手機可視化數據app推薦「移動端數據可視化系統」

什麼是數據可視化

科學可視化（Scientific Visualization）、信息可視化（Information Visualization）和可視分析學（Visual Analytics）三個學科方向通常被看成可視化的三個主要分支。而將這三個分支整合在一起形成的新學科「數據可視化」，這是可視化研究領域的新起點。——《數據可視化》

廣義的數據可視化涉及信息技術、自然科學、統計分析、圖形學、交互、地理信息等多種學科。

科學可視化

科學可視化（Scientific Visualization）是科學之中的一個跨學科研究與應用領域，主要關注三維現象的可視化，如建築學、氣象學、醫學或生物學方面的各種系統，重點在於對體、面以及光源等等的逼真渲染。科學可視化是計算機圖形學的一個子集，是計算機科學的一個分支。科學可視化的目的是以圖形方式說明科學數據，使科學家能夠從數據中了解、說明和收集規律。

信息可視化

信息可視化（Information Visualization）是研究抽象數據的互動式視覺表示以加強人類認知。抽象數據包括數字和非數字數據，如地理信息與文本。信息可視化與科學可視化有所不同：科學可視化處理的數據具有天然幾何結構（如磁感線、流體分布等），信息可視化處理的數據具有抽象數據結構。柱狀圖、趨勢圖、流程圖、樹狀圖等，都屬於信息可視化，這些圖形的設計都將抽象的概念轉化成為可視化信息。

可視化分析

可視分析學（Visual Analytics）是隨著科學可視化和信息可視化發展而形成的新領域，重點是通過互動式視覺界面進行分析推理。

科學可視化、信息可視化與可視分析學三者有一些重疊的目標和技術，這些領域之間的邊界尚未有明確共識，初略來說有以下區分：

科學可視化處理具有自然幾何結構（磁場、MRI 數據、洋流）的數據。
信息可視化處理抽象數據結構，如樹或圖形。
可視分析學將互動式視覺表示與基礎分析過程（統計過程、數據挖掘技術）結合，能有效執行高級別、複雜的活動（推理、決策）。

為什麼需要數據可視化

人類利用視覺獲取的信息量，遠遠超出其他器官

人類的眼睛是一對高帶寬巨量視覺信號輸入的並行處理器，擁有超強模式識別能力，配合超過 50% 功能用於視覺感知相關處理的大腦，使得人類通過視覺獲取數據比任何其他形式的獲取方式更好，大量視覺信息在潛意識階段就被處理完成，人類對圖像的處理速度比文本快 6 萬倍。數據可視化正是利用人類天生技能來增強數據處理和組織效率。

可視化可以幫助我們處理更加複雜的信息並增強記憶

大多數人對統計數據了解甚少，基本統計方法（平均值、中位數、範圍等）並不符合人類的認知天性。最著名的一個例子是 Anscombe 的四重奏，根據統計方法看數據很難看出規律，但一可視化出來，規律就非常清楚。

可視化還可以有效增強人的記憶力，我們經常說的一圖勝千言就是可視化對生活的影響。

如何實現數據可視化

可視化實現流程

在技術上，數據可視化最簡單的理解，就是數據空間到圖形空間的映射。

一個經典的可視化實現流程，是先對數據進行加工過濾，轉變成視覺可表達的形式（Visual Form），然後再渲染成用戶可見的視圖（View）。

可視化技術棧

具備專業素養的數據可視化工程師一般來說需要掌握以下技術棧：

基礎數學：三角函數、線性代數、幾何演算法
圖形相關：canvas、svg、webgl、計算圖形學、圖論
工程演算法：基礎演算法、統計演算法、常用的布局演算法
數據分析：數據清洗、統計學、數據建模
設計美學：設計原則、美學評判、顏色、交互、認知
可視化基礎：可視化編碼、可視分析、圖形交互
可視化解決方案：圖表的正確使用、常見的業務的可視化場景

常用的數據可視化工具

在學術界與工程界，數據可視化工具都非常之多，學術界用得比較多的是 R 語言, ggplot2, Python 可視化庫等，普通用戶喜聞樂見的是 Excel，商業上的產品是 Tableau, DOMO, PowerBI 等等，是個精彩紛呈的世界。這裡有常用的 25 個數據可視化工具對比，沒有完美的可視化工具，每個工具都有各自的優缺點。下面是一張工具選擇推薦圖，根據目的分類，左上是簡單快捷，左下是故事導向，右上是為了分享分析，右側是創新型圖表，右下是分析型工具。

我們常常聽說的數據可視化

數據可視化（Data Visualization）和信息可視化（Information Visualization）是兩個相近的專業領域名詞。狹義上的數據可視化指的是將數據用統計圖表方式呈現，而信息可視化則是將非數字的信息進行可視化。前者用於傳遞信息，後者用於表現抽象或複雜的概念、技術和信息。而廣義上的數據可視化則是數據可視化、信息可視化以及科學可視化等等多個領域的統稱。——《數據可視化之美》

我們常常聽說的數據可視化大多指狹義的數據可視化以及部分信息可視化。根據數據類型和性質的差異，經常分為以下幾種類型：

統計數據可視化：用於對統計數據進行展示、分析。統計數據一般都是以資料庫表的形式提供，常見的統計可視化類庫有 HighCharts、ECharts、G2、Chart.js 等等，都是用於展示、分析統計數據。

關係數據可視化：主要表現為節點和邊的關係，比如流程圖、網路圖、UML 圖、力導圖等。常見的關係可視化類庫有 mxGraph、JointJS、GoJS、G6 等。

地理空間數據可視化：地理空間通常特指真實的人類生活空間，地理空間數據描述了一個對象在空間中的位置。在移動互聯網時代，移動設備和感測器的廣泛使用使得每時每刻都產生著海量的地理空間數據。常見類庫如 Leaflet、Turf、Polymaps 等等，最近 Uber 開源的 deck.gl 也屬於此類。

還有時間序列數據可視化（如 timeline）、文本數據可視化（如 worldcloud）等等。

基於Web的可視化技術

在講各種流行類庫框架前，我們先了解下 Web 圖形的底層技術規範。

底層技術規範

SVG：可縮放矢量圖形（Scalable Vector Graphics），是基於可擴展標記語言（標準通用標記語言的子集）用於描述二維矢量圖形的一種圖形格式。
Canvas 2D：Canvas 通過 JavaScript 來繪製 2D 圖形，通過逐像素來進行渲染。
Canvas 3D WebGL：WebGL（Web Graphic Library）是一個 JavaScript API，用於在任何兼容的 Web 瀏覽器中渲染 3D 圖形。WebGL 程序由用 JavaScript 編寫的控制代碼和用 OpenGL 著色語言（GLSL）編寫的著色器代碼構成，這種語言類似於 C 或 C++，可在 GPU 上執行。

比較流行的基礎繪圖庫，基於 SVG 的有 snap.svg、rapheal.js 等，基於 Canvas 2D 的有 zrender、g 等，基於 WebGL 的有 three.js、SceneJS、PhiloGL 等，這些基礎繪圖庫可以讓上層封裝更簡單容易。

我們重點回到基於 Web 技術的數據可視化類庫。

D3

D3.js 是一個基於數據操作文檔的 JavaScript 庫。 D3 可以將強大的可視化組件和數據驅動的 DOM 操作方法完美結合。

D3的優劣：

強大的 SVG 操作能力，可以非常容易的將數據映射為 SVG 屬性
集成了大量數據處理、布局演算法和計算圖形的工具方法
強大的社區和豐富的 demo
API 太底層，復用性低，學習與使用成本高

D3 沒有提供封裝好的組件，在復用性、易用性方面不佳，社區里有很多基於 D3 的可視化組件庫：

nvd3.js: 基於 D3 封裝了常見的折線圖、散點圖、餅圖，功能比較簡單
dc.js: 除了提供了常見的圖表外還提供了一些數據處理能力
c3.js: 一個輕量級的基於狀態管理的圖表庫

D3 有著 Stanford 的血脈淵源，在學術界享有很高聲譽，靈活強大使得它成為目前領域內使用最廣泛的可視化類庫，但偏底層的 API 和數據驅動模式，使得上手 D3 存在一定門檻，基於 D3 的工程實現上需要自己考慮和處理更多內容，如動畫、交互、統一樣式等，研發成本較高。

HighCharts

HighCharts 是一個用純 JavaScript 編寫的圖表庫，能夠簡單便捷的在 Web 應用上添加交互性圖表。這是在 Web 上使用最廣泛的圖表，企業使用需要購買商業授權。

HighCharts的優劣：

使用門檻極低，兼容性好
使用廣泛，非常成熟
樣式比較陳舊、圖表難以擴展
商業上使用需要購買版權

這是圖表界的 jQuery，在世界範圍內是使用最多最廣的一個可視化類庫，但整體圖表設計比較陳舊難以擴展，同時商業公司使用需要按照使用人數購買版權，比較昂貴，阿里有購買過，目前已不推薦使用。

ECharts

ECharts 縮寫自 Enterprise Charts，企業級圖表，開源來自百度數據可視化團隊，是一個純 Javascript 的圖表庫，可以流暢的運行在 PC 和移動設備上，兼容當前絕大部分瀏覽器，底層依賴另一個也是該團隊自主研發的輕量級的 Canvas 類庫 ZRender，提供直觀，生動，可交互，可高度個性化定製的數據可視化圖表。ECharts 是目前國內唯一一個入選 GitHub 全球可視化榜單的開源項目，2w+ star 全球排名第三，社區活躍，覆蓋主流前端框架和 8 種編程語言的擴展，目前國內市場佔有率處於絕對領先地位。

ECharts的優劣：