中国地图是中国完整国土的展示。

对于外国人而言，一张完整的中国地图，就是一个完整的中国形象；对于中国人而言，中国地图不单是中国地图，也是区域划分和自己的乡愁，中国地图总能根据地域，告诉你许多你不知道的故事。

下面是几张特别有意思的中国地图，我们一起来看看。

2017年中国各省GDP排行榜

2017年中国各省人均GDP排行榜

2018年春节全国各省压岁钱排行榜

2017年中国各省地方债务排行榜

2017年A股IPO家数区域分布

小伙伴们，大家好，大家有没有因为画统计图而倍感头疼？有没有不知道该如何将数据有效分组展示？

今天大程手把手演示GraphPad绘图工具。

graphpad prism是专门为生物医学相关专业的人员精心设计的一款绘图软件，具有功能实用、操作便捷等特点，自推出以来受到了很多用户的喜爱，该软件集生物统计、曲线拟合和科学绘图于一体，可以帮助生物医学人员轻轻松松就可以制作出专业的数据表。

演示一：折线图

比如这里我们用4个时间节点，每一个时间节点有四组样品，那么如何利用折线图完美的展现结果？

打开Graphpad后，我们在其中输入相应的数据：

在输入数据后，我们便可以选择具体的图形：

我们选择折线图

然后便可以直接看到最终的图形：

有没有很激动，有没有很高大上？

演示二：分组折线

这个时候，如果我们有两组不同的数据，都想画出折线图该怎么办那？

比如有control和treated两组数据，该如何在一张图里面展现出来两组数据？

然后我们选中new datatableandgraph

像刚才一样，继续输入：

然后输入相应的数据：

只不过这里我们需要输入两大组数据

最终结果如图所示，有没有很好看？

好看的话，记得点赞哦

演示三：柱状图

比如我们手上有这样一组数据：

如同graphpad演示的那样

我们group数据：

然后对应输入数据。就可以得到非常好看的图形。

问题来了，如果最终我们希望增添P value数值该怎么加上去那？

点击上图小框内的按钮进行t检验

然后选择不同的组，然后选定齐方差检验，然后设定显著性水平。

然后在Draw位置，选定框线：

然后我们根据P value加标注。

感觉好的话，记得关注生物极客哦！

大家在做汇报的时候,对柱形图，饼图，已经相当熟悉了，对于创新图形大家普遍都会认为太难，所以望而却步，为了让领导们眼前一亮！接下来小编将持续更新不一样的图表制作方法,欢迎大家订阅~今天先给大家带来半圆仪表图（如下所示）

步骤一：首先准备数据源,数据源可以根据大家都需求自行修改.表盘部分可以根据需求分成若干份,但最后一份一定是前面若干份的和.指针部分指针宽度通常是1,调整值根据大家都需求,通常是显示值可取的最大值*2-当前显示值-1,例如示例中可取最大值为100,那调整值就为100*2-51=149。根据表盘分段值插入圆环图,根据需求去掉图例和标题.（如下图所示）

步骤二：把第一扇区起始角度调整为270度,并且把最下面的半圆填充色改为无填充,也可以根据需求去掉边框,留下也挺好看的.（如下图所示）

步骤三：再把指针数据填充到图中,具体做法可以直接复制D1:D4，选中刚做的图，粘帖，就得到如下图。（请看下图）

步骤四：然后右击图表，选择更改系列图表类型，把指针改为饼图，并且改为次坐标轴。

步骤五：把指针对应的图标两个面积大的扇区颜色填充为无填充，数值1对应的扇区颜色选一个自己喜欢的最为仪表的指针，并且把第一扇区起始角度调整为270度。（看下图）

步骤六：最后再选中指针，添加数据标签，具体做法是选中数据标签，然后再最上面的输入框输入“=”再选中显示值对应的单元格D2,基本上半圆仪表图就做完了。你可以随意改变显示值，指针和指针对应的数据标签也会对应的变动，怎么样，好玩么？（看下图）

又到周末，一周的忙碌，怎么也要轻松一下，但是，轻松的时刻怎能没有数据助阵？

先来一张餐前图热热身，这是一张全球不同国家使用的插座图。

下面给大家带来更多的数据地图，带你从不同的视角涨涨姿势！

1. 1992年，一艘从中国出发去往华盛顿州的货船在太平洋上遇到强烈风暴，船上一个装满2.9万只小黄鸭的货柜箱坠入大海并摔裂。所有小黄鸭漂浮在海面上，形成一只庞大的“鸭子军”，在海上漂流了14年。

在开始的3年中，其中一批1.9万只小黄鸭完成了6800英里的太平洋副热带环流―――一个围绕太平洋边缘旋转的洋流，沿途经过印尼、澳大利亚、南美洲和夏威夷等地洋面，平均每天漂流7英里。

2. 有多少人愿意为自己的国家而战？

调查机构WIN/Gallup对欧洲地区进行了问卷调查，发现愿意为国而战者比例最高的欧洲国家是芬兰，达74%，其次是土耳其73%，乌克兰62%，瑞典55%；最低的依次是荷兰15%，德国18%，比利时19%。

3. 图中蓝色部分分布着世界上5%的人口。与此形成对比，图中红色部分也分布着世界上5%的人口。

4.依然关注人口的密度。注意图中这个圈，事实证明，圈内分布的人口比圈外分布的人口还要多。

5. 又是关于人口分密度的一张图。

（颜色越深，人口分布越密集）

6.想远离人口密集的地点？想一个人静静？你可以去这个地方！尼莫点（Point Nemo），正式名称为海洋难抵极，是地球表面距离陆地最偏远的地点，最近的陆块与当地相隔2,688千米。

这个点远离大陆、航线及洋流之外，此处海域的人类活动及其他生物踪迹稀少。

7. 想去欧洲旅游？想体验一次芬兰特色桑拿？这里是一张芬兰公共桑拿分布图。

（此处抱紧密集恐惧症）

8. 这是你可以一直自驾游所能走的最长直线路径，东起中国东南部，西至非洲利比里亚附近。

（前提是你能找得到加油站和4S店）

9. 月球到底有多大？现在我们把美国地图放在在月球表面上的效果：

亚洲面积为四千四百五十万平方公里，也就是说亚洲的面积都比月球大。

10.站在欧洲西南部最大的山脉庇里牛斯山顶拍照，能拍到远处的阿尔卑斯山脉，大概可以拍到275英里远的地方。

拍出来是这个效果：

11. 根据2013年针对各国人民进行的一场民意调研“对世界和平最有威胁的是哪个国家？”，收到的答案是：

大部分把票投给了美国，而美国投给了伊朗

12. 这是全球各国的主要进口国：

（中国的出口量惊人）

13.图中红色区域是境内没有一条河流的国家。

（沙特阿拉伯、也门、阿曼）

14.全球一周内至少有一次性行为分布图：

（图用百分比表示，冷色系代表所占百分比大，暖色系代表所占百分比小，日本岛上发生了什么...）

15. 这张地图让你知道你脚下打个洞，地球那一面的国家地区是哪个。

16. 非洲的金属乐队最少，而芬兰、瑞典、挪威则是最燥的国家。

17. 站在珠穆朗玛峰的山顶，你能看到什么？这张图显示了你的视野范围。

18、如果陆地与海洋反过来，不知道地震是不是也更多了。

19、和英国打过架或者占领过的地方是粉红色，没打过架的国家，哇居然有22个之多呢！

请点击输入图片描述

2017年大数据开始进入部署阶段，大数据的炒作逐渐散去，它的应用却正在蓬勃发展，代表成熟度的标志性IPO也正在出现。而大数据在几年前经历的泡沫正在无可争议地转移到人工智能身上，过去几个月AI所经历的共同意识“大爆炸”与大数据当年相比甚至有过之而无不及。

从2013开始制作大数据版图的Matt Turck刚刚发布了最新的2017年大数据版图，我们一起来看看在这个领域有哪些最新趋势和玩家的分布情况。

高层趋势

大数据+AI=新栈

2016年无疑是机器学习之年，任何目睹过众多pitch的VC都应该能感受到这一点，那就是每一家初创企业都成为了“机器学习公司”，“.ai”变成了必备域名，而“等等，可是我们是用机器学习做到这个的”也成为了pitch deck的必备幻灯片。机器学习正在迅速成为许多应用的关键建构块。

相应地，一个新兴的技术栈正在出现，在这个技术栈里面，大数据被用于处理核心的数据工程挑战，而机器学习则用于以分析洞察或者行动的形式从数据中析取出价值。

换言之，大数据提供管道，AI提供智能。当然，这种共生关系已经出现多年，只是能实现这个的目前还不多而已。

但是，现在这些技术开始大众化的普及。“大数据+AI”正在成为众多现代应用（不管是消费者型还是企业型）的默认技术栈。无论是初创企业还是一些财富1000强公司都在利用这一新的技术栈。而且在云巨头的努力下，这个技术栈往往还有云计算这个更基础的建构块的加入，以机器学习云的形式出现。

但是AI的大众化是否就意味着这种技术在短期内能实现商品化呢？现实是AI在技术上仍然非常困难。尽管许多工程师都在争先培养AI技能，但全球这方面的领域专家仍然十分稀缺。

不过这股大众化的趋势已经不可逆转，而机器学习早晚都要从竞争优势演变成桌面筹码。

这对初创企业和大公司都会产生影响。对于初创企业来说，除非你把AI软件做成自己的最终产品，否则的话自我标榜为“机器学习公司”将变得毫无意义。对于大公司来说，如果现在你不积极推进大数据+AI的战略，就会有变得过时的风险。AI已经是下一个风口了。

企业预算：一切向钱看

从2016年的情况来看，财富1000强公司已经在纷纷增加预算用于升级核心基础设施以及分析，其关键的关注点正是大数据技术。分析机构IDC预计大数据和分析市场将从2016年的1300亿美元增长到2020年的超过2030亿美元。

而且财富1000强公司里面的许多买家在大数据技术方面正在变得越来越娴熟、越来越目光敏锐。这些公司过去几年做了很多功课，正在进入全面部署阶段。这种情况不仅发生在技术导向型的公司，在很多行业都是如此。

在大公司每隔几年就要发生的旧技术替代自然周期的推动下，这种情况得到进一步加速。大数据遭遇的环境也从逆风变成了顺风。当然，很多大公司仍然处在大数据部署的早期阶段，但是情况似乎在快速演变。

企业数据向云端迁移

直到几年前，把企业数据迁移到公有云上面对于大公司CIO来说还是不可想象的事情，顶多是在开发环境下或者拿非关键的、面向外部的应用来尝试一下。但现在画风开始有所变化，大家对此的态度似乎变得更加开放了，比方说你会听到这样的说法“不管怎么说我们的客户数据已经放到Salesforce云上面了”，或者“在网络安全方面我们永远也不会有像AWS那么多的预算”。但目前里大多数企业都向公有云迁移还远得很，这部分是因为遗留系统和管制方面的原因。不过云供应商正在竭尽全力来加速这一趋势的转变。比如说AWS甚至可以开卡车来运你的硬盘到云端。

2017年大数据版图

作为对比我们先看看2016年版本：

请点击输入图片描述

2017年版本：

请点击输入图片描述

整合要来了吗？

从上图可看出，这张图已经变得越来越拥挤，那么一个显然的问题来了：行业是否濒临大规模整合的边缘了呢？

似乎还没有。至少目前如此。

首先VC仍然继续乐于给新老公司提供资金扶持。2017年的第一季度成长阶段的大数据初创企业拿到了不少的可观融资，其中包括：Looker（8100万美元D轮），InsideSales （5000万美元F轮），DataRobot （5400万美元C轮），Confluent （5000万美元C轮），Collibra （5000万美元C轮），Uptake （4000万美元C轮），WorkFusion （35M00万美元D轮） and MapD （3500万美元B轮）等。去年12月DataBricks也拿到了6000万美元的C轮。

2016年，大数据初创企业的总融资达到了148亿美元，占到了全球技术风险投资的10%。

其次，自去年的大数据版图推出以来，本领域的并购活动一直在稳步推进，但不是特别显著，其中部分原因也许是未上市公司的估值仍然高企。入选2016大数据版图的公司当中共有41家被收购（完整清单参见附注），这个节奏跟上一年是一致的。

另一方面，2017年刚开始就发生了一些大型的并购事件，其中包括Mobileye（被英特尔以153亿美元收购），AppDynamics（被思科以37亿美元收购），以及Nimble Storage（被HPE以12亿美元收购）。

去年还有一个显著的现象，那就是大型技术公司纷纷收购AI初创企业，尤其是那些解决水平问题、有着很好团队的AI初创企业。其中包括Turi（苹果）、Magic Pony（Twitter）、Viv Labs（三星）、MetaMind（Salesforce）、Geometric Intelligence（Uber）、API.ai（Google）以及Wise.io（GE）。当然，这种现象未必能持续太久，因为对AI的需求太旺盛了，人才实在是不够用了。

第三，一些较大的大数据初创企业羽翼渐丰，正在成为独立的上市公司。Snap无疑引领了技术公司IPO的复兴，但是目前为止是大数据公司借了这股东风。

2016年只有Talend一家大数据公司上市，但2017年大数据公司已经呈现出爆发之势。其中Mulesoft和Alteryx已经上市并且表现不错，而Cloudera也即将上市，其最新估值（41亿美元）与收入（2.61亿美元）之间的差异将延至“独角兽”估值现象的成色。另外，MapR以及定位智能公司Yext也已经在排队等待了。

下一个会是谁呢？也许是Palantir这个超级独角兽。这家多年以来保持神秘的公司已经公开表达了上市的兴趣。其最新估值达到了200亿美元，如果上市的话必将引起轰动。

云大战

虽然大规模并购尚未出现，但业界的另一股趋势值得注意，这就是“功能性整合”，这种现象在云端尤其显著。一些关键的玩家正在通过自研产品和开源计算引擎的实现逐步构建“大数据+AI”的基础构件，面向众多客户群提供其所期盼的“一站式”的服务。

AWS在产品发布的速度和幅度方面继续给人留下深刻印象。目前AWS几乎提供了大数据和AI方面的所有服务，包括分析框架、实时分析、数据库（NoSQL、图谱等）、商业智能以及日益丰富的AI能力，尤其是深度学习方面的能力。按照这种速度发展下去，AWS产品几乎就要把大数据版图的所有的基础设施和分析细分领域都占据了。

加入云大战稍晚的Google一直在积极开发广泛的大数据产品（BigQuery、DataFlow、Dataproc、Datalab以及Dataprep等），并且把AI视为跨越式发展的杀手锏。在AI方面Google去年做了很多事情，包括推出了新的翻译引擎，聘请了李飞飞和李佳领导新成立的Cloud AI and Machine Learning部门，推出了视频识别的机器学习API，并且收购了数据科学家社区Kaggle。

其他大型的IT供应商，比如微软、IBM、SAP、Oracle以及Salesforce等也在努力推出大数据产品（包括云端和本地）。除了技术自研和进行收购以外，这些玩家还越来越重视通过合作来打造生态链，其合作的重点是手上有数据的公司以及有“头脑（AI）”的公司。IBM与Salesforce的合作以及SAP与Google的合作就是值得注意的案例。

用企业IT的行业标准来看，云供应商还比较小，但是其不断膨胀的野心（其中包括从企业栈底层的IaaS向应用发展的企图）与企业数据逐渐向云端迁移的趋势结合，将打开庞大的企业技术市场大门，与传统IT供应商展开激战，而大数据和AI将是核心战场。

2017数据生态体系概览

基础设施

去年的许多趋势今年仍将延续，比如流处理技术，这方面Spark目前是主宰，不过像Flink这样的有趣竞争者正在出现。此外，还有以下一些趋势：

SQL正式回归

在给NoSQL当了10年副手之后，曾经的霸主SQL数据库正式吹响了回归的号角。Google最近发布了Spanner数据库的云端版。Spanner和CockroachDB（Spanner的开源版）都提供了可行的、强一致性的、可伸缩的SQL数据库。Amaozn推出了Athena，跟Snowflake等产品类似，这是一款SQL数据引擎，可直接查询S3下的数据。Google BigQuery、SparkSQL以及Presto等在企业逐渐获得采用——这些都是SQL产品。

数据可视化

与公有云采用相关的一个有趣的趋势是数据可视化。旧的ETL处理需要转移大量的数据（而且往往要建立冗余数据集）并且建立数据仓库，而数据可视化可以在数据保持不动的情况对其进行分析，提高了速度和敏捷性。许多下一代的分析供应商现在都可以同时提供数据可视化和数据准备服务，并让客户可访问存储在云端的数据。

数据治理与安全

随着大数据在企业侧走向成熟，以及数据的多样性和体量的不断发展，像数据治理这样的主题也变得日益重要。许多公司已经选择了“数据湖”作为把所有数据收集起来的手段。但除非你知道里面有什么东西，并且能够访问到合适的数据进行分析，否则的话数据湖再大也没有意义。但是想让用户方便地找到想要的东西同时管理好权限并不容易。除了数据湖以外，治理的另一个集中的主题是以安全的、可审计的方式为任何人提供对可靠数据的便捷访问。Informatica、 Collibra、Alation等大小供应商提供了数据目录、参考数据管理、数据字典以及数据帮助台等服务。

结论

通过大数据与AI的黄金搭档，我们正在进入大数据技术的“收获”阶段。其潜能将非常巨大。随着核心基础设施不断走向成熟，以及在AI推动下应用侧的爆发，2017年的大数据（以及AI）生态体系将开足马力，驶向光明的未来。

在写论文时候，有时候需要试验数数据或者某一点的具体数值，但是由于手头条件有限，不能去做实验。不过手里面有别人做的相关实验的数据图，现在介绍一个技巧，从图中提取有用的数据。

利用origin的 digitizer插件，可以方便的从有图片中提取数据，方便科学绘图（这些图片可以来自科学论文手册，也可以来自专业权威杂志）。

图1 Engauge Digitizer软件界面

以下面曲线图为例，输入软件中，进行数据提取。

图2 关系曲线图

图3 软件界面图

先选择图1中的6按钮，选择好原始坐标

图4 选择坐标

选择图1中的8按钮进行数据点选择

图5 数据点选择

接着选择数据显示如下图命令（图6），显示如图7所示。

图6 数据显示选择

图7 数据显示

当然也可以用输出为命令

图8 输出为命令

选择输出成csv格式，然后用excel打开

图9 数据结果

有了数据，你就可以引用了，当然也可选择输入Origin来进行新的曲线图制作，如下所示。

图10 origin

图11 origin中显示

这样权威的数据就属于你自己了，对写论文的人来说真是太有益处了!

LPL应该算是世界LOL进度最慢的赛区，目前北美和欧洲的春季赛季后赛早已全部结束，韩国LCK联盟也将在本周六结束季后赛总决赛，而LPL刚刚在今天开启季后赛，好消息是冠军可以以火热的手感进入5月的Msi季中邀请赛，坏消息是他们可能没有什么时间去演练阵容，并且很容易被其他赛区顶尖战队研究。

言归正传，今天小编看到五张LPL职业选手数据图综述，通过XY轴横向纵向比对，职业选手属性强弱一目了然！一起来看看吧！

首先是LPL上单职业选手，我们可以看到RNG替补上单Letme处境尴尬，他是唯一一位观众席上单，每分钟输出伤害太真实！另外IG战队上单Theshy、SS蛇队上单圣枪哥以及BLG上单AJ是LPL联盟最敢打的上单选手。

再看辅助位职业选手，我们可以看到最爱打架的辅助有Road、Meiko以及Killua，LGD送死型辅助PYL以及RNG辅助Ming擅长控制视野。

这是LPL打野职业选手数据图，Clearlove的参团率在联盟数一数二，另外RNG打野卡萨更擅长运营，而MLXG更喜欢带节奏。

再看LPL中单实力综述，其中RW战队Doinb虽然喜欢拿功能型中单，不过他的每分钟输出比还是要高过LPL中单平均值，另外IG超级大腿Rookie被评为刺客型中单，一同被评为刺客型中单的还有SNG黄金左手Knight，而WE超级大腿兮夜成了战士型中单，WE要靠他拯救世界。

再看LPL下路ADC实力综述，可以看到IG新人Jackeylove比Uzi更敢打，他的每分钟输出和每分钟承伤都要高过Uzi，数据比Uzi更好看的还有我们熟悉的银河战舰RW马哥，值得一提的是WE大舅子伤害不低Uzi，可承伤要比Uzi高出很多，这也是因为他在比赛中多次走位失误主动吃技能。还有1个小时RNG与WE的对决就要开始了，你觉得今天晋级的会是哪支战队呢？

不知不觉，到了年中了，公司的销售数据，需要每天实时更新，那么作为图表的形式上报的报表，最好也能实时更新，这样就省去了每天重复性劳动和繁琐的操作。光说不练假把式，跟着步骤操作，一步一步的改变自己！高顿网校小编从Excel精英培训里挑选了几个Excel数据图表制作技巧，对各位一定有所帮助，马上行动起来！

原始数据：

看了原始数据后，很明显，仅仅是原始数据，是得不到我们所要期望的图表，那么，我们必须更改作图数据。一般这样的图表，我称之为：所见非所得。

Setp01：处理作图数据

数据解释：

1、整个图表里有5个图表系列，分别是主柱子，少于目标，大于目标，小于目标的下降标志，大于目标的上升标志

2、D4=IF(B4>=C4,C4,B4)【低于目标，显示为自己的销售额；大于目标，显示为目标】

3、E4=IF(B4

4、F4=IF(B4>=C4,B4-C4,NA())【如果达标了，显示为超标销售额，否则为#N/A】

5、G4=IF(E4>0,B4-10,NA())【未达标的标志，需要根据前面未达标的E列来判断】

6、H4=IF(F4>0,C4-10,NA())【同G4单元格一样】

PS：此处公式里减去10，是为了上升、下降标志不会和主柱子和达标、未达标衔接处重叠。

Setp02：插入图表

按主Ctrl键，分别选中A3：A10&D3：H10单元格，插入柱形图-堆积柱形图

得到结果为：

高顿财务培训《EXCEL在财务管理中的高级应用》

Setp03：格式化各图表元素

1、选中【达标三角】或【未达标三角】中的任意一个系列，右键，选择更改系列图表类型，并将之改为带数据标记的折线图：

同理，更改另外一个未选中的系列。得到结果为：

2、选中更改后的折线的任意一条，按Ctrl+1或鼠标左键双击，在跳出的对话框里设置：

同理，另外一条也作同样的设置，【亦可选中另外一条直接按F4键来重复上一步操作】。得到结果：

3、选中主柱子、达标、未达标系列中的任意一个，按Ctrl+1或鼠标左键双击，在跳出的对话框里设置，

4、隐藏纵坐标刻度线标识和线条，选中纵坐标，双击鼠标左键，得到对话框：

步操作完成后，就达到了我们要的隐藏效果，并删除网格线和图例：

5、插入上升、下降的小三角标志，并分别填充颜色，然后复制黏贴到相对应的上升、下降的XX标志，柱子的颜色和三角颜值一致；

PS:此处三角的大小就是插入图表的大小，如果插入的三角显示过大，请在此处设置，图表上是不能更改大小的。

6、最后，格式化横坐标、背景色、图表标题和单位、数据来源以及作图人，最总得到了我们前面所要的效果：

至于每天是数据更新，及图表的配套更新，请大家在原始数据里更改，看看会发生什么样的变动吧！

希望上述内容对各位有所帮助。更多内容可以关注财会学堂，回复"excel"获得更多干货。

▎感谢本文原创作者：图文/ExPPtLiuB（Excel精英培训）

今天来谈谈数据地图，在做关于地理位置的数据分析时常常用到。

关于制作数据地图的工具，这里笔者不特意强调用什么工具，而且数据地图也并不是这些工具的核心功能点，excel能做，D3能展示，甚至图片+PS也能做出你要的效果。所以在选择工具前，更应该思考你需要用这些工具的主要目的是什么。

也许你只是想对处理好的数据做展示，那可以选择excel;也许你有各种各样的数据，但是你不懂数据建模，编程，或者数据清洗，甚至是SQL的优化，你需要一个FineBI、Tableau易用的BI工具，通过拖拽就能完成数据的可视化，并且可以给出最合适的展示图形；也许你想要在制作数据报表时，用到数据地图功能，做一个清晰的展示，那就可以选择如下的finereport报表工具。（这里finereport是报表软件，FineBI、Tableau是可视化BI工具，Excel是最基本的数据处理工具，建议大家先依据自己的核心需求来选择工具。）

所以，以上的工具都带有数据地图功能，但各有差异，比如样式，有没有钻取分析功能，能否精确到经纬度。

之前有写过一篇文章，关于如何利用excel中的数据源制作数据地图，地图样式很丰富，但有些地方需要开发。本文就来介绍一下如何使用finereport的数据地图制作功能，来提升表格表姐们的数据报表的逼格。

finereport有很强大的地图功能：基本地图、GIS地图、热力地图、大数据流向地图等，有以下一个体系。

GIS地图

目前finereport支持的GIS地图有百度GIS地图、高德GIS地图、谷歌GIS地图。

原理：finereport内置与百度地图和谷歌地图的接口，只要建一张精准的定位信息数据表，上传之后会自动解析，准确定位到地址。

以百度GIS地图为例，可以用地址定位 (xxx市xxx街道) 或经纬度定位（116.390964,39.920281 ），一般经纬度定位要更加精准。

操作流程（下图为地址定位）

升级版GIS图层（地理信息系统）

在GIS地图的基础上，结合气泡图、饼图、柱状图叠加展示，并可对应地展示数据。操作同上。

区域地图

点地图

功能型升级版GIS地图

功能性主要是指，这样的地图能够与数据表钻取联动。比如省级钻取到市级、县级、街道；点击关联至每个地区销售报表。

热点地图

流向地图