大数据技术有哪些(什么是大数据可视化)

独特的数据可视化更令人难忘，并为观众增加多样性——即使是最清晰直接的可视化类型在一遍又一遍地重复时也会失去吸引力。随着普通人群视觉素养的提高，数据可视化设计师需要不断扩展他们对各种可视化方法的知识和熟练程度，以提高他们的技能以及观众的熟悉度和期望。更重要的是，广泛的可视化知识对于将数据可视化类型与可用数据、要讲述的故事和要回答的问题进行匹配至关重要。

在本文中，我回顾了 7 种不太常见（虽然肯定不是闻所未闻）但非常有用的数据可视化方法：

SlopegraphsParallel CoordinatesAlluvial DiagramsSunburstsCircle PackingHorizon ChartsStreamgraphs

尽管这些替代的可视化类型在某种程度上已经成熟并且已经证明了它们在许多应用程序中的价值，但它们比条形图、折线图、散点图和不幸的是饼图普遍存在。毫无疑问，基本和常见的可视化类型仍然最适合某些直接的数据故事。然而，传达复杂的主题——层次结构、纵向数据和多变量比较等——通常涉及具有相应深度的更高级的可视化。

每种替代可视化类型的概述包括：

简要说明何时使用两个示例

斜率图

斜率图是一种特殊类型的折线图，其中通过将每个组在一个刻度上的值连接到第二个刻度上的值来比较两组（或更多）组值，并在组值旁边显示标签以便于解释。这两个量表具有相同的最大值和最小值，以便很容易查看每个组在两个类别之间是增加、减少还是保持相似。按照最佳实践，设计师通常会突出显示最感兴趣的线条（例如，增加或减少最多的组），而将其余部分灰显。

何时使用 - 比较组的变化率和类别（通常是连续年份）之间的排名顺序切换。斜率图通常要求每个组和每个类别都有可用的值，以显示从一个类别到另一个类别的全部变化范围。

Parallel Coordinates

平行坐标图将多个变量排列在一起，每个变量从最高值到最低值（顶部最高，底部最低），并且用线连接每个实体的每个变量的位置，水平穿过图表。由于所代表的案例数量众多，因此通常使用交互式视图来呈现，其中可以选择并突出显示各个行。

何时使用它——揭示组如何在许多定量变量中显示相似或不同的配置文件。平行坐标可视化是大规模大数据的最佳可视化类型之一。

冲积图

冲积图（与桑基图密切相关）显示了各种实体（或节点）如何在代表多个组或时间段的阶段中一起流动或分开。在这些图中，溪流的宽度显示了每个类别中的大小或比例，类似于支流如何汇合形成更大的溪流或河流如何分裂形成不同的分支。

何时使用它 - 显示多个组如何通过多个变量相互关联（当它们的流流在一起时显示）或彼此不同（当它们的流分开时显示）。冲积图对于文字流尤其有用：金钱、货物、时间、选票等，但也可用于许多其他目的。它们还可以显示哪些变量更聚集（更少、更宽的流）以及哪些更分散（更多、更窄的流）。

Sunbursts

Sunbursts 以圆形布局显示层次结构，向外的每个环代表层次结构的更深层次。环段的大小通常由该段内的成员数量决定。虽然旭日形图具有饼图的一些缺点，并且不太适合精确的大小比较，但它们确实允许快速识别复杂的多层层次结构中的显着部分，以指导进一步的行动。

何时使用 - 显示多级结构如何细分为子组，以及哪些子组比其他子组大。 Sunbursts 本质上是分层饼图，允许随着图形从中心移动到外部，以逐渐更精确的方式分割饼图。

Circle Packing

圆形包装图将组显示为组织严密的圆圈，通常用于显示层次结构，其中较小的组的颜色与同一类别中的其他组相似，或者嵌套在较大的组中。

何时使用 - 显示各种组和层级结构在大小和其他属性上的变化（例如，用于显示圆圈大小的预算分配以及与由圆圈颜色表示的预算相比的绩效）。虽然类似于更广为人知的可视化方法树状图，但由于许多人对圆形图形的固有偏好，圆形包装图通常更吸引观众。

地平线图

地平线图在垂直刻度上显示具有负值和正值的时间序列数据，使用着色或阴影显示负值，同时将它们移到基线“水平线”之上。

何时使用 - 显示一个或多个实体（例如，国家、产品、行业）的随时间变化的数据，当数据同时包含正值/增长值和负值/收缩值时尤其有用，因为这些值难以清楚地表示许多团体。

Streamgraph

Streamgraphs 显示组的大小或比例如何随时间变化，“流”的垂直宽度代表该实体的大小。 Streamgraphs 可以使用固定比例，其中可以看到所有组的整体大小的变化，也可以使用相对比例，其中所有组始终增加到 100%（类似于面积图）。

何时使用 - 显示随时间推移的组大小或比例，通常跨越至少 6 个时间段，但该方法可扩展以进一步扩展。流图对于直观地描绘文化影响、技术趋势和经济力量随着时间的推移发生的重大变化具有极大的影响力——某些群体出现而其他群体消退的速度。

试验替代数据可视化类型的好处

“数据可视化简化了复杂性”这句话本身就过于简单化了。当然，复杂性需要清楚地传达；信息的图形而不是数字显示极大地有助于实现这一目标。然而，过分强调仅仅“简化”复杂的信息——并使用有限的一组经过验证的真实可视化方法来做到这一点——通常也不是正确的答案。相反，设计师应该将可视化视为一种工具，可以在需要的地方保持复杂性，这通常涉及使用与内容深度相匹配的图形，而不是相反。

在他们的问题和数据允许的情况下，设计师通过尝试不太受欢迎的类型来扩展和试验他们的 dataviz 工具箱越多，他们就越能有效地将他们的信息与他们的可视化媒介相匹配——除了利用参与度和图形类型的可记忆性优势，您的听众中的大多数成员之前可能从未见过数十次。