一图胜千言！这10种可视化技术你应该知道

相比于浩如烟海的数据表格，大部分人还是更喜欢视觉资料，这一点已不足为奇。也是出于这个原因，人们通常才会在学术论文的前几页加上一张图表，并且清楚地标记上各种注释。

当数据科学家应用可视化技术后，数据的分布情况以及分析的重点将清楚而直观地展现在他们眼前。这种感觉异常奇妙!

数据可视化技术主要有两大功能：

• 将分析结果更加清晰地展现出来。
• 将数据有效组织起来，利于提出新的猜想，或引导某一项目下一步的走向。

本文将会介绍到十种可视化技术。以后，无论你是想让大家认可理论，还是为了规划项目的下一步计划，这些可视化方法都能帮助你分析数据。

1. 直方图

首先来了解一下直方图。通过直方图，可以纵观某个数值变量所有可能的值，以及其出现的频率。直方图看似简单，实际上功能却很强大。有时，直方图也被称为频数分布图。

从视觉效果上来说，需要画一个频率图，把相关变量排布在X轴上，而Y轴显示的则是每个值出现的频率。

例如，假设某个公司为了使自己的智能恒温器更加畅销，于是采取了一种营销策略，即根据顾客邮政编码的不同来提供相应的折扣。这时，通过绘制与恒温器折扣相关的直方图，人们就能更好地了解各个值的范围，以及它们各自出现的频率。

恒温器折扣直方图(单位：美元)

从上图可以发现，恒温器的折扣大约有半数介于100到120美元之间。而折扣低于60美元或者高于140美元的邮编，都只存在一小部分。

资料来源：https://ibm.box.com/s/6fltz5ilap8pbwzu2tt1yxil6ldosc9d

2. 条形图与饼状图

上文所讲的直方图通常用于处理数值变量，而本段所涉及的条形图与饼状图则主要适用于类别变量。如果要分析变量分布，并且这些变量的值又比较固定，比如只存在低、正常、高，是、否，或者常规驱动、电驱动、混合驱动等有限选项，那么这个时候最适合的选择就是条形图或者饼状图。

那么到底是选条形图还是饼状图呢?其实这两种方法都值得一试，然后再看看哪个的视觉效果会更好一些。但是在可能选项比较少的情况下，饼状图还是更胜一筹。

如果数据类别过多的话，无论是条形图还是饼状图，可视化的效果都不会太好。在这种情况下，可以考虑只对前几项最大值进行可视化处理。

在下面这个例子中，病人的血压情况同时在条形图和饼状图中表示出来，并且分为了三个类别，分别是低、正常和高。

病人血压条形图与饼状图

资料来源：https://ibm.box.com/s/rxixq3fto3bkmr7xi5t55pcbj9sb4der

3. 散点图与折线图

或许最简单的图莫过于散点图，因为它将数据展现在一个二维的笛卡尔坐标系中。散点图尤其适用于研究两个变量之间的关系，因为它能将这种相互关系更加直观地展现出来，以便我们进行研究。折线图其实也是散点图的一种，只不过它用一根线将所有的点连接了起来。如果变量Y的值是连续的，则常使用折线图。

例如，假设你想要去调查房价与建筑面积之间的关系，那么下面这幅散点图就可以帮到你。在这幅散点图上，Y轴表示房价，X轴表示建筑面积。同时，你要注意观察它是如何表示变量之间的线性关系的。总体上看来，建筑面积越大，房价越高。

可以通过颜色和尺寸的改变来扩展散点图的维度。比如我们可以根据每个房子卧室的数量来对点进行上色，从而就可以获得一个三维图。

如果想把散点图扩展为三维图或者是四维图，一个较为简便的方法就是改变气泡的颜色和大小。例如，如果根据每栋房子里房间数量的多少，来对上一幅散点图中的每一个气泡进行涂色，那么将得到三维的效果。

资料来源：https://ibm.box.com/s/n5m00r4ltcrx1e720d8mzw3et2d0vizy

4. 时间序列图

时间序列图也类似于散点图，只不过X轴上标注的是时间范围。在时间序列图上，所有的点连接成一条线，以提醒我们时间是连续的。

如果想要更加直观地研究某一数据随时间的变化趋势，时间序列图就是绝佳选择。因此，时间序列图在分析财务数据和传感器数据上应用得尤为普遍。

比如在下面这幅时间序列图中，Y轴所表示的就是在2015到2017年间特斯拉股票每日的收盘价。

2015年至2017年特斯拉股票收盘价时间序列图

资料来源：https://ibm.box.com/s/5oni1oeko2jej9x4er4zcu4k7cehvqp2

5. 关系图

如果你的目的是提出一个全面的猜想，那么关系图就非常合适，因为它能直观地展现出数据之间的关系。

假设你是一名在一家医疗公司工作的科学家，正在进行一个数据科学项目，该项目旨在让医生开处方的决策过程更加便捷化。那么，如果现在有四种药A、C、X和Y，并且医生只能给每个病人开其中一种药。而此时，你有一个数据集，其中包含病人开药的历史数据，病人的性别、血压和血糖等数据。

那么，如何解读关系图呢?在关系图中，数据集里的每一类数据都用一种不同的颜色表示，并且每条线的粗细程度代表着数据之间的相关性，也叫做频次计数。通过下面这个例子，可以进一步了解一下关系图。

（编辑：厦门网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!