近年来，数据可视化是一个热度比较高的词，数据可视化是指将数据以视觉形式来呈现，如图表或地图，以帮助人们了解这些数据的意义。

而数据可视化大屏是当前可视化领域的一项热门应用，通常可以分为信息展示类、数据分析类及监控预警类。数据可视化大屏，有两个要点：展现效果的酷炫、数据之间的层次关系。好的数据可视化大屏是布局、色彩、图表、动效的综合运用。

今天小亿就来为大家说说怎样做出一份优秀的数据可视化大屏，以及为大家展示一些数据可视化案例集。

一、什么是数据可视化？

数据可视化是指借助图形化手段，清晰有效地传达与沟通信息。这里的核心是有效的传递信息，由于人类大脑对视觉信息的处理优于对文本的处理，因此使用图表、图形和设计元素把数据进行可视化，可以帮你更容易的解释数据模式、趋势、统计规律和数据相关性，而这些内容在其他呈现方式下可能难以被发现。 

如演讲和沟通专家南希·杜瓦特（Nancy Duarte）所说：“不要让听众感觉你在展示一张图表，而要回顾人的行为，描述曲线变化背后的事件。不是“来看我们的三季度财报”，而是“来看我们为什么没完成目标”。”

二、数据可视化有哪些好处？

1.化繁为简，方便理解

数据可视化能将不可见的数据现象转化为可见的图形符号，能将错综复杂、看起来没法解释和关联的数据，建立起联系和关联，发现规律和特征，获得更有商业价值的洞见和价值。

正所谓“一图胜千言”，使用图表来总结复杂的数据，这种沟通方式也使业务领导者能够更快地理解和处理他们的信息。

2.发现新趋势、新机遇

企业收集到的消费者行为的数据，可以为适应性强的公司带来许多新的机遇。通过使用大数据可视化来监控关键指标，更加阳光透明，及时发现问题第一时间做出应对。

例如：天猫的双11数据大屏实况直播，可视化大屏展示大数据平台的资源利用、任务成功率、实时数据量等。企业领导人可以更容易发现各种大数据集的市场变化和趋势。

数据可视化的主要好处是它及时带来了风险变化。但与静态图表不同，交互式数据可视化鼓励用户探索甚至操纵数据来发现其他“秘密”。这就为使用分析提供了更好的意见。

三、数据可视化的难点 

数据可视化的最大难点在数据可视化之前的准备工作—数据的获取与整理。比如数据收集是否全面准确？清洗数据是否到位？数据分析是否有据可循？数据分析结论是否清晰？如果用来数据可视化的数据出现问题，数据可视化的作品都不具有任何参考价值。

2.对数据需要具有敏感性

面对复杂的数据、信息，怎么找到数据之间的逻辑关系至关重要，这就需要制作人具备一定的数据分析能力，对大量复杂的数据具备数据敏感性，快速找到多维度、多变量的数据之间的逻辑关系，确定哪些数据之间有直接关系，哪些数据之间具有间接关系，需要重点展现哪些数据之间的关系，这些都需要制作人及时做出准确判断。

3.用简洁易懂的图表展示复杂的数据关系

因为阅读者需要在极短的时间内掌握了解各类图表所传递的数据关系，数据可视化需要尽可能简洁，便于让不同的阅读者快速抓住其重点，数据可视化就需要用有限的文字、简洁的图表展现大量的数据之间的各种关系与其客观规律。

从千变万化的各类图表中，选出适合自己数据的图表类型是数据可视化的关键。每种图表都有自己的优势和局限性，条形图就有一般条形图、堆积条形图、百度比条形图、双向柱状图等分类，饼状图也有：一般饼状图、玫瑰饼状图、环形图、旭日图等类型。所以根据自己的数据特点选择适当的图表很重要。

图表细节的处理需要综合考虑多方面因素—刻度标记类型、间隙、刻度标签位置、数据类型、小数位、是否千分位、颜色取值、图例位置、图上标签、图表标题、备注文字说明等等。细节的处理不仅影响数据可视化的效果，若处理不好，可能还会加大阅读人的阅读困难。例如：刻度选取不合理折线过于陡峭，折线太细不便于观察线等。

四、数据可视化过程的设计原则 

并不是所有的数据都需要数据可视化。数据可视化是借助图形化的分析过程，来解决业务上某一问题或者发现某一问题，当数据脱离了业务，就没有必要可视化了。所以做数据可视化之前先要明确这个数据可视化的分析目的到底是什么？你打算通过数据向用户讲述怎样的故事，数据可视化之后又在表达什么？通过这些数据，能为你后续的工作提供哪些指导？

为了准确找到数据可视化的目的，请先回答这7个问题

（1）数据要解决的业务内容的主题是什么？

（2）这个数据可视化的数据如何获取？

（3）我们想从数据中了解什么？也就是数据分析的要解决什么问题？

（4）这份业务数据是什么时间的？

（5）这份业务数据是什么领域的？

（6）谁搜集过这份数据，来自哪个业务系统？

（7）数据量是否足够完成这次准确的分析？

如果你完整、清晰地回答了以上7个问题，你就明确了这次的数据可视化到底要解决什么问题。

很多人在做数据可视化的时候一味追求酷炫的动态图、华丽的视效等，如果一个简单的图表就可以解决一个问题，为什么还要花大量的时间精力去做一些与数据无关的工作呢？合理运用色彩同样能让图表显示的很高级。图表主要作用是传递信息，追求过分漂亮只会使徒增无用功。

但是，图表的基础美感会给人带来视觉上的享受，图表中的坐标轴、形状、线条、字体、标签、标题排版等元素是都会影响人的视觉效果，这些图表元素经过合理的搭配会给整个数据可视化作品加分，比如图表的色彩，如果搭配合理，会使整个图表看起来更加生生动，同时也会加深阅读者的记忆。

得心应手的数据可视化工具会使数据可视化的工作事半功倍。举个例子，如果用excel来做一份简单的仪表盘时，需要用到表格函数、AVERAGEIF函数、INDEX函数、MATCH函数等十几个函数，以及堆积条形图、簇状柱形图、信息图、带数据标记的折线图、簇状条形图等几种图型，就算是熟练的excel大能估计也要做上半个小时。如果对于excel的函数、透视表、VBA等不熟练，可能会花费更多时间。

数据可视化的结果一定要实事求是，不可规避“异常数据”，真实反映业务数据，才可能帮助我们发现问题，掩盖问题只会造成更大的问题。若数据很庞大，也不可随意省去自认为不重要的数据部分，找到核心数据指标和异常数据，重点展示核心数据指标，分析异常数据的问题原因，最后给出合理、准确的数据分析结论。

数据可视化是一个展现复杂信息的强大武器。通过可视化信息，我们的大脑能够更好地抓取和保存有效信息，增加信息的印象。 

但如果数据可视化做得不好，反而会带来负面效果，所以更需要我们选择合理的数据可视化方法，高效传达数据。接下来，我们一起看看不同图表的不同使用场景。

 （1）特点：柱状图利用柱子的高度，反映数据的差异。 使用图形的长度、宽度、位置、面积、角度和颜色来比较数值的大小。

（2）使用场景：通常用于展示不同分类间的数值对比，不同时间点的数据对比。局限在于只适用中小规模的数据集。

 （1）特点：流程类图表显示流程流转和流程流量。一般流程都会呈现出多个环节，每个环节之间会有相应的流量关系，这类图形可以很好的表示这些关系。漏斗图适用于业务流程比较规范、周期长、环节多的单流程单向分析，通过漏斗各环节业务数据的比较能够直观地发现和说明问题所在的环节，进而做出决策。

（2）适用场景：表现了随着业务流程的推进业务目标完成的情况。 

 （1）特点：占比类图表显示同一维度上的占比关系。饼图通过将一个圆饼按照分类的占比划分成多个区块，整个圆饼代表数据的总量。

（2）适用场景：展示多个区块比例大小，所有区块（圆弧）的加和等于 100%。但最好避免使用这个图表，因为肉眼对面积大小不敏感。

 （1）特点：区间类图表显示同一维度上值的上限和下限之间的差异。使用图形的大小和位置表示数值的上限和下限，通常用于表示数据在某一个分类（时间点）上的最大值和最小值。 

（2）适用场景：目前很多的管理报表或报告上都是用这种图表，以直观的表现出某个指标的进度或实际情况。

 （1）特点：趋势类图表反映事物随时间或有序类别而变化的趋势。使用图形的位置表现数据在连续区域上的分布，通常展示数据在连续区域上的大小变化的规律。

（2）适用场景：用于显示数据在一个连续的时间间隔或者时间跨度上的变化。

 （1）特点：时间类图表显示以时间为特定维度的数据，在折线图的基础之上形成的，使用图形的位置表现出数据在时间上的分布，需要注意的是颜色要带有一定的透明度，透明度可以很好的帮助使用者观察不同序列之间的重叠关系。

（2）适用场景：用于表现数据在时间维度上的趋势和变化。

 （1）特点：雷达图适用于多维数据（四维以上），且每个维度必须可以排序。但是有一个局限，就是数据点最多6个，否则无法辨别，因此适用场合有限。

（2）适用场合：四维以上的数据。

六、数据可视化案例展示 

通过数据可视化的展现形式，使得投资项目的收益及变化态势一目了然，实现无人工的节点监控跟踪，最大程度保证用户的资金安全在可控范围内，提高收益。通过大屏展示投资情况、投资金融、投资客户数、历史盈利等信息向外界彰显公司形象及整体实力。 

为辅助校领导在宏观层面掌握校园数据，我们分别从招生就业、学生工作、国有资产、图书典藏、科研成果、后勤服务、发展规划、财务、教务、人事以及全校核心数据等11个方面全面展示有效信息，并且横向覆盖各学院及各部门的数据信息和工作内容。通过对接校方数据中心保证数据事实的准确性、及时性，为管理团队科学决策提供了有效的数据支撑。 

3.上海某上市房地产集团

基于该上市公司在物业业务领域的诉求，亿信华辰围绕收入、支出、成本、客户满意度、人资管理等方面进行全面展示与分析，使得企业管理者时刻掌控经营状况以及各项目收支情况，并且全方位监管物业服务质量以及客户满意度，让业主的资产得以保值增值，实现产权所有者与管理者的共赢。

令人瞩目的是在此项目中我们融入了智能BI功能（智问），管理者可以通过即问即答的形式获取数据分析结果，即时获取自己想要的数据，为打造高品质的物业服务提供了数据支撑，辅助高效管理。 

4.山西省某化工制造企业

某世界500强的能源化工集团以期将智能化的数据监控技术与安全生产相融合，开启了大屏的数据可视化项目。将现实业务场景中的生产流程图、工艺流程图搬到了大屏之上，实现点、面集中、统一管理，有助于管控、防治安全隐患的发生，避免不必要的经济损失。另外，通过对产能、经济效益的监控，及时有效的发现问题，最大限度的简化解决问题的路径，提高各级管理能力以及生产运行效率。

5.山东省某消防求援站

根据该消防救援站的分析展示诉求，结合数据调研情况，紧扣消防救援业务，以管人、定物、抓事、谋战为主要抓手设置了六大维度的工作场景，选取核心的业务数据指标，实现炫酷可视化展示。让管理者能够清晰了解消防救援站基本情况以及消防救援队员、队站、食堂、训练等管理情况，推动队伍正规化建设。 

6.南方某能源电力集团

根据客户的需求，设立市场投标、经营管理、人力资源、供应链、资产管理、安全管理、技术管理等11个核心业务场景，对接电力行业海量的业务数据，提供丰富的数据可视分析图表，对核心数据进行多维度分析研判，深度挖掘运行数据的时空特征及变化规律，辅助管理者全面掌控数据变化态势。 

想快速做出一个数据大屏，当然离不开可视化组件。你离高大上的大屏只差一个亿信ABI，以上可视化案例均使用亿信ABI制作，通过简单拖拽组件，替换业务数据，即可轻轻松松搞定酷炫大屏。

亿信ABI的酷屏分析内置了数十套大屏模板，直接套用， 酷炫大屏一键生成。当然还有布局、表格、统计图、地图、参数等九大类型百余种组件，不论是单看还是组合在一起都能让你的大屏熠熠生辉。

数据可视化是关于数据之视觉表现形式的研究；其中，这种数据的视觉表现形式被定义为一种以某种概要形式抽提出来的信息，包括相应信息单位的各类属性和变量（简单来讲，数据可视化就是用图形的方式来表征数据的规律。）前端

• 数据可视化历来只是表层的东西，数据分析才是核心。就像一我的，不必定长得漂亮人格就高尚，也不必定长得很差看人格就低下。而应该反过来，只有数据分析内涵丰富、价值高，数据可视化才能内容丰富、有价值。
• 但是这是个看脸的世界，大部分人对于数据也都是外行的，只有把数据可视化作得漂亮才能吸引他们的注意；只有把数据可视化作得简单易懂，他们才能理解数据分析的内涵。
• 对于数据可视化，最重要的东西历来不是图形、工具、配色这些套路性的东西，而在于创意和灵感。可你又不是参加比赛，并不须要那么多的创意灵感。在平常工做中，仍是以实用为主，因此掌握套路仍是很必要的。

散点图用来表征两个（若是多个就分面，如上图）数值型变量间的关系，每一个点的位置（即x轴和y轴坐标）映射着两个变量的值。固然对于三个数值型变量，也有三维散点图，不过用得很少。
经过观察散点图上数据点的分布状况，咱们能够推断出变量间的相关性。若是变量之间不存在相互关系，那么在散点图上就会表现为随机分布的离散的点，若是存在某种相关性，那么大部分的数据点就会相对密集并以某种趋势呈现。数据的相关关系主要分为：正相关（两个变量值同时增加）、负相关（一个变量值增长另外一个变量值降低）、不相关、线性相关、指数相关等，表如今散点图上的大体分布以下图所示。那些离点集群较远的点咱们称为离群点或者异常点。

在散点图的基础上加一个维度，把各个点的面积大小映射一个新的变量，这样不只点的位置还有大小表示数据特征。 服务器

把散点图各个散点用折线链接起来就成了折线图，固然不只仅只是为了好看，当散点越多，折线就越平滑地趋近于曲线，能更加贴切地反映连续型变量的规律。 网络

把折线图进一步往坐标轴投影就成了面积图，本质其实跟折线图没区别，只是看起来更加饱满一点。 数据结构

柱状图是一种用得很普遍的图形，它表征分类型变量 vs 数值型变量的关系。若是分类型变量的每个取值还能继续分类，那么简单的柱状图就变成了复杂的柱状图，每个类别仅由一根柱变成多根柱，多根柱能够串列，也能够并列。 值得一提的是，柱状图通常须要排序：若是分类型变量是有序的，按照它自己的顺序排列便可；若是分类型变量无序，那么则根据数值型变量的大小进行排序，使柱状图的高度单调变化。

只不过把柱状图坐标旋转一下，竖着的变成横着的，这个可根据版面自由选择。上图示例就是串列的堆叠条形图。 echarts

本质仍是柱状图，只不过把直角坐标系映射成极坐标系。看起来比柱状图更美观。 工具

瀑布图是柱状图的一种延伸，它通常表示某个指标随时间的涨跌规律，每个柱状也不都是从0开始的，而是从前一个柱状的终点位置开始，这样既反映了每个时刻的涨跌状况，也反映了数值指标在每个时刻的值。 学习

饼图的本质还是柱状图，只不过饼图通常用来表示各个类别的比例，而不是绝对的数值，用角度来映射大小。 值得一提的是，由于一个圆饼只有360度，若是类别太多了，这个饼会被切割得很是细，不利于阅读；这种状况下老老实实地用柱状图。 大数据

本质就是饼图，只不过把实心圆换成了空心的圆环；若是清一色的饼图太过单调，能够考虑换个环形图。

马赛克图比较复杂，与柱状图相比，它的分类变量就多了几个，并且还能实现交叉映射，因此比柱状图更抽象，更细化。 马赛克图隐含着大量的数据信息。例如：(1)从船员到头等舱，存活率陡然提升；(2)大部分孩子都处在三等舱和二等舱中；(3)在头等舱中的大部分女性都存活了下来，而三等舱中仅有一半女性存活；(4)船员中女性不多，致使该组的Survived标签重叠（图底部的No和Yes）。 扩展的马赛克图添加了颜色和阴影来表示拟合模型的残差值。在本例中，蓝色阴影代表，在假定生存率与船舱等级、性别和年龄层无关的条件下，该类别下的生存率一般超过预期值。红色阴影则含义相反。必定要运行该例子的代码，这样你能够真实感觉下着色图形的效果。图形代表，在模型的独立条件下，头等舱女性存活数和男性船员死亡数超过模型预期值。若是存活数与船舱等级、性别和年龄层独立，三等舱男性的存活数比模型预期值低。

看起来跟饼图比较像，但比饼图更复杂得多。它从中心向外辐射，每辐射一层就细分一层，用来表示多个变量多层之间的比例关系。

看起来跟柱状图很像，但其实本质并不同。直方图用来表征一个数值型变量的分布，具体来讲就是把这个连续型变量划分红多个区间，而后统计各个区间的频数。直方图横轴是数值型变量自己的值，纵轴是频数。

本质与直方图相似，不过纵轴不是频数而是频率。正如折线图和面积图同样，几率密度曲线图也可自由选择要不要面积投影。这个图太学术了，通常出如今数学教材中（好比正态分布……）。

不少游戏中的人物能力极向对比就是以雷达图表示的。柱状图通常是一个分类型变量不一样类别间的比较，雷达图能够是多个数值不在同一个scale之下；更具体地说，柱状图通常是横向比较，雷达图既能够多个观测之间的纵向比较，也能够是一个观测在不一样变量间的横向比较。 值得一提的是，雷达图若是用来横向比较，需先把各个数值变量做归一化处理。

亦称盒须图，也是挺学术的一个图。它用来表征各个数值型变量的分布情况，每一条横线表明分位数，盒内部的横线表明中位数，点表明异常值。

本质与直方图同样，都是表征数值型变量的分布，每个小提琴的宽度表明它在该高度处的频率范围。

通常以颜色来映射密度或者其余数值变量，通常来讲，颜色最深的地方表示数据最集中。

是热力图的变种，它把每个矩形从新排列成日历的形状，这样能够方便地观察一段时间内每一天的数值特征。

用来可视化地理数据，这些数据通常由国家地理测绘部门提供，在一些网站上也能找到，经常使用的数据格式有shp、JSON、csv等。 地图的绘制原理是基于大量的散点，勾勒成曲线，再链接成多边形——其中每一块多代形表明一个地区，能够是国家、省、市、区县等。 地图的应用主两有种状况：一是如上图同样以颜色填充每个多边形来映射一个指标，这种状况下地图跟柱状图本质相同，可是多了多边形之间的位置关系；另外一种是在地图上叠加散点或者曲线，来表征各个点之间的地理位置。

地图是二维的，三维的就是地球图。这种图形通常是交互的，也就是说你能够用鼠标实现地球的旋转和缩放等操做。 值得一提的是，不要仅仅为了3D就使用地球图，要看数据自己的状况。若是你的数据范围原本就覆盖全球，用地球图很合适；但若是你的数据范围小，就一个国内，甚至一个省市内的，搞个地球图就太浮夸，并且整个球上只有一个很是小的区域有数据，是很不和谐的。

网络图的元素包含点和边，边分为无向边、单向边和双向边来表征点与点的链接关系，边的粗细能够映射这种关系的强弱。

arc diagram也是一种网络图，只不过它把全部的节点一字排开，以弧线来表示边。这样看起来艺术感更强，适合于节点较多的网络关系可视化。

和弦图通常用来表示双向的网络关系（好比AB两个城市相互流入流出了多少人），数据结构通常为邻接矩阵。当节点不少的时候，各类弧线交叉得就很是密密麻麻，这种状况下，要么交互，要么考虑别的图形。

hierarchical edge bundling也表示节点间的网络关系，不过它把边扭曲成曲线，这样就适合节点比较多的可视化。

矩形树图本质就是决策树的可视化，只不过排成矩形。它也是把各个变量层层细分，这一点跟sunburst图相似。当变量比较多的时候，作成交互可缩放的形式更合适。

平行坐标图的优势是能够把多个变量并形排开，把每个记录都以折线链接上。这样当数据量大的时候，其实能够很方便地观察各个变量的分布状况。

桑基图看起来跟平行坐标图有点像，但含义不同。桑基图主要的用法是表征流量在各个层级的流动关系，上一层如何向下一层分散，下一层如何由下一层汇聚。

互联网运营有一个很重要的概念就是层级转化，这个每层的转化率用漏斗图来可视化，形神俱佳。若是两层之间的宽度近似，表征该层的转化率高；若是两层之间的宽度一会儿减少了不少，表示转化率低。

仪表盘的观赏性大于实用性，实际上它的功能很简单，就是表征一个数值型变量在最小值和最大值之间的什么分位。

象柱形图其实就是柱形图，只不过把柱子换成了其它的图形。若是数据自己有比较具体、形象的含义和背景，那么用象柱形图是一种比较新颖的选择。

主题河流图好看，但很差解释，若是不是交互式的，最好不要用。它通常是把多个类别随时间的变化数据堆叠起来，表征随时间变化的趋势。

词云图便是对词汇的频数进行可视化，一个词越大它出现的次数就越多，通常与文本挖掘配合使用。 在实际的数据可视化中，每每不是孤立地用一个基本图形，把多个图形组合、邻接，能交叉对比出更多的信息。好比在柱状图上叠加折线图，在地图上叠加散点图，把多个柱状图放在一块儿对比等等。 记住数据可视化展示信息是第一位的，好看却是其次。

• 数据(data)：数据才是图形的灵魂，这点无需解释。
• 几何对象(geom)：也就是图形自己，这是可视化的外形。根据数据特征，选择最合适的图形。
• 映射(mapping)：映射即便把数据和图形给链接起来。映射什么数据变量，它是连续的仍是离散的？
• 标度(scale)：这个是从数据中剥离，可是控制数据如何映射到图形上的属性。图形中用什么通道来映射？经常使用的有颜色、长度、面积、形状、透明度等通道。
• 坐标系(coord)：坐标系不必定非得是直角笛卡尔坐标系，好比对于地图并不适合，因此要作专门的投影操做。转换坐标系也有形成不一样的视觉效果，好比把柱状图的坐标系转换成极坐标系就变成了玫瑰图。
• 统计变换(stat)：对数据进行常规的统计操做，不过也能够先把数据处理好，可视化的时候就再也不作变换。
• 分面(facet)：若是图形维度较高，并非一张图能说明的，那么就分面处理。分面其实是多加了一个维度，就像一页纸和一页书的区别。
• 位置(position)：通常来讲图形各个元素的位置是由数据决定的，不过在不影响分析的前提下为了视觉美观也能够作一些微调。好比有的散点图只看它在y轴的高度，这个时候就能够在x轴上加扰动，不必不少点都挤在一块儿。
  掌握了图形语法，对理解可视化的本质，构思图形属性颇有帮助；只有掌握了图形语法，才能真正自由地去创造数据可视化，而不只仅只是往模板里套数据。

交互性是数据可视化与信息图的区别。
什么是交互，就是用户输入一个信号，可视化系统能给出响应，以帮助他更好地理解可视化。数据可视化的本质是以简单、直接的图形帮助读者更容易理解数据背后的规律，但许多可视化图形作得太复杂了，反而不利于解读，这个时候交互就能比较有效地解决这个问题。

• 节省空间。想一想看，若是要把一个月天天的数据都作一张图，难道要作30张图？以交互的方式，让用户本身选择哪一天，而后进行数据筛选、计算、从新画图，1张图就够了。
• 展示源数据。图形通常是对数据的具象化，因此它通常不展示具体的数字。可是当用户就想了解具体的数字，没必要再贴一张表格，把鼠标移到对应的位置就会弹出数据提示框。
• 引导性强。若是只把一张图扔给用户让他们本身去理解，这样体验太差；配我的在一边讲解成本又过高。交互式可视化系统能够作引导模块，引导用户去探索、理解，也能增长用户的兴趣和成就感。

R最擅长的除了统计建模就是可视化了，而ggplot2是最流行、最强大的绘图包（应该没有之一）。对于静态图，只要你有足够的创意，ggplot2基本均可以经过其系统完备的画图语法实现。而R中也有相关的包能够把ggplo2图形变成交互式，弥补了ggplot2自己不能交互的弱点。

d3.js个很强大的库，许多先进、前卫的图形在上面都有demo，它能够在较底层以较高的自由度画图并配置交互效果。可是它的学习曲线很陡，坑也较多。

echarts在江湖上被称为”百度为数很少的良心产品“，这个库跟d3相反，它离应用层更近，提供了许多示例模板，把代码copy过去改改数据就好了。因此echarts的优势是上手容易、图表漂亮、交互式效果也很好，缺点是自由度低，一旦你有个创意echarts没提供对应的模板，那就没办法了。

随着Excel的发展，它的图表也愈来愈丰富美观，很容易上手，仍然是把数据往模板里套的方式。

这两个是设计师的工具，可是出了一张可视化的图以后每每须要进一步修缮，这就是设计师的工做了。能够生成一张pdf矢量图，而后导入PS或AI中，这样对每个元素操做都很方便。

DataV很适合作大屏可视化展现，效果很炫酷，并且模板愈来愈成熟，上手难度也愈来愈低，同时价格也不贵。 DataV作的大屏展现

思考一个问题：数据可视化究竟是否须要编程？
对于大数据量、自由度要求较高、创意设计强的可视化应当要编程（特别是前端编程），可是对于平常小规模、简化、通用的可视化，用工具便可。 并且随着数据可视化技术的发展，它的门槛必定是愈来愈低，愈来愈不须要编程也能作出很好的可视化效果。

这种状况通常是企业级的数据可视化应用，通常是领导向客户展现介绍产品和业务时所用，因此它的难度和工做量也最高。大屏展现要求大气、炫酷、交互性强。

好比用R中的shiny快速搭建一个可视化原型，而后在公司内部搭建一个内网服务器部署上去，内部同事均可以交互使用，很方便地了解产品原型及数据规律。这种状况下没必要太花哨，可是要具体、清晰，还有要必定的交互性。

这个是放在报告中或者PPT中展现给别人看的，因此静态图表就行，这个难度最低。报告中的图表要求简洁、清晰、易于解读。

• 数据可视化自己是表层的东西，但是一款优秀的数据可视化必定要有深入的内涵。从技术的角度来讲，要有大数据整理、数据分析和数据挖掘的智能因子在里面；从背景的角度来讲，可视化做品就如同文艺做品同样要源于实际，高于实际，假大空、纯粹只为了炫技的可视化并无什么意义。
• 不要只用套路，要有本身的创意和设计。有一些做品只不过纯粹套用一下echarts的模板，除了数据改了一下，其余都没改；这种做品即便能过初赛，也不能过复赛。
• 数据可视化是为了向别人展现，让别人理解数据背后的背景和内容的，也是整个数据分析的最后一环。因此除了可视化做品自己，演讲也是很重要的，不要张口闭口一堆貌似高大上的技术，那只会拔苗助长；要讲故事，讲得越通俗、越有趣效果越好。