前言：基于人大的《数据科学概论》第十章。主要内容为可视化的定义、可视化的意义、可视化的一般过程、科学可视化与信息可视化、可视化的原则、可视化实例、可视化的挑战和趋势、可视分析技术、探索式数据分析、可视化工具。
一、可视化的定义
可视化是数据的可视表现形式以及交互技术的总称。
它通过图形化的方式把数据给表现出来，方便用户进行观察和理解，并且帮助用户对数据进行探索、发现数据里面隐藏的模式，获得对数据的洞察力和理解。
二、可视化的意义
某些事物，用文字/数字来表达，相当地繁琐，但是用图形来表现，则更加容易把握和理解。
在大数据时代，数据来源多样，数据的规模巨大，可视化技术可以帮助我们对数据进行观察、理解、探索和发现。
三、可视化的一般过程
过滤，映射，渲染，交互。
过滤，（Filtering）是选取原始数据集的一部分进行可视化。映射，（Mapping）是指将抽象数据，转换为可视化表示的过程。渲染，（Rendering）是通过图形渲染库和显示卡的帮助，把经过映射的数据，以二维或者三维图形的形式绘制出来。交互，（Interaction）是指计算机对用户的某种特定动作，做出反应。比如，计算机可以识别用户的手势，适时地改变渲染的效果。
映射和交互两个环节是达成这个目标的关键。
四、科学可视化与信息可视化
目前，可视化领域包括三个主要的分支，分别是科学可视化、信息可视化、以及可视分析等。
五、可视化的原则
可视化的目的，是把复杂数据有效地展示出来，首要的原则是准确和清晰。
准确是指可视化结果反映的是数据的本来面目或者本质清晰是指可视化结果，所表达的含义要明确。
此外，还要尽量做到
- 在更小的空间里，用最少的图形，在最短的时间里，传达给用户最多的信息。对数据进行合理简化，突出重点。
- 可视化的结果，需要阐明事物之间的相互关系，以及事物的变化趋势，对于类似的事物要方便用户进行比较。
- 使用用户熟悉的事物，对需要比较的数据进行比较
- 在可视化设计过程中，要考虑把交互方式和动画效果加进去。动画效果可以从时间和空间维度对事物的发展变化过程进行刻画，以便给用户创造沉浸式的体验。
六、可视化实例
散点图、直方图、线图、柱状图、饼图、树状结构、圆锥树、信息立方体、堆叠的河流、景区热力图、高维数据可视化、高维数据可视化。
七、可视化的挑战和趋势
- 海量的异构数据的可视化，对算法设计和硬件基础设施，都提出了更高的要求。
- 各种新硬件被应用到可视化领域，可视化系统将支持更高的显示分辨率
- 可视化技术被应用到更多的业务领域
- 可视化技术支持更多样的数据的可视化
- 新的研究热点，是基于可视化、以及可视化分析结果，进行叙事，将一个故事，并且把故事讲完整、讲精彩
- 可视化软件提供更加强大的可视化分析能力
八、可视分析技术
可视分析包括三个要素
数据（Data），数据是所有可视化分析的基础模型（Model），包括统计模型、以及机器学习、数据挖掘模型。利用可视化（Visualization），探索数据中变量之间的关系。
可视分析包括三个回路：
探索回路，描述分析者如何和可视化分析系统进行交互，目的是生成新的可视化结果或者调整模型，并且据此对数据进行分析。涉及动作和发现。验证回路，包括洞察和假设。产生新知识回路，分析者为某个假设寻找证据，或者从数据中学习到新的知识。从证据到知识，需要一个推理的过程。
九、探索式数据分析
所谓探索式数据分析，是指对已有的数据，在尽量少的先验假定情况下进行探索，逐步了解数据的特点。
当我们对数据的内在特点、它包含的信息，没有足够经验，不知道应用用什么统计分析、数据挖掘、机器学习方法进行分析时，探索式数据分析是一种有效的分析方式。
在探索式数据分析中对高维数据进行降维
降维，是把数据或特征的维数降低，一般分为线性降维、和非线性降维。
降维的方法有：主成分分析、线性判别分析、多维尺度分析等。
十、可视化工具
-
D3.js
-
Matplotlib
-
Prefuse
降维。
降维的方法有：主成分分析、线性判别分析、多维尺度分析等。
十、可视化工具
-
D3.js
-
Matplotlib
-
Prefuse
