python数据可视化实验报告的总结,数据可视化的基本流程总结

我们要的不是数据，而是数据告诉我们的事实。大多数人面临这样一个挑战：我们认识到数据可视化的必要性，但缺乏数据可视化方面的专业技能。部分原因可以归结于，数据可视化只是数据分析过程中的一个环节，数据分析师可能将精力花在获取数据、清洗整理数据、分析数据、建立模型，但在最终的展示沟通上力不从心。

这也是“写代码的干不过做PPT”的部分原因。实际上，只要掌握了可视化的技能，我们的工作就更容易受到leader的认可。

可视化工具包括但不限于，Tableau，Excel，PowerBI，Python，R

可视化之前：探索性分析与解释性分析

二者之间有很重要的区别：探索性分析指理解数据并找出值得分析或分享给他人的精华。这就好比，在牡蛎中寻找珍珠，可能打开一百个牡蛎(尝试很多种方法)才最终找到两颗珍珠。而解释性分析，我们迫切希望能够言之有物，讲好某个故事--专注于两颗珍珠。

大多数时候我们汇报工作就是要做好解释性分析的工作。

可视化过程

一个完整的数据可视化过程，主要包括以下4个步骤：

确定数据可视化的主题

提炼可视化主题的数据

根据数据关系确定图表

进行可视化布局及设计

图片来自：木东居士

可视化元素由3部分组成：可视化空间+标记+视觉通道

可视化空间

数据可视化的显示空间，通常是二维。三维物体的可视化，通过图形绘制技术，解决了在二维平面显示的问题，如3D环形图、3D地图等。

标记

标记，是数据属性到可视化几何图形元素的映射，用来代表数据属性的归类。

根据空间自由度的差别，标记可以分为点、线、面、体，分别具有零自由度、一维、二维、三维自由度。如我们常见的散点图、折线图、矩形树图、三维柱状图，分别采用了点、线、面、体这四种不同类型的标记。

视觉通道

数据属性的值到标记的视觉呈现参数的映射，叫做视觉通道，通常用于展示数据属性的定量信息。

常用的视觉通道包括：标记的位置、大小(长度、面积、体积。。。)、形状(三角形、圆、立方体。。。)、方向、颜色(色调、饱和度、亮度、透明度。。。)等。

确定图表

数据之间的相互关系，决定了可采用的图表类型。常见的数据关系和图表类型的对应关系如下图所示：

图片来自：木东居士

在以后的专栏中，我们将逐步分享上述图片中出现的各图形应用案例及注意事项。接下来，我们结合具体案例来讲述数据可视化的魅力

表格

使用表格时，需要记住的一点是：让设计融入背景，让数据占据核心地位。不要让厚重的边框和阴影与数据争夺受众的注意力。相反，要使用空格来区分表格中的元素。

左表，框线过多容易扰乱阅读者的注意力，反之，三线表简洁干练，通常是论文及出版物表格样式的首选。

热力图

热力图是用表格的形式可视化数据的一种方法，在显示数据的地方(数据之外)利用着色的单元格传递数据相对大小的信息。

热力图绘制(excel2010版)：选中数据--开始--样式--条件格式(你可以根据需要选择合适的条件格式)。

折线图

我们通常可以借助折现图理解趋势，比如，时间序列的每年降雨量(每日将与量之和)；在某些情况下，折线图中的线可能代表一个综合的统计数据，比如平均值或预测的点估计。如果你还想展示范围(或者置信区间)，可以直接在图上进行可视化。

左图是多指标折线图，右图在折线图中展示范围内的平均值。

绘制右图时：先绘制avg--max折线图，然后右键“更改图表类型”，选择“面积图”；

右键“选择数据”，添加min折线图；最后选中“min折现图”，右键“设置数据系列格式”，选择“纯色填充--白色”。

(文章来源：51cto)

举报/反馈