<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Az_Wu的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Az_Wu</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Az_Wu]]></copyright><item><title><![CDATA[相关类可视化图像总结]]></title><link>https://blog.youkuaiyun.com/Az_Wu/article/details/148529234</link><guid>https://blog.youkuaiyun.com/Az_Wu/article/details/148529234</guid><author>Az_Wu</author><pubDate>Mon, 09 Jun 2025 12:30:03 +0800</pubDate><description><![CDATA[1. 散点图2. 气泡图3. 热力图4. 二维密度图各图表优劣势对比表在数据分析与可视化领域，理解变量间的相关性是揭示数据内在规律的关键。而相关类可视化图像则可以通过直观的图形语言，将数据关系转化为可感知的视觉模式，快速捕捉变量关联、分布特征及潜在趋势。无论是探索性数据分析、多维度信息展示，还是复杂数据分布建模，这些工具均能在不同场景中发挥独特作用，成为数据洞察的重要助力。本文所有的数据均来自kaggle的数据集。]]></description><category></category></item><item><title><![CDATA[数据可视化实验：数据可视化交互]]></title><link>https://blog.youkuaiyun.com/Az_Wu/article/details/148069939</link><guid>https://blog.youkuaiyun.com/Az_Wu/article/details/148069939</guid><author>Az_Wu</author><pubDate>Tue, 20 May 2025 11:56:45 +0800</pubDate><description><![CDATA[本次实验围绕数据可视化交互展开，基于Python的Pyecharts库对全国城市空气质量数据进行多维度可视化分析。通过完成横向条形图对比AQI值、饼图展示等级分布、多选项卡仪表盘综合分析、2D及3D地理可视化等任务，实践了数据可视化的准确性、简洁性等核心原则，实现了从数据清洗、图表绘制到交互功能设计的完整流程，直观呈现了不同城市及区域的空气质量特征。实验过程中，既掌握了Pyecharts库的各类图表使用技巧（如通过颜色区分数据状态、添加标记线和点击事件），也体会到数据处理的严谨性对可视化效果的关键作用。]]></description><category></category></item><item><title><![CDATA[地理特征类可视化图表总结]]></title><link>https://blog.youkuaiyun.com/Az_Wu/article/details/148070844</link><guid>https://blog.youkuaiyun.com/Az_Wu/article/details/148070844</guid><author>Az_Wu</author><pubDate>Mon, 19 May 2025 20:43:37 +0800</pubDate><description><![CDATA[地理特征可视化作为连接空间数据与人类认知的桥梁，通过多元化的图表形态将抽象的地理信息转化为直观的视觉语言。在当今大数据时代，这类可视化工具不仅能够整合地形、气候、人口等多维数据，更能通过空间分布规律揭示地理要素的内在联系。例如，蜂窝热力地图通过六边形网格量化区域密度，有效解决数据重叠问题；变形地图以面积变形直观呈现经济权重；关联地图用动态线条刻画物流网络，而气泡地图则以大小与色彩的双重编码实现多维指标同步表达。这些图表共同构建了从宏观格局到微观机理的地理认知体系，为城市规划、环境监测等场景提供决策支撑。]]></description><category></category></item><item><title><![CDATA[数据可视化实验：文本数据可视化]]></title><link>https://blog.youkuaiyun.com/Az_Wu/article/details/147905095</link><guid>https://blog.youkuaiyun.com/Az_Wu/article/details/147905095</guid><author>Az_Wu</author><pubDate>Tue, 13 May 2025 18:32:04 +0800</pubDate><description><![CDATA[本次重点探索了词云生成与文献指纹构造两种技术方法。通过处理中文歌词和古文文本，结合Python中的分词工具jieba、词云库WordCloud以及哈希算法库hashlib，实验实现了从文本信息提取到可视化呈现的全流程。在词云生成部分，实验以《千千阙歌》歌词为数据源，首先使用jieba进行精确分词，解决了中文文本因无空格分隔导致的词云生成难题。通过配置WordCloud参数，生成了直观展示歌词高频词汇的可视化词云图。在文献指纹构造部分，实验选取韩愈的《师说》作为分析对象。]]></description><category></category></item><item><title><![CDATA[时间趋势类可视化图像总结]]></title><link>https://blog.youkuaiyun.com/Az_Wu/article/details/147729091</link><guid>https://blog.youkuaiyun.com/Az_Wu/article/details/147729091</guid><author>Az_Wu</author><pubDate>Tue, 06 May 2025 11:55:38 +0800</pubDate><description><![CDATA[时间序列数据是观察事物动态演变的核心载体，无论是追踪股价波动、分析企业盈利趋势，还是洞察气候变化规律，都需要借助可视化工具揭示其内在模式——​​趋势性、季节性与周期性​​。从基础的折线图到多维度的螺旋图，从量化增减的瀑布图到捕捉市场情绪的烛形图，每种图表都以独特视角解码时间密码。]]></description><category></category></item><item><title><![CDATA[数据可视化实验：关系数据可视化]]></title><link>https://blog.youkuaiyun.com/Az_Wu/article/details/147573737</link><guid>https://blog.youkuaiyun.com/Az_Wu/article/details/147573737</guid><author>Az_Wu</author><pubDate>Mon, 28 Apr 2025 20:37:58 +0800</pubDate><description><![CDATA[本次以美国2005年各州犯罪率数据为基础，通过Python的seaborn、matplotlib和pyecharts库，探索了关系数据可视化的方法与应用。实验中，通过散点图、矩阵图、密度分布图等可视化手段，直观揭示了不同犯罪类型之间的关联性。散点图显示谋杀率与入室盗窃率存在一定正相关，而矩阵图展现了暴力犯罪与财产犯罪之间的潜在联系。同时，动态散点图的交互设计和横向条形图的对比分析，帮助快速识别高犯罪率区域，为数据解读提供了多维度视角。在技术实现中，实验重点解决了数据清洗与图表适配的问题。]]></description><category></category></item><item><title><![CDATA[分布类可视化图像总结]]></title><link>https://blog.youkuaiyun.com/Az_Wu/article/details/147244957</link><guid>https://blog.youkuaiyun.com/Az_Wu/article/details/147244957</guid><author>Az_Wu</author><pubDate>Tue, 15 Apr 2025 11:55:34 +0800</pubDate><description><![CDATA[数据分布是统计分析的基础，而可视化则是揭示数据特征最直观的方式。直方图、密度图、箱线图和小提琴图等分布类可视化图像，能够帮助我们深入理解数据的集中趋势、离散程度和分布形状。这些图表各有特点，适用于不同的分析场景。]]></description><category></category></item><item><title><![CDATA[数据可视化实验：比例数据可视化（板块层级图）]]></title><link>https://blog.youkuaiyun.com/Az_Wu/article/details/147231195</link><guid>https://blog.youkuaiyun.com/Az_Wu/article/details/147231195</guid><author>Az_Wu</author><pubDate>Mon, 14 Apr 2025 20:37:03 +0800</pubDate><description><![CDATA[本次实验围绕数据可视化中的比例数据展示展开，重点学习了如何通过板块层级图直观呈现树状结构数据的分布关系。实验以Python为工具，结合pandas、matplotlib和squarify等库，从数据读取、处理到可视化逐步实现。通过merge函数对数据进行整合匹配，利用归一化方法将商品数量映射为颜色深浅，并以通道数量决定矩形面积大小，最终通过squarify库绘制出层次分明的板块层级图。]]></description><category></category></item><item><title><![CDATA[局部与整体类可视化图像总结]]></title><link>https://blog.youkuaiyun.com/Az_Wu/article/details/146956722</link><guid>https://blog.youkuaiyun.com/Az_Wu/article/details/146956722</guid><author>Az_Wu</author><pubDate>Wed, 02 Apr 2025 18:26:55 +0800</pubDate><description><![CDATA[韦恩图：突出集合间的关系，适合交集分析。饼图与环形图：强调分类数据的比例，适合简单或多层比例展示。旭日图与圆堆积图：擅长呈现层次结构数据，适合复杂数据集。根据数据的特性和展示目标选择合适的图表，能更有效地传递信息。总结对比表图表类型适用场景优势劣势韦恩图集合间逻辑关系（交集/并集）直观展示交集，逻辑清晰集合过多时可读性差，无定量数据饼图整体与部分比例（少量类别）简单直观，强调占比类别过多时混乱，无法展示趋势环形图多组分布对比空间高效，支持多组叠加环过多时干扰大，依赖颜色区分旭日图。]]></description><category></category></item><item><title><![CDATA[数据可视化实验：时间数据的可视化]]></title><link>https://blog.youkuaiyun.com/Az_Wu/article/details/146880347</link><guid>https://blog.youkuaiyun.com/Az_Wu/article/details/146880347</guid><author>Az_Wu</author><pubDate>Mon, 31 Mar 2025 23:46:56 +0800</pubDate><description><![CDATA[本次实验借助Python编程语言与pyecharts库，成功实现了时间数据的可视化，顺利绘制出堆叠柱形图与。在实验进程中，我们深入探究了时间数据于大数据领域的广泛应用场景，以及其可视化呈现的重要意义。堆叠柱形图，适用于展示含有子分类，且子分类总和具备实际意义的数据；另一张图则擅长对比相近数值，或用于呈现周期性时间概念。不过，若要展示随时间变化的趋势，折线图凭借其清晰直观的趋势线条，会是更为适宜的选择。]]></description><category></category></item><item><title><![CDATA[比较与排序类可视化图像总结]]></title><link>https://blog.youkuaiyun.com/Az_Wu/article/details/146443780</link><guid>https://blog.youkuaiyun.com/Az_Wu/article/details/146443780</guid><author>Az_Wu</author><pubDate>Sat, 22 Mar 2025 22:39:48 +0800</pubDate><description><![CDATA[柱状图：用柱子展示数据量，适合比较类别数据，如销量或收入，样式灵活。环形柱状图：柱子环绕圆心，突出周期性数据，如一周活动时长，视觉吸引。子弹图：紧凑显示实际值与目标值，适合监控指标，如销售目标，样式可调。哑铃图：点和线展示两点差异，适合比较变化，如工资差距，样式自定。雷达图：展示多维数据，适合比较多属性，如技能评估，视觉独特。平行坐标图：展示高维数据，易识模式与异常，适合多变量分析，如汽车性能。词云图：显示关键词，大小依频率，适合文本分析，如社交媒体评论。]]></description><category></category></item><item><title><![CDATA[数据可视化基础实验：D3数据可视化]]></title><link>https://blog.youkuaiyun.com/Az_Wu/article/details/146022618</link><guid>https://blog.youkuaiyun.com/Az_Wu/article/details/146022618</guid><author>Az_Wu</author><pubDate>Sat, 15 Mar 2025 16:07:13 +0800</pubDate><description><![CDATA[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。再对每个 元素，添加。]]></description><category></category></item><item><title><![CDATA[数据可视化基础实验：Tableau可视化入门]]></title><link>https://blog.youkuaiyun.com/Az_Wu/article/details/145997972</link><guid>https://blog.youkuaiyun.com/Az_Wu/article/details/145997972</guid><author>Az_Wu</author><pubDate>Sat, 15 Mar 2025 16:06:38 +0800</pubDate><description><![CDATA[这次用Tableau做数据可视化实验收获很大。软件界面友好，仅凭直觉般的拖拽就能生成图表，对新手十分友好。连接数据的功能也很方便，适合处理不同格式的数据。而在制作条形图、气泡图这些图表时，我能感觉到Tableau的图表类型十分多样。尤其是填充地球图，几步就能把数据按地区展示出来，对分析区域差异特别有用。做仪表板整合多个图表使数据展示更清晰了，不同维度的数据对比起来也方便。不过实验里也遇到了问题，比如调整数据类型和设置筛选条件，得反复检查才能保证准确。这让我意识到，除了会用软件，理解数据本身也很重要。]]></description><category></category></item></channel></rss>