数据可视化
2018-06-03 11:55:18 137 举报
AI智能生成
数据可视化 科学可视化(Scientific Visualization)、 信息可视化(Information Visualization)和可视分析学(Visual Analytics)三个学科方向通常被看成可视化的三个主要分支。而将这三个分支整合在一起形成的新学科 “数据可视化”,这是可视化研究领域的新起点。
作者其他创作
大纲/内容
What
主要的分支
科学可视化
应用
主要在三维可视化,物体的逼真渲染
目的
以图形的方式说明科学数据,使科学家能都从数据中了解/说明/收集规律
信息可视化
应用
柱状图,趋势图,流程图,树状图
目的
研究抽象数据类型的交互式视觉表示以加强人类的认知
可视分析学
应用
过交互式视觉界面进行分析推理
目的
将交互式视觉表示与基础分析过程(统计过程、数据挖掘技术)结合,能有效执行高级别、复杂的活动(推理、决策)
Why
人类利用视觉获取的信息量,远远超出其他器官
人类对图像梳理的速度比文本快6万倍
可视化可以帮助我们处理更加复杂的信息并增强记忆
How
实现流程
数据空间到图形空间的映射
可视化技术栈
基础数学:三角函数、线性代数、几何算法
图形相关:canvas、svg、webgl、计算图形学、图论
工程算法:基础算法、统计算法、常用的布局算法
数据分析:数据清洗、统计学、数据建模
设计美学:设计原则、美学评判、颜色、交互、认知
可视化基础:可视化编码、可视分析、图形交互
可视化解决方案:图表的正确使用、常见的业务的可视化场景
常用的数据可视化工具
值得推荐的 37 款数据可视化工具
类型
关系数据可视化
作用:主要表现为节点和边的关系,比如流程图、网络图、UML 图、力导图等
类库:mxGraph、JointJS、GoJS、G6
统计数据可视化
作用:用于对统计数据进行展示、分析。统计数据一般都是以数据库表的形式提供
类库:HighCharts、ECharts、G2、Chart.js
地理空间数据可视化
作用:地理空间通常特指真实的人类生活空间,地理空间数据描述了一个对象在空间中的位置
类库: Leaflet、Turf、Polymaps
常用库
D3
优势
强大的 SVG 操作能力,可以非常容易的将数据映射为 SVG 属性
集成了大量数据处理、布局算法和计算图形的工具方法
强大的社区和丰富的 demo
劣势
API 太底层,复用性低,学习与使用成本高
HighCharts
优势
使用门槛极低,兼容性好
使用广泛,非常成熟
劣势
样式比较陈旧、图表难以扩展
商业上使用需要购买版权
ECharts
优势
丰富的图表类型,覆盖主流常规的统计图表
配置项驱动,三级个性化图表样式管理
移动端优化,交互和布局适配,按需打包
深度的交互式数据探索
地理特效(百度迁徙,百度人气,公交轨迹等效果)
劣势
灵活性上不如 Vega 等基于图形语法的类库
复杂关系型图表比较难定制
Leaflet
优势
专门针对地图应用
mobile 兼容性良好
插件机制
劣势
功能比较简单,需要具备二次开发能力
Vega
优势
完全基于 JSON 语法,提供从数据到图形的映射规则
支持常见的交互语法
劣势
复杂的语法设计,使用和学习成本很高
deck.gl
优势
主要以 3D 地图可视化为主,内置了地理信息可视化常见的场景
支持大规模数据的可视化
劣势
需要具备 WebGL 的知识,层的扩展比较复杂
antV
模块
底层绘图引擎 G
可视化语法类库 G2
与 ECharts 等图表库相比,G2 最大的优势是灵活的图形语法能力,可以让用户自由定制出各种各样的图表
关系可视化类库 G6
移动端图表类库 F2
可视化设计指引与使用规范
优势
简单、易用
完备的可视化编码
强大的扩展能力
劣势
语法需要一定学习成本
基于 Web 的可视化技术
SVG:可缩放矢量图形(Scalable Vector Graphics),是基于可扩展标记语言(标准通用标记语言的子集)用于描述二维矢量图形的一种图形格式
Canvas 2D:Canvas 通过 JavaScript 来绘制 2D 图形,通过逐像素来进行渲染
Canvas 3D WebGL:WebGL(Web Graphic Library)是一个 JavaScript API,用于在任何兼容的 Web 浏览器中渲染 3D 图形。WebGL 程序由用 JavaScript 编写的控制代码和用 OpenGL 着色语言(GLSL)编写的着色器代码构成,这种语言类似于 C 或 C++,可在 GPU 上执行
0 条评论
下一页