这是我参与「第五届青训营 」伴学笔记创作活动的第 15天
一、定义
什么是数据可视化
在科学可视化领域，数据可视化的作用主要是形象化的呈现，方便人们理解和查看。比如医学领域的扫描成像，可以大大提高医生探寻病因的效率。
呈现数据关系的信息可视化是我们见到最多的可视化方式，比如通过地理信息以及连线展现唐代人物的迁徙轨迹。
在计算机诞生之前，可视化都是静态作品，人们只能通过看来理解数据。随着计算机图形的发展，交互成为一个重要研究方向，可视化和图形交互的融合，产生了探索式数据分析。比如下面的数据分析工具Tableau的交互界面。
二、原理
2.1 数据可视化基本流程
第一步 : 数据处理（ Abstract Data ） 只有满足特定结构的数据才能做对应的可视化展现，而且为了达到好的可视化效果也需要对数据进行清洗、转换等操作。
第二步 : 可视化设计与表达（ Visualization Design） 根据数据特征选择合适的展现模式，在此基础上通过合理的使用视觉编码，来定义最终的可视化展现内容。
第三步：可视化渲染（ Rendering and Display）
将定义好的图形转换成为图像，展现给观众。
第四步：可视化交互（ Interactivity）
单一的可视化结果并不能满足用户的多方面诉求，用户往往借助交互方式，进一步了解细节或者对数据进行筛选、聚合、分面等，对数据进行多方面的探索。
三、案例
人们直接去分析多维数据，往往是非常困难的，借助可视化可以极大的提升效率。对多维数据进行可视化的方法也很多，这里简单介绍几种。
3.1 散点图 & 散点图矩阵
普通散点图可以通过大小、颜色和位置表达三个维度的数据，但是这对于更多维的数据来讲是远远不够的，于是诞生了散点图矩阵。
散点图矩阵中每个散点图表示两个维度之间的数据关系。我们看下面的例子（www.jiqizhixin.com/articles/20…
假设有如下图所示的数据：
每一行代表一个国家一年的观察数据，列代表变量（这种格式的数据被称作整洁数据，tidy data），其中有两个类别列（国家和洲）和四个数值列。这些列简单易懂：life_exp 是出生时的预期寿命，以年为单位，popis 是人口数量，gdp_per_cap 是人均 GDP（以国际元）为单位。只考虑数值类型属性之间的关系， 可生成如下的散点图矩阵：
散点图矩阵可以进一步扩展为普通的矩阵，如下图：
3.2 平行坐标轴
平行坐标轴方法中，数据的不同维度被显示为平行的坐标轴，数据元素被表示为一根折线。
这种方法适用于所有表格类型的数据，而且支持异构数据的展现。平行坐标轴方法也扩展出多种显示形式。
3.3 Glyph
Glyph 是可以同时使用多个视觉通道，例如 图形（shape）、颜色（colour）、文本（texture）、大小（size）、角度（orientation）、比例（aspect ratio）、曲率（curvature)的一种组合图元。同时每个glyph 可以单独被识别出来，为多场融合可视化提供了可能。
比如人脸图，可以通过五官要素对多个变量进行编码。
下图的是一个温度计组件。水银高度和温度计宽度可以用来展现两个变量。通常可以作为散点图的变种。
3.4 树（图）可视化
点线图
邻接图
通过可视化节点之间的相邻位置关系以展现树的拓扑结构，节点的大小，宽度，可以用来展现另外一个数据维度。
包含图
邻接矩阵
