图,生成柱状图、散点图、折线图、盒图、琴图等。

    首先,matplotlib的安装非常的简单,Windows环境下我们可以通过pip install matplotlib直接完成安装,而Linux环境可以使用sudo pip install matplotlib完成安装。接着我们使用import matplotlib.pyplot as plt导入matplotlib库,便可以开始绘图了。

    完整的绘图程序如下所示,包括图例、坐标轴、取值范围、刻度值、标题、注解等内容。

    程序1:

    import numpy as np
    import matplotlib.pyplot as plt
    from pylab import *

    定义数据部分

    x = np.arange(0., 10, 0.2)
    y1 = np.cos(x)
    y2 = np.sin(x)
    y3 = np.sqrt(x)

    绘制 3 条函数曲线

    plt.plot(x, y1, color=’blue’, linewidth=1.5, linestyle=’-‘, marker=’.’, label=r’y=cosx’)
    plt.plot(x, y2, color=’green’, linewidth=1.5, linestyle=’-‘, marker=’*’, label=r’y=sinx’)
    plt.plot(x, y3, color=’m’, linewidth=1.5, linestyle=’-‘, marker=’x’, label=r’y=x’)

    坐标轴上移

    ax = plt.subplot(111)
    ax.spines[‘right’].set_color(‘none’) # 去掉右边的边框线
    ax.spines[‘top’].set_color(‘none’) # 去掉上边的边框线

    移动下边边框线,相当于移动 X 轴

    ax.xaxis.set_ticks_position(‘bottom’)
    ax.spines[‘bottom’].set_position((‘data’, 0))

    移动左边边框线,相当于移动 y 轴

    ax.yaxis.set_ticks_position(‘left’)
    ax.spines[‘left’].set_position((‘data’, 0))

    设置 x, y 轴的取值范围

    plt.xlim(x.min()*1.1, x.max()*1.1)
    plt.ylim(-1.5, 4.0)

    设置 x, y 轴的刻度值

    plt.xticks([2, 4, 6, 8, 10], [r’2’, r’4’, r’6’, r’8’, r’10’])
    plt.yticks([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0],
    [r’-1.0’, r’0.0’, r’1.0’, r’2.0’, r’3.0’, r’4.0’])

    添加文字

    plt.text(4, 1.68, r’x[0.0, 10.0]’, color=’k’, fontsize=15)
    plt.text(4, 1.38, r’y[1.0, 4.0]’, color=’k’, fontsize=15)

    特殊点添加注解

    plt.scatter([8,],[np.sqrt(8),], 50, color =’m’) # 使用散点图放大当前点
    plt.annotate(r’22’, xy=(8, np.sqrt(8)), xytext=(8.5, 2.2), fontsize=16, color=’#090909’, arrowprops=dict(arrowstyle=’->’, connectionstyle=’arc3, rad=0.1’, color=’#090909’))

    设置标题、x轴、y轴

    plt.title(r’the function figure of cos(), sin() and sqrt()’, fontsize=19)
    plt.xlabel(r’the input value of x’, fontsize=18, labelpad=88.8)
    plt.ylabel(r’y=f(x)’, fontsize=18, labelpad=12.5)

    设置图例及位置

    plt.legend(loc=’up right’)

    plt.legend([‘cos(x)’, ‘sin(x)’, ‘sqrt(x)’], loc=’up right’)

    显示网格线

    plt.grid(True)

    显示绘图

    plt.show()

    散点图、曲线图、折线图、灰度图、饼状图、箱图、琴图等常用图形的绘制,也非常的简单,程序如下所示:

    程序2:

    散点图,是用来展示两个维度间的相关性

    x = np.random.normal(size=1000)
    y = np.random.normal(size=1000)
    plt.scatter(x,y)

    程序3:

    曲线图,观察某个变量的走势

    x = np.arange(-5,5,0.1)
    y = x ** 2
    plt.plot(x,y)y = np.random.normal(size=1000)

    程序4:

    灰度图,查看某个维度的数据状况

    x = np.random.normal(size=1000)
    plt.hist(x, bins=100)

    程序5:

    饼图,显示一个系列中各项的大小以及各项所占总和的比例

    import numpy as np
    import matplotlib.pyplot as plt

    x为数据, 根据数据在所有数据中所占的比例显示结果

    labels设置每个数据的标签

    autoper 设置每一块所占的百分比

    explode 设置某一块或者很多块突出显示出来, 由上面定义的explode数组决定

    shadow 设置阴影,这样显示的效果更好

    labels = [“SH”, “BI”, “SZ”, “GD”]
    facts = [20, 10, 30, 40]
    explode = [0, 0, 0.02, 0]
    plt.axes(aspect = 1)
    plt.pie(x = facts, labels = labels, explode= explode, shadow= True)
    plt.show()

    程序6:

    箱图

    上边缘(Q3+1.5IQR)、下边缘(Q1-1.5IQR)、IQR=Q3-Q1

    上四分位数(Q3)、下四分位数(Q1)

    中位数

    异常值

    处理异常值时与3σσ标准的异同:统计边界是否受异常值影响、容忍度的大小

    plt.boxplot(y)

    二、Seaborn数据可视化:
    Seaborn相较于matplotlib更加的方便、简单。因为Seaborn中自带了一些统计的包,它在画图的同时,会完成统计的拟合。而且Seaborn画图时的参数也更多,这样matplotlib可能很多行的代码,seaborn仅仅需要间的几行就能实现同样的效果。
    Seaborn的安装也非常的简单,使用pip install seaborn直接安装即可,首先我们来介绍一些Seaborn中的基本绘图函数:折线图:plot()、散点图:lmplot()、柱状图:barplot()、联合分布图:jointplot()、琴图:violinplot()、箱式图:boxplot()、比较图:pairplot()等。常用的属性有hue:对数据按照不同的类型先做分组,再分别对每组数据绘图;col:用于多列数据都出现分组时;markers:用哪种符号对数据进行标注,Ci:是否开启置信区间;color、data、x、y等。
    接下来我们通过两个案例来直观的比较一下seaborn和matplotlib的不同。
    案例一:给定数据集航班乘客变化分析data = sns.load_dataset(“flights”),利用柱状图分析乘客在一年中各月份的分布情况。
    Matplotlib版本:

    per_month_distribute = data.groupby(‘month’).agg([np.mean, np.std])[‘passengers’]
    _,axe=plt.subplots()
    plt.rcParams[“figure.figsize”] = (12,8)
    print(per_month_distribute)
    plt.bar(range(12), per_month_distribute[‘mean’],color=’cadetblue’,label=’average’)

    yerr:y坐标对应误差的正负值,ls=linestyle,lw=linewidth

    plt.errorbar(range(12), per_month_distribute[‘mean’],yerr=per_month_distribute[‘std’],ls=’none’,color=’darkslategray’, lw=5, label=’error’)
    plt.xticks(range(12),per_month_distribute.index,fontsize=15,rotation=45)#把X轴上的字体旋转45度,以免重叠
    plt.xlabel(‘Month of Year’,fontsize=20)
    plt.ylabel(‘Passengers’,fontsize=20)
    plt.legend([u”乘客量均值”, u”乘客量标准差”],fontsize=15) #把label标注的内容显示出来
    plt.title(u’乘客在一年中各月份的分布’,fontsize=25)
    axe.spines[‘top’].set_color(None)
    axe.spines[‘right’].set_color(None)
    plt.scatter(x,y)

    Seaborn版本:

    import seaborn as sns
    sns.factorplot(x='month',y='passengers',data=data, kind='bar',size=8)

    效果图:

    案例二:给定数据集餐厅收取小费的情况:data = sns.load_dataset(“tips”),绘制分组柱状图分析性别+抽烟的组合因素对慷慨度的影响。
    Matplotlib版本:

    tmp_data=data.groupby([‘sex’,’smoker’])[‘tip’].agg([np.mean,np.std])
    width = 0.2
    _,axe=plt.subplots()
    plt.bar([1,2],tmp_data[‘mean’].loc[‘Male’],width=width, label=’Male’)
    plt.errorbar([1,2],tmp_data[‘mean’].loc[‘Male’],
    yerr = tmp_data[‘std’].loc[‘Male’], ls =’none’,lw=4,color=’darkblue’,label=None)

    画女性抽烟柱状图,X+0.2

    plt.bar([x+width for x in [1,2]],tmp_data[‘mean’].loc[‘Female’],width=width,label=’Female’,color=’salmon’)
    plt.errorbar([x+width for x in [1,2]],tmp_data[‘mean’].loc[‘Female’],
    yerr=tmp_data[‘std’].loc[‘Female’],ls=’none’,lw=4,color=’darkred’,label=None)
    plt.setp(axe, xticks=[1.1,2.1], xticklabels=[‘Yes’,’No’]) #设置横坐标参数
    plt.legend(fontsize=15)
    plt.xlabel(‘Smoker’,fontsize=15)
    plt.ylabel(‘Tip’,fontsize=15)
    plt.axis([0.7,2.7,0,5]) #移动坐标轴,[left,right,bottom,top],距离左右,上下边框的距离
    plt.title(u’性别+抽烟的组合因素对慷慨度的影响’)

    Seaborn版本:

    sns.barplot(x='smoker',y='tip',data=tips,hue='sex')

    效果图:

    总结:通过上边的案例我们分别通过matplotlib和seaborn完成了数据可视化的操作,我么可以看到Seaborn封装的更好,使用起来更简单;但Matplotlib灵活性更高、功能也更加强大。学习Matplotlib和Seaborn更多的函数、图形的绘制,欢迎大家学习它们的官方手册,这里小编只是做了一个简单的常用整理。Matplotlib官方文档:http://www.matplotlib.org

    Seaborn官方手册:http://seaborn.pydata.org

     

    展开全文
  • 15个最实用的数据可视化工具

    万次阅读 2014-09-01 23:33:42
    现如今数据收集越来越多,不过只有我们能够从数据中获取到有用的信息时,这些数据才有意义。...有很多种方式来展现数据,但最有效的方式无疑是图形化,本文是对当前最值得尝试的15个数据可视化工具的简介。

    现如今数据收集越来越多,不过只有我们能够从数据中及时有效的获取到有用的信息时,这些数据才有意义。

    有很多种方式来展现数据,但最有效的方式无疑是图形化,本文是对当前最值得尝试的15个数据可视化工具的简介。

    1. Fusion Charts Suit XT

    Fusion Charts Suit XT - data visualization tools

    FusionCharts Suite XT是一个专业优质的JavaScript图表库,使我们能够创建任何类型的图表。

    它使用SVG并提供90种以上的图表类型,支持包括3D,甘特图,漏斗,各种仪表,甚至世界/大陆/各个国家和州的地图。

    2. Pizza Pie Charts

    Pizza Pie Charts - data visualizations

    Pizza Pie Chart是基于Adobe Snap SVG框架的响应式饼图图表。倾向于通过HTML标记和CSS来进行集成而不是使用JavaScript对象。

    3. ZingChart
    ZingChart - data visualization examples
    ZingChart是一个 JavaScript 图表库,提供丰富的API接口,可以方便的构建HTML5图表。提供超过100+种类型的图表。
    4. Visual.ly
    Visual.ly - big data visualization tools
    Visual.ly是一个很好的画廊和图表生成工具,并提供创作分享平台,这已经超出了单纯的数据可视化。

    5. Bonsai
    Bonsai - data visualization
    Bonsai是一个开源JavaScript图表库,使用SVG。既可以绘制简单的图形(矩形,圆形,椭圆形等),也可以通过path()方法来创建任意自定义图形。
    还可以应用颜色、渐变和过滤器(灰度,模糊,不透明度等等),内置了很多鼠标、触摸和键盘事件,所以你可以很方便的进行管理。

    6. Dipity
    Dipity - data visualization
    Dipity很适合用来创建时间线(timeline)相关的界面。

    7. Highcharts
    Highcharts - data visualization tools free
    Highcharts是一个JavaScript图表库,对于创建曲线图、时间线界面以及交互式地图提供了很好的支持。
    对于现代浏览器,其使用SVG作为输出,而对于IE,使用VML。

    8. Raw
    Raw - data visualization tools free
    Raw是一个免费开源的WEB应用,设计初衷是想连接表单应用(如MS Excel)和矢量图形编辑器(Adobe Illustrator)。
    Raw基于D3.js,提供了气泡、树状图、圆形包装等等。Raw的一切都运行于浏览器客户端,不会有任何数据储存到服务器。

    9. iCharts
    iCharts - data visualization tools
    iCharts实际是创建图表的云服务,你在iCharts平台创建可定制化的图表,然后可以包含到你的网站中。

    10. Smoothie Charts
    Smoothie Charts - data visualization tools free
    Smoothie Charts是一个轻量级的JS图表库,用于处理WebSocket实时数据流的显示。

    11. BirdEye
    BirdEye - best data visualization tools
    BirdEye是一个可视化分析库,基于Action Script语言。本身是一个社区推动的项目,用于提升Adobe Flex的一个可视化分析库的设计和开发。
    12. Gephi
    Gephi - best data visualization tools
    Gephi用于展现任何网络拓扑和复杂系统结构图。开源免费并且跨平台,可运行于Windows、Linux和OS X系统。

    13. JP GRAPH
    JP GRAPH - free data visualization tools
    JP GRAPH是一个面向对象的图形库,完全使用PHP语言编写,可以很容易的集成到PHP应用系统中。踏得网后台统计图表使用了JP Graph。

    POLYMAPS - data visualization tools
    PolyMaps用于处理块状图形,特别是各类交互式地图应用。

    QUADRIGRAM - free data visualization tools
    QUADRIGRAM提供丰富的图形组件,如网络拓扑图、表格、气泡矩阵、标签云、地图、雷达扫描图、常用曲线图和饼图等等。

    展开全文
  • 数据可视化都有一个共同的目的,那就是准确而高效、精简而全面地传递信息和知识。可视化能将不可见的数据现象转化为可见的图形符号,能将错综复杂、看起来没法解释和关联的数据,建立起联系和关联,发现规律和特征,...

    数据可视化都有一个共同的目的,那就是准确而高效、精简而全面地传递信息和知识。可视化能将不可见的数据现象转化为可见的图形符号,能将错综复杂、看起来没法解释和关联的数据,建立起联系和关联,发现规律和特征,获得更有商业价值的洞见和价值。
      并且利用合适的图表直截了当且清晰而直观地表达出来,实现数据自我解释、让数据说话的目的。而人类右脑记忆图像的速度比左脑记忆抽象的文字快100万倍。因此,数据可视化能够加深和强化受众对于数据的理解和记忆。

    图形表现数据,实际上比传统的统计分析法更加精确和有启发性。我们可以借助可视化的图表寻找数据规律、分析推理、预测未来趋势。另外,利用可视化技术可以实时监控业务运行状况,更加阳光透明,及时发现问题第一时间做出应对。例如天猫的双11数据大屏实况直播,可视化大屏展示大数据平台的资源利用、任务成功率、实时数据量等。

    数据可视化能做到简单、充实、高效、兼具美感就是好的可视化:

    简单点说好的数据可视化和好的产品是一样,都有友好的用户体验,不能让人花了时间又看得一头雾水,甚至被误导得出错误的结论。准确 用最简单的方式传递最准确的信息,节约人们思考的时间。 最简单方式就是最合理的图表,需要根据比较关系、数据维数、数据多少选择。

    充实一份数据分析报告或者解释清楚一个问题,很少是单一一个的图表能够完成的,都需要多个指标或者同一指标的不同维度相互配合佐证分析结论。

    高效成功的可视化,虽表面简单却富含深意,可以让观察者一眼就能洞察事实并产生新的理解,管理者能够沿着你规划的可视化路径能够迅速地找到和发现决策之道。

    美感除了准确、充实高效外,也需要美观。 美观分为两个层次,第一层是整体协调美,没有多余元素,图表中的坐标轴、形状、线条、字体、标签、标题排版等元素是经过合理安排的 ,UI设计中的四大原则(对比、重复、对齐、亲密性) 同样适用于图表。 第二层才是让人愉悦的视觉美,色彩应用恰到好处。把握好视觉元素中色彩的运用,使图形变得更加生动、有趣,信息表达得更加准确和直观。色彩可以帮助人们对信息进行深入分类、强调或淡化,生动而有趣的可视化作品的表现形式,常常给受众带来视觉效果上的享受。协调美是视觉美的基础
      人工智能、大数据、云计算和物联网的未来发展值得重视,均为前沿产业,多智时代专注于人工智能和大数据的入门和科谱,在此为你推荐几篇优质好文:
    1.在学习大数据之前,需要具备什么基础
    http://www.duozhishidai.com/article-12916-1.html
    2.大数据工程师培训,需要学习的有哪些课程?
    http://www.duozhishidai.com/article-15081-1.html
    3.大数据的特点是什么,大数据与Hadoop有什么关系?
    http://www.duozhishidai.com/article-13276-1.html


    多智时代-人工智能大数据学习入门网站|人工智能、大数据、物联网云计算的学习交流网站

    多智时代-人工智能大数据学习入门网站|人工智能、大数据、云计算、物联网的学习服务的好平台
    展开全文
  • 12个数据可视化工具,人人都能做出超炫图表

    万次阅读 多人点赞 2018-02-11 09:22:50
    他在文章中介绍了一些适合网页开发者的数据可视化和绘图工具,让你不必再花大力气与枯燥的数据抗争。部分工具不要求写代码也可以使用!我们诠释数据的方式和数据本身之间存在着巨大的鸿沟。尤其是当我们唯一的选择是...
        

    640?wx_fmt=gif&wxfrom=5&wx_lazy=1

    640?wx_fmt=png&wxfrom=5&wx_lazy=1


    导语:今天我们带来一篇来自 Adobe 工程师 Rohit Boggarapu 的文章。他在文章中介绍了一些适合网页开发者的数据可视化和绘图工具,让你不必再花大力气与枯燥的数据抗争。部分工具不要求写代码也可以使用!


    我们诠释数据的方式和数据本身之间存在着巨大的鸿沟。尤其是当我们唯一的选择是盯着表格中一列列不知所云的数字时。这可能是最无聊的一种格式了。


    没有哪个网页开发者会喜欢电子表格。好消息是,现在我们有了许多更加优雅的方式来呈现数据,再也没有必要使用静态的 Excel 图表了。


    在为你的项目选择合适的绘图工具时,要考虑到许多事情。本文将为你分析适合网页开发者的 12 个最好的工具,让你不再花费大把时间跟数据做斗争,而是开始轻松地绘制漂亮的图表。虽然本文推荐的工具是面向网页开发者的,但其中一些并不需要会写代码就能使用。许多工具都有着丰富的交互式例子,即使是新手也能轻松地通过改动代码来创建自定义图表。



    1. Google Charts


    文档和帮助信息丰富的 Google Charts 对于刚刚入门 JavaScript 绘图的人来说是极佳的选择。它的文档里到处都是带注释的代码和逐步的讲解,可以直接用来把 HTML5 / SVG 图标嵌入到你的网页中。


    640?wx_fmt=jpeg


    如果你需要更进阶的自定义功能或是 Google 原始提供的 18 类以外的图表,下面会介绍一些有着更多类别和特性的选择。


    适合人群:追求灵活性和良好文档的严肃开发者。



    2. MetricsGraphics


    640?wx_fmt=jpeg

    MetricsGraphics 是一个在 D3.js 的基础上专为可视化时间序列数据而开发的绘图库。虽然它只支持线图、散点图、柱状图、直方图和数据表格,但它在这几类图表上的表现非常强。


    跟 Google Charts 一样(MetricsGraphics 是 Mozilla 的产品),丰富的文档和例子使得它很容易上手。比如这个非常有趣的关于 UFO 目击事件的交互式例子。


    同时它也是一个非常简易和轻量级的选择。


    适合人群:追求快速美观同时又不需要写一堆杂乱代码的开发者。



    3. FusionCharts


    640?wx_fmt=jpeg


    FusionCharts 支持 vanilla JavaScript、jQuery、Angular 等一系列高人气的库和框架。它内置 90 多种图表和超过 1000 种地图,相比 Google Charts 和 MetricsGraphics 要完整得多。你可以在这里查看它所支持的全部图表类型。


    考虑到应用或是网站的拓展性,如果你选择了一个功能不完整的绘图库,这就有可能在将来发展成一个问题。而像 Microsoft、Google 和 IBM 这样的公司都在使用 FusionCharts,这说明它是一个能满足企业级拓展性需求的工具。


    适合人群:需要各种不同种类的易自定义图表的开发者。



    4. Epoch


    640?wx_fmt=png


    Epoch 是一个基于 d3.js 开发的工具,它使得开发者可以方便地在他们的应用或是网站上部署实时图表。它的文档整洁,完全免费并且开源,这使得它对于不想花钱购买重量级解决方案的人来说是一个很好的选择。


    对普通数据和实时数据,Epoch 都支持 5 种图表类型。这个数量并不能与 FusionCharts 或是 Highcharts 这种特性完整的产品对抗,但它所专长的是以简单和友好的方式呈现实时数据。


    适合人群:需要简单灵活的实时数据呈现方案的开发者。



    5. ECharts


    640?wx_fmt=jpeg


    百度的 ECharts 是一个很棒的工具,它支持在绘制完数据后再对其进行操作。这个被称为 Drag-Recalculate 的特性使得用户可以在图表之间拖动一部分的数据并得到实时的反馈。同时,ECharts 是专为绘制大量数据设计的。它可以瞬间在二维平面上绘制出 20 万个点,并用专为 ECharts 开发的轻量级 Canvas 库 ZRender 使数据动起来。


    你可以在这里对上图进行操作,来体验 ECharts 所提供的特性。


    适合人群:想尽量避免写代码并有实时数据操作需求的开发者。



    6. D3.js


    640?wx_fmt=jpeg


    虽然并不是对用户最友好的工具,但 d3.js 在 JavaScript 绘图界的重要性是不可小觑的。许多其他的库都是基于它所开发,因为它提供了你所能想到的所有功能。它支持 HTML、SVG 和 CSS,并且有着海量的用户贡献内容来弥补它缺乏自定义内容的劣势。


    适合人群:不怕写代码的硬核绘图专家。



    7. Sigma


    跟上面已经提到过的工具相比,Sigma 有着自己独特的定位,那就是图模型的绘制。它基于 Canvas 和 WebGL 开发并提供了公开的 API。所以你可以在 GitHub 上找到社区贡献的许多插件。举例来说,你可以用 Sigma.js 画出这样的图:


    640?wx_fmt=jpeg


    Sigma 同时也是响应式的,并支持触屏。开发者很容易添加新的功能以及精细地控制边和顶点的规格。

    适合人群:需要专为绘制图模型设计的强大工具的开发者。



    8. Highcharts


    人气极高的 Highcharts 可以在不依赖插件的情况下绘制交互式的图表。它高灵活性的绘图 API 也被 Nokia、Twitter、Visa 和 Facebook 这样的公司所青睐。


    Highcharts 对于非商业使用是免费的,而商业许可的价格是一份 590 美元(附带技术支持)。


    这是一个用它绘制的例子:


    640?wx_fmt=jpeg


    适合人群:需要在技术支持的帮助下绘制各种复杂的图表的开发者。



    9. dc.js


    dc.js 是一个开源的 JavaScript 绘图库。它非常适合用来创建交互式的仪表盘(Dashboard)。图表之间是有联系的,所以当你与其中一个部分进行交互时,其他部分都会做出实时的反馈。这是一个例子:


    640?wx_fmt=jpeg



    除了一些在线课程以外,你可以通过各种例子来学习使用这个库。等你照着文档动手一遍以后就有能力创建自己的图表了。


    虽然 dc.js 并没有像 ECharts 或是 Google Charts 那样丰富的功能,但它在自己的卖点——易于呈现和探索巨量的维度数据集上做的非常好。


    适合人群:需要为关系型图表创建一个仪表盘的开发者。



    10. dygraphs


    640?wx_fmt=jpeg


    由 Google 开发的 dygraphs 绝对是绘图工具中的明星。到现在 Google Correlate 还在使用它(当然,在设计上经过了一些调整)。它可以被用于绘图密集的项目,因为它能在不影响性能的情况下轻松地绘制几百万个数据点,这在很大程度上弥补了它那过于朴素的审美设计。


    从一开始作为 Google 的一个内部项目到最后公开发布,dygraphs 一直有着活跃的社区支持。同时它也在 GitHub 上开源。


    适合人群:需要有着活跃支持的专为绘制海量数据集设计的工具的开发者。



    11. Vega


    640?wx_fmt=jpeg


    Vega 是一个基于 d3.js 的用于创建、分享和保存可视化图标的库。它由许多部件组成,其中一些能够在不需要写代码的前提下达到与 d3 竞争的水平。Vega 能够把 JSON 数据转换成 SVG 或 HTML5 图表。虽然这没什么了不起的,但它把这一步做的很踏实。


    因为使用 Vega 不需要写任何代码(只要会编辑 JSON 文件即可),它是一个很好的 d3 替代品,能在降低使用复杂度的同时保留 d3 的特性。


    适合人群:需要 d3 强大的特性又不希望从头学起的开发者。



    12. NVD3


    最后介绍的工具也是基于 d3.js 的。作为绘图界的佼佼者,NVD3 是由一系列部件组成的,允许开发者创建可重用的图标。你可以在它的网站上找到许多 demo 和对应的代码。这也是上手 NVD3 的最佳方式。


    你可以看到,NVD3 的审美风格要比 d3.js 更为精致一点。


    640?wx_fmt=jpeg


    它支持 11 种图表类型,包括区域图、线图、柱状图、气泡图、饼状图和散点图。同时也支持所有现代浏览器以及 IE 10 以后的版本。


    适合人群:熟悉 d3 并想要可重用图表的开发者。


    文:Rohit Boggarapu

    来源:优达学城


    精彩活动

    福利 · 阅读 | 免费申请读大数据新书 第23期

    推荐阅读

    2017年数据可视化的七大趋势! 

    全球100款大数据工具汇总(前50款) 

    论大数据的十大局限

    大数据时代的10个重大变革

    大数据七大趋势 第一个趋势是物联网


    Q: 你还在用哪些好用的数据可视化工具?

    欢迎留言与大家分享

    请把这篇文章分享给你的朋友

    转载 / 投稿请联系:hzzy@hzbook.com

    更多精彩文章,请在公众号后台点击“历史文章”查看

    640?wx_fmt=jpeg

    展开全文
  • 【入门基础+轻实战演示】【讲授方式轻松幽默、有趣不枯燥、案例与实操结合,与相关课程差异化】利用python进行数据处理、 ...通过实战,学生将了解标准的数据分析流程,学会使用可视化的 方法展示数据及结果。
  • 数据可视化概览

    万次阅读 2019-12-09 09:30:42
    科学可视化(Scientific Visualization)、 信息可视化(Information Visualization)和可视分析学(Visual Analytics)三个...而将这三个分支整合在一起形成的新学科 “数据可视化”,这是可视化研究领域的新起点。
  • 20个免费和开源数据可视化工具

    万次阅读 2019-01-09 14:04:19
    数据可视化正在帮助全球的公司识别模式,预测结果并提高业务回报。可视化是数据分析的一个重要方面。简而言之,数据可视化以可视格式传达表格或空间数据的结果。图像有能力清晰地捕捉注意力并传达想法。这有助于决策...
  • 超级干货 :一文读懂数据可视化

    万次阅读 2018-04-18 09:51:24
    前言数据可视化,是指将相对晦涩的的数据通过可视的、交互的方式进行展示,从而形象、直观地表达数据蕴含的信息和规律。早期的数据可视化作为咨询机构、金融企业的专业工具,其应用领域较为单一,应用形态较为保守。...
  • 全球顶级的5个数据可视化案例

    万次阅读 2018-09-06 09:45:15
    全球顶级的5个数据可视化案例 摘要: 当数据进行可视化后,就有了参考点,可以用各种合适的方法重新处理数据或进行测试,这能使企业能够更快、更平稳、更有效地发展。这也可以让它们在利益和名声受损之前排除...
  • 随着数字化时代的来临,企业面临的数据处理与分析问题越来越多,近几年冒出了众多的BI工具,都着重强调其数据可视化效果有多好。诚然,数据可视化效果是很重要,清晰亮丽的各类图表,狂拽酷炫的动态大屏展示,看起来...
  • Jupyter 数据可视化

    千次阅读 2017-06-22 13:42:54
    激活绘图: 在绘图的代码上一行,加入%matplotlib inline
  • Python爬虫与数据可视化

    万次阅读 多人点赞 2020-09-05 18:12:20
    数据可视化这里特别强调,pyecharts包千万别装新版的,我这里装的是0.5.9版的其次如果要做地理坐标图,热力图啥的,必须安装地图包,比如世界地图包,中国地图包,城市地图包啥的 1.数据挖掘 代码所需包 # -*- ...
  • 大屏数据可视化案例

    万次阅读 多人点赞 2020-06-03 14:05:27
    数据可视化:把相对复杂的、抽象的数据通过可视的、交互的方式进行展示,从而形象直观地表达数据蕴含的信息和规律。 数据可视化是数据空间到图形空间的映射,是抽象数据的具象表达。 数据可视化交互的基本原则:总...
  • 案例上手 Python 数据可视化

    万次阅读 多人点赞 2019-03-15 18:44:10
    课程亮点 ...数据可视化是数据分析和机器学习的重要环节,比如数据清洗、特征工程、机器学习、数据分析(特别是报告)、评估等环节都会用到“数据可视化”技术。 数据可视化同时还广泛存在于各...
  • 数据可视化、信息可视化与知识可视化 (2011-07-23 12:28:17) 标签: 校园 分类: 工作篇 数据可视化 简介   数据可视化是关于数据之视觉表现形式的研究;其中,这种数据的视觉...
  • 数据可视化平台理论与实践

    万次阅读 2017-08-02 09:32:26
    前面说完了大数据开发平台的核心组件,作业调度系统,接下来讨论一下大数据开发平台的脸面之一,数据可视化平台。
  • Python数据可视化教程:基于Plotly的动态可视化绘图

    万次阅读 多人点赞 2020-08-09 09:47:35
    Plotly是一个非常著名且强大的开源数据可视化框架,它通过构建基于浏览器显示的web形式的可交互图表来展示信息,可创建多达数十种精美的图表和地图, 下面我们以jupyter notebook为开发工具数据分析。Matplotlib存在...
  • 数据可视化』基于Python的数据可视化工具

    万次阅读 多人点赞 2017-11-02 12:39:44
    如何做Python 的数据可视化? pyecharts 是一个用于生成 Echarts 图表的类库。 Echarts 是百度开源的一个数据可视化 JS 库。主要用于数据可视化。 一、安装 pyecharts 兼容 Python2 和 Python3。目前版本为 ...
  • 数据可视化是什么? 数据图形可视化,就是用富有色彩、图形的形式来表现数据,让人一眼望去就能概览数据,让数据更直观,让审查数据的工作更人性化。 为什么要用视觉图形来表现数据? 因为数据是无形的,而目前...
  • 大屏数据可视化设计指南

    万次阅读 2019-12-09 09:33:14
    把相对复杂、抽象的数据通过可视的方式以人们更易理解的形式展示出来的一系列手段叫做数据可视化数据可视化是为了更形象地表达数据内在的信息和规律,促进数据信息的传播和应用。 在当前新技术支持下,数据可视化...
1 2 3 4 5 ... 20
收藏数 409,517
精华内容 163,806
关键字:

数据可视化