大数据可视化设计规范

『壹』 数据可视化的基本流程

作者 | 向倩文

来源 | 数据产品手记

大多数人对数据可视化的第一印象，可能就是各种图形，比如Excel图表模块中的柱状图、条形图、折线图、饼图、散点图等等，就不一一列举了。以上所述，只是数据可视化的具体体现，但是数据可视化却不止于此。

数据可视化不是简单的视觉映射，而是一个以数据流向为主线的一个完整流程，主要包括数据采集、数据处理和变换、可视化映射、用户交互和用户感知。一个完整的可视化过程，可以看成数据流经过一系列处理模块并得到转化的过程，用户通过可视化交互从可视化映射后的结果中获取知识和灵感。

图1 可视化的基本流程图

可视化主流程的各模块之间，并不仅仅是单纯的线性连接，而是任意两个模块之间都存在联系。例如，数据采集、数据处理和变换、可视化编码和人机交互方式的不同，都会产生新的可视化结果，用户通过对新的可视化结果的感知，从而又会有新的知识和灵感的产生。

下面，对数据可视化主流程中的几个关键步骤进行说明。

01

数据采集

数据采集是数据分析和可视化的第一步，俗话说“巧妇难为无米之炊”，数据采集的方法和质量，很大程度上就决定了数据可视化的最终效果。

数据采集的分类方法有很多，从数据的来源来看，可以分为内部数据采集和外部数据采集。

1.内部数据采集：

指的是采集企业内部经营活动的数据，通常数据来源于业务数据库，如订单的交易情况。如果要分析用户的行为数据、APP的使用情况，还需要一部分行为日志数据，这个时候就需要用「埋点」这种方法来进行APP或Web的数据采集。

2.外部数据采集：

指的数通过一些方法获取企业外部的一些数据，具体目的包括，获取竞品的数据、获取官方机构官网公布的一些行业数据等。获取外部数据，通常采用的数据采集方法为「网络爬虫」。

以上的两类数据采集方法得来的数据，都是二手数据。通过调查和实验采集数据，属于一手数据，在市场调研和科学研究实验中比较常用，不在此次探讨范围之内。

02

数据处理和变换

数据处理和数据变换，是进行数据可视化的前提条件，包括数据预处理和数据挖掘两个过程。

一方面，通过前期的数据采集得到的数据，不可避免的含有噪声和误差，数据质量较低；另一方面，数据的特征、模式往往隐藏在海量的数据中，需要进一步的数据挖掘才能提取出来。

常见的数据质量问题包括：

1.数据收集错误，遗漏了数据对象，或者包含了本不应包含的其他数据对象。

2.数据中的离群点，即不同于数据集中其他大部分数据对象特征的数据对象。

3.存在遗漏值，数据对象的一个或多个属性值缺失，导致数据收集不全。

4.数据不一致，收集到的数据明显不合常理，或者多个属性值之间互相矛盾。例如，体重是负数，或者所填的邮政编码和城市之间并没有对应关系。

5.重复值的存在，数据集中包含完全重复或几乎重复的数据。

正是因为有以上问题的存在，直接拿采集的数据进行分析or可视化，得出的结论往往会误导用户做出错误的决策。因此，对采集到的原始数据进行数据清洗和规范化，是数据可视化流程中不可缺少的一环。

数据可视化的显示空间通常是二维的，比如电脑屏幕、大屏显示器等，3D图形绘制技术解决了在二维平面显示三维物体的问题。

但是在大数据时代，我们所采集到的数据通常具有4V特性：Volume（大量）、Variety（多样）、Velocity（高速）、Value（价值）。如何从高维、海量、多样化的数据中，挖掘有价值的信息来支持决策，除了需要对数据进行清洗、去除噪声之外，还需要依据业务目的对数据进行二次处理。

常用的数据处理方法包括：降维、数据聚类和切分、抽样等统计学和机器学习中的方法。

03

可视化映射

对数据进行清洗、去噪，并按照业务目的进行数据处理之后，接下来就到了可视化映射环节。可视化映射是整个数据可视化流程的核心，是指将处理后的数据信息映射成可视化元素的过程。

可视化元素由3部分组成：可视化空间+标记+视觉通道

1.可视化空间

数据可视化的显示空间，通常是二维。三维物体的可视化，通过图形绘制技术，解决了在二维平面显示的问题，如3D环形图、3D地图等。

图2 可视化空间示例

2.标记

标记，是数据属性到可视化几何图形元素的映射，用来代表数据属性的归类。

根据空间自由度的差别，标记可以分为点、线、面、体，分别具有零自由度、一维、二维、三维自由度。如我们常见的散点图、折线图、矩形树图、三维柱状图，分别采用了点、线、面、体这四种不同类型的标记。

图3 标记类型示例

3.视觉通道

数据属性的值到标记的视觉呈现参数的映射，叫做视觉通道，通常用于展示数据属性的定量信息。

常用的视觉通道包括：标记的位置、大小（长度、面积、体积...）、形状（三角形、圆、立方体...）、方向、颜色（色调、饱和度、亮度、透明度...）等。

图3中的四个图形示例，就很好的利用了位置、大小、颜色等视觉通道来进行数据信息的可视化呈现。

「标记」、「视觉通道」是可视化编码元素的两个方面，两者的结合，可以完整的将数据信息进行可视化表达，从而完成可视化映射这一过程。

关于可视化编码元素的优先级，以及如何根据数据的特征选择合适的可视化表达，下次会专题来分享下。

04

人机交互

可视化的目的，是为了反映数据的数值、特征和模式，以更加直观、易于理解的方式，将数据背后的信息呈现给目标用户，辅助其作出正确的决策。

但是通常，我们面对的数据是复杂的，数据所蕴含的信息是丰富的。

如果在可视化图形中，将所有的信息不经过组织和筛选，全部机械的摆放出来，不仅会让整个页面显得特别臃肿和混乱，缺乏美感；而且模糊了重点，分散用户的注意力，降低用户单位时间获取信息的能力。

常见的交互方式包括：

1.滚动和缩放：当数据在当前分辨率的设备上无法完整展示时，滚动和缩放是一种非常有效的交互方式，比如地图、折线图的信息细节等。但是，滚动与缩放的具体效果，除了与页面布局有关系外，还与具体的显示设备有关。

2.颜色映射的控制：一些可视化的开源工具，会提供调色板，如D3。用户可以根据自己的喜好，去进行可视化图形颜色的配置。这个在自助分析等平台型工具中，会相对多一点，但是对一些自研的可视化产品中，一般有专业的设计师来负责这项工作，从而使可视化的视觉传达具有美感。

3.数据映射方式的控制：这个是指用户对数据可视化映射元素的选择，一般一个数据集，是具有多组特征的，提供灵活的数据映射方式给用户，可以方便用户按照自己感兴趣的维度去探索数据背后的信息。这个在常用的可视化分析工具中都有提供，如tableau、PowerBI等。

4.数据细节层次控制：比如隐藏数据细节，hover或点击才出现。

05

用户感知

可视化的结果，只有被用户感知之后，才可以转化为知识和灵感。

用户在感知过程，除了被动接受可视化的图形之外，还通过与可视化各模块之间的交互，主动获取信息。

如何让用户更好的感知可视化的结果，将结果转化为有价值的信息用来指导决策，这个里面涉及到的影响因素太多了，心理学、统计学、人机交互等多个学科的知识。

学习之路漫漫，一直在路上， 我们会持续分享数据可视化领域的知识，记得持续follow我们哟！

『贰』 大数据系统有哪些

大数据可视化系统（一）思迈特软件Smartbi

思迈特软件Smartbi是一款商业智能BI工具，做数据分析和可视化数据展现，以分析为主，提供多种数据接入方式，可视化功能强大，平台更适合掌握分析方法了解分析的思路的用户，其他用户的使用则依赖于分析师的结果输出。

Smartbi也是小编找了很久感觉很不错的一款大数据可视化系统。其中还有很多对数据处理的公式和方法，图表也比较全面。相对于网络的echarts，Smartbi还是一款比较容易入手的数据分析工具。最后，Smartbi提供了免费的版本，功能齐全，更加适合个人对数据分析的学习和使用。

大数据可视化系统（二）ChartBlocks

ChartBlocks是一款网页版的大数据可视化系统，在线使用。通过导入电子表格或者数据库来构建可视化图表。整个过程可以在图表的向导指示下完成。它的图表在HTML5的框架下，使用强大的JavaScript库D3js来创建图表。

图表是响应式的，可以和任何的屏幕尺寸及设备兼容。还可以将图表嵌入任何网页中。

大数据可视化系统（三）Tableau

Tableau公司将数据运算与美观的图表完美地嫁接在一起。它的程序很容易上手，各公司可以用它将大量数据拖放到数字”画布”上，转眼间就能创建好各种图表。这一软件的理念是，界面上的数据越容易操控，公司对自己在所在业务领域里的所作所为到底是正确还是错误，就能了解得越透彻。

它们都是为与大数据有关的组织设计的。企业使用这个工具非常方便，而且提供了闪电般的速度。还有一件事对这个工具是肯定的，Tableau具有用户友好的特性，并与拖放功能兼容。但是在大数据方面的性能有所缺陷，每次都是实时查询数据，如果数据量大，会卡顿。

大数据可视化系统（四）AntV

AntV是蚂蚁金服的大数据可视化系统，主要包含专注解决流程与关系分析的图表库G6、适于对性能、体积、扩展性要求严苛场景下使用的移动端图表库F2以及一套完整的图表使用指引和可视化设计规范。

已为阿里集团内外2000+个业务系统提供数据可视化能力，其中不乏日均千万UV级的产品。

『叁』 数据可视化的设计步骤有哪些

1、需求分析

需求分析是大数据可视化项目开展的前提，要描述项目背景与目的、业务目标、业务范围、业务需求和功能需求等内容，明确实施单位对可视化的期望和需求。包括需要分析的主题、各主题可能查看的角度、需要发泄企业各方面的规律、用户的需求等内容。

2、建设数据仓库/数据集市的模型

数据仓库/数据集市的模型是在需求分析的基础上建立起来的。数据仓库/数据集市建模除了数据库的ER建模和关系建模，还包括专门针对数据仓库的维度建模技术。

3、数据抽取、清洗、转换、加载(ETL)

数据抽取是指将数据仓库/集市需要的数据从各个业务系统中抽离出来，因为每个业务系统的数据质量不同，所以要对每个数据源建立不同的抽取程序，每个数据抽取流程都需要使用接口将元数据传送到清洗和转换阶段。

4、建立可视化场景

建立可视化场景是对数据仓库/集市中的数据进行分析处理的成果，用户能够借此从多个角度查看企业/单位的运营状况，按照不同的主题和方式探查企业/单位业务内容的核心数据，从而作出更精准的预测和判断。

『肆』 大数据可视化遵循什么原则

1.理解数据源

确保了解你工作的数据。这是理解数据至关重要的第一步。你需要对宏观的全局有所理解：为什么收集这些数据?公司对于这些数据赋予什么样的价值?用户是谁?如何能让数据作用最大化?深入理解这些问题，能为创造出既有意义又人性化的可视化信息，打下重要的基础。

2.明确你要讲的故事

好的数据可视化不仅仅是一张美丽的图片，它还能讲述一个任何人都能明白的故事。因此，至关重要的是，你首先需明确你想讲的故事，然后将数据作为一种润色故事的方式。

例如，我们最近帮助瑞典某移动运营商重新设计了之前经常让用户混淆的月度手机账单，使其以用户为中心便于用户使用。该公司希望设计出更为有效易用的话单，而不是继续呈现给用户难懂的一串号码。

3.简单法则

数据可视化是用来告知用户，而非让用户接收不需要的过载信息。作用一名设计者，你的角色就是专注简单，将复杂或者零散的信息变得切实可行，易于理解，极具意义和更人性化的信息。记住，越简单，用户才能越明白。

『伍』 如何实现大数据可视化

1.考虑用户

管理咨询公司Aspirent视觉分析实践主管Dan Gastineau表示，企业应使用颜色、形状、大小和布局来显示可视化的设计和使用。

Aspirent使用颜色来突出希望用户关注的分析方面。而大小可有效说明数量，但过多使用不同大小来传递信息可能会导致混乱。这里应该有选择地使用大小，即在咨询团队成员想要强调的地方。

2.讲述连贯的故事

与你的受众沟通，保持设计的简单和专注性。颜色到图表数量等细节可帮助确保仪表板讲述连贯的故事。MicroStrategy产品管理高级副总裁Saurabh Abhyankar说：“仪表板就像一本书，它需要考虑读者的设计元素，而不仅仅是强制列出所有可访问的数据。”仪表板的设计将成为推动部署的因素。

3.迭代设计

应不断从视觉分析用户获得反馈意见。随着时间的推移，数据探索会引发新的想法和问题，而随时间和部署推移提高数据相关性会使用户更智能。

从你的受众征求并获取反馈意见可改善体验。谷歌云端数据工作室首席产品经理Nick Mihailovski表示，快速构建概念、快速获取反馈意见并进行迭代可更快获得更好的结果。另外，还可将调查和表格整合到精美的报告中，也可以帮助确保大数据的可视化结果确实有助于目标受众。

4.个性化一切

应确保仪表板向最终用户显示个性化信息，并确保其相关性。并且，还应确保可视化在设计上反映其所在的设备，并为最终用户提供离线访问，这将让可视化走得更长远。Mihailovski说，通过精心设计的交互式可视化来吸引观众以及传播数据文化，这会使分析具有吸引力和富有乐趣。

5.从分析目标开始

应确保数据类型和分析目标可反映所选的可视化类型。Mihailovski称：“人们通常会采用相反的方法，他们先看到整洁或模糊的可视化类型，然后试图使其数据相匹配。”对于大数据项目的可视化，简单的表格或条形图有时可能是最有效的。

关于如何实现大数据可视化，青藤小编就和您分享到这里了。如果你对大数据工程有浓厚的兴趣，希望这篇文章能够对你有所帮助。如果您还想了解更多数据分析师、大数据工程师的技巧及素材等内容，可以点击本站的其他文章进行学习。

『陆』 大数据可视化设计到底是啥，该怎么用

大数据可视化是个热门话题，在信息安全领域，也由于很多企业希望将大数据转化为信息可视化呈现的各种形式，以便获得更深的洞察力、更好的决策力以及更强的自动化处理能力，数据可视化已经成为网络安全技术的一个重要趋势。

文章目录

        一、什么是网络安全可视化

1.1 故事+数据+设计 =可视化

1.2 可视化设计流程

二、案例一：大规模漏洞感知可视化设计

2.1整体项目分析

2.2分析数据

2.3匹配图形

2.4确定风格

2.5优化图形

2.6检查测试

三、案例二：白环境虫图可视化设计

3.1整体项目分析

3.2分析数据

3.3 匹配图形

3.4优化图形

3.5检查测试

一、什么是网络安全可视化

攻击从哪里开始？目的是哪里？哪些地方遭受的攻击最频繁……通过大数据网络安全可视化图，我们可以在几秒钟内回答这些问题，这就是可视化带给我们的效率 。 大数据网络安全的可视化不仅能让我们更容易地感知网络数据信息，快速识别风险，还能对事件进行分类，甚至对攻击趋势做出预测。可是，该怎么做呢？

1.1 故事+数据+设计 =可视化

做可视化之前，最好从一个问题开始，你为什么要做可视化，希望从中了解什么？是否在找周期性的模式？或者多个变量之间的联系？异常值？空间关系？比如政府机构，想了解全国各个行业漏洞的分布概况，以及哪个行业、哪个地区的漏洞数量最多；又如企业，想了解内部的访问情况，是否存在恶意行为，或者企业的资产情况怎么样。总之，要弄清楚你进行可视化设计的目的是什么，你想讲什么样的故事，以及你打算跟谁讲。

有了故事，还需要找到数据，并且具有对数据进行处理的能力，图1是一个可视化参考模型，它反映的是一系列的数据的转换过程：

我们有原始数据，通过对原始数据进行标准化、结构化的处理，把它们整理成数据表。

将这些数值转换成视觉结构（包括形状、位置、尺寸、值、方向、色彩、纹理等），通过视觉的方式把它表现出来。例如将高中低的风险转换成红黄蓝等色彩，数值转换成大小。

将视觉结构进行组合，把它转换成图形传递给用户，用户通过人机交互的方式进行反向转换，去更好地了解数据背后有什么问题和规律。

最后，我们还得选择一些好的可视化的方法。比如要了解关系，建议选择网状的图，或者通过距离，关系近的距离近，关系远的距离也远。

总之，有个好的故事，并且有大量的数据进行处理，加上一些设计的方法，就构成了可视化。

1.2 可视化设计流程

一个好的流程可以让我们事半功倍，可视化的设计流程主要有分析数据、匹配图形、优化图形、检查测试。首先，在了解需求的基础上分析我们要展示哪些数据，包含元数据、数据维度、查看的视角等；其次，我们利用可视化工具，根据一些已固化的图表类型快速做出各种图表；然后优化细节；最后检查测试。

具体我们通过两个案例来进行分析。

二、案例一：大规模漏洞感知可视化设计

图2是全国范围内，各个行业漏洞的分布和趋势，橙黄蓝分别代表了漏洞数量的高中低。

2.1整体项目分析

我们在拿到项目策划时，既不要被大量的信息资料所迷惑而感到茫然失措，也不要急于完成项目，不经思考就盲目进行设计。首先，让我们认真了解客户需求，并对整体内容进行关键词的提炼。可视化的核心在于对内容的提炼，内容提炼得越精确，设计出来的图形结构就越紧凑，传达的效率就越高。反之，会导致图形结构臃肿散乱，关键信息无法高效地传达给读者。

对于大规模漏洞感知的可视化项目，客户的主要需求是查看全国范围内，各个行业的漏洞分布和趋势。我们可以概括为三个关键词：漏洞量、漏洞变化、漏洞级别，这三个关键词就是我们进行数据可视化设计的核心点，整体的图形结构将围绕这三个核心点来展开布局。

2.2分析数据

想要清楚地展现数据，就要先了解所要绘制的数据，如元数据、维度、元数据间关系、数据规模等。根据需求，我们需要展现的元数据是漏洞事件，维度有地理位置、漏洞数量、时间、漏洞类别和级别，查看的视角主要是宏观和关联。涉及到的视觉元素有形状、色彩、尺寸、位置、方向，如图4。

2.3匹配图形

2.4确定风格

匹配图形的同时，还要考虑展示的平台。由于客户是投放在大屏幕上查看，我们对大屏幕的特点进行了分析，比如面积巨大、深色背景、不可操作等。依据大屏幕的特点，我们对设计风格进行了头脑风暴：它是实时的，有紧张感；需要新颖的图标和动效，有科技感；信息层次是丰富的；展示的数据是权威的。

最后根据设计风格进一步确定了深蓝为标准色，代表科技与创新；橙红蓝分别代表漏洞数量的高中低，为辅助色；整体的视觉风格与目前主流的扁平化一致。

2.5优化图形

有了图形后，尝试把数据按属性绘制到各维度上，不断调整直到合理。虽然这里说的很简单，但这是最耗时耗力的阶段。维度过多时，在信息架构上广而浅或窄而深都是需要琢磨的，而后再加上交互导航，使图形更“可视”。

在这个任务中，图形经过很多次修改，图7是我们设计的过程稿，深底，高亮的地图，多颜色的攻击动画特效，营造紧张感；地图中用红、黄、蓝来呈现高、中、低危的漏洞数量分布情况；心理学认为上方和左方易重视，“从上到下”“从左至右”的“Z”字型的视觉呈现，简洁清晰，重点突出。

完成初稿后，我们进一步优化了维度、动效和数量。维度：每个维度，只用一种表现，清晰易懂；动效：考虑时间和情感的把控，从原来的1.5ms改为3.5ms；数量：考虑了太密或太疏时用户的感受，对圆的半径做了统一大小的处理。

2.6检查测试

最后还需要检查测试，从头到尾过一遍是否满足需求；实地投放大屏幕后，用户是否方便阅读；动效能否达到预期，色差是否能接受；最后我们用一句话描述大屏，用户能否理解。

三、案例二：白环境虫图可视化设计

如果手上只有单纯的电子表格（左），要想找到其中IP、应用和端口的访问模式就会很花时间，而用虫图（右）呈现之后，虽然增加了很多数据，但读者的理解程度反而提高了。

3.1整体项目分析

当前，企业内部IT系统复杂多变，存在一些无法精细化控制的、非法恶意的行为，如何精准地处理安全管理问题呢？我们的主要目标是帮助用户监测访问内网核心服务器的异常流量，概括为2个关键词：内网资产和访问关系，整体的图形结构将围绕这两个核心点来展开布局。

3.2分析数据

接下来分析数据，案例中的元数据是事件，维度有时间、源IP、目的IP和应用，查看的视角主要是关联和微观。

3.3 匹配图形

根据以往的经验，带有关系的数据一般使用和弦图和力导向布局图。最初我们采用的是和弦图，圆点内部是主机，用户要通过3个维度去寻找事件的关联。通过测试发现，用户很难理解，因此选择了力导向布局图（虫图）。第一层级展示全局关系，第二层级通过对IP或端口的钻取进一步展现相关性。

3.4优化图形

优化图形时，我们对很多细节进行了调整： – 考虑太密或太疏时用户的感受，只展示了TOP N。 – 弧度、配色的优化，与我们UI界面风格相一致。 – IP名称超长时省略处理。 – 微观视角中，源和目的分别以蓝色和紫色区分，同时在线上增加箭头，箭头向内为源，向外是目的，方便用户理解。 – 交互上，通过单击钻取到单个端口和IP的信息；鼠标滑过时相关信息高亮展示，这样既能让画面更加炫酷，又能让人方便地识别。

3.5检查测试

通过调研，用户对企业内部的流向非常清楚，视觉导向清晰，钻取信息方便，色彩、动效等细节的优化帮助用户快速定位问题，提升了安全运维效率。

四、总结

总之，借助大数据网络安全的可视化设计，人们能够更加智能地洞悉信息与网络安全的态势，更加主动、弹性地去应对新型复杂的威胁和未知多变的风险。

可视化设计的过程中，我们还需要注意：1、整体考虑、顾全大局；2、细节的匹配、一致性；3、充满美感，对称和谐。

『柒』 大数据分析中，有哪些常见的大数据分析模型

来看看我们公司的大数据平台

我们的DataZ具备高性能实时和离线计算能力，丰富的统计、薯睁答分析、挖掘模型，为行业全流程、全周期的生产运营活动提供商业智能支持，并能可视化您的数据，高效挖掘数据深层次信息。可以应用于金融大数据风控。

系统架构图System Architecture Diagram

大数据可视化Data Visualization

快速收集、筛选、分析、归纳、展现决策者所需要的信息，并根据新增的数据进行实时更新。可以实现决策支持、财务分析、预警分析、仪表板、绩效分析、经营分析等各类数据分析应用。

可视化设计平台

丰富的数据可视化组件库

快速简易的BI实施平台

支持多终端展现

『捌』 大数据可视化大屏图表设计经验，教给你！

自从跟大家分享第一篇 《大数据可视化大屏设计经验，教给你！》 ，很多小伙伴都会问我一些相关的问题，看了小伙伴给我发的视觉稿，整体都还不错，但是发现图表的设计都有一些问题，大家可能对数据可视化的图表设计经验少一些，所以这篇文章就挖掘一下图表的细节表现，分享我曾经遇到过的坑和对图表设计的理解。

图表设计 

图表设计概念

图表设计是数据可视化的一个分支领域，是对数据进行二次加工，用统计图表的方式进行呈现，也是数据可视化的核心表现，图表设计既要保证图表本身数据清晰准确、直观易懂，又要在找准用户关注的核心内容进行适当的突显，帮助用户通过数据进行决策。

下面分析三种常用的可视化图表设计：

折线图

折线图常用于表示数据的变化和趋势，坐标轴的不同对折线的变化幅度有很大的影响。

左图坐标轴设定的太低，折线变化过于陡峭，图中数值区间为（10-34）数据可视化的表现过于夸大了折线变化的趋势。

右图坐标轴的数值设定的太高，则折线变化过于平缓，无法清晰的表现折线的变化。

合理的折线图应当占据图表的三分之二的茄卜位置，图表的X轴数值范围应根据折线的数值增减变化而变化，这需要跟前端小哥哥小姐姐说明，做成动态计算。

折线图的折线粗细要合理，过细的折线会降低数据表现，过粗的折线会损失折线中的大纳孝数据波动细节，视觉上较难精准找到折线点的相应数值！我通常用两个像素的线，看起来比较合适！

右图刻度线颜色过重，影响图表数据的表现，零基线跟图表内的刻度线对比不够明显，整体很乱。零基线是强调起始位置的，一般要比图表内的线颜色凸出一些。

条形图/柱状图

理想很丰满，现实很骨感。这个案例是我之前在工作中遇到的问题，数据进来后，被吓到了，问题的原因是没有跟前端小哥姐沟通好，他们把X轴写死，导致出现这种问题，其实应该情况要把这些图表的取值范围写成动态计算的。

例如，以现在数值范围为例，数据的最高值为18，X轴最高数值应该为25，当数据又上升一定的高度后，X轴再上升到相应的数值高度，这滚稿样避免了如右图的问题。

坐标轴的标签文字最好能水平排列， 当X轴标签文字过多时，不建议倾斜排列、上下排列、换行排列 文字多了这样的展示大大降低了阅读性！下图给出两个解决方案，大大提高标签文字的阅读性！

解决方案

柱子之间过于分散就会失去数据之间的关联性，过密就会变得数据之间没有独立性更不利于舒适阅读。

当柱子为n时，柱子直接的距离建议与n相差不要太大，柱子靠边的距离，最好是柱子之间的一半的距离，这样视觉上最为舒适。

饼图

左1图，不建议在饼图内与百分比数值一起显示，饼图本身的形状和大小，文字过多时容易溢出，如果出现一个2%一个1%，就很难辨别图形指向，这样也就失去了数据可视化的意义，PPT通常有这样的设计样式，因为是个死图。

左3图，人的阅读习惯是从左到右，从上到下，所以数据从大到小排列，更有助于阅读，图形也更具美感！

当饼图为检出率，或者一些重要信息检测的重点关注数据，就不建议大小数据顺时针排列，左1图这种情况一般很少出现，因为关注的是检出数值，展示未检出数据实为鸡肋，可能是极少情况的需要吧！

右图对于类似检出率的数据最为合适，直观清晰，没有无用数据干扰！

当饼图的标签维度过多时，就不适合把数据围绕饼图一周展示，会很乱，不易阅读，解决方案如右图！

图表分类图

分享一张图表分类大全，保存起来，设计数据可视化产品，会有重要参考价值！

这张图由设计师Abela对图表的各种特征进行了大致的概括总结。

『玖』 大数据的数据可视化是什么样的

DCV作为新一代数据中心可视化管理平台，让管理人员可以清晰直观地掌握IT运营中的有效信息，实现透明化与可视化管理，进而有效提升资产管理与监控管理的效率，实现立体式、可视化的新一代数据中心运行管理网页链接

CampusBuilder (模模搭)提供了一个完整的、 网络化、 可视化的三维虚拟环境设计编辑平台，操作简便，高效易用，用户可使用鼠标拖动的方式绘制各种结构及添加各种对象模型，即可立即创建数据中心机房的三维模型，还可以导入机房CAD图纸辅助绘制，用户可快速高效地设计数据中心机房，实现房间结构生成、装饰调整、设备摆放和场景创建的工作，生成实际可用的数据中心三维虚拟仿真场景。

1、环境可视化

沙盘、展板、图纸等传统管理手段缺乏交互性，吸引力弱，信息传递效果不佳。Tarsier的环境可视化管理采用3D虚拟仿真技术，实现数据中心的园区、楼宇、机房等环境的可视化浏览，清晰完整地展现整个数据中心。同时配合监控可视化模块，可以与安防、消防、楼宇自控等系统集成，为以上系统提供可视化管理手段，实现数据中心园区环境的跨系统集中管理，提高对数据中心园区的掌控能力和管理效率。

功能特性：
地理园区的虚拟仿真、建筑外观的虚拟仿真、建筑内部结构的虚拟仿真。

2、

管线可视化

通过传统的平面图纸和跳线表方式难以看清密集管线的信息。Tarsier的管线可视化管理以3D可视化手段梳理数据中心日益密集的电气管道与网络线路，让数据中心运维人员从平面图纸及跳线表格中解脱出来，更加直观地掌握数据中心的管线分布及走线情况，从而快速排查及修复管线类故障，提高管线管理水平和故障解决效率。

功能特性：
园区管网3D可视化、建筑电气管路3D可视化、建筑空调管路3D可视化、机房设备布线3D可视化。

3、资产可视化

数据中心内设备资产数量庞大，种类众多，传统的列表式管理方式效率低、实用性差。Tarsier的资产可视化管理模块采用创新的三维互动技术实 现对数据中心资产配置信息的可视化管理，可与各类IT资产配置管理数据库集成，也支持各种资产台账表格直接导入，让呆板的资产和配置数据变得鲜 活易用，大大提升了资产数据的实用性和易用性。

功能特性：
分级浏览可视化、设备上下架3D可视化、全设备虚拟仿真、快速模糊查询、强大模型库支持。

4、容量可视化

传统管理软件对机房容量情况缺乏有效的信息检索手段，查询困难。Tarsier的容量可视化管理模块提供以机柜为单位的数据中心容量管理，以树形结构和3D可视化展现两种方式全面表现机房和机柜整体使用情况，对于空间容量、电力容量、承重容量等进行精确统计和展现，帮助运维人员高效的管理机房的容量资源，让机房各类资源的负荷更加均衡，提升数据中心资源使用效率。

功能特性：
地理园区的虚拟仿真、建筑外观的虚拟仿真、建筑内部结构的虚拟仿真。

5、监控可视化

监控可视化管理整合数据中心内各种专业监控工具（如动环监控、安防监控、网络监控、主机监控、应用监控等），把多种监控数据融为一体，建立统一监控窗口，解决监控数据孤岛问题，实现监控工具、监控数据的价值最大化。同时，基于T3D图形引擎强大的可视化能力，提供丰富的可视化手段，扭转由于二维信息维度不足而导致的数据与报表泛滥状况，切实提升监控管理水平。

功能特性：
门禁监控集成、视频监控集成、消防监控集成、环境监控集成、配电监控集成、制冷监控集成、设备统一告警展示。

6、演示可视化

PPT介绍、动画录像等传统汇报方式枯燥单调、真实感不强。Tarsier的演示可视化管理借助T3D图形引擎提供的虚拟线路和可视化展示等强大功能，满足数据中心基础设施多样化的展示需求，如逻辑关系表达、模拟气流、PPT整合、自动巡检及演示路线定制等，用户可以在平台中制作内容丰富、生动多彩、图文并茂的数据中心介绍和演示内容，以耳目一新的形式展现数据中心的方方面面，有力提升数据中心整体形象，充分体现数据中心管理水平。

功能特性：
PPT演示汇报管理、日常工作视角管理、动画线路管理。‍

『拾』 如何实现大数据可视化

1.考虑用户
管理咨询公司Aspirent视觉分析实践主管Dan Gastineau表示，企业应使用颜色、形状、大小和布局来显示可视化的设计和使用。
Aspirent使用颜色来突出希望用户关注的分析方面。而大小可有效说明数量，但过多使用不同大小来传递信息可能会导致混乱。这里应该有选择地使用大小，即在咨询团队成员想要强调的地方。
2.讲述连贯的故事
与你的受众沟通，保持设计的简单和专注性。颜色到图表数量等细节可帮助确保仪表板讲述连贯的故事。MicroStrategy产品管理高级副总裁Saurabh
Abhyankar说：“仪表板就像一本书，它需要考虑读者的设计元素，而不仅仅是强制列出所有可访问的数据。”仪表板的设计将成为推动部署的因素。
3.迭代设计
应不断从视觉分析用户获得反馈意见。随着时间的推移，数据探索会引发新的想法和问题，而随时间和部署推移提高数据相关性会使用户更智能。
从你的受众征求并获取反馈意见可改善体验。谷歌云端数据工作室首席产品经理Nick
Mihailovski表示，快速构建概念、快速获取反馈意见并进行迭代可更快获得更好的结果。另外，还可将调查和表格整合到精美的报告中，也可以帮助确保大数据的可视化结果确实有助于目标受众。
4.个性化一切
应确保仪表板向最终用户显示个性化信息，并确保其相关性。并且，还应确保可视化在设计上反映其所在的设备，并为最终用户提供离线访问，这将让可视化走得更长远。Mihailovski说，通过精心设计的交互式可视化来吸引观众以及传播数据文化，这会使分析具有吸引力和富有乐趣。
5.从分析目标开始
应确保数据类型和分析目标可反映所选的可视化类型。Mihailovski称：“人们通常会采用相反的方法，他们先看到整洁或模糊的可视化类型，然后试图使其数据相匹配。”对于大数据项目的可视化，简单的表格或条形图有时可能是最有效的。