数据可视化期末考试复习

可视化交互主要分为5类：平移+缩放技术、动态过滤技术、概览+细节技术、焦点+上下文技术和多视图关联协调技术。鱼眼视图属于焦点+上下文技术可视化交互方法。多尺度导航属于平移+缩放技术可视化交互方法；urllib.request请求模块；urllib.parse是url解析模块；urllib.error异常处理模块；urllib.robotparser是robots.txt解析模块；urllib.request.urlopen向网站发起请求并获取响应；文本内容可视化：关键词可视化（标签云、文档散）、时序数据可视化（主题河流、文本流、故事流）、文本分布可视化（文本弧、文献指纹（Literature Fingerprinting））文本关系可视化：基于图的文本关系可视化（词语树、短语网络）、文档间关系可视化（星系视图、文档集抽样投影）、主题地貌（Theme map）等文本内容关系可视化经常采用的是基于图的方式进行可视化， 如词语树（word tree）、网络短语（phrase nets）、矩阵树图（NewsMap）等。文本多特征信息可视化方法有：平行标签云（Parallel Tag Clouds）、FaceAtlas等；在医学可视化领域上要包含三方面的研究热点:图像分割技术、实时渲染技术和多重数据集合技术。反映内结构：饼图、堆积图。反映时间变化的：柱状图、折线图。 反映排名顺序：条形图。反映相关关系：散点图。反映多个指标：雷达图。连续型数据（折现图，阶梯图，拟合曲线） 离散型数据（散点图，柱形图，堆叠柱形图）数据可视化核心流程包括数据采集、数据处理和变换、可视化映射和用户感知四大步骤。数据可视化分类：科学可视化，信息可视化，可视分析学。色彩三要素：色相、纯度、明度。数据可视化的主要作用包括 数据记录和表达、 数据操作、 数据分析三个方面。数据可视化是为了在数据中寻找三个方面信息：模式，关系和异常。对文本的理解需求一般分为词汇级、 语法级和 语义级。列举出6种数据可视化的基本图表，并举例说明其使用场合。数据轨迹：直观地呈现数据分布、离群值、均值的偏移、柱状图：利用柱子的高度反映数据的差异、折线图：适用于趋势比单个数据点更重要的场合、直方图：呈现数据的分布、离群值和数据分布的状态、饼图：呈现各分量在整整体中的比例、等值线图：表示数据的连续分布和变化规律、走势图：使用高度密集的折线图表达方式来展示数据随某一变量的变化趋势、散点图：适用于三维数据集。举例说明数据可视化带来的好处？数据可视化让数据分析更加便捷。实现数据的可视化，无非就是让人们在对数据进行处理的过程中，更加方便、快捷与精准。这样的数据分析不仅能更加贴近了人们的生活，还能满足人们的实际生活需要。使知识获取更加方便。现代背景下的数据收集，具有良好的精准性，采用新的软件技术及手段，不仅让人们更加容易的获得庞大的数据库，还能挖掘其隐藏的数据目标。在生活中，常遇到的数据一般都是具有标识系统的，这种标识系统不仅仅是方向性的，还有文字性的。如街头上的指路标志，不仅让你更加直观的获取信息，还能为了解决实际的需要。数据可视化广泛应用于科研领域、网络领域和商业领域。如新冠疫情下全国新型肺炎疫情的实时动态。数据可视化基本原则1 数据筛选。2.数据到可视化的直观映射3.视图选择与交互设4.美学因素5.可视化的隐喻6.颜色与透明度请回答不确定数据的可视化方法有哪些？（1）图标法。图标法比较常见的方法有误差条，盒须图以及流场雷达图。（2）几何体表示法。利用代表性的几何物体可提供更加丰富的视觉表达。（3）视觉元素编码法。以视觉元素作为不确定性编码的基本载体是众多不确定性可视化方法的基本思想。（4）动画表达法。什么是数据可视化：把信息映射成视觉效果的过程。数据可视化的目的：是对数据进行可视化处理，以使得能够明确地、有效地传递信息。数据可视化在大数据分析中的作用体现在：动作更快，以建设性方式提供决策建议，理解数据之间的联系。数据可视化的发展历史：远古时期-1600年：图表萌芽、1600-1699年：物理测量、1700-1799年：图形符号、1800-1900年：数据图形、1900-1945年：现代启蒙、1950-1974年：多维信息的可视编码、1975-1987年：多维统计图形、1987-2004：多交互可视化、2001年至今：可视分析学。数据可视化面临的挑战 ：数据规模大、数据质量问题、数据快速动态变化、分析能力不足、多来源数据的类型和结构各异。数据可视化发展方向：可视化技术与数据挖掘有着紧密的联系；可视化技术与人机交互有着紧密的联系 ；可视化与大规模、高纬度、非结构化数据有着紧密的联系。格式塔（Gestalt）原则：整体的统一感知、接近原则、相似原则、闭合原则、连续原则。视觉编码(visual encoding)的定义一句话概括为：描述数据与可视化结果的映射关系。我们把可视化看成一组图形符号的组合，这些图形符号中携带了被编码的信息。 而当人们从这些符号中读取相应的信息时，就称之为解码。可视化编码由标记（图形元素）和视觉通道两部分组成。视觉通道的类型：定性或分类的视觉通道：适合用于编码分类的数据信息，如形状、颜色的色 调、空间位置。定量或定序的视觉通道：适合用于编码有序的或者连续型的数据信息，如直线的长度、区域面积、空间的体积、斜度、角度、颜色的饱和度和亮度等。分组的视觉通道：分组是对多个或多种标记的组合来进行描述的。分组通道包括接近性、相似性和包括性。分组通道适合将存在相互联系的分类的数据进行分组，以此来表现数据内在的关联性。视觉通道的表现力和有效性：精确性，人们视觉感知后的判断结果是否和原始数据相一致。 可辨性，视觉通道有不同的取值范围，如何取值能使人们易于区分该视觉通道的两种或多种取值状态。可分离性，不同视觉通道的编码对象放置到一起，是否容易分辨。视觉突出，对重要的信息，是否用更加突出的视觉通道进行编码。大数据应用开发流程：数据采集数据预处理，大数据存储和管理，大数据分析数据挖掘，可视化展示。设计数据可视化时，我们应遵守以下可视化设计标准：1.要有很强的表达力，能真实全面地反映数据的内容。2.有效性强，一个有效的可视化是可以在短时间内把数据信息以用户容易理解的方式显示出来。3.能简洁地传达信息，这样能在有限的画面里表达更多的数据，而且不容易让用户产生误解。4.易用，用户交互的方式应该简单，明了。用户操作起来更方便。 5.有美感，视觉上的美感可以让用户更易于理解可视化要表达的内容，提高可视化的效率视图的交互包括：视图的滚动与缩放，颜色映射的控制，数据映射方式的控制，数据缩放工具，细节控制美学因素：简单原则，平衡原则，聚焦原则数据可视化的设计框架分四层：现实问题层，抽象层，编码层，交互算法层。数据可视化的步骤：确定数据到标记和视觉通道的映射，确定要呈现的是什么数据；试图的选择与用户交互控制的设计，建立数据指标，从总体到局部逐步展示数据结果；数据的有效筛选，可视化的结果需要保持合理的信息密度。高维多元数据分析的困难(1)对于高维多元的复杂数据，以基本分析和统计为主的可视化系统能力已经远远不够。(2)数据复杂度大大增加，包括非结构化数据和从多个数据源采集、整合而成的异构数据，传统单一的可视化方法无法支持对此类复杂数据的分析。(3)数据的大尺度以及超越了单机、外存模型甚至小型计算集群处理能力的极限，可处理的数据尺度大约在GB级别，需要采用全新思路来解决大尺度的调整。(4)数据获取和处理中，不可避免会产生数据质量的问题，其中特别需要关注的是数据的不确定性。(5)数据快速动态变化，常以流式数据形式存在，对流式数据的实时分析与可视化仍然是一个急需解决的问题。(6)传统单一的可视化方法无法支持对非结构化数据和异构数据等诸如此类复杂数据的分析。(7)数据采集和解析的过程中不可避免会产生数据质量以及不确定等问题