点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达
本文转自|深度学习这件小事
我们要的不是数据，而是数据告诉我们的事实。大多数人面临这样一个挑战：我们认识到数据可视化的必要性，但缺乏数据可视化方面的专业技能。部分原因可以归结于，数据可视化只是数据分析过程中的一个环节，数据分析师可能将精力花在获取数据、清洗整理数据、分析数据、建立模型，但在最终的展示沟通上力不从心。
这也是“写代码的干不过做PPT”的部分原因。实际上，只要掌握了可视化的技能，我们的工作就更容易受到leader的认可。
可视化工具包括但不限于，Tableau，Excel，PowerBI，Python，R
可视化之前：探索性分析与解释性分析
二者之间有很重要的区别：探索性分析指理解数据并找出值得分析或分享给他人的精华。这就好比，在牡蛎中寻找珍珠，可能打开一百个牡蛎（尝试很多种方法）才最终找到两颗珍珠。而解释性分析，我们迫切希望能够言之有物，讲好某个故事--专注于两颗珍珠。
大多数时候我们汇报工作就是要做好解释性分析的工作。
可视化过程
一个完整的数据可视化过程，主要包括以下4个步骤：
确定数据可视化的主题
提炼可视化主题的数据
根据数据关系确定图表
进行可视化布局及设计
可视化元素由3部分组成：可视化空间+标记+视觉通道
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。
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。
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。
确定图表
数据之间的相互关系，决定了可采用的图表类型。常见的数据关系和图表类型的对应关系如下图所示：
表格
使用表格时，需要记住的一点是：让设计融入背景，让数据占据核心地位。不要让厚重的边框和阴影与数据争夺受众的注意力。相反，要使用空格来区分表格中的元素。
左表，框线过多容易扰乱阅读者的注意力，反之，三线表简洁干练，通常是论文及出版物表格样式的首选。
热力图
热力图是用表格的形式可视化数据的一种方法，在显示数据的地方（数据之外）利用着色的单元格传递数据相对大小的信息。
热力图绘制（excel2010版）：选中数据--开始--样式--条件格式（你可以根据需要选择合适的条件格式）。
折线图
我们通常可以借助折现图理解趋势，比如，时间序列的每年降雨量（每日将与量之和）；在某些情况下，折线图中的线可能代表一个综合的统计数据，比如平均值或预测的点估计。如果你还想展示范围（或者置信区间），可以直接在图上进行可视化。
源数据：
左图是多指标折线图，右图在折线图中展示范围内的平均值。
绘制右图时：先绘制avg--max折线图，然后右键“更改图表类型”，选择“面积图”；
右键“选择数据”，添加min折线图；最后选中“min折现图”，右键“设置数据系列格式”，选择“纯色填充--白色”。
—完—
下载1：OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。
下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。
下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。
交流群
欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~
701
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
