- 博客(13)
- 收藏
- 关注
RSS订阅原创 总结（相关类可视化图像）
图表类型最佳展示关系数核心特点优势劣势/注意点适用场景散点图2点位置 (X, Y)最直观，显示原始点、离群点、趋势点重叠严重时失效初步探索两个变量关系气泡图3点位置 (X, Y) + 点大小 (Z)在散点图基础上增加第三维信息大小感知不精确；需谨慎处理比例尺需同时展示三个连续变量关系相关图多对矩阵 (散点图/相关系数 + 分布图)全面展示所有数值变量间成对关系和单变量分布变量多时非常拥挤复杂中等数量变量集的全面关系探索热力图多对。
2025-06-09 11:02:15
1501
原创 总结（地理特征类可视化图像）
扩展提示：若需更高精度的地理分析，可结合 Pyproj（投影转换）、Shapely（几何操作）或 Folium（基于 Leaflet 的交互式地图）进一步优化可视化效果。相比传统热力图，六边形布局更均匀，避免数据重叠掩盖细节，适合展示连续型空间数据（如人口密度、POI 分布）。用气泡（圆形）的大小表示数值大小，位置对应地理坐标，颜色可表示分类变量。突出数据差异，削弱地理面积对视觉的干扰，适合展示区域间的数值对比。直观展示三维数据（经度、纬度、数值），适合对比离散点的量级差异。
2025-05-23 23:29:15
500
原创 实验七：数据可视化交互
一、实验概述本次实验围绕数据可视化交互展开，结合Python的pyecharts和plotly库，对全国空气质量指数（AQI）进行多维度的可视化分析。通过完成横向条形图、饼图、仪表盘、2D/3D地理可视化等任务，深入理解了数据可视化的设计原则、交互技术及实际应用场景。二、实验成果横向条形图（实验1）成功按AQI值降序排列城市数据，并通过颜色区分高于/低于均值的城市。添加均值线（80）和全局配置项，直观展示数据分布特征。AQI等级分布饼图（实验2）
2025-05-19 21:04:27
730
原创 实验六：文本数据可视化
本实验通过生成词云图与文献指纹，验证了文本数据可视化与哈希算法的有效性。相同输入必生成相同哈希，极小概率不同输入生成相同哈希（理论碰撞概率约1/2^128），适合作为文献的唯一标识。预处理目的是消除非内容相关的干扰因素（如格式差异），确保同一文本在不同场景下生成的指纹一致。对比测试：对《师说》的不同版本（如繁简转换、添加空格）进行哈希计算，验证仅当内容完全一致时指纹相同。选择哈希算法：采用SHA-256算法，生成256位（32字节）的哈希值。输入预处理后的文本：将标准化后的《师说》全文作为输入数据。
2025-05-12 10:11:50
1872
原创 总结（时间趋势类可视化图像）
*河流图：**堆叠面积图变体，中心对称，用不同颜色区域表示各分类数据，强调比例和趋势变化，视觉流畅，展示多类别数据随时间的演变关系。**烛形图：**通过蜡烛形状展示金融数据的开盘价、收盘价、最高价和最低价，颜色区分涨跌，能直观呈现价格波动及市场买卖力量对比。**结果：**通过蜡烛形状展示金融数据的开盘价、收盘价、最高价和最低价，颜色区分涨跌，能直观呈现价格波动及市场买卖力量对比。**地平线图：**独特的多层折叠设计，在紧凑空间展示趋势，虽视觉上不如图表元素丰富，但能有效展示数据的长期波动模式。
2025-05-10 21:33:48
842
原创 实验五：关系数据的可视化
本次实验主要围绕关系数据的可视化展开，通过Python编程实现了多种图表类型，包括联合分布图、动态散点图、矩阵图和热力图，探究了不同犯罪类型之间的相关关系。实验帮助我掌握了关系数据在大数据中的应用方法，以及如何使用Python进行数据可视化。联合分布图：使用seaborn的jointplot方法将散点图、密度分布图和直方图合为一体，展示了谋杀率与入室盗窃率之间的相关关系。通过Pearson相关系数分析，发现两者存在中等程度的正相关性（r≈0.48，p<0.001）。
2025-04-28 19:36:29
1641
原创 总结（分布类可视化图像）
图表类型 优势 局限性 适用数据量直方图 直观简单 依赖分箱参数 中小型数据KDE 平滑展示 带宽敏感 中大型数据箱线图 异常值检测 隐藏分布细节 任意规模小提琴图 信息丰富 计算成本较高 中大型数据ECDF 精确比较 不够直观 中小型数据。
2025-04-20 23:29:51
712
原创 实验四：绘制板块层级图
一、安装pandas、matplotlib、seaborn、squarify。们也可以通过板块层级图简单的呈现比例关系，不过它更擅于呈现树状结构的数。可视化：通过树形图直观展示部门结构，面积和颜色分别编码通道数和产品数。读取绘图所用的数据，并对数据进行处理将数据处理成我们可以使用的形式，每个区块代表一个部门，面积大小反映其包含的通道数。排序与映射：按通道数排序，并为产品数生成颜色映射。统计分析：计算每个部门的唯一产品和通道数量。标签直接显示部门名称、通道数和产品数。数据整合：合并产品、通道、部门数据。
2025-04-14 20:23:54
481
原创 总结（局部与整体类可视化图像）
*层级数据：**旭日图（Plotly）、圆堆积图（circlify）。**集合关系：**韦恩图（matplotlib_venn）。应用场景：进度展示、多层级构成（如内外环表示不同维度）。特点：多层环形结构，展示层级数据与比例，从中心向外辐射。**简单比例：**饼图/环形图（Matplotlib）。应用场景：市场份额、预算分配、分类占比（类别≤6种）。**交互需求：**旭日图（Plotly）或D3.js。特点：饼图变体，中心留白，可嵌套多层或强调部分数据。应用场景：文件目录大小、组织结构、电商分类层级。
2025-04-04 21:13:26
463
原创 实验三：时间数据的可视化
这里就讲述下离散型数据的堆叠柱形图，堆叠柱形图的几何形状和常规柱形图很相似，在柱形图中，数据值为并行排列，而在堆叠柱图则是一个个叠加起来的。本次实验结合本章讲述的堆叠柱形图的列子，这里我们要画的是极坐标系-堆叠柱状图，也是南丁格尔玫瑰图。由于半径和面积的关系是平方的关系，南丁格尔玫瑰图会将数据的比例大小夸大，尤其适合对比大小相近的数值；不管是延续性还是暂时性的时间数据，可视化的最终的目的就是从中发现趋势。时间型数据包含时间属性，不仅要表达数据随时间变化的规律，还需表达数据分布的时间规律。
2025-04-01 17:09:58
641
原创 实验一：Tableau数据可视化入门
仪表板的整合能力：实验中，我将多个独立图表（如产品利润条形图、销售气泡图、省份地图）整合到同一仪表板中，并通过调整布局和尺寸，最终形成了直观的“相关信息比较图”。这种多维度数据联动展示的能力，为后续的数据汇报和决策支持提供了重要参考。通过本次Tableau数据可视化入门实验，我掌握了Tableau Desktop的基本操作方法，并成功实现了从数据连接到图表生成的全流程操作。学习方向：计划进一步学习Tableau的高级功能，如计算字段、参数控制以及与Python/R的集成，以提升复杂场景下的分析能力。
2025-03-17 19:18:18
493
原创 排序与比较类可视化图像总结
多维数据展示：雷达图（<6维） > 平行坐标图（>6维）文本数据展示：词云图（快速感知） > 条形图（精确排序）精确数值比较：柱状图 > 子弹图 > 哑铃图。能力评估（如游戏角色属性）、产品特性对比。销售额对比、投票结果排名、品类销量排序。趋势差异分析：哑铃图 > 分组柱状图。支持多维度对比（分组/堆叠柱状图）仪表盘设计、年度报告中的多维度对比。政策实施前后对比、AB测试结果展示。支持多级性能区间（如差/中/优）多维数据在极坐标系中的多边形展示。横向条形结合参考线和目标标记。柱状图的环形变体，中心留空。
2025-03-17 11:40:56
549
原创 实验二：D3数据可视化基础
D3 总共提供了 12 个布 局： 饼状 图（ Pie）、 力导 向图 （ Force ）、弦图（Chord）、树状图（Tree）、集群图（Cluster）、捆图（Bundle）、打包图（Pack）、直方图（Histogram）、分区图（Partition）、堆栈图（Stack）、矩阵树图（Treemap）、层级图（Hierarchy）。D3 的全称是（Data-Driven Documents），是一个被数据驱动的文档，其实就是一个 JavaScript 的函数库，使用它主要是用来做数据可视化的。
2025-03-17 10:15:27
659
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人