大数据可视化分析工具一直以来在很多人眼里更多是促进业务发展的数据化管理软件。作为教人育人的国家基础行业——教育行业，很多人联想不到这个行业需要用到大数据可视化分析工具。其实，随着社会发展，现代教育只会越来越发达，那么就需要同样先进智慧的可视化数据分析工具来协助教育管理工作。在最新的行业资讯中称，大数据在越来越被需要，并运用到该行业里，这是社会发展的必然趋势。那么可视化数据分析工具究竟将如何运用到教育行业的工作当中呢？我们来听听最新资讯的观点。

1、重心变化

在大数据时代，教师更关注学生的个性特征。将统一形式、集体化的教学转变为信息技术支持下的教学。也就是说在了解学生的认知能力和知识结构的前提下，将知识进行迁移、整合并进行传授。

2、精准满足需求

这里所说的精准满足用户需求，就是说要将教育信息及时的传送给有需求的用户。譬如一个学生近期要进行英语培训，那么有关英语培训的信息会及时的传送给该学生。根据用户的学习习惯、生活习惯会有一个智能的数据匹配，这样一来，该用户所收到的资讯和信息也正是自己所需求的。

3、精准进行广告投放

在大数据时代，用户的的行为习惯很容易通过一些数据分析推测出来。一些教育及培训机构可以通过数据分析，将用户进行锁定进行广告的投放。譬如用户打开手机的频次以及用户在某一时间段的习惯性行为。通过大数据可以将自己的广告精准投放给需求的用户。

大数据可视化分析工具可以在教育平台上跟踪和关注老师和学生的教学、学习过程，记录老师和学生的课堂表现以及课下行为的数字化痕迹，通过在教育活动中点滴微观行为的捕捉，为教育管理机构、学校、老师和家长提供最直接、客观、准确的教育结果评价等。所以，现在你懂了吗？

同 享 网 络 安 全

共 治 网 络 社 会

广州网警巡查执法

数据可视化之初级篇

零编程工具

1. Tableau

Tableau 是一款企业级的大数据可视化工具。Tableau 可以让你轻松创建图形，表格和地图。 它不仅提供了PC桌面版，还提供了服务器解决方案，可以让您在线生成可视化报告。服务器解决方案可以提供了云托管服务。Tableau的客户包括巴克莱银行，Pandora和Citrix等企业

2. Infogram

Infogram的最大优势在于，让您的可视化信息图表与实时大数据相链接。只须三个简单步骤，您可以选择在众多图表，地图，甚至是视频可视化模板中进行选择。 Infogram支持团队账号。

3. ChartBlocks

ChartBlocks是一个易于使用在线工具，它无需编码，便能从电子表格，数据库中构建可视化图表。整个过程可以在图表向导的指导下完成。您的图表将在HTML5的框架下使用强大的JavaScript库D3.js创建图表。你的图表是响应式的，并且可以和任何的屏幕尺寸及设备兼容。 您还可以将图表嵌入任何网页中，分享在Twitter和Facebook上。

4. Datawrapper

Datawrapper是一款专注于新闻和出版的可视化工具。华盛顿邮报，卫报，华尔街日报和Twitter等媒体都使用了这一工具。Datawrapper非常容易使用，不需要任何编程基础。你只需要上传你的数据，便能轻松地创建和发布图表，甚至是地图。Datawrapper提供了众多的自定义布局及地图模板。

5. Plotly

Plotly帮助你在短短几分钟内，从简单的电子表格中开始创建漂亮的图表。Plotly已经为谷歌、美国空军和纽约大学等机构所使用。 Plotly是一个非常人性化的网络工具，让你在几分钟内启动。如果你的团队希望为JavaScript和Python等编程语言提供一个API接口的话，Plotly是一款非常人性化的工具。

6. RAW

RAW弥补了很多工具在电子表格和矢量图形（SVG）之间的缺失环节。你的大数据可以来自MicrosoftExcel中，谷歌文档或是一个简单的逗号分隔的列表。它最厉害的功能是可以很容易地导出可视化结果，因为它和Adobe Illustrator，Sketch 和Inkscape是相容的。

7. Visual.ly

Visual.ly是一个可视化的内容服务。它提供专门的大数据可视化的服务，用户包括了VISA，耐克，Twitter，福特和国家地理等。如果你想完全外包可视化文件给第三方。你可以使用非常简化的在线流程：你只需描述你的项目，服务团队将在项目的整个持续时间内和你在一起。 Visual.ly给您发送所有项目关键点的邮件通知，也将让你不断给出反馈。

数据可视化之开发展篇

JavaScript库

8. D3.js

毋容置疑D3.js是最好的数据可视化工具库。D3.js运行在JavaScript上，并使用HTML，CSS和SVG。 D3.js是开源工具，使用数据驱动的方式创建漂亮的网页。 D3.js可实现实时交互。这个库非常强大和前沿，所以它带有没有预置图表也不支持IE9。

9. Ember Charts

Ember Charts – 顾名思义是一种基于Ember.js框架和使用d3.js的可视化工具。Ember Charts以绘制时间序列图，柱状图，饼图和散点图为主。它非常优易于扩展。同为Ember.js开发团队，Ember Charts聚焦于图形互动性。它有极强的错误处理能力，当你遇到坏数据时，系统也不会崩溃。

10. NVD3

NVD3运行在d3.js之上, 它可建立可重用的图表组件。该项目的目标是保持所有的图表整洁和可定制性。 NVD3是d3.js之上的简单的接口，保持了d3.js的所有强大功能。 NVD3由Novus Partners前端工程师开发和使其保持了图表技术洞察力。

11. Google Charts

Google Charts 以HTML5和SVG为基础，充分考虑了跨浏览器的兼容性，并通过VML支持旧版本的IE浏览器。所有您将创建的图表是交互式的，有的还可缩放。Google Charts是非常人性化和他们的网站拥有一个非常好的，全面的模板库，你可以从中找到所需模板。

12. FusionCharts

FusionCharts是最全面的JavaScript图表库，包括90个图表和900种地图。如果你不是特别喜欢的JavaScript。FusionCharts可以轻松集成像jQuery库，Angularjs和React框架以及ASP.NET和PHP语言。 FusionCharts支持JSON和XML数据，并提供许多格式图表：PNG，JPEG，SVG和PDF。

13. Highcharts

Highcharts是一个JavaScript API与jQuery的集成，全球最大的100家公司中有61家正在使用它。图表使用SVG格式，并使用VML支持旧版浏览器。它提供了两个专门的图表类型：Highstock和Highmaps，并且还配备了一系列的插件。你可以免费使用它，而如果你想建立付费的应用，只须支付少量牌照费用。此外，你还可以使用Highcharts云服务。

14. Chart.js

对于一个小项目的图表，chart.js是一个很好的选择。开源，只有11KB大小，这使得它快速且易于使用，它支持多种图表类型: 饼图，线性图和雷达图等。

15. Leaflet

你是否专注于专业的大数据解决方案？无需饼图和条形图？Leafleft 基于Open Street Map数据，使用HTML5 / CSS3绘制互动式可视化图。您可以使用他们的扩展插件库添加热点图（heatmaps）和动画标记。 Leaflet 是开源和只有33 KB大小。

16. Chartist.js

Chartist.js的开发社区一直致力于打败所有其他JavaScript图表库。它使用了Sass的个性化风格，它的SVG输出是响应式的。

17. n3-charts

N3-charts是一种基于AngularJS框架的工具。它建立在D3.js之上，帮助您创建简单的互动图表。 N3-charts是一种小型化的图表工具，不适用于大型项目。

18. Sigma JS

Sigma JS 是交互式可视化工具库。由于使用了WebGL技术，你可以使用鼠标和触摸的方式来更新和变换图表。Sigma JS同时支持JSON和GEXF两种数据格式。这为它提供了大量的可用互动式插件。Sigma JS 专注于网页格式的网络图可视化。因此它在大数据网络可视化中非常有用。

19. Polymaps

Polymaps是一款地图可视化一个JavaScript工具库。 Polymaps使用SVG实现从国家到街道一级地理数据的可视化。您可以使用CSS格式来修改你的样式。Polymaps使用GeoJSON来解释地理数据。它是创建heatmap热点图的最好的工具之一。您创建的所有地图都可以变成动态图。

20. Processing.js

Processing.js是一个基于可视化编程语言的JavaScript库。作为一种面向Web的JavaScript库，Processing.js是您能够有效进行网页格式图表处理。这使得它成为了一种非常好交换式可视化工具。 Processing.js需要一个兼容HTML5的浏览器来实现这一功能。

来源：数据分析

精彩回顾

图解：建设网络强国，习近平在网信工作会上提出这些重大论断！

朋友圈这样发很危险！但这些事很多人不知道……

他们正在微信朋友圈窃取你的信息，赶紧拉黑！

偷信息！偷钱！手机有这10个APP赶紧删！

以“大数据分析”为关键词去进行搜索，你可以在大多数条目中看到“数据分析平台”和“可视化”的概念。

在发展受到局限时，人类喜欢并擅长于去使用工具和制造工具。

人类对图形信息的摄取效率远大于单纯的文字数字。

所以在信息流数量与流动速度爆炸都爆炸式增长的现状下，自然地催生了可视化大数据分析平台这类产品。

数据可视化旨在借助于图形化手段，清晰有效地去传达与沟通信息。丰富的图表可以通过位置、长度、角度、方向、形状、面基、体积、饱和度、色调来通过视觉暗示，达到聚焦视线表达图标含义的效果。

在企业运维决策的场景下，即是用适当的数据模型和统计分析方法对收集的企业数据进行可视化分析，转化成可视化结果清晰准确地形成结论报告，辅助企业了解运营状况、找到发展症结以及帮助决策等。

下面这张图展示了不同类型的分析需求对应的可视化类型。

根据Gartner最近的行业报告以及大会上，可以看到一些关于数据可视化未来发展的趋势。

1、 数据地图

“通过视觉探索和嵌入式的地理空间分析创建高度交互的仪表板和内容的能力。”

Gartner提到的“地理空间分析”，即为“数据地图”，专门用来展示和分析这些与地图有关的大数据，这确实是很好的功能，用来分析业务在地理层面上的数据具有相当的价值，尤其是对如今在地域上分布越发广泛的行业来说，可以精确地定位问题所在的国家城市甚至某一营业点。不仅会比单纯的表格要直观形象得多，也更具有信息沟通的有效性和专业的形象。从类型上讲，数据地图可以分为区域地图、组合地图、标记点地图、单层地图 、自定义图片地图、流向地图、热力地图等。

2、 互动式探索

“通过一系列可视化选项来进行数据探索，这些可视化选项不仅仅是基本饼图,条形图和折线图这些基本的数据图形，还包括热图和树图、数据地图、散点图和其他特殊用途的图表，更贴合各行各业的需求。这些工具使用户能够通过与数据直接地视觉交互来分析数据和操作数据。”

数据可视化的交互体验的能力主要通过易学性、易用性、UI友好性、使用效率来评价。它的表现形式主要体现在通过可视化图表直接对数据进行图形化的上卷下卷、切片旋转等操作，以及很重要的数据联动功能，给予用户全面的统筹数据问题与深入的挖掘数据问题的方法和角度。

3、 数据故事

“数据可视化要具有故事性，将数据通过可视化的方式迎合报告者的需求，帮助他们讲述一个完整的数据故事，让观看者更好的认识主题。”

数据可视化的结果之间可以互相联系形成具有故事性的看板，以更完整更多样的角度去阐述数据，展现更多的细节，将观看者拉入到这个故事中来。

4、 基于搜索的智能探索方式

“基于搜索和可视化的数据探索分析功能将作为新型BI和分析平台的组件融合到下一代的数据分析产品中。”

“到2021年，具有智能数据探索分析功能的新型BI和可视化分析平台的用户数量将是不具有这一功能的产品和平台的两倍，并且将创造两倍的商业价值”

现市面上的大部分可视化数据分析产品都采用拖拽式的探索方式，这种探索方式简单而快捷，但同时具有相当的局限性。在分析维度较多较复杂的时候，拖拽式操作反而会给用户带来多种不便，且要求用户对数据结构有深刻的理解才能形成理想的可视化结果。而类似于搜索引擎探索结果方式的搜索式探索方式不仅包含了拖拽式简单快捷的优点，更进一步的将分析人员从必须理解数据结构的前提下解脱出来，直接将业务问题输入分析平台，形成可视化结果。

5、 自然语言

“到2020年，50%的分析查询将使用搜索，自然语言处理或语音生成，或将自动生成。”

自然语言生成功能和搜索式探索方式的结合，完美契合了业务人员对数据进行可视化分析的需求，成为数据可视化的未来愿景，使平台能够理解用户使用自然语言描述的业务逻辑上的查询需求，准确转化为程序能够理解的查询语句，再生成可视化结果反馈给用户。

对于个人而言，数据可视化是我们在日常工作中常常能够接触到的一项重要技能，通常，我们会使用Excel进行简单的图表制作，通过这些图表，我们进而就对这些数据有了一个直观的了解和认识。

而对于企业来说，想要“读懂”存储在服务器上的大量业务数据，绝不是Excel能够完成的，这需要数据处理、分析、可视化呈现等一整套解决方案。因此，在实施大数据战略，或者说部署数据分析产品时，很多企业都会有这样的疑问：如何处理海量的业务数据？借助什么样的分析手段才能发现数据价值？如何确保数据可视化分析过程中的实时性？在第九届中国数据库技术大会（DTCC 2018）现场，DataHuner CTO马珂就针对这些问题进行了讲解。

本次分享，马珂从企业内的真实业务场景出发并结合测试实例，逐步介绍大数据时代下，数据可视化分析的技术架构与组成。同时，马柯详细介绍了探索式分析、实时数据分析的技术原理及企业应对海量数据分析的处理方法。

谈谈数据库性能优化

近些年，数据库技术不断推陈出新，从传统的关系型数据库到NoSQL，或者说从行存储发展到列存储，数据库的查询方式发生了根本性的变化。

关系型数据库，基于存储结构，其在模型定义（ORM）、数据关联（TableJoin）、聚合计算（Group）等方面具有优势，关系型数据库的特性往往也是非关系型数据库的短板；而非关系型数据库在处理海量数据（千万行以上）方面则性能突出。

谈到数据库性能，从算法层面来讲，其实无论哪种数据存储结构，基于算法的优化都已达到极限。目前提升数据库性能的途径，主要集中在IO层面，例如DFS系统、MPP的架构。内存数据库（如Redis）虽然在性能上是一种质的提升，但其持久化所引发的一系列问题，可能会使架构复杂度增加，不一定适用于所有场景。

另外，非关系型数据库向关系型数据库查询（T-SQL）的兼容，例如Hive，确实已经取得了长足的发展，但目前看还不够成熟，暂时无法做到平滑迁移。

还有一个隐含的问题，我们可以以一种娱乐的心态观察一下，即：分布式计算。对于以统计学为基础的数据分析，是一种基于全量数据的计算。所以在这种前提下，分布式计算极有可能是一个伪命题。

在MPP架构中下的RDB中，分布式计算应当是耦合在某些查询当中的，例如count(*)，这实际上是由分布式存储所带来的算法优化。是否也可以通过某种加权算法，来协调其他的聚合算法？然后用架构性能来抵消加权算法所带来的新的复杂度？我相信答案是肯定的。

可视化技术的演进

相对而言，数据分析技术有比较成熟、丰富的理论和实践支撑，而可视化技术则比较匮乏。从定义上来讲，数据可视化主要是为了增强数据的显示效果，方便用户以更加直观的方式查看数据，进而发现数据中隐藏的价值。

近几年，随着显示技术的突飞猛进，包括从显示器、投影仪，到现在的LED巨幅屏幕，VR/AR，全息技术，乃至移动设备和性能的升级，使得数据可视化领域有大量有趣的事情可以做。回到企业场景，我们可以把可视化分为两个层面的问题：即数据分析中的可视化：从报表到分析、数据展示中的可视化：从平面到多维。

大数据时代的到来，也让数据可视化技术得到了更多的关注，但面对海量数据，可视化技术目前仍然存在很多亟待解决的问题，包括海量数据的ETL处理、实时数据处理等。未来，随着人工智能和机器学习技术的快速发展，其与可视化的结合，相信也会是一个重要挑战。

探索式分析技术

数据分析当中的可视化，最直接的表现就是各类图表。其实，我们在借助Excel或其他工具生成图表时，实际上已经在可视化这条路上迈出了第一步。

在数据分析层面，传统的数据分析有明确的目的性，从数据来源、分析方式、输出结果等方面，都是有传统的业务逻辑支持的，按部就班地进行分析即可。但是进入集约化生产之后，如何调优生产、降低成本，这些事情就不是那么明确了。

与此同时，由于前期的数据积累，数据分析师所面对的数据体量也越来越大。如果我们将传统的数据分析称为粗放式分析，那么当前企业所面临的挑战，是对所拥有数据的精耕细作。这种集约化分析就是对数据金矿的深度挖掘，是企业的必经之路。其背后的分析方式，也就自然进入了探索式分析阶段。

在探索式分析中，可视化（或者说各类图表）此时是用户快速捕捉数据特点最有效的途径，在这种场景下，可视化对象是一个结果集（分析结果，小数据），虽然数据量较小，但人类依然无法直接处理。

同时，因为探索式分析需要协同决策，所以对可视化表现的合理性有较高的要求，背后应该有统一的绘图标准，来实现可视化方式的切换。狭义的数据可视化，也就是图表，我们将其抽象为以下几个部分：

坐标系

1. Rectangular Coord(Q-1, Q-All)

2. Polar Coord

3. GEO

度量(Metric)的图形表达

1. Size(Distance, Radian)

2. Direction

3. Extreme(SUM,MAX,MAXMIN)

4. 色彩饱和度

维度(Dimension)的图形表达

1. Delta(Position, Angle)

强调（基于维度）

1. Color

2. Animation

在这个体系下，可以将我们熟悉的几种图表进行建模。这里我们先不考虑“色彩饱和度”和“强调”两方面的参数。

柱图：

Rectangle: [0, 0, 400, 300]

Coordination = Rectangular:Q1

坐标系：第一象限

Metric = Size:Distance;

Direction =[Left, Up];

Extreme = MAXMIN

度量：距离的Size；左向右排列，下到上为正像；参考极值：最大最小值差。

Dimension = Delta:Position, Offset =[0, 0.8];

纬度：位置偏移，位置矫正：0，视觉矫正：0.8（该参数具体表现为柱图的宽度内缩）

饼图：

Rectangle: [0, 0, 200, 200]

Coordin+tion = Polar

坐标系：极坐标系

Metric = Size:Radian; Direction =[Clockwise]; Extreme = SUM

度量：弧度Size；顺时针排列；参考极值：总和

Dimension = Delta:Angle, Offset = [0,1];

纬度：角度偏移，位置矫正：0，视觉矫正：1

极柱图：

Rectangle: [0, 0, 300, 300]

Coordination = Polar

坐标系：极坐标

Metric = Size:Radian, Direction =[Clockwise]; Extreme = MAXMIN

度量：弧度尺寸，顺时针，差极值参考

Dimension = Delta:Position, Offset =[0, 0.8];

纬度：位置偏移，0位置矫正，0.8视觉矫正

在这种可视化体系下，我们首先可以对各类图表的适配能力进行归纳，并对图表的表现能力进行量化，从而形成基于数据集特点的图表推荐算法。前面提到，每一个图表实际是一个模型。我们在基于SaaS的数据分析产品中，会将这个模型与行业、用户使用习惯结合，借助机器学习，最后产生图表的AI算法。

实时的数据可视化分析

如果说探索式分析的可视化，是OLAP的可视化，那么实时数据可视化，可以说是OLTP的可视化。这种情况下，时间维度往往是基础维度，因为OLTP对实时性有较高的要求。所谓实时性，具体体现在时间切面的密度、采样精度等问题上，从而决定了数据窗口的大小。基于B/S的产品结构，我们对像素绘图的性能进行了测试。浏览器端的绘图分2D和3D两种，基本数据如下：

Mac Pro i7 8G Inter Graphic-card

类型|复杂度|FPS

Canvas 2D 400,000 11FPS

Canvas 3D 1,000,000 30FPS

这里面的复杂度，为一次最简绘图，即描绘一个点的动作。由于Canvas3D（WebGL）调用了显卡计算，所以点绘图方式和2D有所不同，这其中还包含了线绘图和自旋计算。WebGL接口所使用的GL是OpenES，与OpenGL同源。

当然，2D和3D绘图可比性不是很高，但通过这两组数据，我们可以基本了解在浏览器端，2D和3D绘图方面我们能够达到的性能上限。在我们实际遇到的客户场景中，有个上限8万点绘图，2FPS刷新率的案例。根据上面的测试数据，我们可以看到，2D性能完全可以满足需求，富裕的算力可以放在优化视觉效果和用户体验上。

此外，三维甚至多维空间中的可视化还处在萌芽的阶段，在这种场景下，会让数据可视化变得更加困难。未来，随着可视化技术的不断发展，我相信三维空间下的可视化理论会有大幅升级，同时由于显卡GPU的支持，其渲染能力也会大幅度提升。

今天的分享就到这里，感谢大家聆听。

大数据文摘投稿作品

作者：Stone

在这篇文章的开头，在下并不想将很多有关于大数据景观的大概念和大理论摆出来，因为并不直观也很难理解，所以，直接想给大家分享两个案例，之后我们在逐步深入说明：

巴塞罗那大时代——用展现来强化文化遗产和社会之间的联系

借由数位工具所提供的模拟制图能力及新型互动发展潜力而制成的巴塞罗那动态地图，其旨在文化遗产与保护及热爱巴塞罗那古迹的使用者之间营造出一种全新的联系，并随之加强认同感的纽带。该项目将巴塞罗那超过70000个城市区块中的3000处历史遗迹数据交互可视化的方式予以展示。

在巴塞罗那，大众会忽略“较小”的古迹；尽管这些小型古迹也与城市历史息息相关，但得到的关注比较少。除圣家族大教堂、桂儿公园这些著名古迹之外，巴塞罗那还拥有3000余处受保护的遗迹。

这些元素被详细记录在遗产名录中，注明每项遗产的价值，并根据其脆弱度和重要性划分为不同的保护级别。对遗产的正当保护不仅要依赖适当的管理机制，更要在社会中广泛传播。

“巴塞罗那大时代”借由数位工具所提供之模拟能力及新型的互动发展潜力，在文化遗产和保护与热爱巴塞罗那古迹的使用者之间营造出全新的联系，同时加强认知感的纽带。此项目将巴塞罗那文化遗产的全部数据库，首次以动态地图的形式加以呈现。

透过如此动态、可访问的多功能平台（网络和移动终端），市民、专业人士和游客首次能轻易取得巴塞罗那文化遗产的完整信息。收集、分类和展示的数据来源于地籍图（DCC）、巴塞罗那文化遗产名录（CPAB）和考古地图（CAB）。

透过来源数据，制作地图底图，调整规划系统将所有数据进行汇总展示。根据每个绘图的建造年份来编辑并展示，而文化遗产则接受地理定位并依据保护级别（A级、B级或C级）进行分类。

该地图成为提升社会对文化遗产价值意识，让市民参与维护的重要工具。变遗产保护为一种体验。让市民能够从中结合对地域的感观和主观解读——应让更多民众参与到新型遗产标准和集体决策和制定中来。

针对波士顿地区长期饱受破坏性风暴侵袭的新一代规划策略——海之巨变

地图数据来源：美国国家海洋与大气管理局（NOAA）、大西洋飓风数据库（2013年）

波士顿长久以来一直饱受风暴侵袭。海平面上升将会对波士顿及更广泛的地区带来连锁效应。

以为波士顿地区制定一个长期的弹性策略为目标，设计师发起了一项关于海平面上升的研究，名为“海之巨变”。该项目团队在Sasaki设计事务所跨学科实践的基础上展开准备规划。为了评估波士顿在海平面上升方面的脆弱性，团队对高精度的高程数据、海岸线特点和水资源管理基础设施信息进行了整合。

在认知风险等级及绘制成图后，团队合成了几十个专题数据库，以了解波士顿地区关键的基础设施系统——包括医疗设施、治安管理、消防响应、能源网和交通基础设施——可能遭受的破坏影响。

2013年秋，波士顿建筑学院景观设计系的自然系统设计工作室基于这些研究成果，为波士顿东部社区制定了弹性策略。

“海之巨变”强调我们对关键城市系统的考量必须跳脱出市政边界。从道路网、能源网，到商业区和历史街区，波士顿的城市系统错综复杂的交织在一起，很容易受到水位上升的威胁。

该项目研究对波士顿地区海平面上升范围，及其对波士顿土地利用、人口、交通系统及其他可能遭受侵袭的系统影响范围进行识别，并绘制成图。

除了记录海平面上升的威胁，“海之巨变”项目还在建筑、城市和地域尺度上提出了前瞻性的设计和规划战略。从浮动公寓楼到可吸收、引导洪水的公园，世界各地的设计师和工程师纷纷想象和制定应对海平面上升的弹性解决方案。研究表明，弹性的设计策略可以令波士顿的建筑和基础设施能够在风暴侵袭后迅速恢复，并适应上涨的潮水。保护波士顿地区边缘地带不受侵袭的同时，提升滨水地带的活力和连接性，并推动经济发展。

同时，以清晰易懂的展览形式向公众传播海平面上升和弹性等复杂问题，提高公民意识、鼓励在城市和地域尺度采取行动。包括七个主题：

海平面上升原因已发生的风暴会有哪些风险棘手的问题社区参与设计战略大思维

除此之外，交互式的图的开发可供参观这和网络用户更方便的进行探索和分析。相关网站还可以实时关注相关资讯和采访。多个社交媒体也成为研究海之巨变的数字化平台。

那么，说到这里，稍微做一下总结和思维拓展。

如今，大数据时代在众多国家已经普及，数据可视化、数据收集分析、数字化艺术表现、数字网络公开等词汇已经数次的成为了各个行业竞相追逐的目标和策略。

虽然在国内，建筑景观和规划行业的相关数据化搜集和分析的实力还很落后，但从阿里巴巴的阿里云到百度的百度图说项目的前期数据分析已经成为了市场经济下不可或缺的一环，同样互联网的大数据背景也为设计带来了新的契机。

更多的规划设计分析图通过数据的支持变得更加具有说服力，也更能从另外的角度和更有针对性的维度中探索更多的解决问题的可能性。以此，数据可视化和大数据背景下的工作模式和思维观念包括：调研分析、设计规划或者回访探究等都是我们需要拓展和延伸的重要领域和思维技能点。

下面分享一些相关的图面案例：

OSM格式数据爬取分析图

DEM高程数据爬取分析图

LocaspaceViwer爬取高程数据值，然后进行高程可视化分析。分析中，我们既可以通过高程点分析，也可以通过提取等高线分析，还可以通过可视化图进行分析。

DEM数据高程分析-Elevation Analysis-

也可以实现高程数据动态展示

Elevation Analysis 高程分析

SLOPE坡度分析--SLOPE坡度分析【三维显示】

Flow Analysis 地表径流分析

地表径流三维分析

SOLAR ANALYSIS 日照分析

INTERFERE ANALYSIS 干扰分析

人口密度分析

城市空间分析

POWER-MAP可视化分析

容积率计算

Google Earth导入GlobalMapper，地形数据创建和分析，容积计算，等高线创建，视线/视流图分析，流域建模，坡度分析，时间变化

城市POI数据

Grasshopper绿化植被区域、雨水径流、地势分析

Grasshopper流线分析图

接下来继续拓宽大家的视野，帮大家把脑洞再开大一些，分享几个国外名校中的工作室的有关于抽象领域大数据景观研究的案例：

声之岛

介绍一个哈佛研究生毕业，现就职于Sasaki设计事务所的蔡淦东的studio中的作品。

大数据的运用除了建立在现有数据网络及数据库的基础之上以外，还可以通过抽象化的视觉或者感官信息收集的方式生成数据模块化，从而反应和解决问题。

思路建立在两个方向上：1.通过研究富勒的地图，提出陆地/海洋图底关系颠倒的可能，绘制出海洋位于中心被大陆包围的新地图，从而确立“海洋即是岛”的命题。海洋中心地图也成为后续大量mapping工作的底图贯穿整个studio。

2.同样是从富勒地图出发，通过分析地图产生偏见的不可避免性（一是无论哪种地图投射技术都会产生视觉形变，二是地图几乎都是政治产物，不同地图的构图中心，边界划分都是带有强烈政治倾向的），提出放弃用视觉而用听觉感知地球，并通过收集来自世界各地的声波绘制听觉地图（sound map），确定另一个主题：声音。

接下来的工作基本就是围绕这两个主题展开的，包括提出用声纳技术帮助海洋生物摆脱收集海洋垃圾时对它们产生的潜在危险；战争时期在雷达未被发明前用于侦测敌军的Sound Mirror被作为一种声音景观被再利用的可能性；以及把泰晤士河口的废弃军事塔（曾在战后作为私人电台信号发射站）改造成具有展示多尺度声音主题的声场试验馆。

Maunsell Forts是一处军事塔楼群。在开始构思改造设计的时候我联想到了同样位于英国，由盖迪斯设计的Outlook Tower。这是一个六层塔楼，盖迪斯在一层放置了世界地图，二层则是欧洲地图……越往上登塔者将会看到更小尺度的世界，直到顶层天台的能俯瞰爱丁堡的观景台。

正如颠覆视觉地图创造声音地图，我尝试把塔楼想象成一处声场试验馆，设置海面上三层海面以下两层的展馆，从顶层到底层分别播放塔楼尺度–泰晤士河口尺度–英吉利海峡尺度–海洋旋涡尺度–以及地球尺度的声音，而这些声音的声源都来自于我前期的研究成果。

通过这样的设置，想用隐喻的手法模拟一场从视觉到听觉缓慢切换的“失明者”体验之旅：从顶层观光塔到底层暗空间，能看见的越来越少，能听见的则越来越“远”。把Outlook Tower和 Maunsell Forts并置起来，得到的是指向天空的“向上”攀登和指向海底的“向下”探索的行为模式对比，是扩大视域的控制欲与延展听觉的好奇心的情感模式对比。

权力生态学

除了视觉及感官之外，抽象类的数据分析模块形式还有很多。同时，更多的高校和工作室的工作模式也始终保持和强化通过数据分析和抽象模块化收集的发现和推敲问题并增加更多的解决可能性。

再来看他们的另外一个作品：

如果说生态学是读景观的学生必修的一门技能，那这个studio就是一个把政治力量当生态来研究的技术课；如果达到人居环境和自然的和谐是景观的其中一大目标的话，这个studio的最终目标就是把军事和权力议题并置到领土尺度的环境讨论中去；如果在GSD只能上一个景观studio的话，那必须是Pierre的这个。

几十号人的一个班被分成若干个大组，每个组研究一个美国军事基地，每个小组内又分成三到四人的小组专门针对一个话题进行更细致的研究，最后所有成果以多样的形式展示，把期末评图办成一场大型展览，这就是这个studio的玩法。我所在的大组研究的是位于加州Lompoc的范登堡空军基地。

这里原来是土著Chumash的居住地，西班牙殖民者，墨西哥军队，以及后来的美军的到来让他们失去了家园；而Lompoc这座小城镇所处的地区长年缺水，地下水位每年下降，该地区全美产量第一的草莓竟是罪魁祸首；西班牙人带来的牛曾一度在这片土地上繁盛，而如今却成为了这里生态危机的重要关系者，并影响到了美军基地……这些像悬疑剧的情节就是这个studio我主要研究的内容，也回应了The ecology of power的主题：生态学是关于关系的学科，而社会、政治、军事、经济的力量从来都存在于关系之中。

设计分成叙事和干预两部分。在叙事部分，我尝试通过拼贴这一适合并置展出矛盾乱象的媒介来直白的陈述这片土地上发生着的关于权力和生态的关系。干预主要是通过基础设施的设计来实现。

针对当地愈发严重的干旱与随之而来的地下水位下降与土地沉降问题，我们建议为当地河流增加截水坝以减缓流速，补充地下水的同时降低冲刷对泥土的侵蚀；还通过引入播种机设备，提高当地农民的生产效率，减少对地下水源的浪费，从而为他们提供一种更能与环境相容的生活模式。

最后的展览在Pierre“Exhibition as Design”的概念下，每个大组自主布置展区，把策展本身理解成本次设计的一部分，使出浑身解数让一场历时多月，以军事基地为契机开展的全球生态讨论，投射到GSD的阶梯课室Piper里。

介入城市，阿尔巴士拉

很多时候，我们会通过逻辑思维的梳理，再加上软件的辅佐，将多种数字化形态或者参数化运算应用到数据整理和艺术表达之中。数字可视化与大数据手机和普及并不矛盾，相反，可以达到相得益彰和相辅相成的效果。

在哥伦比亚大学的学习中，我们试图把建筑性能驱动的优化生成设计推向极致。在这个超高层的设计中，我们不仅加入了风速、结构稳定性等物理性能模拟，更探索了如私密性、空间连接性等对更本质的建筑评价标准的量化和优化。我们采用了多目标遗传算法生成、淘汰、杂交、进化了两万多个方案，历经两个星期四台服务器不间断地计算，最终得出了各方面都最优的解决方案。

虽然我们得到了在很多方面都很高性能的设计，但结果在审美上却不理想。这让我不禁反思：为什么不好看？因为我们忽略了审美？但如何平衡性能和审美？

或是否可能将审美因素也量化纳入到数字化设计的语境和系统中？建筑设计优劣的评价是非常综合的，在相当长的一段时间内，数字化设计可以量化与涵盖的还只是很小的一部分。因此不论是否运用数字化的设计，我们都得先学会成为一�...

人们预期数据可视化过程会继续发展，也许更多的是艺术和科学的混合，而不是数字计算技术。

显示结果

数据可视化是指以图形或图表格式通过人工或以其他方式组织和显示数据，以使受众能够：

更清楚地查看分析结果简化正在使用的数据中的复杂性了解并掌握正在使用的数据制作方法

可视化并不是一个新的概念

这种使用图片(排版、色彩、对比度和形状)来传达或理解数据的概念并不是新鲜事物，从17世纪的手工描绘地图和图形到十九世纪初发明的饼图都是这种形式。

如今，计算机可以用来快速处理大量的数据，使可视化更具价值。展望未来，人们可以预期数据可视化过程将会继续发展，也许更多的是一种艺术和科学的混合，而不是数字计算技术。

即时满足

数据可视化演进过程的一个令人兴奋的例子是，业界如何将数据可视化过程转移到生成和发布图表和图形的过程中，供观众进行审查和仔细考虑，从而设定了交互式可视化的期望。

通过交互式的可视化，人们可以更多地使用数据可视化的概念，进一步利用技术让观众与数据交互，为用户提供自助服务能力，以实时(或接近实时)交互式地深入到生成的图片、图表、图形(访问更多或特定的细节)来改变显示的数据(可能是不同的时间框架或事件)以及如何处理和/或呈现(可能选择条形图而不是饼图)。这使可视化更加有效和个性化。

人们可以通过使用数据驱动文档(D3)的典型网络浏览器在各种示例中介绍显示大数据分析结果的主题。D3允许将预先构建的数据可视化应用于数据集。

数据驱动的文件

数据驱动的文档在开放社区中被称为D3。D3是一个采用JavaScript编写的开源库。其目标是允许使用标准网页浏览技术(如HTML或CSS)轻松地处理基于数据的文档。它的附加值是为用户提供全面的功能，而无需自己构建或绑定到某个专用的框架中。

这些库组件为用户提供了优秀的大数据可视化工具和DOM操作的数据驱动方法。 D3的功能风格允许用户重新使用已经构建的库代码模块(或者其他已经构建的代码模块))来添加用户需要或想要(或不想要)的任何特定功能。这就创建了一种可以变得像用户想要的那样强大(或者有时间去做)的手段，为其数据可视化提供一个独特的风格，操纵并使之互动，这正是用户想要或需要的。

仪表板

正如前面所讨论的，事实上人们每天都在收集和积累大量数据，而组织出于各种原因依赖这些信息。

这些数据使用各种报告格式，包括数据仪表板。就像所有的事情一样，人们对于数据仪表板的定义有各种各样的担心。

例如，A.Chiang写道：“仪表板是实现一个或多个目标所需的最重要信息的直观展示。在一个屏幕上合并和排列，以便一目了然地监视信息。”

无论其定义如何，如果设计和建造得当的话，任何仪表板都有能力为受众提供及时而重要的信息，供决策者使用。

仪表盘以相关的、简明的、深思熟虑的方式(不仅仅是工作簿或电子表格中的可视表示的集合)呈现数据是至关重要的。而仪表盘上的数据显示过时和错误，那么由此做出决定可能会导致灾难。

通过仪表板可以演示解决方案的工作示例，而这样的示例基于使用Tableau的实时仪表盘格式，基于大数据分析有效呈现出结果。

Tableau是一种商业智能软件，旨在帮助人们查看和理解数据。Tableau不仅仅是一个代码库，也被认为是一组或一系列交互式数据可视化产品。

Tableau的结构可以使人们能够将来自多个来源的多个数据视图组合到一个高效的仪表板中，从而为数据消费者提供更丰富的见解。Tableau还可以处理各种格式(包括结构化和非结构化)的数据，并且可以处理大数据量(可能是TB字节或PB字节，或数百万或数十亿行代码)，从而将大数据转化为针对目标受众的有价值的可视化结果。

为了解决当今大数据世界的速度问题，人们可以使用Tableau直接连接到本地数据中心和云端的数据源，或者将数据导入快速内存性能。

Tableau的另一个目标是自助服务分析，用户可以通过对话选择数据来提问(实时模式而不是批处理模式)使用简单的点击分析直观地挖掘大数据，并有效地发现数据集或数据集中可能存在的理解和机会。

Tableau提供的一些令人兴奋的功能包括：

实时拖放聚类分析交叉数据源加入强大的数据连接器移动启用实时的地区或区域数据探索

异常值

异常点是一个与数据中其他观测数据点相距甚远或极大不同的观测点。尽管异常值通常只表示大约1%到5%的数据，但当企业处理大数据时，调查甚至只是查看数据的1%到5%是相当困难的。

调查和决定

人们可以看到，异常值可以被确定为非影响力的或者对数据可视化所要处理的点非常有影响力。

做出这一决定的行为或过程对于企业的分析非常重要，但处理大数据的大容量、多样性和速度也是非常困难的。例如，帮助做出这个决定的一个基本步骤是测定样品的大小，这是一个计算异常值与数据样本大小的主要数学过程，当数据量十分庞大时，这不是一个简单的任务。

人们可以使用Python高效地识别和处理大数据异常值(以及其他一些数据集异常)。Python是一种脚本语言，它非常容易学习，因为它的编码语法非常类似于英语。

Python是2016年9种最受欢迎??的编程语言之一，由Bouwkamp公司提供，Python被列在顶级的按需编程语言中。

Python诞生于1989年，由Guido van Rossum创建，实际上Python的使用非常简单，但业界也认为其功能非常强大，速度快，可以在任何环境中运行。

根据定义描述，“开放源代码Python是世界各地许多公司和机构的生产力，软件质量和可维护性成功公式的一部分。”

业界对利用Python语言进行数据分析和大数据分析的兴趣日益浓厚，而且它是数据科学家日常工作的选择，因为它提供了一个库，实际上是一个标准库(甚至有些专注于大数据，如Pydoop和SciPy)来完成几乎所有人需要或想要处理的数据，包括：

自动化建立网站和网页访问和操作数据计算统计创建可视化报告建立预测和解释模型评估额外数据的模型将模型整合到生产系统中

最后要说明的是，Python的标准库非常广泛，提供了一系列内置模块来提供对系统功能的访问，以及标准化的解决方案来解决日常编程中出现的许多问题，这是探索处理大数据离群值和相关处理的一个明显选择。

操作智能

操作智能(OI)是一种分析方法，试图通过(通常是机器生成的)操作或事件数据来提供可视性和洞察力，实时运行针对数据流馈送的查询，产生作为操作指令的分析结果，可以通过人工或自动操作(将数据集转化为价值的明确例子)让组织立即执行。

复杂的操作智能(OI)系统还提供了将元数据与数据中发现的某些度量、流程步骤、渠道等相关联的能力。有了这个能力，就很容易获得额外的相关信息，例如，机器生成的操作数据通常都具有唯一的标识符和结果或状态代码。这些代码或标识符对于处理和存储可能是有效的，但是并不总是易于理解。为了使这些数据更具可读性(因此更有价值)，可以将更多用户友好的附加信息与数据结果相关联 – 可能是以状态或事件描述的形式，或者可能是产品名称或机器名称。

一旦了解将基本分析和可视化技术应用于操作大数据的挑战，数据的价值可以更好或更快地实现。人们将运用Splunk智能化操作来展示操作或大数据评估解决方案的工作示例。

那么，什么是Splunk?Splunk开始是一种“Google for Log”文件。它还有更多的功能…它存储所有的日志，并提供非常快速的搜索功能，大致就像Google为互联网做的一样…

Splunk软件是帮助实现隐藏的价值在机器生成的一个很好的工具，使用Splunk，企业可以在一个地方收集、索引、搜索、分析，以及可视化所有数据，从几乎任何地方提供一种整合方法，可以从大量机器数据中组织和提取实时信息。

Splunk将数据存储在文件中，为文件分配索引。 Splunk不需要在后台运行任何数据库软件来实现此目的。Splunk调用这些文件索引器。Splunk可以对任何类型的时间序列数据(具有时间戳的数据)进行索引，使其成为大数据操作智能(OI)解决方案的最佳选择。在数据索引期间，Splunk会根据其标识的时间戳将数据分解为事件。

尽管使用简单的搜索术语(例如机器ID)，Splunk也提供了自己的搜索处理语言(SPL)。 Splunk SPL(将其视为SQL类型)是一种非常强大的工具，用于搜索大数据并对特定场景中的相关内容执行统计操作。

广州网页设计别样设计表示：这是一个互联网时代，也是一个大数据时代，基于这样的环境下，数据可视化被越来越多人所需要。对熟悉数据的人来说，它不仅仅是一堆枯燥乏味的数据，而是潜在的巨大价值，从数据分析中找出问题，从大数据中获取利益，是目前的一种商业趋势。

数据可视化将数据库中每一个数据项作为单个图元元素表示，大量的数据集构成数据图像，同时将数据的各个属性值以多维数据的形式表示，可以从不同的维度观察数据，从而对数据进行更深入的观察和分析。那如何将这些信息巧妙地与网页设计结合起来呢？下面这些设计师做到了。

团队考虑最新的研究和数字来说明所谓的一代债务，在页面设计上他们想出了一个小但易于理解的方式，通过四代（Swing代、婴儿潮一代、X一代和千禧一代），它演示了今天的经济现实，让你比较和对比情况。这里所有的事实都在你的指尖：跟着找到更多的字符。

作为首要准则——数据与技术所需，需要尝试各种定制化图形，最好要有备选计划，以防设计并不奏效，或者客户喜欢相对保守的方式。设计师用了颜色编码来展表现政党偏好，同时立体突起在视觉上表现人口统计信息。

这个项目包含两个微型网站，第一个显示的数据迁移的新闻，而第二个人口普查显示迁移。很容易地比较和对比人口运动在英格兰和威尔士的所有地区，人口指标作为常规图表和图形巧妙地设置在运动，信息图表不感到无聊，相反它看起来挺现代和复杂的。

现在很多大公司倾向于通过信息图公开承认他们的成就，它已经开始作为一个新的方式来庆祝周年，逐渐变成了一个真正的趋势。70年INRA的情况下，球队已经远远超出了标准和赐福给读者提供一个一流的项目由最新的互动解决方案。因此，用户可以沉浸在一个令人兴奋的视觉体验里。

数据可视化需要将一些复杂的数据以图形化形式展示出来，对于信息图的视觉呈现要求是很高的，如果设计不好，还不如直接看Excel表格来的方便，所以数据可视化网页设计非常考验设计师们的能力。在自己还没有把握能设计好的时候，不妨多看看大神的作品，还能帮助自己进步哦~

由广州UI设计别样设计原创，原文地址：uibieyang，转摘请保留版权，谢谢。

大数据仅仅是因为“大”吗？

随着智能硬件的快速普及和互联网的迅猛发展，您的每一次搜索点击，都将成为大数据的一部分。数据的规模，也呈现几何级数的增长，2016年市场调研机构 IDC预计，未来全球数据总量年增长率将维持在50％左右，到2020年，全球数据总量将达到40ZB(Zettabyte,万亿GB)。其中，我国数据量将达到8.6ZB，占全球的21％左右。

然而，数据量之大仅是大数据的一个基础特征，行业中将大数据特点归纳为4个” v”，即多样性(Variety)、体量(Volume)、速度(Velocity)和价值(Value),表示多样化的数据源（文本、图片、视频等）、巨大的数据量、处理速度快、且价值密度低，需通过人工智能算法进行深入挖掘。

上海藤榕作为钱宝的“大脑”，数据来源十分丰，诸如用户的基础数据、微商业务系统的交易信息、社区媒体平台的 U(User Generated Content)、钱宝胛 P移动端的 LBS(Location-Based Service)信息、共享单车的状态数据等，涵盖表格、文本、图片及视频等各种数据类型。目前日增数据量约500GB；仓库数据总量己经超越 PB级别，数据记录达百亿规模，且每年以3的速度递增，是名副其实的大数据平台。

数据可视化如何实现？

数据给人的直观感受千差万别：有时冰冷枯燥，让人心生畏惧、摸不到头脑：有时生动有趣，让人一目了然，恍然大悟。之所以能达到后一种效果，数据可视化技术发挥着重要作用，让用户在解读数据背后商机的同时，享受视觉表达之美。

数据可视化本身的应用价值、丰富性和表现力，需要参与者有强大的专业背景支持。通过动态或者静态的可视化图形，让用户能洞察(Insight)业务、发现关联，理解更深层次的规律和价值。

我们基于用户对数据可视化的不同目的，随之调整数据的视觉表达形式，例如：

跟踪数据。需考虑实时性及计算能力，形成一份不停变化、可读性强的图表。

分析数据。强调数据的表现形式，生成一份可检索的交互式图表。

发现关联。需要生成一份分布式的多维图表。

理解数据。利用多色彩、动画等形式，创建生动、清晰、有吸引力的图表。

例如，我们通过数据墙、业务运营支撑系统以及线下报告的方式，为用户提供清晰的图表，支持或指导其业务方向的调整。

大数据时代，不仅要用事实说话，更要用数据说话。

2018年1月，武汉镝次元数据科技有限公司的数据可视化平台镝数完成了1000 万元人民币天使轮融资，由伽里略领投，珞珈天使基金和光谷人才基金跟投。

作为中国首个零代码数据写作社区，“镝数”以数据为核心，融合了新闻学、信息学、统计学、计算机科学、艺术设计等学科，为用户呈现数据。用户可以借助平台精选出的交互式数据图表，完成从数据处理到发布的大部分工作，零代码就能完成交互式数据故报告的写发布。

2017年12月，美创新产品''港口业务大数据可视化平台''在2017中国港航现代化发展研讨会精彩亮相。 该产品融合了大数据、云计算、数据透视、GIS、三维仿真等技术，通过“二维全景+三位局部+全港数据”模式，为港口提供全局监控、码头资源监控、作业监控、危险品监控、物流监控、作业分析及业务可视化解决方案。

大数据时代，数据可视化可以把纷繁复杂的大数据集、晦涩难懂的数据报告变得轻松易读、亲切、易于理解。

当然数据可视化并不是简单的把数字用图表表示出来，而是帮我们发现数据后的规律。

未来，就是数据的世界，一切皆数据。

帆软公司联合创始人陈炎将中国数据可视化发展可以划分为以下四个阶段：先计算机时代、计算机读表时代、计算机读图时代和大数据时代。

我们目前正处在大数据时代，大数据可视化在现实生活中的主要应用有哪些呢？

1、宏观态势可视化：宏观态势可视化是指在特定环境中对随时间推移而不断变化的目标实体进行觉察，可以直观、灵活、逼真地展示宏观态势，可以很快掌握某一领域的整体态势、特征。

2、设备仿真运行可视化。通过图像、三维动画以及计算机程控技术与实体模型相融合，实现对设备的可视化表达，使管理者对其所管理的设备有形象具体的概念，对设备所处的位置、外形及所有参数一目了然，会大大减少管理者的劳动强度，提高管理效率和管理水平，是“工业4.0”涉及的“智能生产”的具体应用之一。

3、数据统计分析可视化，是目前提及最多的应用，普遍应用于商业智能、政府决策、公众服务、市场营销等等领域。借助于可视化的数据图表，可以很清晰有效的传达与沟通信息。

大数据及移动互联网时代，每一个使用移动终端的人无时无刻不在生产数据，而作为互联网服务提供的产品来说，也在持续不断的积累数据。数据如同人工智能一样，往往能表现出更为客观、理性的一面，数据可以让人更加直观、清晰的认识世界，数据也可以指导人更加理智的做出决策。

而在大数据时代的今天，最有价值的商品则是数据。那么今天小编在这里给大家推荐一些常用于数据分析的必备神器。

1.Tableau

Tableau 帮助人们快速分析、可视化并分享信息。它的程序很容易上手，各公司可以用它将大量数据拖放到数字“画布”上，转眼间就能创建好各种图表。数以万计的用户使用 Tableau Public 在博客与网站中分享数据。

项目地址：https://tableau/

2.ECharts

Echarts可以运用于散点图、折线图、柱状图等这些常用的图表的制作。Echarts的优点在于，文件体积比较小，打包的方式灵活，可以自由选择你需要的图表和组件。而且图表在移动端有良好的自适应效果，还有专为移动端打造的交互体验。

项目地址：http://echarts.baidu/

3.Highcharts

Highcharts的图表类型是很丰富的，线图、柱形图、饼图、散点图、仪表图、雷达图、热力图、混合图等类型的图表都可以制作，也可以制作实时更新的曲线图。

另外，Highcharts是对非商用免费的，对于个人网站，学校网站和非盈利机构，可以不经过授权直接使用 Highcharts 系列软件。Highcharts还有一个好处在于，它完全基于 HTML5 技术，不需要安装任何插件，也不需要配置 PHP、Java 等运行环境，只需要两个 JS 文件即可使用。

项目地址：https://hcharts/

4.魔镜

魔镜是中国最流行的大数据可视化分析挖掘平台，帮助企业处理海量数据价值，让人人都能做数据分析。

魔镜基础企业版适用于中小企业内部使用，基础功能免费，可代替报表工具和传统BI，使用更简单化，可视化效果更绚丽易读。

项目地址：http://moojnn/

5.图表秀

图表秀的操作简单易懂， 而且站内包含多种图表，涉及各行各业的报表数据都可以用图表秀实现， 支持自由编辑和Excel、csv等表格一键导入，同时可以实现多个图表之间联动， 使数据在我们的软件辅助下变的更加生动直观，是目前国内先进的图表制作工具。

项目地址：http://tubiaoxiu/

分享 IT 技术和行业经验，请关注-技术学派。