数据可视化介绍

数据可视化（Data Visualization）是聚焦数据表现形式的领域，如何将信息进行抽象、对比和展示的方法。数据可视化在不断发展，可供使用的工具和展示形式在不断演变。与数据科学的其他方向相比（机器学习和数据挖掘），可视化涵盖的技术方法更多，形式更加多样。

下图，未来美国的人口统计数据（不同年龄阶段）
从0-100岁人口年龄的分布

下图，电影对白（按性别划分）

【数据分析进阶】DCIC竞赛-task2 数据可视化

数据可视化按用途可以划分为

数据统计展示；
数据分布展示；
数据对比展示；
数据可视化在机器学习&深度学习中应用广泛，如特征相关性热力图、特征分布趋势图、梯度可视化图和特征重要性直方图。

在交通领域，数据可视化同样用途广泛：

通过可视化可以找到热门的区域，定位到拥堵区域；
通过可视化可以找到热门的线路，定位拥堵线路；
通过可视化可以找到交通的流量；

无一例外，现有地图大数据报告都使用可视化的方式进行呈现：

百度交通大数据报告：https://jiaotong.baidu.com/reports/
滴滴交通大数据报告：https://sts.didiglobal.com/
高德交通大数据报告：https://report.amap.com/diagnosis/index.do
腾讯地图大数据：https://heat.qq.com/

常规可视化

基本流程

学习可视化的组成元素；
学习可视化的常见图像案例；
学习可视化库的使用；

可视化组成元素

圆圈表示各部分名称，通过官网例子可以获知每一部分是怎么用的https://matplotlib.org/3.3.1/gallery/showcase/anatomy.html
【数据分析进阶】DCIC竞赛-task2 数据可视化
如上图在绘制一张图的过程中，有较多的细节需要注意，上图来源为matplotlib。一张图包含的具体的组成元素如下：

坐标轴、坐标轴标题；
图表标题、数据标签；
误差线、网格线；
图例等；

可视化图标类型

饼图（Pie Chart）或称饼状图，是一个划分为几个扇形的圆形统计图表。在饼图中，每个扇形的弧长（以及圆心角和面积）大小，表示该种类占总体的比例，且这些扇形合在一起刚好是一个完全的圆形。能够显示的取值的比例
散点图（Scatter Plot）是在笛卡尔座标上放置一系列的数据点，用来显示两个变量的数值（每个轴上显示一个变量），并检测两个变量之间的关系或相关性是否存在。

通过散点图可以发现两个变量是线性相关还是非线性，是正相关还是负相关，是强相关还是弱相关

条形图（Bar Chart）采用水平或垂直条形（柱形图）来比较不同类别的离散数值。图表其中一条轴代表要比较的具体类别，另一条则用作离散数值的标尺。更侧重数据具体的大小关系
箱形图（又称为「盒须图」或「箱线图」）能方便显示数字数据组的四分位数。

可以从箱形图得出的观察结果：
关键数值，例如平均值、中位数和上下四分位数等
任何异常值（以及它们的数值）
数据分布是否对称
数据分组有多紧密
数据分布是否出现偏斜（如果是，往什么方向偏斜）