搜索
查看: 2188|回复: 0

大数据魔镜攻城狮的数据可视化分享

[复制链接]

218

主题

4

回帖

5051

积分

论坛元老

积分
5051
发表于 2015-7-13 15:10:21 | 显示全部楼层 |阅读模式
想要对数据进行可视化分析,但却找不到自己想要的图表样式,也得不到我们想要的可视化效果,大家也和我一样困惑吗?我们的攻城狮针对数据可视化刚写了一篇文章,我看了后觉得很不错,特地来分享给大家。
  时光飞逝,岁月如梭,作为一名摸爬滚打的苦逼攻城狮,今天终于抬起头给大家分享分享常见的数据可视化图表类型。关于数据可视化,大家是不是也曾有过很多困惑,走过很多弯路,我总结了一些常见的数据可视化图表类型,希望能够帮助到大家。
  数据可视化的目的是为了更好的展现数据,让用户可以更直观地读取数据,或者突出展现数据的某种联系和特质。因此在进行数据可视化策略设计的时候,我们需要根据数据可视化图表的意义选择最贴切的数据可视化图表样式。
我就拿大数据魔镜为例子吧。
从直观的绘图元素上来看,大数据魔镜有环形图、饼状图、柱状图、条形图、折线图、曲线图、区域图、散点图、气泡图、地图、树图等多种可视化效果。
    而从数据表达意义上来看,我们也需要对不同视觉元素所偏向表达的意义有一定的理解。例如,饼状图多用来表达比例,连续的折线、曲线、区域图通常用来表现趋势,柱状图、条形图通常用来表现数据间的直接对比,散点图通常用来表现大量数据的分布,气泡图通常用来表现聚类分布,地图则表现了地理信息数据,树图通常用来表示层次,等等。
还有一种图,是与业务相关的特殊的数据可视化图形。比如漏斗图多用在销售领域用来表现转化率、甘特图用来在项目管理领域表现项目周期与进度展示等。

QQ图片20150713110440.jpg                              
(图一:垂直漏斗图)
大数据魔镜中的效果比较多,我可以自由的选择,总有一款可以满意。
下面我分享下如何用大数据魔镜制作可视化图表。
    首先,制作数据可视化图表,需要明确一个基本的概念,什么是度量?什么是维度?通俗的讲,X轴就是维度,比如:姓名、商品分类、省份等名称;Y轴就是度量,比如:人的身高、不同商品的价格、面积、地区的人口等这些数字,注意是“数字”。即使是没有数轴的图表也可以用此模型套用,例如,地图:每个地区就是X轴,地区的人口数或者GDP就是Y轴等。

QQ图片20150713110509.png                            
(图二:数据可视化分析台)
    在大数据魔镜数据可视化分析台中,有X轴、Y轴、筛选器、限制条数等。我今天分享的是如何选择正确的可视化图表,因此只要会用X轴和Y轴就可以了。
以一个简单的业务场景为例——地区销售分布图。大家都知道,各地区的销售情况有一个很重要的观察角度,那就是比例与对比。拖入数据以后,我选择饼状图或类似图表,可以很容易的得知各个地区相对整体的销售比例。    同样的场景,由于是地区销售数据,因此还可以选择采用地图来展示数据。地图的优点是更加直观,更有全局感,这也是人类最经典的数据可视化方式之一。还是同样的场景,如果需要进行地域之间的对比,可以采用柱状图或者条形图等。

QQ图片20150713110519.png                            
(图三:地图)
   业务场景二——不同时间的运输成本。其实不论是时间,还是序号,表现连续趋势用折线图、曲线图和区域图是最合适不过的了。这种连续的线条可以让你很容易发现走势,这也是比较基本的图表。

QQ图片20150713110529.png                            
(图四:区域图)
最后介绍一个不太常规的图表—树图。树图的生成很简单,多个看似没有关联的维度加上一个度量即可组成一个树图。树图主要用来刻画层次性的数据,这种不太常规的可视化图形在分析较为复杂的问题时可以得到奇效。

QQ图片20150713110538.png                         
(图五:矩形式树状结构图)
今天介绍的仅仅是一些简单的可视化图形,以大数据魔镜作为实现手段。大家不需要了解很多技能,只需要简单的拖拽就可以创造出很好的可视化作品,放到PPT里,相信既漂亮又有内涵的图表,老板也会眼前一亮吧。
攻城狮继续码代码去了,期待下一次的相约。
原文来自大数据魔镜攻城狮


您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

 
 
大数据行业交流
大数据行业交流
大数据求职招聘
大数据求职招聘
站长电话:
15010106923
微信联系:
hb-0310
站长邮箱:
ab12-120@163.com
大数据中国微信

QQ   

版权所有: Discuz! © 2001-2013 大数据.

GMT+8, 2024-4-29 09:56 , Processed in 0.073121 second(s), 31 queries .

快速回复 返回顶部 返回列表