Python数据可视化（微课版）.pptx

Python数据可视化分析

与案例实战;本书目录;第1章数据可视化概述;1;数据是指对客观事件进行记录并可以鉴别的符号，是对客观事物的性质、状态以及相互关系等进行记载的物理符号或这些物理符号的组合。

在数据分析中，我们会接触到很多的数据，而这些数据都是有类别之分的，根据结构的不同，数据可以分为三种：结构化数据、非结构化数据、半结构化数据。

通常，数据分析工作正常开展的前提，是要有数据，一般情况下，数据的来源主要有三种。

1.企业系统数据

2.本地离线数据

3.外部公开数据

;数据预处理一般包含数据清洗、数据集成、数据转换和数据消减4个阶段：

;可视化被定义为利用计算机图形学和图像处理技术，将数据转换成图形或图像，并在屏幕上显示出来。

在大数据时代，数据可视化工具必须具备以下4个特性：数据实时更新、软件易于操作、展现形式丰富、多种数据集成。

围绕大数据的4种特性，未来数据可视化的挑战主要有以下两个方面：

1.大数据可视化分析

2.探索式可视化分析

;1;数据可视化应该以业务场景为起始点，以业务决策为终点。基于数据分析师的工作职责，我们总结了数据可视化的5个步骤：

;设计数据可视化时，需要遵循以下8个方面的原则：

;为可视化设计或选择交互的时候，除了需要符合数据类别和所要完成的任务外，还要遵守一些普遍的准则，交互技术的类型形形色色，下面介绍7种常用的交互方法。

;1;对比型图表一般是比较几组数据的差异，这些差异通过视觉和标记来区分，体现在视图中通常表现为高度差异、宽度差异、面积差异等，包括柱形图、条形图、气泡图、雷达图等。

1.柱状图：描述的是分类数据的数值大小，回答的是每一个分类中“有多少”的问题。需要注意的是，当柱状图显示的分类很多时，会导致分类重叠等显示问题。

2.条形图：显示各项目之间的比较情况，分为垂直条形图和水平条形图，其中水平条形图纵轴表示分类，横轴表示数值。他强调各个值之间的比较，不太关注时间的变化。

3.气泡图：是散点图的变体，气泡的大小表示数据维，通常用于比较和展示不同类别之间的关系。

4.雷达图：当我们拥有一组类别型数据、一组连续数值型数据时，为了对比数据大小情况，我们就可以使用雷达图。;趋势型图表用来反映数据随时间变化而变化的趋势，尤其是在整体趋势比单个数据点更重要的场景下，包括折线图、面积图、曲面图等。

1.折线图：用于显示数据在一个连续的时间间隔或者跨度上的变化，它的特点是反映事物随时间或有序类别而变化的趋势。

2.面积图：是折线图的另一种表现形式，其一般用于显示不同数据系列之间的对比关系，同时也显示单个数据系列与整体的比例关系，强调随时间变化的幅度。

3.曲面图：可以在曲面上显示两个或多个数据系列，实际上它是折线图和面积图的另一种形式，我们可以通过创建曲面图来实现两组数据之间的最佳配合。

;比例型图表用于展示每一部分占整体的百分比情况，至少有一个分类变量和数值变量，包括饼图、环形图、旭日图等。

1.饼图：通过将一个圆饼按照分类的占比划分成若干个区块，整个圆饼代表数据的总量，每个圆弧表示各个分类的比例大小，所有区块的和等于100%。

2.环形图：是一类特殊的饼图，它是由两个及两个以上大小不一的饼图叠加在一起，然后挖去中间的部分所构成的图形。

3.旭日图：由多层的环形图组成，在数据结构上，内圈是外圈的父节点。因此，它既可以像饼图一样表现局部和整体的占比，又能像树图一样表现层级关系。;分布型图表用于研究数据的集中趋势、离散程度等描述性度量，用以反映数据的分布特征，包括散点图、直方图、箱型图等。

1.散点图：将所有的数据以点的形式展现在直角坐标系上，以显示变量之间的相互影响程度，点的位置由变量的数值决定。

2.直方图：是由一系列高度不等的柱状条块表示数据分布的情况，柱与柱之间基本没有间隔，有间隔就是柱状图，一般用横轴表示数据类型，纵轴表示分布情况。

3.箱型图：又称盒须图，它是一种显示一组数据分散情况的统计图，能显示数据的最大值、最小值、中位数、及上下四分位数，因形状如箱子而得名。;除了以上四种类型的基本图表外，还有一些其它类型的图表，它们在日常可视化分析过程中也会经常遇到，主要包括树状图、瀑布图、股价图等。

1.树状图：在嵌套的矩形中显示数据，使用分类变量定义树状图的结构，使用数值变量定义各个矩形的大小或颜色。

2.瀑布图：形似瀑布流水，采用绝对值与相对值结合的方式，适用于表达多个特定数值之间的数量变化关系，当需要表达两个数据点之间数量的演变过程时，就可以使用瀑布图。

3.股价图：用来显示股票价格的波动情况，在研究金融数据时经常被用到，一般包括股票的开盘价、盘高价、盘低价、收盘价等信息。;;第2章Python数据可视化库;目录;5;Matplotlib是比较基础的Python绘图库，它是基于NumP