大数据可视化的9种方法，可视化原来这么简单

数据毫无疑问是非常有用的，但是现如今有太多的数据包围着我们。我们想快速地了解我们正在查看的内容以及弄清数据的意义所在。要做到这一点，运用视觉信息是最好的办法。记住：一图胜千言。如何最好地显示数据，这里有一些方法可以告诉你。

地图

多个世纪以来，地图一直用于从视觉角度表明数据。你可以简单看一眼地图，快速了解一个城市、国家或整个地球的物理空间构成。这种理解至少是基本层面上的。

但是它们也可以变得复杂。交互式地图允许读者点击并深入掌控多层次的细节。热力图可以通过颜色强度来证明特定度量（如人口密度或病毒案例的数量）的分布。

这一张显示了2016年美国总统选举的结果，着色根据获奖候选人的投票比例。

条形图

我们使用它们来比较简单的数据。对大数据，我们同样可以。条形图根据条块的长度或高度显示变量的值。条形图可以是单个的、分组的（也称为聚类的，表示每个变量类别中的多个项目的值）、堆叠的（也称为复合，显示整体的比例）。大多数时候，这种格式应该按照大小排序，除非是表现变量值随着时间的推移而变化。

折线图

基本的折线图表示数据随时间的变化。在一段时间内绘制单个数据点，并将其通过直线连接起来。所得到的线条是随时间变化而产生的变化的形象化表达，并且显示变量的波动性、趋势、加速度（峰值）和减速度（谷值）等数据特征。

你也可以通过线形图来比较同一时间段内的不同变量，这需要给不同变量（线条）以不同颜色。不要在坐标图中使用太多线条，或者也不要让最大的数据值超出你的坐标轴。

下图是关于线形图的一个经典例子，奥运会曲棍球决赛与加拿大埃德蒙顿地区水资源使用的直接影响。在比赛间隙人们冲厕所时出现峰值，比赛重要时刻则出现低谷。

散点图

这类图需要两个变量，自变量（X）和因变量（Y），并且二者的关系可能是正相关、负相关或无关系，你只需把它想成一个没有线条的线形图。

需要足够多的数据点（需要很多），和一条概括性的趋势线。初步来看，散点图能够展示不同数据点之间的既有联系。

以下这个图表，人均GDP与预期寿命成正比，随着时间推移，人们预期寿命变长，这个相关关系依然存在。

信息图表

它可能是目前最流行的数据可视化展示工具。许多人喜欢并在社交媒体上分享的信息图表内容会比分享其他内容多3倍。

把你的研究成果进行可视化的展示，把观点有逻辑地进行连接，并把它们结合到一块，你就创造了一些他人能理解的东西。简而言之，信息图表能得到结果，花时间和精力去创造一个受关注的图表是值得的。

饼状图

说实话，其实有很多人讨厌饼状图，“在与数据可视化历史的有关发展中，饼状图很容易成为最糟糕的传递信息的方式”，但公平来讲，一切都在于你如何使用。

限制扇形的数量，并且在正确条件下使用它吧。

什么是正确的饼状图使用条件？是这些：

每一部分相加构成100%；

显示扇形大小的差异（24％的切片和26％的切片的大小变化程度看起来几乎相同）

仅使用一个饼图，不进行饼图间的比较

请记住，在12点处放置最大的扇形。

时间线

时间线能够展示特定时间段内的事件。画一条线，标出起点和终点并且添加这两个时点间所发生过的主要事件。然后时间线图就完成了。不管是公司、工厂的历史，或是生产的类产品的历史，时间线都可以实现，清晰易懂。

词云

词云是将一个文本块中词（或短语）的规模和其使用频率联系起来，以此显示一篇文章中其出现的频率。文字在云中所占空间越大，它在一篇文章中也就越频繁出现。

下图的文字云基于《独立宣言》文本而生成。

树状图

当你想很轻易地解释一种层级（阶级）关系，或是多个步骤，树状图可能是合适的方法（比如家谱图）。

正确适当的可视化使得讲故事变得很简单。它也从复杂、枯燥的数据集连接了语言、文化间的代沟。所以不要仅仅是展示数据，而是要用数据讲故事。