第1章数据可视化简介
本章学习目标：
●掌握大数据的概念。
●了解大数据的发展现状和趋势。
●了解数据可视化的基本概念。
●掌握数据可视化技术的基础思想。
本章首先介绍什么是大数据及大数据的基本特征；然后根据大数据产生的缘由对它进行分析；接着介绍大数据的发展现状和趋势；最后详细介绍了数据可视化的基本概念及可视化技术的应用。
1.1 大数据概述
大数据（ Big Data）是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
在维克托·迈尔·舍恩伯格及肯尼斯·库克耶编写的《大数据时代》一书中，对于大数据，并不是使用随机分析法（抽样调查）这种捷径对抽样数据进行分析处理，而是对所有数据进行分析处理。
大数据的 5V特点（ IBM提出）如下： Volume（大量）、 Velocity（高速）、 Variety（多样）、 Value（低价值密度）、 Veracity（真实性）。
对于大数据，研究机构 Gartner给出了如下定义：“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。麦肯锡全球研究所给出的定义如下：一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。
1. 大数据产生的原因
大多数的技术突破来源于实际的产品需要。大数据最初诞生于谷歌的搜索引擎中，随着 Web 2.0时代的发展，互联网上的数据量呈现爆炸式的增长，为了满足信息搜索的需要，对大规模数据的存储提出了非常高的要求。
当数据量、数据的复杂程度、数据处理的任务要求等超出了传统数据存储与计算能力时，称之为“大数据（现象） ”。可见，计算机科学与技术是从存储和计算能力视角来理解大数据的——大数据不仅仅是数据存量的问题，还与数据增量、复杂度和处理要求（如实时分析）有关。
大量信息带来的问题如下：
●信息过量，难以消化。
●信息真假难以辨识。
●信息安全难以保证。
●信息形式不一致，难以统一处理。
●缺乏挖掘数据背后隐藏的知识的手段，导致“数据爆炸但知识贫乏”现象。
2. 基本单位
在计算机存储中，最小的基本单位是 bit，最大的是单位是 DB；按从小到大的顺序给出所有单位如下： bit、B、KB、MB、GB、TB、PB、EB、ZB、YB、BB、NB、DB。它们按照进率 1024（2的 10次方）来计算，如图 1-1所示。
1 B=8 bit
1 KB = 1,024 B=8192 bit
1 MB = 1,024 KB = 1,048,576 B
1 GB = 1,024 MB = 1,048,576 KB
1 TB = 1,024 GB = 1,048,576 MB
1 PB = 1,024 TB = 1,048,576 GB
1 EB = 1,024 PB = 1,048,576 TB
1 ZB = 1,024 EB = 1,048,576 PB
1 YB = 1,024 ZB = 1,048,576 EB
1 BB = 1,024 YB = 1,048,546 ZB
1 NB = 1,024 BB = 1,048,546 YB
1 DB = 1,024 NB = 1,048,546 BB
图 1-1 计算机存储单位
3. 大数据技术
从技术上看，大数据与云计算的关系就像一枚硬币的正反面一样密不可分。大数据必然无法用单台的计算机进行处理，必须采用分布式架构。分布式架构的特色在于对海量数据进行分布式数据挖掘，但它必须依托云计算的分布式处理、分布式数据库和云存储、虚拟化技术。大数据需要特殊的技术，以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术，包括大规模并行处理（ MPP）数据库、数据挖掘、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。
1.2.大数据与大数据技术发展历程
1. 大数据发展历程
在全球范围内，以电子方式存储的数据（简称为电子数据）总量空前巨大。 2011年，电子数据总量达到 1.8ZB（ZettaByte，泽字节，代表的是十万亿亿字节），相比 2010年同期增加了 1ZB，统计结果表明，每经过两年就可以增加一倍。
回顾大数据的发展历程，大数据总体上可以划分为以下 4个阶段：萌芽期、成长期、爆发期和稳步发展期。
（1）萌芽期（ 1980—2008年）：大数据术语被提出，相关技术概念得到一定程度的传播，但没有得到实质性发展。同一时期，随着数据挖掘理论和数据库技术的逐步成熟，一批商业智能工具和知识管理技术开始被应用。 1980年，未来学家托夫勒在其所著的《第三次浪潮》一书中首次提出“大数据”一词，将大数据称赞为“第三次浪潮的华彩乐章”。2008年 9月，《自然》杂志推出了“大数据”封面专栏。
（2）成长期（ 2009—2012年）：大数据市场迅速成长，互联网数据呈爆发式增长，大数据技术逐渐被大众熟悉和使用。 2010年 2月，肯尼斯 ·库克尔在《经济学人》上发表了长达 14页的大数据专题报告《数据，无所不在的数据》。2012年，牛津大学教授维克托 ·迈尔·舍恩伯格的著作《大数据时代》开始在我国风靡，推动了大数据在我国的发展。
（3）爆发期（ 2013—2015年）：大数据迎来了发展的高潮，世界各个国家纷纷布局大数据战略。 2013年，以百度、阿里、腾讯为代表的国内互联网公司各显身手，纷纷推出创新性的大数据应用。 2015年 9月，国务院发布《促进大数据发展行动纲要》，全面推进国大数据发展和应用，进一步提升创业创新活力和社会治理水平。
（4）稳步发展期（ 2016年至今）：大数据应用渗透到各行各业，大数据价值不断凸显，数据驱动决策和社会智能化程度大幅提高，大数据产业迎来快速发展和大规模应用实施。 2019年 5月，《 2018年全球大数据发展分析报告》显示，中国大数据产业发展和技术创新能力有了显著提升。这一时期学术界在大数据技术与应用方面的研究创新也不断取得突破，截至 2020年，全球以“ big data”为关键词的论文发表量达到 64,739篇，全球共申请大数据领域的相关专利 136,694项。
随着我国大数据战略谋篇布局的不断展开，国家高度重视并不断完善大数据政策支撑，大数据产业迅速发展，大致经历了 4个阶段，如图 1-2所示，正逐步从数据大国向数据强国迈进。
图 1-2 大数据发展历程
2. 大数据技术发展历程
大数据技术是指从数据采集、清洗、集成、存储、展示到分析，进而从各种各样的巨量数据中快速获得有价值信息的全部技术。目前所说的大数据有双重含义，它不仅指数据本身的特点，也包括采集数据的工具、平台和数据分析系统等技术。
在大数据时代，传统的软件已经无法处理和挖掘大量数据中的信息。谷歌在 2004年前后相继发布了分布式文件系统（ GFS）、大数据分布式计算框架—— MapReduce、大数据 NoSQL数据库——Big Table。受到谷歌的启发，2004年 7月，Doug Cutting和 Mike Cafarella在 Nutch中实现了类似 GFS的功能，也就是 HDFS的前身。 2005年 2月，Mike Cafarella在 Nutch中实现了 MapReduce的最初版本。图 1-3所示为大数据技术发展的全过程。
第 1章 数据可视化简介
1.3 数据可视化简介
本节主要对数据可视化进行介绍。
1.3.1 数据可视化的概念与分类
人类的创造性不仅取决于人类的逻辑思维，还取决于人类的形象思维。将数据映射为视觉符号，充分利用人们的杰出视觉来获取大数据中蕴含的信息。只有将大数据变成形象可视化之后才能激发人的形象思维与想象力。由于数据可视化的范围不断扩大，导致数据可视化成为一个不断发展与动态变化的概念。
数据可视化包括 3种类型：科学可视化、信息可视化和数据可视化。
● 科学可视化是解释大量数据的最有效手段，因而首先应用在科学与工程计算领域中，并发展为科学可视化的研究领域。其主要过程是建模和渲染。
● 信息可视化是跨学科领域的大规模非数值型信息资源的视觉展现，帮助人们理解和分析数据。信息可视化致力于创建以直观方式传达抽象信息的手段和方法。
● 数据可视化是关于数据的视觉表现形式的研究。将大型数据集中的数据以图形图像形式表示，主要借助图形化手段，清晰有效地传达与沟通信息。
1.3.2 数据信息的展示方式
数据显示是将系统内部或外部存储器中的数据以可见或可读的形式进行输出，包括数据值直接显示、数据表显示、各种统计图形显示等形式。在地理信息系统中，反映空间信息的数据还能以图形或图像的形式显示。数据显示除与数据本身有关外，还与显示设备有关。对于高分辨彩色显示器、彩色绘图机等，不仅显示精度高，还可利用不同颜色表示不同数值。对于单色显示器、打印机等，需设计不同显示符号来表示不同数值，以增强显示效果。
1. 列表
将实验数据按一定规律用列表方式表达出来是记录和处理实验视觉最常用的方法。表格的设计要求对应关系清楚、简单明了、有利于发现相关量之间的物理关系，实验数据统计表格示例如图 1-5所示，根据实际需求还可以列出除原始数据外的计算栏目和统计栏目等。
图 1-5 实验数据
2. 作图
作图法可以直观地表达物理量之间的变化关系。从图线上还可以简单快速地计算出实验需要的某些结果，如直线的斜率和截距值等，读出没有进行观测的对应点（内插法），或在一定条件下从图线的延伸部分读取到测量范围以外的对应点（外推法），如图 1-6所示。
0.7
0.6
0.5
转化率
0.4
0.3
0.2
0 5 10时间/h图 1-6 作图法 15 20
3. 图表（1）直方图
直方图是将一个变量的不同等级的相对频数用矩形块标绘的图表。直方图又称柱形图、质量分布图，是一种统计报告图。直方图中一系列高度不等的纵向条纹或线段表示数据分布的情况，如图 1-7所示。
各等级人员数量分布
140
120
100
人员数量
80 60 40 20 0
图 1-7 直方图
0 246 810
等级指数
（2）散点图
散点图表示因变量随自变量变化的大致趋势，据此可以选择合适的函数对数据点进行拟合，如图 1-8所示。
1.0
0.8
0.6
0.4
0.2
0.0
0.0 0.2 0.4 0.6 图 1-8 散点图 0.8 1.0
1.4 数据可视化技术本节主要介绍数据可视化技术。1.4.1 数据可视化技术的概念
数据可视化技术是一个处于不断演变之中的概念，其边界在不断扩大。数据可视化技术主要是指技术上较为高级的技术方法，这些技术方法允许利用图形、图像处理、计算机视觉及用户界面，通过表达、建模和对立体、表面、属性及动画的显示，对数据加以可视化解释。与立体建模之类的特殊技术方法相比，数据可视化所涵盖的技术方法要广泛得多。
在获得计算机图形学发展后，先后经历了科学可视化、信息可视化和数据可视化 3个阶段。最初由科研人员提出科学建模和数据的可视化需求，进入 20 世纪 90 年代后，出现大量单机数据可视化需求， Excel 是这个时期的代表，互联网时代各种产品兴起，大数据爆发式增长，促使数据可视化技术飞速发展。
借助图形化的手段，数据可视化可以清晰、快捷、有效地传达与沟通信息。从用户的角度来看，数据可视化可以让用户快速抓住要点信息，让关键的数据点经由用户的眼睛快速直达用户的心灵深处。数据可视化通常具备如下 3个特点：准确性、创新性、简洁性。
1.4.2 常用的可视化技术方法
1. 面积可视化
面积可视化对同一类图形（如柱状、圆环等）的长度、高度和面积加以区别，以清晰地表达不同指标对应的值之间的对比情况，如图 1-9所示。
283288 252 216 180 144
106
108 71
72 42
36
0
图 1-9 柱形图
2. 颜色可视化
颜色可视化通过颜色的深浅来表达指标值的强弱和大小，是数据可视化设计的常用方法，用户一眼便可看出哪部分指标的数据值更突出。
图 1-10所示为上海二手房的房屋分布热力图，通过对上海地图单位的划分，用不同的颜色来代表不同的房屋分布密度，全上海的二手房状况便尽收眼底了。
图 1-10 颜色可视化图
3. 图形可视化
在设计指标及数据时，结合有对应实际含义的图形，会使数据图表展现得更加生动，更便于用户理解图表要表达的主题。
图 1-11所示为各类不同型号的手机在某个月的销售数量，可以让用户第一眼就能看到这些图的大小，直观而清晰。
1.5 数据挖掘可视化
数据挖掘是指在大量的数据中挖掘出信息，通过认真分析来揭示数据之间有意义的联系、趋势和模式。数据挖掘技术是指为了完成数据挖掘任务所需要的全部技术。
与数据挖掘相近的词还有数据融合、数据分析和决策支持等。这个定义包括如下几层含义：数据源必须是真实的、大量的、含噪声的：发现的是用户感兴趣的知识；发现的知识要可接受、可理解、可运用：并不要求发现放之四海皆准的知识，仅支持发现特定的问题。
数据挖掘的目标是建立一个决策模型，根据过去的行动数据来预测未来的行为。例如，分析一家公司的不同用户对公司产品的购买情况，进而分析出哪类客户会对公司的产品有兴趣。在讲究实时、竞争激烈的网络时代，若能事先破解消费者的行为模式，是公司获利的关键因素之一。数据挖掘是一门交叉学科，它涉及数据库、人工智能、统计学、可视化等不同的学科和领域。
数据挖掘是从大量数据中寻找规律的技术，主要包括数据准备、规律寻找和规律表示 3个步骤，因此，认为数据挖掘必须包括以下因素：
●数据挖掘的本源：大量、完整的数据。
●数据挖掘的结果：知识、规则。
●结果的隐含性：需要一个挖掘过程。
下面介绍 4种数据挖掘可视化方法。
1.5.1 文本挖掘
文本挖掘是将不同的文档进行比较之后，对文档的重要性和相关性进行排列，以整理出文档的模式和趋势。文本挖掘的处理过程包括对大量文档集的内容进行预处理、特征提取、结构分析等，其中不仅需要处理结构化和非结构化文档数据，还需要处理复杂的语义关系。文本挖掘流程如图 1-13所示。
图 1-13 文本挖掘流程
文本是指从文档中抽取关键信息，用简洁的形式对文档内容进行摘要或解释，使得用户不需要浏览全文就可以了解文档或文档集合的总体内容。文本总结在有些场合非常有用，例如，搜索引擎在向用户返回查询结果时，通常需要给出文档的摘要。目前，绝大部分搜索引擎采用的方法是简单地截取文档的前几行。在对文档进行特征提取前，需要先进行文本信息的预处理：对英文而言，需进行词干提取（ Stemming）处理；中文的情况则不同，因为中文的词与词之间没有固有的间隔符，所以，需要进行分词处理。在中文信息处理领域，对中文自动分词研究已经比较多了，提出了一些分词方法，如最大匹配法、逐词遍历匹配法、最小匹配法等。
第 1章 数据可视化简介
1.5.2 Web挖掘
Web挖掘是指从与 WWW有关联的资源及
行为中获取有用的模式和隐含的信息。 Web中含有大量信息和超链接信息、 Web页面的访问和使用信息，这些信息是进行 Web挖掘的重要资源。
Web挖掘流程图如图 1-14所示。
Web挖掘可以分为 3类：Web内容挖掘、 Web结构挖掘和 Web使用记录挖掘。其中， Web结构挖掘的对象是 Web本身的超链接，包括页面内部的结构及页面之间的结构。对于图 1-14 Web挖掘流程图给定的 Web文档集合，运用引用分析方法找到同一网站内部及不同网站之间的链接关系，通过算法发现它们之间的链接情况的有用信息。挖掘 Web结构信息对于导航用户浏览行为、改进站点设计、评价页面的重要性等都非常重要。 Web结构挖掘通常需要 Web的全局数据，因此，在个性化搜索引擎或主题搜索引擎研究领域得到了广泛的应用。
1.5.3 多媒体数据挖掘
多媒体数据类型包括图形、视频、音频时空数据和超文本等，隐藏了大量有价值的知识，而多媒体数据的挖掘是综合分析大量多媒体数据的试听特征与语义，利用多媒体的时间、空间、视觉特性、视听对象及运动特性，挖掘具有一定价值的、能够理解的知识模式，找出实践的趋势及关联性。
因此，多媒体数据集中必定存在关于信息主体的特征、属性及它们之间的关系，或者存在某些人们从直观上无法得到的模式。多媒体数据挖掘是一种智能的数据分析，旨在从特定的多媒体数据集中发现必要的结果来用于决策、对策及融合分析。例如，在 MMMiner（MultiMediaMiner，多媒体挖掘）中查找包含人脸的所有图像，用户界面上就会逐步显示不同国家、不同肤色、不同表情的人脸，而不是显示一些猴脸或马脸。由此可见，多媒体挖掘就是从大量的多媒体数据集中，通过综合分析视听特性和语义，发现隐含的、有效的、有价值的、可理解的模式，得出事件的趋向和关联，为用户提供问题求解层次的决策支持能力。
1.5.4 时空数据挖掘
时空数据挖掘是指从海量、高维、高噪声和非线性的时空数据中提取隐含的、人们事先不知的、潜在的有用信息及知识的过程。时间维度和空间维度的存在增加了时空数据挖掘的复杂性。
随着传感器网络、手持移动设备等的普遍应用，遥感卫星和地理信息系统等的显著进步，人们获取了大量的地理科学数据。这些数据内嵌于连续空间，并且随时间动态变化，具有很大程度的特殊性和复杂性。实际上，在很多应用领域，如交通运输、气象研究、地震救援、犯罪分析、公共卫生与医疗等，在问题求解过程中需要同时考虑时间和空间两方面因素。随着信息技术的发展，人们已经不满足于单纯的时空数据的存储和展现，而是需要更先进的手段帮助理解时空数据的变化。如何从这些复杂、海量、高维、高噪声和非线性的时空数据中挖掘出隐含的时空模式，对这些模式进行分析从而提取出有价值的信息并用于商业活动，是对时空数据挖掘及分析技术的一项极大的挑战。
根据时空对象的不同，时空预测有不同的分类，大致可以分为 3类：面向时空数据的位置和轨迹预测、密度和事件预测、结合空间的时间序列预测。
1. 面向时空数据的位置和轨迹预测
面向时空数据的位置预测主要是基于时空对象的特征构建预测模型来预测时空对象所在的具体空间位置。对于实时物流、实时交通管理、基于位置的服务和 GPS导航等涉及时空数据的应用而言，预测单个或者一组对象未来的位置或目的地是至关重要的，它能使系统在延误的情况下采取必要的补救措施，避免拥堵，提高效率。
2. 密度和事件预测
某个区域的对象密度定义为在给定时间点该区域内对象数与该区域大小之比。这是一些对象随时间变化而呈现出的一个全局特征。面向时空数据的密度预测主要应用于实时交通管理，会给及时改善交通拥堵带来很大助益。例如，交通管理系统通过密度预测，可以识别出道路中的密集区域，从而帮助用户避免陷入交通阻塞，并采取有效措施，及时缓解交通拥堵。此外，面向时空数据的事件预测可以根据历史数据（时间序列），结合地理区域密度估计（发现重要特征和时空地点）来预测给定空间位置和时间范围内的概率密度，譬如，基于过去犯罪事件发生的地点、时间和城市经济等特征预测给定区域和时间段内犯罪发生的概率，进而检测犯罪率发展趋势，有效降低城市犯罪率。
3. 结合空间的时间序列预测
结合空间的时间序列预测是从时间的角度来考虑时空数据。与传统的时间序列不同的是，与空间有关的时间序列彼此不是独立的，而是和空间相关的。例如，可以首先构造时间序列模型以获取每个独立空间区域的时间特性；然后构造神经网络模型拟合隐含的空间相关性；最后基于统计回归，结合时间和空间进行预测，获得综合预测。
1.6 本章习题
一、填空题
1. 大数据指在一定时间内无法使用常规软件工具进行、和的数据集合。
2. 麦肯锡全球研究所给出的大数据定义是一种规模大到在、、、方面超出了传统数据库软件工具能力范围的数据集合。
3. 从技术上看，大数据与的关系就像一枚硬币的正反面一样密不可分。
4. 大数据最小的基本单位是。
5. 数据可视化信息展示方式包括、（两种）。
6. 可视化被分为 3种类型，如、、。
7. 大数据可以分为、、、等领域。
8. FMEA是一种可靠性设计的重要方法，是以和的组合。
9. 常用可视化技术方法有、、、、。
10. 数据挖掘可视化有、。
二、问答题
1. 大数据结构可以从哪 3个层面展开？
2.
大数据基本单位有哪些 ?（写出 4种）
3. 设计方式 FMEA是什么？
4. 大数据信息展示方式的列表是什么意思？
5. 信息展示方式的图表有哪些？举例 1～ 2种。
6. 简介数据可视化的 3种类型。
7. 常用可视化技术方法有哪些？
8. 数据挖掘可视化中的文本挖掘是什么？
第2章
Excel图表可视化
本章学习目标：
● 掌握 Excel的基本操作。
● 掌握数据采集、数据存储、数据处理和数据分析。
●学会使用 Excel实现数据可视化的案例。
本章首先介绍 Excel的功能和基本操作；然后介绍如何使用 Excel实现可视化。
2.1 Excel简介
Microsoft Of.ce Excel是电子数据表程序（进行数字和预算运算的软件程序），是最早的 Of.ce组件。Excel内置了多种函数，可以对大量数据进行分类、排序、绘制图表等。
1. Excel的功能
Excel的功能如图 2-1所示。
图 2-1 Excel的功能
2. Excel中的重要概念
在 Excel中有以下几个重要概念：
● 文件类型： Excel的几种常用文件类型包括 XLS/XLSX工作簿文件、 XLW工作区文件。
● 工作簿：Excel环境中用来存储并处理工作数据的文件，即 Excel文档。
● 工作表：显示在工作簿窗口中的表格。
● 单元格：工作表的基本单位，由行标和列标唯一确定。
3. Excel界面
Excel界面展示如图 2-2所示。
4. Excel单元格数字格式
在 Excel中，系统数字格式效果如图 2-3所示。除了系统定义的数字格式，用户还可以根据规定自定义数字格式，例如， yyyy/mm/dd表示 2023/03/01，而 yyyy/mm/dd表示 2023/Jan/ Thu，具体的自定义格式可根据实际情况制定。
第 2章 Excel图表可视化
2.2 Excel实现可视化案例
使用 Excel实现可视化的操作步骤如下：
的单元格数字格式有何不同，如图 2-7所示。
图 2-6 输入数据图 2-7 不同的数字格式
单中选择“替换”命令，弹出“查找和替换”对话框。
在“查找内容”文本框中输入“苏州”，在“替换为”文本框中输入“苏州市”，勾选“单元格匹配”复选框，如图 2-8所示。单击“全部替换”按钮，将“苏州”全部替换为“苏州市”。同理，将“苏州市区”也全部替换为“苏州市”，结果如图 2-9所示。
图 2-8 替换操作图 2-9 替换的结果
所示。
在“开始”选项卡的“编辑”选项组中单击“查找和选择”按钮，在弹出的下拉菜单中选择“定位条件”（Alt+S）命令，在弹出的“定位条件”对话框中选择“批注”单选按钮，然后单击“确定”按钮。结果使用了定位工具，定位到了前面插入批注的单元格。
添加批注后，单元格的格式如图 2-11所示。
图 2-17 设置次要坐标系
图 2-18 设置标签
图 2-19 设置坐标轴数字格式
Step12设置主要坐标轴刻度线为外部，删除次要坐标轴与网格线，具体设置如图 2-20
所示。
Step13设置图表区背景为图片。选中图表区，右击，在弹出的快捷菜单中选择“设置图表
区域格式”命令，在弹出的对话框中选择“图片或纹理填充”单选按钮，选择素材图片，如图 2-21所示。
历年出口与内销对比 出口
内销
76% 2006年24%
82% 2007年18%
73% 2008年27%
60% 2009年40%
55% 2010年45%
2011年68%
100% 75% 50% 25% 0% 25% 50% 75% 100%
图 2-23 美化结果
2.3 本章习题
一、单选题
1. Excel中下面哪个数据格式能表示时间 2023/04/01？（）
A. yy/m/dd B. yyyy/mm/dd C. yyy/m/dd D. yyy/mmm/ddd
2. 将两组数据值域差距较大的数据绘制在一张图上，应该（）。
5. Excel的工作簿扩展名为（）。（多选）
A. 调整坐标轴值域 B. 删除坐标轴 C. 添加次坐标系 D. 调整刻度线
3. Of.ce组件中属于表格处理的是（ ）。
A. Excel B. Word C. PowerPoint D. Outlook
4. Excel不能做什么？（ ）
A. 数据存储 B. 数据分析 C. 数据处理 D. 数据挖掘
A. .xls B. .xlsx C. .xsl D. .xslx
二、判断题
1. Excel中使用函数都应该以“=”开头。
2. Microsoft Of.ce Word 是文字处理软件。它被认为是 Of.ce 的主要程序。它在文字处理软件市场上拥有统治份额。
3. Microsoft Of.ce Outlook是微软公司推出的一款网页设计、制作、发布、管理的软件。
4. 分类汇总即把资料进行数据化后，先按照某一标准进行分类，然后在分完类的基础上对各类别进行汇总。
三、填空题
1. Excel能完成的功能为、、和四部分。
2. 查找与替换的快捷键为；定位工具的快捷键为。
四、简答题
1. 简单介绍一下 Microsoft Of.ce PowerPoint。
2. Excel图表中的元素由哪些部分组成？
第3章 Tableau Desktop
本章学习目标：
● 了解 Tableau的基本原理和技术。
● 了解 Tableau的数据分析。
● 掌握 Tableau的可视化分析。
● 了解 Tableau的预测分析。
● 掌握 Tableau仪表板的分享与发布。
本章首先介绍大数据处理软件 Tableau的基本特征；然后介绍此软件如何安装与使用，包括 Tableau数据处理、计算；接着重点介绍 Tableau的可视化操作，如图表可视化、地图可视化；最后介绍 Tableau的预测分析，以及如何分享所创建的可视化图像。
3.1 Tableau简介
本节主要介绍 Tableau的基本知识，使读者能够入门 Tableau。
3.1.1 Tableau概述
Tableau是用于数据可视分析的商业智能工具。用户可以创建和分发交互式、可共享的仪表板，以图形和图表的形式描绘数据的趋势、变化和密度。 Tableau可以连接到文件、关系数据源和大数据源来获取和处理数据。该软件允许数据混合和实时协作，这使得它非常独特。在企业、学术机构及许多政府机构，都会使用 Tableau进行视觉数据分析。
Tableau算是数据可视化比较容易入门的软件，只需简单地拖曳，就可以将各种类型的数据以多种图表的形式反映出来，然后将它们嵌入文档或者网页中。即便不是专门从事数据可视化方面的工作，也有必要学习 Tableau，可以通过它将数据组织好以后放入 Word或者 PPT中。
数据可视化技术是 Tableau的核心，主要包括以下两个方面：
● 独创的 VizQL数据库。 Tableau的初创合伙人是来自斯坦福大学的数据科学家，他们为了实现卓越的可视化数据获取与后期处理，并没有像普通数据分析类软件那样简单地调用和整合现行主流的关系型数据库，而是革命性地进行了大尺度的创新，独创了 VizQL数据库。
● 用户体验良好且易用的表现形式。 Tableau提供了一个非常新颖且易用的使用界面，使得处理规模巨大的、多维的数据时，可以即时从不同角度看到数据所呈现出的规律。
第 3章 Tableau Desktop
图 3-6 导入数据
注意：还可以按交叉表形式复制数据，以便在 Microsoft Excel中使用，在快捷菜单中选择 “复制”→“交叉表”命令即可。
7. 导出 Tableau数据图像
要导出 Tableau数据图像，可以复制视图以便在其他应用程序中使用，也可以将视图导出为图像文件。
将视图复制到剪贴板：在视图中选中要复制的图像，依次选择“工作表”→“复制”→“图像”命令，弹出“复制图像”对话框，选择要包括的内容和图例布局（如果视图包含图例），然后单击“复制”按钮，如图 3-8所示，打开其他应用程序（如 Word或者 Excel），然后选择“编辑”→“粘贴”命令。
注意：在某些应用程序中，可以选择“选择性粘贴”命令并指定图像的格式。
图 3-7 拷贝数据图 3-8 “复制图像”对话框
3.2 Tableau功能介绍
本节主要对 Tableau的功能进行介绍。
3.2.1 可视化分析概述
可视化分析主要应用于海量数据关联分析，可辅助人工操作进行数据关联分析，并作出完
整的分析图表。由于可视化分析所涉及的信息比较分散、数据结构有可能不统一，而且通常以人工分析为主，再加上分析过程的非结构性和不确定性，所以，不易形成固定的分析流程或模式，很难将数据调入应用系统中进行分析挖掘。
大脑对视觉信息的处理优于对文本的处理。在数据处理的过程中，使用可视化的方法（如图表、图形等）将数据的趋势、差别、相关性等关系展示出来，将有助于人们对数据的理解与分析，特别是一些高维度、高复杂度的数据。
3.2.2 Tableau的可视化分析
可视化界面化繁为简，用户不仅可以通过命令行输入指令，还可以通过图形界面自由拖放完成数据的查询；而通过关系型或非关系型数据库来管理、查询和展示数据可以更加高效地完成数据管理的工作。
当能够充分发挥可视化和数据库的能力时，就会从数据工作者变成数据的思考者，可以轻松完成数据的查询，随心所欲地使用数据。目前，面临的问题有以下 3点：
（1）低效的信息展示能力。
（2）有限的数据探索能力。
（3）痛苦的用户界面。
Tableau软件的开发思想是分析和可视化不能分家，而且必须变成一种可视化分析的过程。可视化分析具体来说包括以下几方面。
1. 数据挖掘 /探索
可视化分析就是要支持分析推理。可视化分析的目的就是回答数据与事实相关的问题。为了支持分析，仅仅存取和报告数据是不够的，分析需要在整个过程中有强大的运算能力的支持。通常的分析包括如下几项：①筛选，突出重要的数据；②分类排序，优先次序；③分组，聚合来归纳数据；④快速完成运算，让数字变得有意义。
2. 数据可视化
可视化分析意味着分析过程支持可视化思维，也就是要采用最优的方式对信息进行可视化，从而展示数据的变化。
简单来说，可视化分析就是用视觉的方式去发现数据、发掘数据。可视化分析主要有以下两个特点：
（1）数据的变化即刻就可以看到，例如，单击一系列数据的均值，马上就能呈现出来。
（2）观看数据变化的方式即刻就能转换，例如，用直方图显示的一组数据，马上就可以用折线图来展示。
3. Tableau条形图
条形图（ Bar Chart）是用条形的高度或长短来表示数据多少的图形。条形图可以横置，也可以纵置，纵置时称之为柱形图。
描绘条形图的要素有 3个，分别是组数、组宽度、组限。
●组数：把数据分成几组，指导性的经验是将数据分成 5～ 10组。
●组宽度：通常来说，每组的宽度是一致的。
●组限：分为组下限和组上限，并且一个数据只能在一个组限内。
4. Tableau饼图
饼图的英文学名为 Sector Graph，常用于统计学模块。 2D饼图为圆形，如图 3-9所示。饼图可以分为简单的饼图和下钻饼图。
新疆维吾尔自治区
10,113上海市
云南省
75,769
湖南省 北京市
231,055102,929
河北省 106,562江苏省 227,931
重庆市
108,976
175,046四川省 浙江省
203,127188,948
图 3-9 饼图
5. Tableau折线图
工作表中的列或行中的数据可以绘制到折线图中。折线图可以显示随时间（根据常用比例设置）而变化的连续数据，因此，非常适用于显示在相等时间间隔下数据的变化趋势。在折线图中，类别数据沿水平轴均匀分布，所有值数据沿垂直轴均匀分布，如图 3-10所示。
销售额预测
公司 ￥400,000￥300,000￥200,000￥100,000￥0
消费者 ￥400,000￥300,000￥200,000￥100,000￥0
小型 ￥400,000￥300,000￥200,000￥100,000￥0
计单日期 月
图 3-10 折线图
3.2.3 Tableau的数据处理与计算
1. 运算符
运算符是一个符号，用于通知编译器执行特定的数学或逻辑运算。 Tableau有多个运算符用于创建计算字段和公式。
可用的运算符的类型和运算的顺序（优先级）如下：①常规运算符；②关系运算符；③逻辑运算符。
图 3-11所示为运算符对数字、字符串及日期数据类型的示例。
2. Tableau函数
任何数据分析都涉及大量的计算。在 Tableau中，计算编辑器用于将计算应用于正在分析的字段。Tableau具有许多内置函数，它们有助于创建复杂计算的表达式。
①数字函数：用于数值计算的函数，它们只接收数字作为输入。
②字符串函数：用于字符串操作，如图 3-12所示。
运算符 描述 例子
7+3
+ 添加两个数字或连接两个字符串 利润+销售额 \′abc\′+\′def\ ′=\′abcdef\′
- 减去两个数字或从日期中减去天数 False
LEN(string) 返回字符串的长度 LEN(′
Tableau′
)=7
LTRIM(string) 返回删除了任何前导空格的字符串 LTRIM(′
Tableau′
)=7
UPPER(string) 返回字符串，所以字母都为大写 UPPER(′
Tableau′
)=′
TABLEAU′
图 3-11 运算符图 3-12 字符串函数示例
③日期函数：Tableau有各种日期函数来执行涉及日期的计算。所有日期函数都使用 date_ part，它是一个字符串，表示日期的一部分，如年、季、月或日。
3. Tableau数值计算
Tableau中的数值计算使用公式编辑器中提供的大量内置函数来完成。
3.2.4 Tableau的地图分析
地理数据有许多形状和格式。打开 Tableau Desktop时，在首页左侧的“连接”窗格中显示可用的连接器，可以通过这些连接器来连接数据，也可以通过连接到空间文件来处理地理数据，还可以连接存储在电子表格、文本文件中服务器上的位置数据。
空间文件（如 Shape.le或 geoJSON文件）包含实际几何图形（如点、线或多边形），而文本文件或电子表格包含经纬度坐标格式的点位置，或者包含在引入 Tableau时连接到的地理编码的指定位置。
1. 地图概念
数据存放在地图上的原因有很多，也许是数据源中有一些位置数据，也许是有人认为地图真的可以让数据很受欢迎。这两个都是创建地图可视化项的足够好的理由，但一定要记住，地图像任何其他类型的可视化项一样，有特定用途——它们可以回答空间问题。
2. 空间问题
在 Tableau中制作地图是因为有空间问题，所以，需要使用地图来了解数据中的变化趋势或模式。空间问题示例如下：
①哪个省 /自治区 /直辖市的农贸市场最多？
②中国的肥胖率高发区在哪里？
③所在城市的每条地铁线路中哪个地铁站是最繁忙的？
④人们按照当地的自行车共享计划在哪里借出和归还自行车？
3. Tableau中的地图类型
使用 Tableau可以创建以下通用地图类型：
①比例符号地图。
②面量图（填充地图）。
③点分布图。
④热图（密度图）。
⑤流线图（路径图）。
⑥蜘蛛图（起点至终点图）。
3.2.5 Tableau的预测分析
1. Tableau预测的工作原理
Tableau中预测使用的是一种称为“指数平滑”的技术，该预测算法可以在数据中寻找能够延续到未来的模式，也可以在缺少日期的情况下，使用度量和整型维度来创建预测。 Tableau可以帮助用户分析数据，使用指数平滑技术可以有效获取数据并制定未来趋势。
所有预测算法都是实际数据生成过程的简单模型。为获得高质量预测， DGP中的简单模式必须与模型所描述的模式很好地匹配。质量指标用于衡量模型与 DGP的匹配程度，如果质量指标较低，则由置信区间测量的精度将比较低，因此，需要重新调整模型以获得更高的质量指标。
2. 指数平滑方法
Tableau自动选择最多 8个模型中最佳的一个，以生成最高质量的预测。 Tableau会优化每个模型的平滑参数。优化方法是全局的，因此，选择的本地最佳的平滑参数也可能是全局范围内最佳的。不过，初始值参数将根据最佳做法进行选择，但不会进一步优化，所以，初始值参数可能不是最佳的。 Tableau提供的 8个模型属于 OTexts网站上的“指数平滑方法的分类”中所介绍的那些模型的一部分。
指数平滑模型通过对一个固定的时间序列的过去值的加权平均值，以迭代方式来预测该序列的未来值。最简模型从上一个实际值和上一个级别值来计算下一个级别值或平滑值。该方法之所以是指数方法，是因为每个级别的值都受前一个实际值的影响，影响程度呈指数下降，即值越新权重越大。
3. Tableau的闭合式方程
当可视化项中的数据不足时， Tableau会自动尝试以更精细的时间粒度进行预测，然后将预测聚合回可视化项的粒度。 Tableau提供可以由闭合式方程进行模拟或计算的预测区间。所有具有累乘组件或具有集合预测的模型都具有模拟区间，而所有其他模型则使用闭合式方程。
4. Tableau预测度量
当要预测的度量在进行预测的时间段内呈现出趋势或季节性时，带有趋势或季节性的组件的指数平滑模型十分有效。趋势就是数据随时间增加或减小的趋势。季节性是指值的重复和可预测的变化，如每年中各季节的温度波动。
通常，时间序列中的数据点越多，所产生的预测就越准确。如果要对季节性建模，则具有足够的数据就尤为重要，因为模型越复杂，就需要越多的数据才能达到合理的精度级别。如果使用两个或更多不同 DGP生成的数据进行预测，得到的预测质量将较低，因为一个模型只能匹配一个。
5. 模型类型
在“预测选项”对话框中，可以选择 Tableau用于预测的模型类型。对于大多数视图而言，“自动”设置通常是最佳设置。如果选择“自定义”，则可以单独指定趋势和季节特征，选择“无”“累加”或“累乘”。
累加模型是对各模型组件的贡献进行求和，而累乘模型是将一些组件的贡献相乘。当趋势或季节性受数据级别的影响时，采用累乘模式可以显著提高数据的预测质量。
6. 粒度与修剪
在创建预测时，需要选择一个日期维度，指定度量日期值所采用的时间单位。 Tableau日期支持一系列时间单位，如年、季度、月和天。为日期值选择的单位称为日期的粒度。度量中的数据通常并不与粒度单位完全一致。不完整季度的值会被预测模型视为完整季度，而不完整季度的值通常比完整季度的值要小。如果允许预测模型考虑此数据，则产生的预测将不准确。解决方法是修剪该数据，从而忽略可能会误导预测的末端周期。使用“预测选项”对话框中的“忽略最后”选项来移除部分周期。默认设置是修剪一个周期。
7. Tableau季节性
Tableau针对一个季节周期进行测试，具有对于估计预测的时间系列而言最典型的时间长度。如果按月聚合， Tableau将寻找 12个月的周期；如果按季度聚合， Tableau将寻找 4个季度的周期；如果按天聚合， Tableau将寻找每周季节性。因此，如果按月时间系列中有一个 6个月的周期， Tableau可能会寻找一个 12个月模式，其中包含两个类似的子模式；然而，如果按月时间系列中有一个 7个月的周期， Tableau可能找不到任何周期。幸运的是，以 7个月为周期的情况并不常见。
3.2.6 Tableau的仪表板
仪表板是若干视图的集合，可以同时比较各种数据。举例来说，如果有一组需要每天都审阅的数据，那么可以创建一个一次性显示所有视图的仪表板，而不是导航到单独的工作表。
像工作表一样，可以通过工作簿底部的标签访问仪表板。工作表和仪表板中的数据是相连的，当修改工作表时，包含该工作表的任何仪表板也会更改，反之亦然。工作表和仪表板都会随着数据源中的最新可用数据一起更新。
默认情况下， Tableau仪表板设置为使用固定大小，如果保留此设置，则务必按照将要查看的大小来构建可视化项。也可以将“大小”设置为“自动”，这会使 Tableau根据屏幕大小自动适应可视化项的总体尺寸。这意味着，如果设计 1300×700像素的仪表板，则 Tableau将调整它的大小以适应小型显示器 ,有时这会使视图或滚动条挤成一团。“范围”调整功能可以帮助避免这一点。
应该将仪表板中包括的视图数限制为两个或三个。如果加的视图太多，则详细信息中可能会丢失视觉清晰度和重点。如果发现故事工作区的范围需要超过两个或三个视图，则可以创建更多的仪表板。发布仪表板后，如果视图太多，则可能会影响仪表板性能。有关性能的更多详细信息，请参阅“加快可视化项的速度”部分的内容。
3.2.7 Tableau的分享与发布
当发布到 Tableau Public时，这些视图可公开访问，这意味着将与能够访问 Internet的任何人共享本地视图及本地基础数据。共享机密信息时，可考虑使用 Tableau Server或 Tableau Online。
Tableau Desktop能以全新的方式查看数据，在短短几分钟内完成关键业务问题的探索与回答，然后与他人分享见解。 Tableau提供了共享和协作选项，可以轻松实现这个目标，无论数
图 3-18 环形图
3.4.本章习题
一、单选题
1. Tableau是用于（ ）数据的商业智能工具。
A.可视分析 B.用户分析 C.商业分析 D.网络分析
2. 在企业、学术机构及许多政府机构，都会使用 Tableau进行视觉数据分析。作为领先的数据（ ）工具。
A. 图像化 B. 界面化 C. 可视化 D. 图表化
3. Tableau 工作区包含菜单、工具栏、“数据”窗格、卡和功能区，以及一个或多个（ ）。
A.工作表 B.视图表 C.数据表 D.画图表
4. （ ）包含工作表，后者可以是工作表、仪表板或故事。
A.内存 B.工作簿 C.外存 D.工作主页
5. Tableau 工作区包含菜单、工具栏、“（ ）”窗格、卡和功能区，以及一个或多个工作表。
A.数据 B.内部 C.外部 D.内置
6.
通过决定尺寸和度量来选择要分析的数据。尺寸是描述性数据，而度量是（ ）数据。
A.数字 B.文字 C.图表 D.单元格
7. 一个打开的 Tableau，得到开始页面显示各种（ ）。
A.信息 B.图表 C.数据源 D.链接源
8. 编辑工作表时，侧栏包含“数据”窗格和“分析”窗格。根据要在视图中进行的操作，可能会看到不同的窗格（“数据”“分析”“故事”“仪表板”“布局”“（ ） ”）。关于侧栏最重要的一点是可以在工作区中展开和折叠此区域。
A.外存 B.内存 C.形式 D.格式
二、问答题
1. 什么是 Tableau?
2. 简单介绍一下 Tableau的使用方法。
3. Tableau有什么功能？
4. 什么是 Tableau仪表板？
5. Tableau 启用突出显示有哪些方法？请简要说明。
6. 怎么制作 Tableau 制作仪表板？例如现已在 Tableau中制作完成了条形图及饼图，如何使用仪表板展示出来？
第4章
Web可视化组件
本章学习目标：
● 理解 Highcharts可视化的原理。
● 掌握 Highcharts可视化组件的案例。
● 理解 d3可视化的原理。
● 掌握 d3可视化组件的案例。
本章首先介绍基于 Web的可视化组件 Highcharts，内容包括如何使用该组件来创建相应的图像；然后介绍 d3.js可视化的基本思想；最后使用 d3.js来制作可视化各种图形的案例。
4.1 Highcharts可视化组件
本节介绍基于 Web可视化组件 Highcharts及其应用。
4.1.1 Highcharts简介
Highcharts是一个用纯 JavaScript语言编写的一个图表库，能够简单便捷地在 Web网站或是 Web应用程序中添加有交互性的图表，并且免费提供给个人学习、个人网站和非商业用途使用。
Highcharts具有兼容性、多设备、免费使用、轻量、配置简单、动态、多维、配置提示工具、时间轴、导出、输出、可变焦、外部数据、文字旋转的特性。 Highcharts支持的图表类型有直线图、曲线图、区域图、柱形图、饼图、散点图、仪表图、气泡图、瀑布流图等 20种图表，其中很多图表可以集成在同一个图形中，形成混合图。
1. Highcharts图表的组成
一般情况下， Highcharts图表主要由标题、坐标轴、数据列、数据提示框、图例、版权标签等组成，另外还可以包括导出功能按钮、标示线、标示区域、数据标签等，如图 4-1所示。
● 标题：图表标题，包含主标题和副标题，其中副标题是非必需的。
● 坐标轴：坐标轴包含 X轴和 Y轴。通常情况下， X轴显示在图表的底部， Y轴显示在图表的左侧。多个数据列可以共用同一个坐标轴，为了对比或区分数据， Highcharts提供了多轴的支持。
● 数据列：即图表上一个或多个数据系列，如曲线图中的一条曲线、柱形图中的一个柱形。
● 数据提示框：当鼠标指针悬停在某点上时，以框的形式提示该点的数据，比如该点的
第 4章 Web可视化组件
值、数据单位等。数据提示框内提示的信息可以通过格式化函数动态指定。
降雨量（mm）
标题
数据来源：WorldClimate.com
250 200 150 100 50 0
东京
纽约
伦敦
坐标轴
图例
图 4-1 Highcharts图表元素
2. 图表样式
图表样式属性包括边框、背景、外边距、内边距和其他属性等。
●边框：包括 borderColor、borderRadius、borderWidth。
●背景：包括 backgroundColor。
●外边距：包括 margin、marginTop、marginRight、marginBottom、marginLeft。
●内边距：包括 spacing、spacingTop、spacingRight、spacingBottom、spacingLeft。
●其他属性：如字体等属性。
4.1.2 Highcharts可视化案例
1. 折线图
月平均气温统计表的情况可以用折线图来展示，代码如下：
代码 4-1：
var title = {
text: '月平均气温统计表 '
};
var subtitle = {
text: '来源：国家气象网 '
};
var xAxis = {
categories: ['一月 ', '二月 ', '三月 ', '四月 ', '五月 ']
};
var yAxis = {
title: {
text: '温度 (\xB0C)'
},
plotLines: [{
value: 0,
width: 1,
color: '#808080'
}]
};
var plotOptions = {
line: {
dataLabels: {
enabled: true #图表中显示每个点的数值
},
enableMouseTracking: true #鼠标悬停提示
}
};
#提示后缀加单位
var tooltip = {
valueSuf.x: '\xB0C'
};
#设置图例的展示方式为右中对齐，非必需
var legend = {
layout: 'vertical',
align: 'right',
verticalAlign: 'middle',
borderWidth: 0
};
var series = [{
name: '东京 ',
data: [7.0, 6.9, 9.5, 14.5, 18.2]
},
{
name: '纽约 ',
data: [-0.2, 0.8, 5.7, 11.3, 17.0]
},
{
name: '柏林 ',
data: [-0.9, 0.6, 3.5, 8.4, 13.5]
},
{
name: '伦敦 ',
data: [3.9, 4.2, 5.7, 8.5, 11.9]
第 4章 Web可视化组件
绘制的折线图如图 4-2所示。
20 15 10 5 0 -5
温度（℃）
图 4-2 折线图
2. 饼图
2023年 2月谷歌、 IE、火狐、搜狗、 Opera、QQ及其他浏览器占用的市场份额用饼图展示，代码如下：
代码 4-2：
pie: {
allowPointSelect: true,
cursor: 'pointer',
dataLabels: {
enabled: true,
format: '{point.name}: {point.percentage:.1f} %',
style: {
color: (Highcharts.theme && Highcharts.theme. contrastTextColor) || 'black' } }
}
},
series: [{
name: 'Brands',
colorByPoint: true,
data: [{
name: 'Chrome',
y: 61.41,
sliced: true,
selected: true
}, {
name: 'Internet Explorer',
y: 11.84
}, {
name: 'Firefox',
y: 10.85
}, {
name: 'Edge',
y: 4.67
}, {
name: 'Safari',
y: 4.18
}, {
name: 'Sogou Explorer',
y: 1.64
}, {
name: 'Opera',
y: 1.6
}, {
name: 'QQ',
y: 1.2
}, {
name: 'Other',
y: 2.61
}]
}] });
绘制的饼图如图 4-3所示。
第 4章 Web可视化组件
2023年2月浏览器市场份额
Sogou Explorer：1.6%
Safarl：4.2%
Edge：4.7%
Firefox：10.9%
Chrome：61.4%
Internet Explorer：11.8%
图 4-3 饼图
3. 散点图
对 507个人按性别进行划分，使用散点图展示每个人的身高和体重，其中 X轴代表身高， Y轴代表体重，代码如下：代码 4-3：
Highcharts 散点图
绘制的散点图如图 4-4所示。
图 4-4 散点图
4. 环形图
除了饼图，还可以使用环形图展示各个浏览器的市场份额比例，代码如下：代码 4-4：
Highcharts 环形图
绘制的环形图如图 4-5所示。
Opera：6.2% 其他： 0.7%
Safari：8.5%
Chrome：12.8%
Firefox：45.0%
IE：26.8%
图 4-5 环形图
第 4章 Web可视化组件
5. 气泡图
一共有 3组模拟的数据列，每组数据列中又包含多个数据列，一个气泡代表一个数据列，每个气泡中有多个值，前两个值用于定位，最后一个值用于计算气泡大小，代码如下：代码 4-5：
HighCharts 气泡图
绘制的气泡图如图 4-6所示。
图 4-6 气泡图
4.2 d3可视化库
本节主要介绍 d3可视化库及其应用。
4.2.1 d3简介
d3.js是一个基于 Web标准的 JavaScript库，主要用于可视化开发。 d3可以将指定的数据生动地展现出来。 d3利用自身的可视化交互技术及数据驱动 DOM技术，借助主流浏览器的强大功能，自由地对数据进行可视化展示。
使用 npm包管理命令按照以下命令安装 d3：
此外，还可以将 d3代码包下载到本地，在代码中加载此代码包。
也可以在代码中直接加载 d3官网提供的在线资源包，命令如下：
d3代码包对浏览器的性能要求比较低，它可以支持目前主流的浏览器的页面渲染功能，如 Edge、Google Chrome、Firefox、Safari等浏览器。
4.2.2 d3可视化案例
1. 树图
主干为 root，下面有 analytics、animate、data、display、.ex、physics、query、scale、uti、vis等分枝，每条分枝下面又有各自的枝干，使用 d3创建 SVG图形生成器来绘制树图，代码如下：
代码 4-6：
第 4章 Web可视化组件
使用 d3.js绘画树图