很多人认为数据可视化非常简单，无非是输入几组数据，生成简单的条形图、直线图等等。然而，这未免有点管中窥豹。其实数据可视化大致可分为信息可视化、科学可视化和可视化分析三大类，刚才提到的简单图表只是信息可视化中最常见的几种。一旦数据量增大，可视化目标改变，可视化系统的复杂度可能就会超出我们的想象。

　　本篇文章就来讲讲数据可视化的基本流程。

　　可视化流程的基本步骤，就好像一个特殊的流水线，主要步骤之间彼此相互作用、相互影响。可视化流程的基本步骤，用文字表达就是：确定数据可视化的主题——数据采集——数据处理和变换——根据数据关系可视化映射——可视化呈现。

　　可视化流程的第一步：确定数据可视化的主题，即确定需要可视化的数据是围绕什么主题或者目的来组织的。

　　在可视化过程中的步骤之中，第一步是相对来说较容易的一步。

　　业务运营中的具体场景和遇到的实际问题，公司层面的某个战略意图，都是确定数据可视化主题的来源和依据。简而言之，一个具体问题或某项业务、战略目标的提出，其实就可以对应一个数据可视化的主题。

　　比如，银行分析不同城市用户的储蓄率、储蓄金额，电商平台进行双十一的实时交易情况的大屏直播，物流公司分析包裹的流向、承运量和运输时效，向政府机构或投资人展示公司的经营现状等，都可以确定相应的数据主题。

　　可视化流程第二步：数据的采集。

　　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。

　　数据可视化第三步：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。

　　数据可视化第四步：根据数据关系可视化映射。

　　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

　　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，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。

　　数据可视化第五步：可视化呈现。

　　这个阶段主要包括两个方面：一是进行可视化布局的设计，二是数据图形化的呈现。

　　页面布局

　　可视化设计的页面布局，要遵循以下三个原则：

　　（1）聚焦

　　设计者应该通过适当的排版布局，将用户的注意力集中到可视化结果中最重要的区域，从而将重要的数据信息凸显出来，抓住用户的注意力，提升用户信息解读的效率。

　　（2）平衡

　　要合理的利用可视化的设计空间，在确保重要信息位于可视化空间视觉中心的情况下，保证整个页面的不同元素在空间位置上处于平衡，提升设计美感。

　　（3）简洁

　　在可视化整体布局中，要突出重点，避免过于复杂或影响数据呈现效果的冗余元素。

　　图表制作

　　影响图表呈现效果的，主要有两个影响因素，一个是数据层面的，一个是非数据层面的。

　　（1）数据层面

　　若数据中存在极端值或过多分类项等，会极大影响可视化的效果呈现，如柱形图中柱形条的高度、气泡图中气泡的大小、饼图中的分类项太多等。

　　对于数据本身造成的可视化效果不佳的情况，我们是不是就束手无策了呢？当然不是，在以往的可视化过程中，本人虽然也踩了很多坑，但是对于如何解决这类问题也积累了一些经验，下次专题分享。

　　（2）非数据层面

　　非数据层面，但是影响图表呈现效果的因素，通常在设计过程中就可以解决。

　　比如图表的背景颜色、网格线的深浅有无、外边框等等，这类元素是辅助用户理解图表的次要元素，但如果不加处理全部放出，视觉上就不够聚焦，干扰到你真正想展示的数据信息。

　　因此，对于此类非数据层面，但是影响图表视觉呈现的元素，应该尽量隐藏和弱化。