一、数据可视化
根据目标的不同，数据可视化可以分为探索性分析和解释性分析：
- 探索性分析：探索、理解数据，并找出事先不确定、但值得关注或分享的信息；
- 解释性分析：向受众解释确定的问题，并有针对的进行交流和展示。
二、为什么用数据可视化
1、大数据的4V特征
- Volume：数据量大
- Veolcity:速度要求快
- Variety:数据类型多
- Value:价值密度低，商业价值高
2、大数据的挑战
- 数据！=有价值的信息
- 目标根据数据获得知识
- 所以需要对数据以某种方式进行整理、分析和展示
三、数据可视化呈现了哪些特征
- 高维
- 交互
- 动态
四、数据类型
- 结构数据：也可以称之为表格数据,由观测和特征构成
- 非结构数据：
- 树状数据：由节点和特征构成
- 网络数据：由节点、边、特征构成
- 文本数据：由词、观测构成
- 时间数据：由时间戳、观测构成
- 空间数据：地理位置、网格、观测构成
- ......
五、数据尺度
1、定性数据
- 定类：“大学”={北京大学，清华大学，中国人民大学}
- 定序：“收入水平”= {低，中，高}
2、定量数据
- 定距：“摄氏温度”={36.5,37,40,45,80}
- 定比：“身高”=170,169,180，188,190
定距与定比的区别在于，定距并没有绝对0值（即没雾绝对意义），而定比有绝对0值，可加减也可乘除。
六、数据可视化工具小结
六、数据可视化元素---视觉编码（Visual Encode）
1、Bertin视觉变量包括：
- 位置（Position）：水平、垂直、坐标轴、趋势、离群、群集；
- 大小（Size）：使用长度/高度(一维)、面积(二维)、体积(三维)的大小来表示数值的大小；
- 形状（Shape）：线型(如直线、虚线)、符号(如三角形、正方形)、Icon小图标(如房屋、飞机)；
- 数值（Value）：如一个房屋Icon小图标代表述职5，那么两个则代表10；
- 色相（Hue）：色彩的基本属性，即红橙黄绿青蓝紫
- 方向（Orientation）：空间中的向量的斜度
- 纹理（Texure）
2、注释（是一种非图形视觉编码）包括：
- 标题：对图表的概述
- 图例：对图表元素的注释
- 离散型数据图例
- 连续性数据图例
- 坐标轴
- x轴
- y轴
- 标签：快速关注需要关注的内容（比如标出拐点）
3、字体（是一种非图形视觉编码）
4、对视觉编码进行小结
5大图形编码（位置、大小、形状、方向、坐标系），4大非图形编码（注释、字体、颜色、纹理）
