关于数据可视化，在拥有了足够以及可信的数据以后，剩下的就是如何展现了。 先分享几个python的几个插件，因为python用来处理数据实在是太强大了。
有关时间趋势的可视化
时间数据分为离散时间和延续时间。 离散时间数据来自于某个具体的时间点或者时段， 可能的数值也是有限的。 类似温度这样的数据则是延续性的。
柱形图
处理的数据都是正数时，请永远让柱形图的数值轴从0开始，否则会让人们难以从视觉上比较各柱形的高度。
站在读者的角度来设计数据图表。 好的数据设计可以帮助读者更清楚的理解整个故事
圆点
这种类型的图表通常叫散点图(scatterplot)， 占据空间少， 能更好的体现出“流”的感觉，也可以用来表现非时间数据。
折线图
如果数据长时间停留在一个数值上， 适合用阶梯图。
有关比例的可视化
对于比例，通常会寻求三件事情： 最大值， 最小值和总体分布。 最大最小很简单，将数据从大到小排列，两头就是最大值和最小值。 至于比例， 最简单的是总和为1或者100%。
饼图/面包圈图
饼图的缺陷是不够精确。 可以不要分太多类别。
很多时候，面包圈的中心都用于放置标签或其他内容
堆叠柱形图
与禊形相比， 长度更容易比较，所以堆叠柱形图用来比较
板块层级图 (treemap)
基于面积的可视化方案
堆叠面积图
带时间属性的比例
有关关系的可视化
明确你要讲述的故事的重点， 然后在图表设计中有意强化这些地方。 但请不要扭曲事实。
气泡图
用R运行一下block， 可以看看2005年美国各州的犯罪率
1
2
3
>crime <- read.csv("http://datasets.flowingdata.com/crimeRatesByState2005.tsv", header=TRUE, sep="\t")
>radius <- sqrt(crime$population/pi)
>symbols(crime$murder, crime$burglary, circles=radius, inches=0.35, fg="white", bg="red", xlab="Murder Rate", ylab="Burglary Rate")
分布
- 平均数（mean） 将所有数据点相加然后除以数据点的个数。
- 中位数（median） 将所有数据从小到大排列， 然后找出位于最中间的那个数据点
- 众数（mode） 所有数据点中出现频率最高的那个数字
切尔诺夫脸谱图
通过脸部特征的长宽大小来代表数据
1
2
3
>library(aplpack)
>bball <- read.csv("http://datasets.flowingdata.com/ppg2008.csv", header=TRUE)
>faces(bball[,2:16], ncolors=0)
TIPS
有关空间关系的可视化
地图
R有非常强大的地图展现功能
先要安装地图所需要的包。 在install后要在弹出框内选择maps
1
2
3
r> install.packages()
r> library("maps")
r> map()
就可以展现出世界地图了。 但是默认是美国，所以如果要展现祖国， 还要安装和加载 mapdata.
1
2
3
r> install.packages()
r> library(mapdata)
r> map("china")
对地图的使用可以参考R时代，你要怎样画地图？ 的这篇博客。