【数据篇】32 # 如何选择合适的方法对数据进行可视化处理?

简介: 【数据篇】32 # 如何选择合适的方法对数据进行可视化处理?

说明

【跟月影学可视化】学习笔记。



从原始数据中过滤出有用的信息

下面通过航拍公园人群分布例子,按照某些属性对数据进行过滤,再将符合条件的结果展现出来。

数据来源:https://github.com/akira-cn/graphics/blob/master/data/park-people/data.json

[{
  "x": 456,
  "y": 581,
  "time": 12,
  "gender": "f"
}, {
  "x": 293,
  "y": 545,
  "time": 12,
  "gender": "m"
}, {
  "x": 26,
  "y": 470,
  "time": 12,
  "gender": "m"
}, {
  "x": 254,
  "y": 587,
  "time": 12,
  "gender": "m"
}, {
  "x": 385,
  "y": 257,
  "time": 8,
  "gender": "m"
}, 
...]


上面数据里数组中的每一项表示一个游客,x、y 是拍摄位置,time 是时间,gender 是性别。

<!DOCTYPE html>
<html lang="en">
    <head>
        <meta charset="UTF-8" />
        <meta name="viewport" content="width=device-width, initial-scale=1.0" />
        <title>游客散点图</title>
        <style>
            #main {
                width: 500px;
                height: 500px;
                position: absolute;
                border: 1px dashed #fa8072;
            }
            #main > * {
                position: absolute;
                left: 0;
                top: 0;
                width: 100%;
                height: 100%;
            }
            #main .landmark {
                position: absolute;
                line-height: 200px;
                width: 200px;
                height: 200px;
                border-radius: 50%;
                text-align: center;
                font-size: 32px;
                color: #fff;
            }
            #main .landmark1 {
                background: #daa520;
            }
            #main .landmark2 {
                left: 260px;
                background: #fa8072;
            }
            #main .landmark3 {
                top: 260px;
                background: #6a5acd;
            }
            #main .landmark4 {
                top: 260px;
                left: 260px;
                background: #2e8b57;
            }
        </style>
    </head>
    <body>
        <div id="main">
            <div>
                <div class="landmark landmark1">广场</div>
                <div class="landmark landmark2">休闲区</div>
                <div class="landmark landmark3">游乐场</div>
                <div class="landmark landmark4">花园</div>
            </div>
            <canvas width="600" height="600"></canvas>
        </div>
        <script>
            const canvas = document.querySelector("canvas");
            const { width, height } = canvas;
            function draw(data, filter = null) {
                if (filter) data = data.filter(filter);
                const context = canvas.getContext("2d");
                for (let i = 0; i < data.length; i++) {
                    const { x, y, gender } = data[i];
                    context.fillStyle =
                        gender === "f"
                            ? "rgba(255, 0, 0, 0.4)"
                            : "rgba(0, 0, 255, 0.4)";
                    context.beginPath();
                    const spot = context.arc(x, y, 10, 0, Math.PI * 2);
                    context.fill();
                }
            }
            fetch("./data/park-people.json")
                .then((res) => {
                    return res.json();
                })
                .then((data) => {
                    // draw(data, ({ time }) => time === 8);
                    draw(data, ({ time }) => time === 12);
                    // draw(data, ({ time }) => time === 18);
                    // draw(data, ({ time }) => time === 20);
                });
        </script>
    </body>
</html>

我们可以通过过滤不同的时间段,看到人群的分布情况,比如下面是12点的游客散点图

image.png




强化展现形式让用户更好地感知


除了合理的数据分析以外,强化展现形式可以让用户更好地感知数据表达的内容。

比如项目:北京空气质量2013-2018,用照片跟色条,强化了用户的直观认知


image.png





将信息的特征具象化


有时只需要把数据的特征抽象和提取出来,再把代表数据最鲜明的特征,用图形化、令人印象深刻的形式呈现出来即可。


比如:Matt Might 教授绘制的图解博士是什么?


image.png



Manu Cornet 的组织架构图,用非常形象的方法绘制出了各个知名公司的组织架构差异。


c1312e36fec44d56bf973726cb7e37db.png



目录
相关文章
|
22天前
|
敏捷开发 数据可视化 数据挖掘
任务看板是什么?如何选择合适的任务看板工具?
任务看板是一种可视化的项目管理工具,通过卡片和列的形式展示任务状态,帮助团队成员清晰了解项目进展,提高工作效率和协作能力。本文介绍了任务看板的特点、选择要点及三款推荐工具:板栗看板、Monday.com 和 Jira,分别从功能、协作、可视化、价格和用户体验等方面进行了对比。
任务看板是什么?如何选择合适的任务看板工具?
|
13天前
|
缓存 算法 数据处理
如何选择合适的内存访问模式
【10月更文挑战第20天】如何选择合适的内存访问模式
30 1
|
2月前
|
NoSQL 关系型数据库 分布式数据库
如何选择合适的数值数据库?
如何选择合适的数值数据库?
32 10
|
2月前
|
数据采集 监控 关系型数据库
选择合适的数据收集方法
选择合适的数据收集方法
53 4
|
2月前
|
数据采集 存储 关系型数据库
选择合适的数据收集方式,需要考虑多个因素,
选择合适的数据收集方式,需要考虑多个因素,
84 5
|
6月前
|
数据可视化 数据挖掘 大数据
如何选择合适的数据可视化工具?
【5月更文挑战第17天】如何选择合适的数据可视化工具?
88 2
|
6月前
|
存储 搜索推荐 数据库
如何选择合适的矢量数据库:选型指南与案例分析
【4月更文挑战第30天】面对众多矢量数据库,如何选择合适的?本文提供了一份选型指南和案例分析。首先,明确业务需求,如推荐系统、图像检索等场景的不同需求;其次,评估数据量,大型项目需选择支持分布式架构的数据库;再者,关注查询性能、技术成熟度和成本。案例中,电商企业选用Faiss实现高效推荐,而互联网公司则因大规模图像检索选择了Milvus,后者以其扩展性和准确性脱颖而出。选择矢量数据库需综合考虑,结合实际以找到最佳匹配。
|
数据采集 缓存 数据挖掘
GATK4标准分析流程 丨如何选择合适的线程和内存大小?数据预处理方法与注意事项
GATK4标准分析流程 丨如何选择合适的线程和内存大小?数据预处理方法与注意事项
|
存储 容灾 NoSQL
如何选择合适的分布式ID生成方案?
如何选择合适的分布式ID生成方案?
91 0
|
存储 运维 分布式计算
数据分析和数据开发的区别 - 初始
数据分析和数据开发的区别 初始 数据分析(DA:Data Analysis)和数据开发/数据仓库工程师(DE:Data Extraction)究竟有什么区别,工作职责和工作内容上的差异是什么?
577 0