Word天呀,气泡图居然还有这种操作~

在之前写实习僧爬虫可视化案例之时,曾经用过一个很类似气泡图的图表——气泡云图(superbubble)。

它的图表信息呈现与文字云非常相似,都是在控制一组元素的大小,文字云的大小是文字,气泡云图的大小是形状(气泡)。

虽然看起来,它与普通气泡图比起来非常相似,但是实质上数据信息含量已经大相径庭,气泡图实际上使用了三个指标变量,而气泡云图仅适用了两个(而且仅有大小变量是数值型的)。

实际上以上对比是为了启发大家一种认识图表的思路:

通常情况下,我们被各种课程或者书籍指导着,认识到的可视化无一例外的是从数据如何转换为图表,坦白的说,这中思路问题不大,至少没有方向性的失误。

但是可视化是一套理念,而非流程或者过程,从数据到图表仅仅解决的是数据(变量)通过视觉信号映射到图表的过程,更为完善的可视化视角应该是:

你既要知道视觉元素是是如何通过数据映射到图表上的,更要知道一张已经被映射完成的图表,其视觉信号如何还原为原始的数据结构,毕竟很多职场人士是先看到自己觉得满意的图表之后,再回过头来思考自己的数据怎么做成那种理想的图表。

即可视化是一套从数据信息到视觉信息,再由视觉信息还原数据信息的过程。(个人愚见)

今天要讲的气泡云图,你可以这么理解,我们有一组指标(离散),并且想要呈现(从宏观上)该组指标的客观大小。以上属于正向的从数据到图表的可视化思维。

更加常见的情况是,我看到了一张非常漂亮的气泡云图,我想要将其用在我的项目或者业务报告之中,那么你一定要搞明白,你是否有这么一组指标(数据),仅需从宏观上呈现其大小。(因为这种需求有很多图表类型可以运用,而且达到的目的大同小异)。

这里仍然以之前那个实习僧职位需求top100企业为例:

我会分别使用PowerBI、Tableau、R语言来制作这一案例。

PowerBI:

我完成后的整个软件界面是这样的,大家可以看到,我只使用了两个字段:分别是一个文本标签和一组对应频率。

在superbubble的菜单中,刚好对应category选项和Role_DisplayName_Values字段。

就这样,完成了PowerBI中的气泡云图的制作。(该图表对象并非PowerBI内置图表对象,需要在其官方的在线社区中下载对应插件并加载之后才可用)。

Tableau:

在Tableau操作界面中,仍然是使用两个字段,我将文本字段作为标签,freq作为大小映射给了该图表对象,同时因为Tableau系统中的图形对于颜色设置了非常严格的使用标准,所以默认是单色的,为了不过于单调,我将freq又映射给了一个颜色标度。(由此可见Tableau在数据可视化领域的专业性和权威性,PowerBI一直是在替用户选择,Tbaleau是用户掌握选择权)。

R语言:

R语言的官方社区中没有气泡云图(superbubble),但是在HTMLwidgets的开发者社区里,有一个制作该图表的扩展包:

devtools::install_github("jcheng5/bubbles")

library(bubbles) library(RColorBrewer)

example:

bubbles(value = runif(26),label=LETTERS,color=rainbow(26, alpha=NULL)[sample(26)])

以下接前面案例:

mydata<-read.csv("D:R/File/shixiseng_job.csv",stringsAsFactors=FALSE,check.names=FALSE)

color1<-brewer.pal(9,"YlOrRd") color2<-brewer.pal(9,"Greens") color<-c(color1,color2) colorpan<-sample(color,100,replace = TRUE) bubbles(value =mydata$Freq,label=mydata$Var1,color=colorpan)

简单几行代码,一幅还算看的过眼的superbubble图表就完美出炉了,关键是,它的信息呈现角度与众不同,给人的视觉感受比较震撼,令人耳目一新,心领神会。

总结一下今天的分享概要:

1、可视化的两个环节:

  • 从数据到图表——数据元素到视觉信号的映射过程
  • 从图表到数据——视觉信号还原为数据结构的过程

2、图表的数据信息含量一致,与所使用的软件无关:

  • 因而所有的可视化工具在设计底层理念的时候,都是有规律的,不要害怕软件操作难,我们掌握心法就好。

本文分享自微信公众号 - 数据小魔方(datamofang)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2017-06-19

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏应兆康的专栏

Andrew Ng - 《Machine Learning Yearning》 Chapter 23-27

Machine Learning Yearning. 全新版本 本书作者是Andrew NG

729260
来自专栏ATYUN订阅号

谷歌详述Smart Linkify的核心动力——机器学习

本周推出的最新版谷歌移动操作系统Android Pie,其最轻松的功能之一就是Smart Linkify。它是一种API,可在文本中检测到地址,电话号码和其他此...

9520
来自专栏新智元

【TensorFlow开发者峰会】重磅发布TensorFlow.js,完全在浏览器运行机器学习

19970
来自专栏用户画像

Facebook 推荐算法

版权声明:本文为博主-姜兴琪原创文章,未经博主允许不得转载。 https://blog.csdn.net/jxq0816/article/details/816...

25430
来自专栏量化投资与机器学习

我用Facebook开源神器Prophet,预测时间序列基于Python(代码+论文)

Prophet是Facebook 开源一款基于 Python 和 R 语言的数据预测工具。Facebook 表示,Prophet 相比现有预测工具更加人性化,并...

54420
来自专栏DHUtoBUAA

基于蚁群算法的机械臂打孔路径规划

  该问题来源于参加某知名外企的校招面试。根据面试官描述,一块木板有数百个小孔(坐标已知),现在需要通过机械臂在木板上钻孔,要求对打孔路径进行规划,力求使打孔总...

79560
来自专栏DHUtoBUAA

基于蚁群算法的机械臂打孔路径规划

问题描述   该问题来源于参加某知名外企的校招面试。根据面试官描述,一块木板有数百个小孔(坐标已知),现在需要通过机械臂在木板上钻孔,要求对打孔路径进行规划,力...

63280
来自专栏机器学习AI算法工程

自己动手写推荐系统

在下面介绍的做推荐系统的流程中,我只是想给大家介绍个普通的推荐系统该怎么做,所以很多地方都有偷懒,还请大家见谅。而且由于我不是做的在线的推荐系统,而是属于隔天...

42380
来自专栏AI研习社

OpenBLAS项目与矩阵乘法优化 | 公开课+文字转录

提起矩阵计算,学过《高等数学》的人可能都听过,但若不是这个领域的研究者,恐怕也只停在“听过”的程度。在矩阵计算领域,开源项目OpenBLAS影响巨大,除IBM、...

1.1K70
来自专栏追不上乌龟的兔子

Neo4j中的图形算法:15种不同的图形算法及其功能

只有你拥有使用图形分析的技巧,并且图形分析能快速提供你需要的见解时,它才具有价值。因而最好的图形算法易于使用,快速执行,并且产生有权威的结果。

4.9K30

扫码关注云+社区

领取腾讯云代金券