『壹』 數據可視化是什麼意思
數據可視化主要旨在藉助於圖形化手段，清晰有效地傳達與溝通信息。今天，我們使用的H5工具是Epub360，下面我們來介紹實現數據圖表可視化效果的方法，零基礎的你們准備好了嗎？
首先，我們先來介紹一下數據圖表組件。
數據圖表組件是一款用於數據可視化動態展示的組件，滿足各行業數據可視化快速設計需求，藉助H5及時傳播。應用場景多為企業月度、季度、年度業績報表等數據展示；幫助各媒體行業，特別是數據新聞製作更快呈現，實現圖、文、音視頻、可視化數據在1個H5工具內完成。另，藉助意派Epub360的自由定義頁面，將適應更多設備場景展示。
目前數據圖表組件支持柱狀圖、折線圖、餅狀圖、散點圖、條形圖5種圖表類型。
『貳』 如何將數據進行數據可視化展現
1、確認需求
在數據可視化設計前，分析人員要先完成業務需求的分析，將分析需求拆分成不同層級、不同主題的任務，捕捉其中業務的數據指標、標簽，劃分出不同優先順序，為下一步取數做准備。
數據可視化-派可數據商業智能BI
此外，整個可視化圖表頁面中，色彩不宜太過豐富，顏色最好也不要太過鮮艷，把色彩對比強烈的顏色放到關鍵信息，用清晰的邏輯去呈現變化，突出重點部分，使用戶產生更好地體驗，這才是他們最希望看到的。
最後，回到數據分析本身，分析人員可以選擇為製作完成的可視化圖表附上自己從業務邏輯思考的信息，幫助用戶更好地分辨圖表展現的意義。
派可數據 商業智能BI可視化分析平台
『叄』 數據可視化適合哪些行業和應用場景
對於需要大屏展示數據並且追求數據展示精準生動的群體來說，Hightopo 都有其用武之地。目前大屏在通信、醫療、化工、司法、餐飲、環保、農業、電商、製造等各個行業都有真實應用場景。
品牌推廣類：適合展會、媒體訪問等公眾場合，展示效果顯著凸顯特色，清晰展現數據，是企業和品牌彰顯形象的優先手段。
商業溝通類：適用於凸顯公司或機關的業務的能力以及主要特色業務，接待領導或者來訪客戶時，使其對公司有一個較清晰的定位和對公司業務有一個初步了解，提高公司核心競爭力，是傳播公司業務的窗口。
數據分析類：根據行業現行模式，重點分析展現數據，展現效果直觀、快速、易於接收。分析類的大屏對數據進行對比、串聯，在展示美觀的同時不影響數據的精準性。領導通過分析大屏能夠掌握公司整體趨勢和核心競爭力。
數據監控類：針對企業運營的性質，重點展現關鍵指標，關注數據實時性，強調數據的精準性。監控大屏可以輔助決策，在對實時情況有整體的了解之後，可以快速的做出決策，保證工作效率的快速性和可控性。
hightopo
數據可視化的基本手段：
1、數據可視化，是關於數據視覺表現形式的科學技術研究。其中，這種數據的視覺表現形式被定義為，一種以某種概要形式提取出來的信息，包括相應信息單位的各種屬性和變數。
2、數據可視化主要旨在藉助於圖形化手段，清晰有效地傳達與溝通信息。但是，這並不就意味著數據可視化就一定因為要實現其功能用途而令人感到枯燥乏味，或者是為了看上去絢麗多彩而顯得極端復雜。
3、數據可視化與信息圖形、信息可視化、科學可視化以及統計圖形密切相關。當前，在研究、教學和開發領域，數據可視化乃是一個極為活躍而又關鍵的方面。「數據可視化」這條術語實現了成熟的科學可視化領域與較年輕的信息可視化領域的統一。
而 HT 擁有一套完整豐富的 2D 組態可供用戶快速上手搭建，展示上擁有獨特的主題風格設計，在各種比例下不失真，加上布局機制，解決了不同屏幕比例下的展示問題。通過數據對接的載入，可以搭建出一套完整的數據可視化系統的解決方案，應多各種行業上數據展示的需求。
(3)前端數據可視化有什麼特點擴展閱讀
Hightopo 是基於 HTML5 標准技術的 Web 前端 2D 和 3D 圖形界面開發框架。非常適用於實時監控系統的界面呈現，廣泛應用於電信網路拓撲和設備管理，以及電力、燃氣等工業自動化 (HMI/SCADA) 領域。Hightopo 提供了一套獨特的 WebGL 層抽象，將 Model–View–Presenter (MVP) 的設計模型延伸應用到了 3D 圖形領域。使用 Hightopo 您可更關注於業務邏輯功能，不必將精力投入復雜 3D 渲染和數學等非業務核心的技術細節。
多年來數百個工業互聯網可視化項目實施經驗形成了一整套實踐證明的高效開發流程和生態體系，可快速實現現代化的、高性能的、跨平台桌面Mouse/移動Touch/虛擬現實VR圖形展示效果及交互體驗。
『肆』 一圖勝千言：數據可視化不完全總結（一）
這篇學習筆記是對數據可視化的一個較為全面的總結。大部分的內容來自於自己之前所學過的數據分析知識，還有一部分內容來自於我收集的一些資料，我將在這篇學習筆記中回答如下幾個關鍵問題：
數據可視化（Data Visualization）是涉及信息技術、自然科學、統計分析、圖形學、交互、地理信息等多種學科交叉領域，通過將非數字的信息進行可視化以表現抽象或復雜的概念和信息的技術。簡單的說，這種技術將數據以圖表的方式呈現，用以傳遞信息。人類有五官，能通過5種渠道感受這個物質世界，那麼為什麼單單要青睞可視化的方式來傳遞信息呢？這是因為人類利用視覺獲取的信息量巨大，人眼結合大腦構成了一台高帶寬巨量視覺信號輸入的並行處理器，具有超強模式識別能力，有超過50%功能用於視覺感知相關處理的大腦，大量視覺信息在潛意識階段就被處理完成，人類對圖像的處理速度比文本快6萬倍，所以數據可視化是一種高帶寬的信息交流方式。
如果我們的視野再開闊些，數據可視化從廣義上來說包含了三個分支：科學可視化（Scientific Visualization），信息可視化（Information Visualization）和可視分析學（Visual Analytics）。科學可視化是跨學科研究與應用領域，關注三維現象的可視化，在建築學、氣象學、醫學或生物學方面的各種系統中有廣泛的應用，這個領域研究的數據具有天然幾何結構（如磁感線、流體分布等）。
信息可視化則研究抽象數據的互動式視覺表示以加強人類認知。抽象數據包括數字和非數字數據，如地理信息與文本，這個領域研究的數據具有抽象的結構，比如柱狀圖，趨勢圖，流程圖和樹狀圖，這些圖表將抽象的概念轉化成為可視化信息，常常以數據面板的形式體現。
可視分析學結合了互動式視覺表示以及基礎分析過程（統計過程、數據挖掘技術），執行高級別、復雜的活動（推理、決策）。
數據科學的主要組成部分包含三個大的階段：數據整理，探索性數據分析和數據可視化。站在一個更高的位置來看，數據可視化在數據科學中的位置是比較靠後的，是屬於最後的成果展示階段。如果要從頭說起的話，首先，在 數據整理 階段，我們的主要任務是數據的獲取和解析，包括一系列對原始數據的清洗和加工工作，這一塊的知識領域主要涉及計算機科學。緊接著是 探索性數據分析 階段，這個階段要大量使用統計和數據挖掘方面的專業知識，也需要繪制圖表來解釋數據和探索數據，這個階段的主要任務是過濾和挖掘。但這個階段的可視化分析只是你和數據之間的「對話」，是數據想要告訴你什麼，而數據可視化則是數據和你的讀者之間的對話，是你通過數據想要告訴讀者什麼，這是它們之間最大的區別。完成了上面兩個階段的內容，才到了我們最後的 數據可視化 階段，這是一個多學科交叉的領域，涉及到圖形設計，信息可視化和人機交互，我們的主要任務是對信息進行精煉，然後通過可視化表示出來，並與讀者產生交互。然而，如果將數據科學的這三個階段理解為按嚴格順序進行的「線性」的模型那就大錯特錯了，它經歷的是一個迭代的，非線性的過程。後面的步驟會讓你更了解之前所做的工作，可能到了數據可視化階段，才意識到還有太多疑點要弄明白，我們需要回到上一步重新進行之前的工作，就像畫家翻來覆去才能最終完成一幅傑作一樣，數據可視化的過程並不是給數據分析這個剛出爐的蛋糕加點糖霜，，而是有一個反復迭代，不斷優化的過程。
數據可視化是一個再典型不過的多學科交叉領域了，可以說數據可視化所需要用到的知識，就是數據科學龐大知識體系的一個剪影。你會感受到數據科學理性的一面，同樣也會感受到她感性的一面。你可以窮盡自己的一生，在這個浩如煙海的領域中盡情的探索，常學常新，其樂無窮。
數據可視化的本質，是充分理解業務的基礎上對數據進行深入分析和挖掘，然後將探索數據所得到的信息和知識以可視化的形式展現出來。也就是說我們做的工作其實就是從數據空間映射到圖形空間。我們要做的第一步工作是充分的結合業務理解數據，然後採用某些方法選擇合適的圖表類型，這又要求我們先對圖表類型有個比較全面的了解。繪制完圖表是不是就完成了呢？其實不是。我們還要對圖表進行優化，優化所針對的對象是各種圖表元素，對此我們有一系列的設計技巧，下面將一步一步的來介紹這些知識。
離開對業務的理解談數據分析都是耍流氓。這里介紹一種快速了解數據與業務以開展進一步的探索與分析的方法，叫「5W2H法」。步驟一：WHAT，這是關於什麼業務的什麼事？數據所描述的業務主題是什麼？步驟2：HOW，即如何採集的數據？採集規則會影響後續分析，比如如果是後端數據埋點，那麼數據一般是實時的；而如果是前端數據埋點，那麼就要進一步弄清楚數據在什麼網路狀態會上傳？無網路狀態下是如何處理的？這些都會影響最後數據的質量進而影響分析質量。步驟三：WHY，為什麼搜集此數據？我們想從數據中了解什麼？數據分析的目標是什麼？步驟四：WHEN，是何時段內的業務數據？步驟五：WHERE，是何地域范圍內的業務數據？步驟六：WHO，誰搜集了數據（Who）？在企業內可能更關注是來自哪個業務系統。步驟七：HOW MUCH，各種數據有多大的量，足夠支持分析嗎？數據充足和不足的情況下，分析方法是有所不同的。如果七個問題中有一個答復不能令人滿意，則表示這方面有改進餘地。
用簡單的三個步驟就可以選擇合適的圖表類型：一看數據類型，二看數據維度，三看要表達的內容。
我們有兩種數據類型，每種數據類型又有兩個子類別。首先，我們有 分類數據 和 定量數據 。分類數據用來表示類別，比如蘋果，香蕉，梨子和葡萄，就是水果的4種類別，稱為 分類定類 ；有的分類變數是有一定順序的，比如可以把紅酒的品質分為低，中，高三檔，人的身材有偏瘦，正常和肥胖等等，這種特殊的分類變數稱為 分類定序 。定量數據也可以進一步分為兩類，一類叫 連續值數據 ，比如人的年齡；一類叫 離散值數據 ，比如貓咪的數量。選擇圖表的第一步就是要看我要展示的數據是什麼類型，最典型的例子就是相關性分析，如果要分析定量數據和定量數據之間的關系，那麼散點圖無疑是最佳選擇，但如果有其他情況出現該怎麼選擇呢？數據類型直接影響你能選擇的圖表類型：
舉幾個例子來說明大家可能就明白了。
首先來看一個散點圖的例子，比如我要分析一下汽車每加侖行駛的英里數和汽車重量之間的關系，因為兩個都是定量數據，那麼我們就應該選擇散點圖：
從散點圖中我們可以看到每加侖行駛的英里數和汽車重量之間是呈線性負相關關系的，車的重量越重，每加侖行駛的英里數就越小。
下面這個馬賽克圖分析了《冰與火之歌》中五王之戰各戰爭與戰爭類別之間的關系：
五王之戰中總共有這樣幾種戰爭類別：
戰爭類型是分類變數，戰爭的勝負也是分類變數，馬賽克圖（也就是下面要介紹的「不等寬柱狀圖」）分析了戰爭類型和戰爭勝負的關系，可以很明顯的看出ambush，siege和razing類型的戰爭，進攻方的勝率都是很高的。這意味著什麼？如果我要建立一個預測戰爭勝負的模型，那麼戰爭類型就是一個非常好的特徵。
如果要分析分類數據和定量數據的相關性，那麼箱線圖就是一個比較好的選擇了，請看下面這個例子：
這個箱線圖展示了汽車的氣缸數量和每加侖行駛的英里數之間的關系，氣缸數量越多，每加侖汽油行駛公里數越少，說明相應的油耗越高，間接說明氣缸數量和油耗具有相關性。這里可以將氣缸數量這個離散型數值變數當做分類變數來看待。
看完了數據類型，接著看維度，要展示的數據是一維，二維還是多維的？如果是一維或者二維，那麼一般的統計圖表都能滿足要求，但如果我們有多維的數據，我們就要把第三維開始的數據映射到上面提到的那7大視覺編碼中。比如散點圖表示了兩個定量數據之間的關系，如果還存在第三個定量數據，那麼我們就可以用點的大小來表示，那麼散點圖就變成了氣泡圖，如果第三個數據是分類數據，那麼我們可以在散點圖的基礎上標記顏色來表示。
最後，還要考慮可視化主要想表達的內容是什麼。對於4大內容：比較，分布，組合和關系，下面這張圖給出了一份簡單的指南。比如我想表達的是數據的分布，如果是單變數且只有比較少的數據點時，可以選擇直方圖。比如想表達數據之間的關系，如果是兩個變數，則使用散點圖，如果有第三個變數，那麼如果編碼成大小，則得到氣泡圖。
這也是當初一個比較困擾我的地方，到底有多少種圖表可供我選擇？作為數據分析師，我們得先對自己的武器庫有個基本的認識和了解，才能在使用的時候挑選趁手的武器，下面將介紹一些常見的圖表。
也稱為「棒形圖」或「柱形圖」。條形圖 (Bar Chart) 採用水平或垂直條形（柱形圖）來比較不同類別的離散數值。圖表其中一條軸代表要比較的具體類別，另一條則用作離散數值的標尺。條形圖與直方圖不同，前者不會顯示數值在某時間段內的持續發展。條形圖的離散數據是分類數據，針對的是單一類別中的數量多少。條形圖其中一個缺點是當有大量條形時，將難以標簽圖表。
條形圖有兩種常見的變種： 多組條形圖 和 堆疊式條形圖 。多組條形圖也稱為「分組條形圖」或「復式條形圖」，在同一軸線上將兩個或多個數據集並排，繪制數據並進行分類。跟條形圖同樣，每個條形的長度用來顯示不同類別之間的離散數值比較。每個數據系列將獲分配一種顏色（或同一顏色的其中一種深淺度）以進行區分，然後每組條形將獨立放置，並與其他條形組分隔開。多組條形圖通常用來將分組變數或類別與其他數據組（具有相同變數或類別種類）進行比較，也可用來比較迷你直方圖，每組內的每個條形將表示變數的顯著間隔。多組條形圖的缺點：當有太多條形組合在一起時將難以閱讀。
跟多組條形圖不同（並排顯示條形），堆疊式條形圖 (Stacked Bar Graph) 將多個數據集的條形彼此重迭顯示，適合用來顯示大型類別如何細分為較小的類別，以及每部分與總量有什麼關系。堆疊式條形圖共分成兩種：簡單堆疊式條形圖將分段數值一個接一個地放置。條形的總值就是所有段值加在一起。適合用來比較每個分組/分段的總量。100% 堆疊式條形圖會顯示每組占總體的百分比，並按該組每個數值占整體的百分比來繪制，可用來顯示每組中數量之間的相對差異。堆疊式條形圖的一個主要缺點：條形分段越多，圖表就越難以閱讀。另外，我們也較難比較不同分段，因為它們不在同一基線之上。
徑向/圓形條形圖只是在極座標系（而非笛卡爾座標系）上繪制的條形圖。雖然看起來很美觀，但徑向條形圖的問題在於條形的長度可能會被人誤解。即使所代表的數值相同，但外圍的條形看起來還是會比較長。由於每個條形都必須處於不同的半徑，所以只能用角度來判斷數值多少。我們的視覺系統比較擅於理解直線，因此笛卡爾條形圖是比較數值的更好選擇。因此，使用徑向條形圖通常只是為了美觀。
也稱為「圓形柱圖」或「星圖」。這種圖表使用同心圓網格來繪制條形圖。每個圓圈表示一個數值刻度，而徑向分隔線（從中心延伸出來的線）則用作區分不同類別或間隔（如果是直方圖）。刻度上較低的數值通常由中心點開始，然後數值會隨著每個圓形往外增加，但也可以把任何外圓設為零值，這樣裡面的內圓就可用來顯示負值。條形通常從中心點開始向外延伸，但也可以別處為起點以顯示數值范圍（如跨度圖）。此外，條形也可以如堆疊式條形圖般堆疊起來。
子彈圖 (Bullet Graph) 能顯示表現數據，功能類似於條形圖，但加入更多視像元素，提供更多補充信息。子彈圖最初由 Stephen Few 開發，用來取代儀表盤上如里程錶或時速表這類圖形儀表，解決顯示信息不足的問題，而且能有效節省空間，更可除掉儀表盤上一些不必要的東西。主要數據值由圖表中間主條形的長度所表示，稱為「功能度量」(Feature Measure)；而與圖表方向垂直的直線標記則稱為「比較度量」(Comparative Measure)，用來與功能度量所得數值進行比較。如果主條形長度超越比較度量標記的位置，則代表數據達標。功能度量背後的分段顏色條形用來顯示定性范圍得分。每種色調（如上面示例中三種不同深度的灰色）表示不同表現范圍等級，如欠佳、平均和良好。當使用子彈圖時，建議最多使用五個等級。
平行座標圖 (Parallel Coordinates Plots) 能顯示多變數的數值數據，最適合用來同一時間比較許多變數，並表示它們之間的關系。舉個例子：比較具有相同屬性的一系列產品（比較不同型號的計算機或汽車規格）。在平行座標圖中，每個變數都有自己的軸線，所有軸線彼此平行放置，各自可有不同的刻度和測量單位；或者我們也可以統一處理所有軸線以保持所有刻度間隔均勻。然後我們繪制一系列的直線穿越所有軸線來表示不同數值。軸線排列的順序可能會影響讀者如何理解數據，其中一個原因是相鄰變數之間的關系會比非相鄰的變數容易進行比較。因此重新排列軸線可以幫助了解不同變數之間的模式或相關性。平行座標圖的缺點是容易變得混亂，當數據密集時更加難以辨認。解決這個問題的最好辦法是通過一種名為「刷理」的互動技術，突出顯示所選定的一條或多條線，同時淡化所有其他線條，讓我們能更集中研究感興趣的部分，並濾除干擾數據。
又稱為「蜘蛛圖」、「極地圖」或「星圖」。雷達圖 (Radar Chart) 是用來比較多個定量變數的方法，可用於查看哪些變數具有相似數值，或者每個變數中有沒有任何異常值。此外，雷達圖也可用於查看數據集中哪些變數得分較高/低，是顯示性能表現的理想之選。每個變數都具有自己的軸（從中心開始）。所有的軸都以徑向排列，彼此之間的距離相等，所有軸都有相同的刻度。軸與軸之間的網格線通常只作指引用途。每個變數數值會畫在其所屬軸線之上，數據集內的所有變數將連在一起形成一個多邊形。
然而，雷達圖有一些重大缺點：在一個雷達圖中使用多個多邊形，會令圖表難以閱讀，而且相當混亂。特別是如果用顏色填滿多邊形，表面的多邊形會覆蓋著下面的其他多邊形。此外，過多變數也會導致出現太多的軸線，使圖表難以閱讀和變得復雜，故雷達圖只能保持簡單，因而限制了可用變數的數量。雷達圖的另一缺點是它未能很有效地比較每個變數的數值。即使藉助蜘蛛網般的網格指引，在直線軸上比較數值始終較為容易。
也稱為「象形統計圖」。使用圖案來顯示數據量的象形圖 (Pictogram Chart) 讓人可以更全面地了解小型數據集，而且所用圖案通常切合數據主題或類別，例如關於人口數據的圖表將使用人物圖案。每個圖案可以表示一個單位或任何數量或單位（例如每個圖案表示 10 個）。通過了解列或行中的圖案多少，我們可以對數據集的每個類別進行比較。使用圖案能克服語言、文化和教育水平方面的差異，是更具代表性的數據顯示方法。舉個例子，如果數據是「5 輛車」，圖中便會顯示 5 個汽車圖案。使用象形圖時有兩點要避免：用於大型數據集，令人難以計數。只顯示部分圖案，令人混淆它們到底代表什麼。
也稱為「范圍條形/柱形圖」或「浮動條形圖」。用來顯示數據集內最小值和最大值之間的范圍，適合用來比較范圍，尤其是已分類的范圍。跨度圖只集中顯示極端數值，不提供任何關於最小值和最大值之間的數值、整體平均值或數據分布等其他信息。
點陣圖表 (Dot Matrix Chart) 以點為單位顯示離散數據，每種顏色的點表示一個特定類別，並以矩陣形式組合在一起。適合用來快速檢視數據集中不同類別的分布和比例，並與其他數據集的分布和比例進行比較，讓人更容易找出當中模式。當只有一個變數/類別時（所有點都是相同顏色），點陣圖表相等於比例面積圖。
又稱為「極面積圖」。統計學家和醫學改革家佛羅倫薩‧南丁格爾 (Florence Nightingale) 曾在克里米亞戰爭期間使用這種圖表傳達士兵身亡情況，故得名。南丁格爾玫瑰圖 (Nightingale Rose Charts) 繪制於極座標系之上。每個數據類別或間隔在徑向圖上劃分為相等分段，每個分段從中心延伸多遠（與其所代表的數值成正比）取決於極座標軸線。因此，從極座標中心延伸出來的每一環可以當作標尺使用，用來表示分段大小並代表較高的數值。在南丁格爾玫瑰圖中，代表數值的是分段面積，而不是其半徑。南丁格爾玫瑰圖的主要缺點在於面積較大的外圍部分會更加引人注目，這跟數值的增量成反比。
非常適合用來比較數值和顯示比例（尺寸、數量等），以便快速全面地了解數據的相對大小，而無需使用刻度。這種圖表的缺點在於使用面積圖難以得出估值，也就是說它們幾乎只能用於通信目的，而不能作分析用途。雖然比例面積圖通常使用正方形或圓形，但其實也可以使用任何形狀，只要所使用的形狀面積是表示數據即可。這種面積圖的常見技術錯誤是，使用長度來確定形狀大小，而非計算形狀中的空間面積，導致數值出現指數級的增長和減少。
也稱為「標簽雲圖」。通過使每個字的大小與其出現頻率成正比，顯示不同單詞在給定文本中的出現頻率，然後將所有的字詞排在一起，形成雲狀圖案，也可以任何格式排列：水平線、垂直列或其他形狀。字雲圖 (Word Cloud) 也可用於顯示獲分配元數據的單詞。舉個例子，我們把世界各地所有國家的名稱加到字雲中，再將人口數量分配給每個國家，以確定其名稱的字體大小。在字雲圖上使用顏色通常都是毫無意義的，主要是為了美觀，但我們可以用顏色對單詞進行分類或顯示另一個數據變數。字雲圖通常用於網站或博客上，以描述關鍵字或標簽使用，也可用來比較兩個不同的文本。
雖然簡單易懂，但字雲圖有著一些重大缺點：較長的字詞會更引人注意。字母含有很多升部/降部的單詞可能會更受人關注。分析精度不足，較常是為了美觀。
餅形圖 (Pie Chart) 獲廣泛應用於項目演示和辦公室，把一個圓圈劃分成不同比例的分段，以展示各個類別之間的比例和百分比。每個圓弧的長度代表每個類別的所佔比例，而全圓則表示所有數據的總和，相等於 100%。
餅形圖適合用來快速展示數據比例分布，但主要缺點是：
盡管如此，如要在單一餅形圖中比較給定類別在整體中所佔的比例，這仍是有效之選。
圓環圖 (Donut Chart) 基本上就是餅形圖，只是中間的部分被切掉。然而，圓環圖比餅形圖略有優勢，因為後者不時被人批評，說它只將重點放在不同部分彼此或相對於整體的大小關系，但當與其他餅形圖作整體比較時，卻不能顯示出任何變化。圓環圖算是解決了這個問題的其中一部分，讓人不再只看「餅」的面積，反面更重視總體數值的變化：專注於閱讀弧線的長度，而不是比較「餅與餅」之間的比例不同。另外，圓環圖中間的空白處更可以用來顯示其他信息，因此更能節省空間。
桑基圖 (Sankey Diagram) 用來顯示流向和數量（彼此之間的比例）。箭頭或線的寬度用於顯示大小，因此箭頭越大，流量也越大。在每個流程階段中，流向箭頭或線可以組合在一起，或者往不同路徑各自分開。我們可用不同顏色來區分圖表中的不同類別，或表示從一個階段到另一個階段的轉換。桑基圖通常用於顯示能量、金錢或材料數據的轉移，但也可用於顯示任何獨立系統的流程。
熱圖 (Heatmap) 通過色彩變化來顯示數據。當應用在表格時，熱圖適合用來交叉檢查多變數的數據，方法是把變數放置於行和列中，再將表格內的不同單元格進行著色。熱圖適用於顯示多個變數之間的差異；顯示當中任何模式；顯示是否有彼此相似的變數；以及檢測彼此之間是否存在任何相關性。通常所有水平行都同屬一個類別（在左側或右側顯示的標簽）；而所有垂直列將被分配為另一類別（在頂部或底部顯示的標簽）。每行或每列會再被分成子類別，全都以矩陣形式相互匹配。表格中的單元格內有不同顏色編碼的分類數據，或是基於顏色標度的數字數據。單元格內的數據是基於相連行和列中兩個變數之間的關系。我們需要圖解來幫助閱讀熱圖。分類數據採用不同顏色編碼表示，而數字數據則需要一個顏色標度（從一種顏色轉到另一種顏色）來幫忙表示高低值之間的差異。我們可以使用一系列的純色來表示多個范圍的數值（0-10、11-20、21-30等），或者可以將兩種或多種顏色混合在一起，使用漸變標度來表示單一范圍（例如 0 - 100）。由於熱圖依賴顏色來表達數值，它比較適合用來顯示廣泛數值數據，因為要准確地指出色調之間的差異始終有難度，也較難從中提取特定數據點（除非在單元格中加入原始數據）。如果將其中一行/列設為時間間隔，熱圖也可用於顯示數據隨時間的變化。其中一個例子就是使用熱圖來比較全年多個城市的溫度變化，看看最熱或最冷的地方在哪兒：我們可以把要比較的城市在水平行中列出，而垂直列則是月份，然後在單元格內填上溫度值。
也稱為「集合圖」。文氏圖 (Venn Diagram) 顯示集與集之間所有可能存在的邏輯關系，每個集通常以一個圓圈表示。每個集都是一組具有共同之處的物件或數據。當多個圓圈（集）相互重迭時，稱為交集 (intersection)，裡面的數據同時具有重迭集中的所有屬性。這里只顯示了由 2 個數據集組成的文氏圖，但也有 3、4、5、6 甚至 7 個數據集相互重迭的例子。
弧線圖 (Arc Diagram) 是二維雙軸圖表以外另一種數據表達方式。在弧線圖中，節點 (Nodes) 將沿著 X軸（一維軸）放置，然後再利用弧線表示節點與節點之間的連接關系。每條弧線的粗幼度表示源節點和目標節點之間的頻率。弧線圖適合用來查找數據共同出現的情況。弧線圖的缺點：不能如其他雙軸圖表般清楚顯示節點之間的結構和連接，而且過多連接也會使圖表難於閱讀。
弦圖 (Chord Diagram) 可以顯示不同實體之間的相互關系和彼此共享的一些共通之處，因此這種圖表非常適合用來比較數據集或不同數據組之間的相似性。節點圍繞著圓周分布，點與點之間以弧線或貝塞爾曲線彼此連接以顯示當中關系，然後再給每個連接分配數值（通過每個圓弧的大小比例表示）。此外，也可以用顏色將數據分成不同類別，有助於進行比較和區分。弦圖的缺點是過於混亂，尤其是當要顯示太多連接的時候。
非綵帶弦圖 (Non-ribbon Chord Diagram) 是弦圖的一個精簡版本，僅顯示節點和連接線，更加強調數據之間的連接關系。
也稱為「網路地圖」或「節點鏈路圖」。這種圖表使用節點/頂點和連接線來顯示事物之間的連接關系，並幫助闡明一組實體之間的關系類型。這些節點通常是圓點或小圓圈，但也可以使用圖標。節點之間的連接關系通常以簡單的線條表示，但在某些網路圖中，並非所有節點和連接都有相同屬性，故可藉此顯示其他變數，例如通過節點大小或連接線的粗幼來表示其與數值之間的比例。通過描繪出鏈路連接系統、查找任何節點集群、節點連接的密度或圖表布局，網路圖可以用來解釋各種網路結構。兩種主要網路圖分別為「不定向」和「定向」網路圖；不定向網路圖僅顯示實體之間的連接，而定向網路圖則可顯示連接是單向還是雙向（通過小箭頭）。網路圖數據容量有限，並且當節點太多時會形成類似「毛球」的圖案，使人難以閱讀。
後續內容，請查看 一圖勝千言：數據可視化不完全總結（二）
『伍』 簡述什麼是數據可視化
「數據可視化，是關於數據視覺表現形式的科學技術研究。其中，這種數據的視覺表現形式被定義為，一種以某種概要形式抽提出來的信息，包括相應信息單位的各種屬性和變數。它是一個處於不斷演變之中的概念，其邊界在不斷地擴大。主要指的是技術上較為高級的技術方法，而這些技術方法允許利用圖形、圖像處理、計算機視覺以及用戶界面，通過表達、建模以及對立體、表面、屬性以及動畫的顯示，對數據加以可視化解釋。
發展趨勢
現在國內就有公司走的是這個路線。國內的圖撲軟體hightopo就是其中一個。
在學術界，現在可視化的期刊越來越多了。亞洲的pacific vis, 北美的transition vis, 歐洲的 Europ Vis。這些都是常見的還不算上頂級的期刊。可視化在學術界的運用已近變成香餑餑了。現在誰做研究出來的數據都是好幾個GB的，需要有工具和專門的人員去做一個可視化來理解這些數據，而且很多二流的科研文章加上可視化，就可以投一流的期刊。
可視化並不是單獨的一門學科，它是對於計算機圖形學和統計學等一些學科的更深層次的延伸，比如說社交網路的圖譜應用到了很多圖形學的邊演算法，當然，很多時候是和數據挖掘關系最緊密，因為前者是為後者提供數據，後者是為了更好的展現數據。
數據可視化是和數據挖掘不可分割的，可視化作者想要表達的側重點對於可視化的傳達結果是有直接關聯的。也就是說，當數據本身的特點與規律並不明顯的時候，你需要進行大量的測試與研究來探尋出數據的規律，之後才能傳達出正確而且有規律可循的可視化圖案。
舉個簡單的hightopo大型風力發電 可視化案例，或許大家就能理解可視化數據。
依託於大數據技術以及對大型風力發電機整體數據挖掘分析，形成了風機遠程集中監控系統。在可視化界面中能夠看到，風機對環境的監控、現場風速、風向的實時數據，以及設備運行的具體情況。並且提供詳細統計參數，例如年發電量、總功率、負荷率等數據，能靈活的滿足用戶的個人定製化需求，從而實現管理者對風電場的智能管控。
通過主面板可查看線框模式下的風機。可自由點選查看各個部件系統的運行狀態，進行全生命周期的智慧運維。及時監測風電機組的健康狀況，智能診斷風機故障並提出預警。並定期進行健康體檢服務，將有效的降低風機故障發生和維修成本。
對電廠來講，針對生產過程中各種參數的監控，毫無疑問是確保安全高效運行的必要手段。這里將整個風力發電機的發電工藝直觀的展現出來，對接監測過程中的各種數據，並轉換為可運行的程序。通過對工藝流程的全面監控來確保電廠安全生產。
更多資料
圖撲軟體（Hightopo）是由廈門圖撲軟體科技有限公司獨立自主研發，基於HTML5標准技術的Web前端2D和3D圖形界面開發框架。非常適用於實時監控系統的界面呈現，廣泛應用於電信網路拓撲和設備管理，以及電力、燃氣等工業自動化 (HMI/SCADA) 領域。Hightopo提供了一套獨特的 WebGL 層抽象，將 Model–View–Presenter (MVP) 的設計模型延伸應用到了 3D 圖形領域。使用 Hightopo 您可更關注於業務邏輯功能，不必將精力投入復雜 3D 渲染和數學等非業務核心的技術細節。
『陸』 想問下數據可視化的主要作用或者意義在哪兒
什麼是數據可視化
數據可視化利用圖形、圖像處理、計算機視覺、以及用戶界面，通過表達、建模以及對表面、立體、屬性和動畫的顯示，對數據加以可視化解釋。
作用
利用物聯網和感測器收集的數據，對電力設備和網線進行實時監控並分析產生數據。採用3D可視化系統，提供更接近現實設備的畫面，易於用戶接受，提升對設備的辨識度。可以讓用戶洞悉整個系統同時，還可以觀測到部分細節。兼顧了整體與局部，提供了豐富的交互體驗。並且在成熟的 5G 技術支持下，因其大於 4G 數倍的帶寬，快 4G 百倍的傳輸速率能更好的讓 hightopo 輕量可視化在瀏覽器或移動端上實現遠程可視化監控。
(6)前端數據可視化有什麼特點擴展閱讀
圖撲軟體（Hightopo）是由廈門圖撲軟體科技有限公司獨立自主研發，基於HTML5標准技術的Web前端2D和3D圖形界面開發框架。非常適用於實時監控系統的界面呈現，廣泛應用於電信網路拓撲和設備管理，以及電力、燃氣等工業自動化 (HMI/SCADA) 領域。
Hightopo提供了一套獨特的 WebGL 層抽象，將 Model–View–Presenter (MVP) 的設計模型延伸應用到了 3D 圖形領域。使用 Hightopo 您可更關注於業務邏輯功能，不必將精力投入復雜 3D 渲染和數學等非業務核心的技術細節。
多年來數百個工業互聯網可視化項目實施經驗形成了一整套實踐證明的高效開發流程和生態體系，可快速實現現代化的、高性能的、跨平台桌面Mouse/移動Touch/虛擬現實VR圖形展示效果及交互體驗。
『柒』 前端需要會 數據可視化嗎 知乎
當然這些都已經有了很成熟的前端解決方案，但是如何融合到一起，我相信你如果做過就知道我在說啥了…
對應的一套後端查詢體系我們的架構是nodejs做的，dba和數據工程師負責對接我們mysql的視圖，保證我們的查詢簡單化。
對應不同的數據產生對應的pdf，excel，xml，json，表，圖都已經做成了一套統一的api。方便復用需求。
至於單頁和非單頁，我覺得從開發的角度考慮，單頁不利於快速產生新的數據展示需求，除了前端和後端都需要額外開發外，速度和人力也是個問題。
非單頁是我們採用的，通過nodejs統
『捌』 如何設計成功而有價值的數據可視化
[what]什麼是數據可視化？
塔夫特所說，「圖形表現數據。實際上比傳統的統計分析法更加精確和有啟發性。」對於廣大的編輯、設計師、運營分析師、大數據研究者等等都需要從不同維度、不同層面、不同粒度的數據處理統計中，藉助圖表和信息圖的方式為用戶（只獲得信息）、閱讀者（消費信息）及管理者（利用信息進行管理和決策）呈現不同於表格式的分析結果。數據可視化技術綜合運用計算機圖形學、圖像、人機交互等，將採集、清洗、轉換、處理過的符合標准和規范的數據映射為可識別的圖形、圖像、動畫甚至視頻，並允許用戶與數據可視化進行交互和分析。而任何形式的數據可視化都會由豐富的內容、引人注意的視覺效果、精細的製作三個要素組成，概括起來就是新穎而有趣、充實而高效、美感且悅目三個特徵。
[why]為什麼要進行數據可視化？
無論是哪種職業和應用場景，數據可視化都有一個共同的目的，那就是准確而高效、精簡而全面地傳遞信息和知識。可視化能將不可見的數據現象轉化為可見的圖形符號，能將錯綜復雜、看起來沒法解釋和關聯的數據，建立起聯系和關聯，發現規律和特徵，獲得更有商業價值的洞見和價值。並且利用合適的圖表直截了當且清晰而直觀地表達出來，實現數據自我解釋、讓數據說話的目的。而人類右腦記憶圖像的速度比左腦記憶抽象的文字快100萬倍。因此，數據可視化能夠加深和強化受眾對於數據的理解和記憶。
[how] 如何實現可靠的數據可視化
數據可視化包括數據的採集、分析、治理、管理、挖掘在內的一系列復雜數據處理，然後由設計師設計一種表現形式，或許是二維圖表、三維立體視圖，不管是什麼樣的信息圖，最後由前端工程師創建對應的可視化演算法及前端渲染和展現的實現。如果僅僅是能夠將數據轉化成漂亮的圖表，設計出固定維度、不同式樣的圖表來解釋你的觀點，並不說明這樣的結局就足夠好。這只是一個簡單的開始，只是一個美好願望的萌芽。如果要成功報告結果，將你所分析的度量和數據有效地轉化為有商業價值的見解，使其能夠為基於事實所做的決策提供支持，那麼還需要做更多的功課。
色彩提升信息可視化的視覺效果。在信息可視化通過造型元素明確傳達信息及敘述的基礎上，把握好視覺元素中色彩的運用，使圖形變得更加生動、有趣，信息表達得更加准確和直觀。色彩可以幫助人們對信息進行深入分類，強調和淡化、生動而有趣的可視化作品的表現形式，常常給受眾帶來視覺效果上的享受。當然，視覺效果要將企業品牌的色調融合進去，和企業的品牌文化保持高度的一致，這是一個最基本的常識。比如，如果企業的品牌色調比較熱衷紅色，你設計的可視化效果，就要有意識地朝著這個基調靠攏。但沒有必要吻合，因為紅色的可視化效果，通常都包含警示的韻味，所以，紅色適合做預警、提醒和突出信息的功能。
排版布局增強信息可視化的敘事性。我有酒，你有故事嗎？排版布局四大基本原則：
（1）對比（Contrast）： 如果兩個項不完全相同，就應當使之不同，而且應當是截然不同。
（2）重復（Repetition）：設計的某些方面在整個作品中重復。
（3）對齊（Alignment）：任何元素都不能在頁面上隨意安放。每一項都應當與頁面上的某個內容存在某種視覺聯系。
（4）親密性（Proximity）：將相關的項組織在一起，使它們的物理位置相互靠近相關的項將被看作凝聚為一體的一個組。
動態增加信息可視化的視覺體驗。在信息可視化的視覺表達中，動態地將相互分離的各種信息傳播形式有機地融合在一起，進行有關聯、有節奏的信息處理、傳輸和實現。最終的目的是，為了實現數據之間的聯動，解釋數據表現之間驅動和聯系的關系。通過圖表樣式和色彩的運動，滿足受眾的視覺感受，同時將信息內容更加深刻而精簡地傳達給閱讀者，使整個信息傳達的過程更加輕松便捷。對於數據可視化有諸多工具，如：ECharts、iCharts、D3js、Flot、Raphaël等功能都十分強大，但對於非專業可視化而又經常與圖表打交道的職場人士來說，一款輕便易學而又實用的可視化軟體則顯得十分重要。比如cognos、tebleue等。如果需要展現的數據結構不是特別復雜，而又要把數據展現的絢麗多彩，而且具有交互性，那麼水晶易表是不二之選。
1．誰是你的閱讀者？
無論你是否在做一份傳統的報表還是新式的信息圖，首先問問自己有哪些閱讀者看到這份報告？他們對將要討論的事項了解多少？他們需要什麼？、還有，他們會如何利用你要展示的信息和數據呢？而我在 《一份靠譜的數據分析報告都有什麼套路？》 里講過，明確清晰的分析目標和方法會有多重要，因為只有明確分析目標，才能有一個良好的驅動過程。無論是目標驅動還是分析過程驅動，後續的數據分析工作和分析報告里所要呈現的全部內容事項都是緊緊圍繞著這個目標主題而服務的。
2．規劃數據可視化方案
數據可視化方案，是一定是能夠解決用戶特定問題的。既然是能夠解決用戶特定的問題，那麼這樣的高度，是在基於你在深入地理解了這些數據的現象和本質的基礎之上。簡單來說，就是你的可視化方案，不僅懂得並且能夠很好地解釋數據分析的結論、信息和知識。並且管理者能夠沿著你規劃的可視化路徑能夠迅速地找到和發現決策之道。
舉例來說，當企業的業績不達標時（企業的業績是否達標，關繫到企業最關鍵的利益和存亡。）可視化方案的設計路徑應該是這樣的：
Step1，從整體運營出發，明確有哪些關鍵因素會影響成交和業績。
比如：有效名單、demo品質、客服服務、產品屬性等，相應地去看這些關鍵因素對應的KPI的表現，對整體的業績來講，這些因素都會是驅動因素，這些因素對應的KPI都會是對STV有直接驅動和影響作用的。這些驅動數據的可視化是基礎，也是尋找解決方案最終的出發點和落腳點。因為，這些數據的表現，是關乎運營成功與否的最直接視圖。
Step2，對關鍵因素深入分析確定是什麼因素導致了業績沒達成，發現和挖掘導致業績未達標的根本原因和問題。
比如：
1、對比分析，逐一觀測201601月-201612月全部關鍵因素對應的KPI的表現，對比成交業績最高的月份和成交業績最差月份的關鍵因素對應的KPI差異在哪裡，能夠快速定位出哪些方面、哪些因素導致業績未達標。然後能夠有針對性地驅動和幫助業務部門去改善。
2、追蹤對成交和業績有驅動和改善的行動方案的落地和實施進度，存在什麼樣的問題，是否存在行動方案的執行不力影響了業績達標。
Step3，針對這些問題因素，有的放矢地去做改善和探索提升業績之道。
否則，設計再商業絢麗的可視化圖表，如果不能快速地得到信息和商業決策建議和方案就毫無意義。可視化僅僅成了虛假和欺騙，華麗而不務實的結果。基於准備好的全部的這些問題所得出的答案，就要開始定製你的數據可視化方案以滿足每個決策者的特定要求。數據可視化始終都應該是為其受眾專門定製的，這樣的報告里只應包括受眾需要知道的信息，且應將這些信息置於和他們有關並對他們有意義的背景下。
3．給數據可視化一個清晰的標題。
當你的報告像一份報紙、雜志的新聞一樣。從這個標題，就能給閱讀者強烈的沖擊。一個清晰的標題是能夠很好地闡釋報告和故事的主題，是對整個報告和故事概括的信息。當然，並不是鼓勵運營分析人員去做「標題黨」。好的標題，既不要模稜兩可，也不要畫蛇添足，只要解釋清楚圖表即可。這有助於幫受眾直接進入主題。這樣能讓讀者大致瀏覽文件，並能快速抓住核心所在。盡量讓你的標題突出。
4．將數據可視化和你的策略、方案聯系起來
如果數據可視化的目的在於介紹能解決具體的、可衡量的、可執行的、有相關性和時效性問題的數據，那就在開場白里加上這些問題。稍後再和你的策略連接起來以理清這些數據的定位，因此，讀者便能立刻明白可視化數據的相關性和價值。最終，他們便能更好地參與進來，並能夠更明智地利用這些信息。數據可視化，最終時為了企業良好的運營而服務的，這是它的商業價值。如果你不關注企業的戰略和行動方案，很難建立起具有聯動價值的信息圖。比如，企業執行的行動方案，通常是為了達成和實現企業的戰略目標，通過這樣的手段實現精益管理和精益運營。所以，可視化的解決方案要能夠做到，行動方案對戰略目標的驅動效果、個體、團隊對部門整體指標、KPI的驅動和影響效果。只有建立起來具有聯系的信息視圖，才會獲得有價值的數據可視化。
5．明智地選擇你的展示圖表。
不管使用哪一類圖表，bar圖、折線圖、雷達圖等等，每一種圖表都有它自身的優點和局限性。你無法找到完美的可視化圖表。但你可以通過嘗試混合展現方式讓可視化表現再人性化一點點。所以的可視化效果，都應該盡可能簡單精準地傳達訊息。這就意味著：不論有多新潮、多好看或者多絢麗，這都不是設計數據可視化的初衷。誠然，我們在持續地並且永不滿足地追求數據之美。但最佳的平衡點在於，用合適的數據可視化開闡釋恰到好處的信息和知識的價值之美。
• 只用有關聯能傳達重要信息的且為你的受眾所需要的圖形。
•無需填滿頁面的所有空白——太多雜亂的內容只會干擾對重要信息的接收，會讓人太難記住，又太容易忽略。
• 恰當運用色彩，增加信息深度。同時要注意有些色彩具備潛在含義。舉例來說，紅色被認為是代表警告或危險的顏色。適合預警額。
• 不要使用太多不同類的圖表、表格和圖形。如果需要對比各種圖表，要確保你闡述數據時使用的是同類的圖表，這樣才能便於互相比較。
6．在恰當處備注文字說明
文字說明有助於用語言解釋數據，並能在情境化圖表的同時增加內容的深度。數字和表格或許僅能提供快照，而文字說明則讓人對關鍵處了解更多，加以評論並強調其內涵。引導觀看者去思考圖形的主題，而不是方法論、圖形設計、圖形生成或其他東西。
• 避免歪曲數據原本的意圖。
• 讓龐大的數據集連貫一致。
• 吸引讀者將不同的數據片段進行比對和比較，突出重點和優劣。
• 主旨要相當明確：描述、挖掘、作表、可視化自我解讀。
『玖』 ECharts 有哪些基本特性
ECharts 包含以下特性：
豐富的可視化類型: 提供了常規的折線圖、柱狀圖、散點圖、餅圖、K線圖，用於統計的盒形圖，用於地理數據可視化的地圖、熱力圖、線圖，用於關系數據可視化的關系圖、treemap、旭日圖，多維數據可視化的平行坐標，還有用於 BI 的漏斗圖，儀表盤，並且支持圖與圖之間的混搭。
多種數據格式無需轉換直接使用: 內置的 dataset 屬性（4.0+）支持直接傳入包括二維表，key-value 等多種格式的數據源，此外還支持輸入 TypedArray 格式的數據。
千萬數據的前端展現: 通過增量渲染技術（4.0+），配合各種細致的優化，ECharts 能夠展現千萬級的數據量。
移動端優化: 針對移動端交互做了細致的優化，例如移動端小屏上適於用手指在坐標系中進行縮放、平移。 PC 端也可以用滑鼠在圖中進行縮放（用滑鼠滾輪）、平移等。
多渲染方案，跨平台使用: 支持以 Canvas、SVG（4.0+）、VML 的形式渲染圖表。
深度的互動式數據探索: 提供了 圖例、視覺映射、數據區域縮放、tooltip、數據刷選等開箱即用的交互組件，可以對數據進行多維度數據篩取、視圖縮放、展示細節等交互操作。
多維數據的支持以及豐富的視覺編碼手段: 對於傳統的散點圖等，傳入的數據也可以是多個維度的。
動態數據: 數據的改變驅動圖表展現的改變。
絢麗的特效: 針對線數據，點數據等地理數據的可視化提供了吸引眼球的特效。
通過 GL 實現更多更強大絢麗的三維可視化: 在 VR，大屏場景里實現三維的可視化效果。
無障礙訪問（4.0+）: 支持自動根據圖表配置項智能生成描述，使得盲人可以在朗讀設備的幫助下了解圖表內容，讓圖表可以被更多人群訪問！