关键词

10大数据可视化技术!

我们人类倾向于更多地被视觉效果所吸引,而不是枯燥的文字内容。您可能也遇到过这种情况,通过图表、图形等视觉效果展示出来的内容更容易理解。

正因如此,数据可视化便出场了。

数据可视化有什么作用?

数据可视化提供了一种快速、高效的方式,通过使用更广泛的视觉效果的方式来传达信息。它几乎可应用于所有行业,可以提高企业的销售额,并针对潜在客户的新市场和人口统计数据。

数据可视化的用途有以下:

  • 主要用途是数据挖掘过程的预处理部分。
  • 这是一种分析具有可呈现结果的数据的有影响力的方法。
  • 作为数据缩减过程的一部分,它在混合扇区中发挥作用。
  • 它通过定位不准确和缺失的值来帮助数据清理过程。

简而言之,我们可以说数据可视化以一种通用且有效的方式通过视觉效果清晰地展示了原始信息的含义。您可以使用不同类型的技术来可视化将在博客中讨论的数据。

有哪些数据可视化技术?

箱线图

箱线图或箱线图通过其四分位数给出信息的视觉轮廓。

  • 首先,从数据集的主要四分位数到第三个四分位数绘制一个框。框内的一条线表示中位数。
  • 然后绘制“胡须”或线条,从盒子延伸到底部(下端)和最大(上端)。
  • 离群值由与胡须一致的个别焦点解决。
  • 这种轮廓有助于快速区分信息是平衡的还是倾斜的,就像提供可以有效破译的数据集的视觉概要一样。

用简单的语言,我们可以理解箱线图表示一组数据的五个数字汇总,包括最小分数、下四分位数、中位数、上四分位数和最大分数。

直方图

直方图是使用不同高度的条形图的信息图形表示,在直方图中,每个条形图将数字分组到一个范围内。

  • 更高的条形表示更多数据落在该范围内。
  • 直方图显示连续样本数据的形状和分布。
  • 该图允许您查找并显示一组连续数据的基本频率分布(形状)。
  • 这允许评估数据的基本分布、偏度、异常值等。
  • 它是数学数据分布的精确写照,它只涉及一个变量。
  • 合并箱子将整个值范围划分为一系列间隔的值范围,然后检查落入每个间隔的值的数量。
  • 箱子是连续的、非覆盖的变量区间。由于相邻的箱子没有留下间隙,直方图的矩形形状相互接触以证明第一个值是连续的。

热图

热图具有非常不同的表示数据的概念。它是数据的图形描述,使用不同的颜色来表示不同的值。这种颜色表现上的差异使得观看者可以更容易地更快地了解趋势。

它有两个主要目的:

  1. 用于可视化相关表。
  2. 用于可视化数据中的缺失值。

在这两种情况下,信息都是在二维表中传达的。

例如,如果您需要剖析一家商店一天中哪个时间的交易最多,在这种情况下,您可以使用热图,在垂直轴上指示星期几,在水平轴上指示一天中的时间。

之后,通过用与一天中每个时间的交易数量相关的颜色在矩阵中添加阴影,您可以指定数据中的趋势,从而使您能够确定您的商店经历最多交易的具体时间。

图表

条形图

它是数据可视化的简单技术之一。这些类型的图表用于比较不同类别的数量。

因此,一个类别的值是在条的帮助下处理的,它们可以设计为垂直或扁平的条,每个条的长度或高度表示该值。

如果你想随着时间的推移检查数据,或者数据是在不同行业、各种食品等多个部门收集的,条形图是具有某些特征或某种彻底想法的最佳选择。

折线图

它用于绘制一个变量对另一个变量的依赖关系,例如,如果您想显示很长时间内的数据或不断变化的数据,折线图可能是一个值得考虑的可靠选择。

要绘制两个变量之间的联系,我们基本上可以调用 plot 函数。折线图最常用于指示趋势和评估数据随时间的变化情况。

饼状图

饼图是数据可视化的最基本和众所周知的技术之一。它非常简单易懂。它是一个圆形统计图,假设碎片以阐明数值比率。因此,这里每块的弧度大小等于它指示的数量。

例如,一家公司见证了 150% 的增长,他们发现其中 60% 的增长归因于营销,40% 归因于销售,30% 归因于产品,20% 归因于技术采用。

散点图

它是一个二维图,表示两个数据元素的联合变化,使得

每个标记像一个点,加号表示观察。
标记位置暗示每个观察值。

简单地说,它是一种数学图示,通过使用笛卡尔坐标来显示一组数据的通常两个变量的值。

气泡图

气泡图是散点图的变体,其中数据点被替换为气泡。此外,额外比例的数据以气泡的大小表示。您可以使用此图表来分析模式或相关性。

气泡图中的每个点都适应单个数据点。每个点的变量值由水平位置、垂直位置和点大小暗示。

树状图

此方法以嵌套格式指示层次数据。

  • 在 Treemap 中,用于每个类别的矩形大小与其占整体的百分比成正比。
  • 叶轮毂矩形具有对应于数据的预定元素的区域。
  • 根据决定,叶集线器的颜色、大小或两者都根据选择的学分进行着色。
  • 他们利用空间,因此一直在屏幕上显示很多东西。

非结构化数据的词云和网络图

大数据的分类带来了困难,因为半结构化和非结构化信息需要新的可视化技术。

词云视觉解决了文本集合中单词在云中的一般大小的频率。这种技术用于非结构化数据,作为一种显示高或低重复词的方法。

另一种可用于半结构化或非结构化信息的可视化技术是网络图。

  • 网络图将连接定位为节点和纽带。
  • 它们用于许多应用程序,例如,用于调查社交网络或映射跨地理区域的项目交易。

楔形堆栈图

楔形堆栈图是数据可视化技术之一,它显示径向系统中的分层数据。

  • 这些图可用于说明多级频率数据。
  • 如果您请求带有楔形的堆叠图,则图形类型将转换为堆叠的墙。
  • 对象大小和侧面指示器的数量不影响楔形图类型。

相关矩阵

相关矩阵通过加入大量信息和快速反应时间,可以快速识别变量之间联系的证据。

  • 本质上,相关矩阵是显示变量之间相关系数的表格。
  • 表中的每个单元格说明了两个变量之间的联系。
  • 相关矩阵用作总结数据的方法,作为对进一步发展调查的贡献,以及作为前沿分析的示范。
  • 通常,我们在成对排除缺失值时使用相关矩阵作为探索性因素分析、验证性因素分析、结构方程模型和线性回归的输入。

流图

流图是各种堆积面积图。流图不是根据惯用的 y 轴绘制值,而是平衡每个“堆栈”的基线,使其均匀围绕 x 轴。

  • 流图非常适合显示大量数据集,以在广泛的分类范围内长期查找模式和趋势。
  • 例如,溪流形状中的季节性高峰和低谷可以提出一个间歇性的例子。
  • 流图同样可用于描述在特定时间范围内大量资源收集的不稳定性。

系统树图

系统树图显示对象之间的层次连接。系统树图的主要用途是找出将对象分配给集群的最佳路径。

存在两种类型的树状图,这会产生两种类型的数据集:

  1. 分层数据集明确给出了节点之间的链接。
  2. 聚类算法的结果可以可视化为树状图。

本文链接:http://task.lmcjl.com/news/12948.html

展开阅读全文