前言：基于人大的《數據科學概論》第十章。主要內容為可視化的定義、可視化的意義、可視化的一般過程、科學可視化與信息可視化、可視化的原則、可視化實例、可視化的挑戰和趨勢、可視分析技術、探索式數據分析、可視化工具。

一、可視化的定義

可視化是數據的可視表現形式以及交互技術的總稱。

它通過圖形化的方式把數據給表現出來，方便用戶進行觀察和理解，并且幫助用戶對數據進行探索、發現數據里面隱藏的模式，獲得對數據的洞察力和理解。

二、可視化的意義

某些事物，用文字/數字來表達，相當地繁瑣，但是用圖形來表現，則更加容易把握和理解。

在大數據時代，數據來源多樣，數據的規模巨大，可視化技術可以幫助我們對數據進行觀察、理解、探索和發現。

三、可視化的一般過程

過濾，映射，渲染，交互。

過濾，（Filtering）是選取原始數據集的一部分進行可視化。

映射，（Mapping）是指將抽象數據，轉換為可視化表示的過程。

渲染，（Rendering）是通過圖形渲染庫和顯示卡的幫助，把經過映射的數據，以二維或者三維圖形的形式繪制出來。

交互，（Interaction）是指計算機對用戶的某種特定動作，做出反應。比如，計算機可以識別用戶的手勢，適時地改變渲染的效果。

映射和交互兩個環節是達成這個目標的關鍵。

四、科學可視化與信息可視化

目前，可視化領域包括三個主要的分支，分別是科學可視化、信息可視化、以及可視分析等。

五、可視化的原則

可視化的目的，是把復雜數據有效地展示出來，首要的原則是準確和清晰。

• 準確是指可視化結果反映的是數據的本來面目或者本質
• 清晰是指可視化結果，所表達的含義要明確。

此外，還要盡量做到

在更小的空間里，用最少的圖形，在最短的時間里，傳達給用戶最多的信息。對數據進行合理簡化，突出重點。

可視化的結果，需要闡明事物之間的相互關系，以及事物的變化趨勢，對于類似的事物要方便用戶進行比較。

使用用戶熟悉的事物，對需要比較的數據進行比較

在可視化設計過程中，要考慮把交互方式和動畫效果加進去。動畫效果可以從時間和空間維度對事物的發展變化過程進行刻畫，以便給用戶創造沉浸式的體驗。

六、可視化實例

散點圖、直方圖、線圖、柱狀圖、餅圖、樹狀結構、圓錐樹、信息立方體、堆疊的河流、景區熱力圖、高維數據可視化、高維數據可視化。

七、可視化的挑戰和趨勢

• 海量的異構數據的可視化，對算法設計和硬件基礎設施，都提出了更高的要求。
• 各種新硬件被應用到可視化領域，可視化系統將支持更高的顯示分辨率
• 可視化技術被應用到更多的業務領域
• 可視化技術支持更多樣的數據的可視化
• 新的研究熱點，是基于可視化、以及可視化分析結果，進行敘事，將一個故事，并且把故事講完整、講精彩
• 可視化軟件提供更加強大的可視化分析能力

八、可視分析技術

可視分析包括三個要素

• 數據（Data），數據是所有可視化分析的基礎
• 模型（Model），包括統計模型、以及機器學習、數據挖掘模型。
• 利用可視化（Visualization），探索數據中變量之間的關系。

可視分析包括三個回路：

• 探索回路，描述分析者如何和可視化分析系統進行交互，目的是生成新的可視化結果或者調整模型，并且據此對數據進行分析。涉及動作和發現。
• 驗證回路，包括洞察和假設。
• 產生新知識回路，分析者為某個假設尋找證據，或者從數據中學習到新的知識。從證據到知識，需要一個推理的過程。

九、探索式數據分析

所謂探索式數據分析，是指對已有的數據，在盡量少的先驗假定情況下進行探索，逐步了解數據的特點。

當我們對數據的內在特點、它包含的信息，沒有足夠經驗，不知道應用用什么統計分析、數據挖掘、機器學習方法進行分析時，探索式數據分析是一種有效的分析方式。

在探索式數據分析中對高維數據進行降維

降維，是把數據或特征的維數降低，一般分為線性降維、和非線性降維。

降維的方法有：主成分分析、線性判別分析、多維尺度分析等。

十、可視化工具

• D3.js

• Matplotlib

• Prefuse

降維。

降維的方法有：主成分分析、線性判別分析、多維尺度分析等。

十、可視化工具

• D3.js

• Matplotlib

• Prefuse

總結

以上是生活随笔為你收集整理的10.可视化、可视分析、探索式数据分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。