一文看懂数据可视化：从编程工具到可视化表现方式

说到可视化，就不得不说一下大数据，毕竟可视化是解决大数据的一种高效的手段，而如今人人都在谈论大数据，大数据 ≠ 有数据 ≠ 数据量大， 离谱的是，如今就连卖早点的觉得自己能统计每天卖出的种类，都敢说自己是搞大数据。

时间推移到 2009 年，“大数据” 开始才成为互联网技术行业中的热门词汇。对“大数据”进行收集和分析的设想，起初来自于世界著名的管理咨询公司麦肯锡公司;麦肯锡公司看到了各种网络平台记录的个人海量信息具备潜在的商业价值，于是投入大量人力物力进行调研，在 2011 年 6 月发布了关于“大数据”的报告，该报告对“大数据”的影响、关键技术和应用领域等都进行了详尽的分析。麦肯锡的报告得到了金融界的高度重视，而后逐渐受到了各行各业关注。

定义

数据可视化的目的其实就是直观地展现数据，例如让花费数小时甚至更久才能归纳的数据量，转化成一眼就能读懂的指标;通过加减乘除、各类公式权衡计算得到的两组数据差异，在图中颜色敏感、长短大小即能形成对比;数据可视化是一个沟通复杂信息的强大武器。通过可视化信息，我们的大脑能够更好地抓取和保存有效信息，增加信息的印象。但如果数据可视化做的较弱，反而会带来负面效果;错误的表达往往会损害数据的传播，完全曲解和误导用户，所以更需要我们多维的展现数据，就不仅仅是单一层面。

背景

我们可以想一想，在大数据没有出现之前，已经有很多对数据加以可视化的经典应用，比如股市里的 K 线了，其试图以可视化的目的来发现某些规律，信息可以用多种方法来进行可视化，每种可视化的方法都有着不同的着重点，特别是在大数据时代，当你打算处理数据时。首先要明确并理解的一点是：你打算通过数据向你的用户讲述怎样的故事，数据可视化之后又在表达着什么?

通过这些数据，能为你后续的工作做哪一些指导性工作，是否能帮观者正确的抓住重点，了解行业动态?了解这一点之后，你便能选择合理的数据可视化方法，高效传达数据。

当我们能够充分理解数据，并能够轻易向他人解释数据时，数据才有所价值;我们的读者可以通过可视化互动或其他数据使用方式来探寻一个故事的背后发生了什么，因此，数据可视化至关重要。

数据的特性

数据可视化，先要理解数据，再去掌握可视化的方法，这样才能实现高效的数据可视化，下面是常见的数据类型，在设计时，你可能会遇到以下集中数据类型：

• 量性：数据是可以计量的，所有的值都是数字
• 离散型：数字类数据可能在有限范围内取值。例如：办公室内员工的数目
• 持续性：数据可以测量，且在有限范围内，例如：年度降水量
• 范围性：数据可以根据编组和分类而分类，例如：产量销售量

可视化的意义是帮助人更好的分析数据，也就是说他是一种高效的手段，并不是数据分析的必要条件;如果我们采用了可视化方案，意味着机器并不能精确的分析。当然，也要明确可视化不能直接带来结果，它需要人来介入来分析结论。

在大数据时代，可视化图表工具不可能“单独作战”，而我们都知道大数据的价值在于数据挖掘，一般数据可视化都是和数据分析功能组合，数据分析又需要数据接入整合、数据处理、ETL等数据功能，发展成为一站式的大数据分析平台。

工具——编程语言

R 经常被称为是“统计人员为统计人员开发的一种语言”。如果你需要深奥的统计模型用于计算，可能会在 CRAN 上找到它――你知道，CRAN 叫综合R档案网络(Comprehensive R Archive Network)并非无缘无故。说到用于分析和标绘，没有什么比得过 ggplot2。而如果你想利用比你机器提供的功能还强大的功能，那可以使用 SparkR 绑定，在 R 上运行 Spark。

• Scala