数据可视化 - 什么是数据可视化

1.关键字定义

1.1数据

数据对应的英文单词是 Data ，从信息获取的角度看，数据是对目标观察和记录的结果，是现实世界中的时间、地点、事件、其他对象或概念的描述。不同学者对数据的作用也给出不同的定义，大致分为以下3类：

数据即事实：数据是未经组织和处理的离散的观察。

数据即信号：从获取的角度理解，数据是基于感知的信号刺激或信号输入，包括视觉、听觉、嗅觉、味觉和触觉。

数据即符号：无论数据是否有意义，数据都可定义为表达感官刺激或感知的符号集合，即某个对象、事件或所处环境的属性、代表性符号，如单词、数字、图标或图形视频等，都是人类社会中用于沟通的基本手段、因此，数据就是记录或保存的时间或情境的符号。

1.2可视化

可视化对应的两个英文单词：Visualize 和 Visualization。Visualize是动词，描述“生成符合人类感知”的图像；通过可视元素传递信息。 Visualization 是名词，表达“使某物，某事可见的动作或事实”；在我们工程师所处的计算机学科当中，利用人眼的感知能力对数据进行交互的可视表达以增强技术，成为可视化。它将不可见或难以直接显示的数据转化为可感知的图形，符号，颜色，纹理等，增强数据识别效率，传递有效信息。

2. 数据可视化研究的内容

将数据转化成为交互的图形或图像等，以视觉可以感受的方式表达，增强人的认知能力，达到以下目的：发现

解释

分析

探索

决策

学习

3. 专业领域

《数据可视化之美》

广义上的数据可视化则是数据可视化、信息可视化以及科学可视化等等多个领域的统称。

狭义上的数据可视化指的是数据用统计图表方式呈现，而信息可视化则是将非数字的信息进行可视化。前者用于传递信息，后者用于表现抽象或复杂的概念、技术和信息。

数据可视化（Data Visualization）和信息可视化（Infographics）是两个相近的专业领域名词。

4. 跨学科

如果一名工程师希望长期从事数据产品的研发，只关注数据和数据可视化是完全不够的，实际上数据可视化是跨多学科的一个领域，例如信息技术，计算机，统计学，图形学等等。

数据可视化 - 什么是数据可视化相关推荐

R语言ggplot2可视化：ggplot2可视化时间序列数据并在末尾数据点添加数值标签（number label）
R语言ggplot2可视化:ggplot2可视化时间序列数据并在末尾数据点添加数值标签(number label) 目录
R语言ggplot2可视化：使用长表数据（窄表数据）（ Long Data Format）可视化多个时间序列数据、在同一个可视化图像中可视化多个时间序列数据（Multiple Time Series）
R语言ggplot2可视化:使用长表数据(窄表数据)( Long Data Format)可视化多个时间序列数据.在同一个可视化图像中可视化多个时间序列数据(Multiple Time Series) ...
R语言ggplot2可视化：使用热力图可视化dataframe数据
R语言ggplot2可视化:使用热力图可视化dataframe数据目录 R语言ggplot2可视化:使用热力图可视化dataframe数据
python使用matplotlib可视化间断条形图、使用broken_barh函数可视化间断条形图、可视化定性数据的相同指标在时间维度上的差异
python使用matplotlib可视化间断条形图.使用broken_barh函数可视化间断条形图.可视化定性数据的相同指标在时间维度上的差异目录 python使用matplotlib可视化间断条 ...
python使用matplotlib可视化阶梯图、使用step函数可视化阶梯图、可视化时间序列数据的波动周期和规律
python使用matplotlib可视化阶梯图.使用step函数可视化阶梯图.可视化时间序列数据的波动周期和规律目录
R语言ggplot2可视化：使用热力图可视化dataframe数据、自定义设置热力图的颜色、自定添加标题、轴标签、热力图线框等
R语言ggplot2可视化:使用热力图可视化dataframe数据.自定义设置热力图的颜色.自定添加标题.轴标签.热力图线框等目录
R语言ggplot2可视化在特定数据点添加竖直的虚线实战：Add a dotted vertical line on certain x-axis values
R语言ggplot2可视化在特定数据点添加竖直的虚线实战:Add a dotted vertical line on certain x-axis values 目录 R语言
R语言plotly可视化：使用PCA算法进行数据降维、使用plotly可视化随着主成分的增加解释的方差的量(plotting explained variance)
R语言plotly可视化:使用PCA算法进行数据降维.使用plotly可视化随着主成分的增加解释的方差的量(plotting explained variance) 目录
R语言plotly可视化：使用PCA算法进行数据降维、使用plotly可视化PCA所有的主成分绘制散点图矩阵、降维后的两个（三个）核心主成分的二维、三维可视化图形、方差解释的量、载荷图等
R语言plotly可视化:使用PCA算法进行数据降维.使用plotly可视化PCA所有的主成分绘制散点图矩阵.降维后的两个(三个)核心主成分的二维.三维可视化图形.方差解释的量.载荷图等目录
python使用matplotlib中的errorbar函数可视化误差条、并自定义数据点标记、数据点大小、数据点颜色、数据点边缘颜色、误差棒颜色、误差棒线条宽度、误差棒边界线长度、误差棒边界线厚度等
python使用matplotlib中的errorbar函数可视化误差条.并自定义数据点标记.数据点大小.数据点颜色.数据点边缘颜色.误差棒颜色.误差棒线条宽度.误差棒边界线长度.误差棒边界线厚度等 ...