商务大数据分析导论 课件 项目六 数据可视化

数据可视化的重要性目录01.数据可视化的目的02.探索数据可视化03.选择有效的图表数据可视化的目的PARTONE数据可视化定义数据可视化是将数据转换为图形或图像的一种方法，通过视觉化手段使复杂数据变得更易于理解。这不仅包括图表和图形，还包括信息图和其他视觉表示形式，帮助用户识别数据模式和趋势。01数据可视化的目的数据可视化的主要目的是通过视觉展示促使人们更快地获得洞察，简化数据分析，提升决策的有效性。它旨在使庞大而复杂的信息变得更为直观，便于抓住关键点和信息的本质。02数据可视化的应用领域数据可视化广泛应用于各个行业，包括商业分析、金融、医疗、教育和社会研究等。通过数据可视化，各行业能够更好地呈现研究成果、监控业务运营及支持战略制定。03数据可视化的基本概念促进决策制定数据可视化为管理层提供了直观、可操作的信息，使他们能够快速识别问题和机会，从而更高效地制定明智的决策。清晰的视觉表现能够突出关键数据，降低理解复杂数据带来的障碍。01提升信息传播效率通过可视化，数据分析结果能够以更简洁和吸引人的方式进行传播，帮助受众在更短的时间内grasp重要信息。这种方式有助于提高观众的兴趣和参与度，加深记忆印象。02促进数据分析理解数据可视化能够加深分析人员对数据的理解，发现隐藏在数据背后的模式或关联。通过图形化展示，分析过程更具情境性，促进了团队协作和知识分享。03数据可视化的重要性探索数据可视化PARTTWO探索数据可视化探索型数据可视化分为两类：一是假设检验，一是从数据中寻找规律、趋势和异常。前者的目标很明确，后者则相对发散。数据体量越大、复杂度越高、未知因素越多，探索工作的开放性就越高。探索数据可视化假设检验

在这类数据可视化探索中，你要回答下面两个问题中的一个：我设想的情况是否属实？如何用不同方式传达这一信息？在进行求证时，数据范围相对可控，所使用图表类型较为常规；当然，若想以新颖方式呈现信息，也可尝试较少见的图表。01探索数据可视化开放性探索由于缺少明确目标，开放探索型图表包含的数据范围较广，个别情况下可能会容纳多组数据，或建立自动更新数据的动态系统，也可用于统计建模。开放性探索很值得尝试，因为它经常带来独一无二的洞察力。02选择有效的图表PARTTHREE选择有效的图表首先获取数据，确定数据展现的主题，也就是你想利用图表从数据中获得哪些信息，然后根据数据之间的对比关系选择图表类型。这个过程你还可能通过图表分析出新的问题，或者尝试从多个维度分析数据。1确定表达主题同一组数据用不同的角度看，有不同的主题，比如下面这组数据：1确定表达主题

如果你的注意力放在1月-5月的销售发展趋势以及售价是怎么样随时间而变化的。那你的图表主题应该是“销售额自1月份开始稳步上升”。或者你可能想把重点集中在某一点上，比如说集中在5月份的数据上，你可能会记录产品A，B和C的销售量排列名次。那样的话，图表主题应该是“5月份，产品A的销售额大幅超过B和C”。从另一个角度看同样是5月份的数据，你还可能会将侧重点放在每个产品占销售额的百分比上。那你的图表主题应该是“5月份，产品A占公司产品总销售额的比例位居首位”。

选择合适图表的关键、也是最重要的就是确定想要表达的具体主题。而选择正确的图表形式，完全取决于主题是否清晰明确。图表仅仅是表明数据的组织形式，它最终是要强调一个主题，这主题其实就可以作为图表的标题。2确定对比关系常用可视化图表示例目录01.描述变量分类的可视化图形02.描述变量比例的可视化图形03.描述变量相关的可视化图形04.描述变量分布的可视化图形05.描述时间序列数据的可视化图形描述变量分类的可视化图形PARTONE1描述变量分类的可视化图形1.1条形图/柱形图示例数据来源于国家统计局发布的2021年国民经济和社会发展统计公报中全国居民人均消费支出数据。#本例需加载的R软件包library(ggplot2)library(dplyr)library(forcats)library(patchwork)library(hrbrthemes)#导入或输入示例数据data<-read.csv("2021GDP.csv")#默认柱形图pp1=data%>%

mutate(index=fct_reorder(index,Value))%>%#设置顺序

ggplot(aes(x=index,y=Value))+

geom_bar(stat="identity")+

theme_bw()pp1柱形图#默认条形图pp2=data%>%mutate(index=fct_reorder(index,Value))%>%ggplot(aes(x=index,y=Value))+geom_bar(stat="identity")+theme_bw()+coord_flip()#水平条形图pp2条形图#数据输入data<-data.frame(group=c("A","B","C","D"),value=c(33,62,56,67),number=c(100,500,459,342))#条形宽度设置data$right<-cumsum(data$number)+30*c(0:(nrow(data)-1))data$left<-data$right-data$number#绘图ggplot(data,aes(ymin=0))+geom_rect(aes(xmin=left,xmax=right,ymax=value,colour=group,fill=group))+xlab("number")+ylab("value")+theme_bw()+theme(legend.position="none")不同条形宽度的柱形图gg1=data2%>%arrange(val)%>%#按val排序mutate(name=factor(name,levels=name))%>%ggplot(aes(x=name,y=val))+geom_segment(aes(xend=name,yend=0))+geom_point(size=4,color="orange")+coord_flip()+theme_bw()+xlab("")gg1水平棒棒糖图1描述变量分类的可视化图形1.2使用barplot()绘制条形图barplot函数可实现在R中构建条形图及自定义图表颜色、条形宽度、方向#输入数据data1<-data.frame(name=letters[1:5],value=sample(seq(4,15),5))#同色条形图barplot(height=data1$value,names=data1$name,col=rgb(0.2,0.4,0.6,0.6))

barplot默认条形图#条形颜色不同library(RColorBrewer)coul<-brewer.pal(5,"Set2")#Set2是函数自动的颜色库barplot(height=data1$value,names=data1$name,col=coul)

设置系统颜色的柱形图#水平条形图barplot(height=data1$value,names=data1$name,col="#69b3a2",horiz=T,las=1)水平条形图#条纹填充的条形图barplot(height=data1$value,names=data1$name,density=c(5,10,20,30,7),angle=c(0,45,90,11,36),col="brown")

条纹填充的柱形图1描述变量分类的可视化图形1.3

分组和堆叠条形图/柱形图

在单变量分组基础上，学习多变量分组条形图，能够在不同维度上展示数据，具体方法是在x轴的每个位置绘制一组条形，由一个分类变量确定，然后根据另一个分类变量在每个组内绘制条形。以下示例主要展示了分组数据可视化方法。library(ggplot2)#输入一个模拟数据specie<-c(rep("sorgho",3),rep("poacee",3),rep("banana",3),rep("triticum",3))condition<-rep(c("normal","stress","Nitrogen"),4)value<-abs(rnorm(12,0,15))data<-data.frame(specie,condition,value)模拟输入的数据集必须有3个列，包括：数值(value)，组(spec)和子组(condition)2个分类变量。#绘图ggplot(data,aes(fill=condition,y=value,x=specie))+geom_bar(position="dodge",stat="identity")+theme_bw()分组柱形图/条形图#position中参数"dodge"切换为“stack”ggplot(data,aes(fill=condition,y=value,x=specie))+geom_bar(position="stack",stat="identity")+theme_bw()堆叠柱形图/条形图#绘图ggplot(data,aes(fill=condition,y=value,x=condition))+geom_bar(position="dodge",stat="identity")+scale_fill_viridis(discrete=T,option="E")+ggtitle("Studying4species..")+facet_wrap(~specie)+theme_ipsum(base_family="")+theme(legend.position="none")+xlab("")组显示的条形图/柱形图描述变量比例的可视化图形PARTTWO2描述变量比例的可视化图形2.1饼图绘制饼图，是将总体看作一个圆，按照各分类的占比情况将圆划分大小不同的扇形，以弧度的大小来表示某一分类的占比。可以快速的了解各分类的情况，但一般分类的数量不能太多，太多会导致圆被切割为很多块，不利于展示在饼图中，通常会将占比最大的分类放置在最显眼的地方，即12点钟方向的右边，而第二大占比放置在12点钟方向的左边。其余的分类依据逆时针方向放置。2描述变量比例的可视化图形2.1饼图绘制参数设置说明：x:数值向量，表示每个扇形的面积。labels:字符型向量，表示各扇形面积标签。radius:饼图的半径。main:饼图的标题。clockwise:是一个逻辑值,用来指示饼图各个切片是否按顺时针做出分割。angle:设置底纹的斜率。density:底纹的密度。默认值为NULL。col:是表示每个扇形的颜色，相当于调色板2描述变量比例的可视化图形2.1饼图绘制#librarylibrary(ggplot2)library(dplyr)library(forcats)library(patchwork)library(hrbrthemes)library(echarts4r)library(ggforce)#建立扇形面积大小向量，数据来源：国家统计局2021年居民消费支出数据a<-c(2115,2599,3156,1423,5641,1419,7178,569)#建立扇形标签名称向量yb<-c("医疗保健","教育文化娱乐","交通通信","生活用品服务","居住","衣着","食品烟酒","其他")#扇形颜色设置c<-c('#E5D2DD','#53A85F','#F1BB72','#D6E7A3','#57C3F3','#476D87','#E59CC4','#BD956A')#将扇形面积四舍五入保存为一位小数d<-paste(round(100*a/sum(a),1),"%")pie(a,labels=d,#扇形标签，labels=b,或者main="2021年居民消费支出结构",#图片标题radius=0.8,#饼图大小设置clockwise=T,border="white",#饼图外沿颜色设置col=c)legend("topright",b,cex=0.6,fill=c)2描述变量比例的可视化图形2.1饼图绘制2021年居民消费支出结构饼图2描述变量比例的可视化图形2.2环形图ggplot2包允许构建甜甜圈图表。步骤如下:•输入数据为一个数值变量的组•绝对数值必须转换成比例•圆环上的分组是堆叠的一个接一个地显示环•geom_rect()将每一组绘制为一个矩形•coord_polar()用于从堆的矩形切换到环•xlim()在中间添加了一个空圆圈2描述变量比例的可视化图形2.2环形图#创建测试数据data<-data.frame(category=c("A","B","C"),count=c(10,60,30))#计算百分比data$fraction=data$count/sum(data$count)#计算累计百分比data$ymax=cumsum(data$fraction)#计算环形data$ymin=c(0,head(data$ymax,n=-1))#绘图ggplot(data,aes(ymax=ymax,ymin=ymin,xmax=4,xmin=3,fill=category))+geom_rect()+coord_polar(theta="y")+#堆积条形图xlim(c(2,4))+#中心添加一个空圆theme_bw()描述变量相关的可视化图形PARTTHREE2描述变量比例的可视化图形2.2环形图环形图绘制3描述变量相关的可视化图形为表现两个变量之间的关系，最常用的是散点图。如果我们想同时显示两个以上的变量，我们可以选择气泡图、散点图矩阵或相关图，可以在散点图中用符号大小、符号颜色、符号形状表示更多维数。最后，对于高维的数据集，对于高维数据，经常需要利用降维方法，如主成分分析(PCA)对数据降维，对降维数据作图。3描述变量相关的可视化图形3.1散点图R软件自带的iris数据集中包含了三种鸢尾花的150个样品的测量数据，每种各50个样本，每个样本测量了花瓣、花萼的长、宽。下面画50个花卉样本的花瓣长、宽的散点图，可以看出，两种有明显的线性相关关系。使用ggplot2绘制散点图的步骤：提供样本数据框确定在x和y轴上显示哪个变量添加一个geom_point()函数显示点。3描述变量相关的可视化图形3.1散点图#本节使用的绘图库library(ggplot2)library(hrbrthemes)library(patchwork)library(tidyverse)library(cowplot)library(dplyr)#本节使用的演示数据是软件自带的数据集iris#叶片大小与生长之间的关系描述#ggplot2默认散点图ggplot(iris,aes(Sepal.Length,Sepal.Width,color=Species))+geom_point()+theme_bw()3描述变量相关的可视化图形3.1散点图#本节使用的绘图库library(ggplot2)library(hrbrthemes)library(patchwork)library(tidyverse)library(cowplot)library(dplyr)#本节使用的演示数据是软件自带的数据集iris#叶片大小与生长之间的关系描述#ggplot2默认散点图ggplot(iris,aes(Sepal.Length,Sepal.Width,color=Species))+geom_point()+theme_bw()3描述变量相关的可视化图形3.1散点图默认散点图#使用颜色区分不同物种与生长之间的关系ggplot(iris,aes(x=Sepal.Length,y=Sepal.Width,color=Species))+geom_point(size=6)+theme_ipsum(base_family="")不同颜色设置类别的散点图#设置形状或大小ggplot(iris,aes(x=Sepal.Length,y=Sepal.Width,shape=Species))+geom_point(size=4,color="#008B8B")+theme_ipsum(base_family="")不同形状散点图3描述变量相关的可视化图形3.2

散点图矩阵

多个变量之间的关系经常用散点图矩阵表示。ggplot2包没有提供专门的散点图矩阵，基础R图形中提供了pairs函数作散点图矩阵，GGally包提供了一个ggscatmat()函数作散点图矩阵。例如，对iris数据的四个测量值变量作散点图矩阵：#多变量散点矩阵图ggscatmat(data=iris,columns=1:4,color="Species")+theme_bw()多变量散点矩阵图排列成矩阵的各个切片的下三角位置是两个变量的散点图，对角线位置是单个变量的核密度估计，上三角位置是两个变量的相关系数。ggpairs(data=iris,color="Species",columns=c("Petal.Length","Sepal.Length","Species"))+theme_bw()变量两两相关的散点矩阵图3描述变量相关的可视化图形3.3数据降维当数据中有过多的变量时，既是散点图矩阵也会因信息量过大难以认读。因此，要将数据降低维度，通常将数据降维到若干个新变量，最常用的方法是主成分分析(PCA)。PCA通过数据中原始变量的线性组合引入了一组新变量（称为主成分，PC），且使方差和均标准化值为零。3描述变量相关的可视化图形3.3数据降维可以将降维的散点图与变量的载荷图画在同一坐标系内：d<-as.data.frame(load1[,1:2])d$vlabel<-rownames(d)ggplot()+geom_point(data=ps1,mapping=aes(x=Comp.1,y=Comp.2,color=Species),size=6.0,alpha=0.6)+geom_segment(data=d,mapping=aes(xend=Comp.1,yend=Comp.2),x=0,y=0,arrow=arrow(angle=20))+geom_text_repel(data=d,mapping=aes(x=Comp.1,y=Comp.2,label=vlabel),alpha=0.6)+theme_bw()3描述变量相关的可视化图形3.3数据降维降维后的矢量散点图描述变量分布的可视化图形PARTFOUR4描述变量分布的可视化图形对于离散变量，可以用频数、比例、百分数的条形图表现单个离散变量分布，可以用热力图表现两个离散变量的分布。对于连续型变量，可以用直方图、密度估计图表现单个变量分布，可以对多个变量同时做密度估计图。可以用正态QQ图、盒形图、经验分布函数图等。4描述变量分布的可视化图形4.1单变量可视化分布案例数据集是来自泰坦尼克号乘客的数据集。泰坦尼克号上大约有1300名乘客（不包括船员），数据集提供了其中756人的年龄。我们想知道泰坦尼克号上有多少不同年龄的乘客，即有多少儿童、年轻人、中年人、老年人等。我们把乘客不同年龄分组的相对比例称为乘客的年龄分布。4描述变量分布的可视化图形4.1单变量可视化分布

为了绘制的直方图能准确地反映数据基本特征，就要考虑分组大小。一般来说，较小的分组条形宽度过小，直方图就会变得过于尖峰和拥挤，数据分布趋势和特征可能会被掩盖。另一方面，过大的分组会导致条形宽度过大，导致数据分布的差异特征被平滑，数据中较小的特征值可能会消失。

对于泰坦尼克号乘客的年龄分布，如下图，可以看到，1年的组距使条形宽太小，15年的条形宽太大，而3-5年的组宽就较为可行。age_hist_1<-

data.frame(age=

(1:75)-

0.5,count=

hist(titanic$age,breaks=

(0:75)+

.01,plot=

FALSE)$counts)age_hist_3<-

data.frame(age=

(1:25)*

3

-

1.5,count=

hist(titanic$age,breaks=

(0:25)*

3

+

.01,plot=

FALSE)$counts)age_hist_15<-

data.frame(age=

(1:5)*

15

-

7.5,count=

hist(titanic$age,breaks=

(0:5)*

15

+

.01,plot=

FALSE)$counts)h2<-

ggplot(age_hist_1,aes(x=

age,y=

count))+

geom_col(width=

.85,fill=

"#56B4E9")

+

scale_y_continuous(expand=

c(0,0),breaks=

10

*

(0:5))+scale_x_continuous(name=

"age(years)",limits=

c(0,75),expand=

c(0,0))+coord_cartesian(clip=

"off")+theme_dviz_hgrid(12)+theme(axis.line.x=

element_blank(),plot.margin=

margin(3,1.5,3,1.5))h3<-

ggplot(age_hist_3,aes(x=

age,y=

count))+

geom_col(width=

2.75,fill=

"#56B4E9")

+

scale_y_continuous(expand=

c(0,0),breaks=

25

*

(0:5))+scale_x_continuous(name=

"age(years)",limits=

c(0,75),expand=

c(0,0))+coord_cartesian(clip=

"off")+theme_dviz_hgrid(12)+theme(axis.line.x=

element_blank(),plot.margin=

margin(3,1.5,3,1.5)

)h4<-

ggplot(age_hist_15,aes(x=

age,y=

count))+

geom_col(width=

14.5,fill=

"#56B4E9")

+

scale_y_continuous(expand=

c(0,0),breaks=

100

*

(0:4))+scale_x_continuous(name=

"age(years)",limits=

c(0,75),

expand=

c(0,0))+coord_cartesian(clip="off")+theme_dviz_hgrid(12)+theme(axis.line.x=element_blank(),plot.margin=margin(3,1.5,3,1.5))plot_grid(h2,NULL,h3,NULL,NULL,NULL,h1+theme_dviz_hgrid(12)+theme(axis.line.x=element_blank(),plot.margin=margin(3,1.5,3,1.5)),NULL,h4,align='hv',labels=c("a","","b","","","","c","","d"),rel_widths=c(1,.04,1),rel_heights=c(1,.04,1))年龄分组大小不同的直方图4描述变量分布的可视化图形4.2多变量可视化分布

男女乘客之间存年龄的差异有多大等等，通常情况下，可视化策略是使用一个堆叠的直方图来展示，如下图，使用不同的颜色将女乘客的直方图置于男乘客的直方图之上，我们把这类图形称之为堆积或堆叠直方图。data.frame(

age=

(1:25)*3

-

1.5,

male=

hist(filter(titanic,sex==

"male")$age,

breaks=

(0:25)*3

+

.01,plot=

FALSE)$counts,

female=

hist(filter(titanic,sex==

"female")$age,

breaks=

(0:25)*3

+

.01,plot=

FALSE)$counts)%>%

gather(gender,count,-age)->

gender_countsgender_counts$gender<-

factor(gender_counts$gender,

levels=

c("female","male"))p_hist_stacked<-

ggplot(gender_counts,

aes(x=

age,y=

count,

fill=gender))+

geom_col(position=

"stack")+

scale_x_continuous(name=

"age(years)",

limits=

c(0,75),expand=

c(0,0))+

scale_y_continuous(limits=

c(0,89),expand=

c(0,0),

name=

"count")+

scale_fill_manual(values=

c("#D55E00","#0072B2"))+

coord_cartesian(clip=

"off")+

theme_dviz_hgrid()+

theme(

axis.line.x=

element_blank(),

legend.position=

c(.9,.87),

legend.justification=

c("right","top"),

legend.box.background=

element_rect(fill=

"white",

color=

"white"),

plot.margin=

margin(3,7,3,1.5)

)同年龄和性别乘客的堆叠直方图ggplot(titanic2,aes(x=

age,y=

..count..))+

geom_density_line(

data=

select(titanic,-sex),aes(fill=

"allpassengers"),

color=

"transparent"

)+

geom_density_line(aes(fill=

sex),

bw=

2,

color=

"transparent")+

scale_x_continuous(limits=

c(0,75),

name=

"passengerage(years)",

expand=

c(0,0))+

scale_y_continuous(limits=

c(0,26),

name=

"scaleddensity",

expand=

c(0,0))+

scale_fill_manual(

values=

c("#b3b3b3a0","#D55E00","#0072B2"),

breaks=

c("allpassengers","male","female"),

labels=

c("allpassengers

","males

","females"),

name=

NULL,

guide=

guide_legend(direction=

"horizontal")

)+

coord_cartesian(clip=

"off")+

facet_wrap(~sex,labeller=

labeller(sex=

function(sex)paste(sex,"passengers")))+

theme_dviz_hgrid()+

theme(

axis.line.x=

element_blank(),

strip.text=

element_text(size=

14,margin=

margin(0,0,0.2,0,"cm")),

legend.position=

"bottom",

legend.justification=

"right",

legend.margin=

margin(4.5,0,1.5,0,"pt"),

legend.spacing.x=

grid::unit(4.5,"pt"),

legend.spacing.y=

grid::unit(0,"pt"),

legend.box.spacing=

grid::unit(0,"cm")

)按乘客性别展示的堆积密度图描述时间序列数据的可视化图形PARTFIVE5描述时间序列数据的可视化图形#本节演示需要载入的软件包library(ggridges)library(lubridate)library(ggrepel)library(ggplot2)library(dplyr)library(plotly)library(hrbrthemes)library(readxl)library(dygraphs)cpi<-read_xls("../cpi.xls")cpi$date<-ymd(cpi$date)#定义列表日期格式str(cpi)#显示数据集字段类型##tibble[72×4](S3:tbl_df/tbl/data.frame)##$date:Date[1:72],format:"2016-01-01""2016-02-01"...##$cpi.val:num[1:72]1.82.32.32.321.91.81.31.92.1...##$cpi.city:num[1:72]1.82.32.32.321.91.81.422.2...##$cpi.countryside:num[1:72]1.52.22.22.42.11.91.511.61.8...5描述时间序列数据的可视化图形5.1单变量时间序列数据可视化CPI是居民消费价格指数（consumerpriceindex）的简称。居民消费价格指数，是一个反映居民家庭一般所购买的消费商品和服务价格水平变动情况的宏观经济指标。它是度量一组代表性消费商品及服务项目的价格水平随时间而变动的相对数，是用来反映居民家庭购买消费商品及服务的价格水平的变动情况。ggplot(cpi,aes(date,cpi.val))+

geom_point(color=

"#0072B2")+

geom_point(color=

"white",fill=

"#0072B2",shape=

21,size=

2)+

scale_y_continuous(limits=

c(-1,6),expand=

c(0,0),name=

"CPI%")+

scale_x_date(name=

"year")+

theme_bw()+

theme(plot.margin=

margin(5,3,3,3))时间序列的散点图ggplot(cpi,aes(date,height=

cpi.val,y=0))+

geom_ridgeline(color=

"#0072B2",alpha=0.6,fill=

"#0072B240",size=

0.40)+

scale_y_continuous(limits=

c(-1,6),expand=

c(0,0),

name=

"CPI%")+

scale_x_date(name=

"year")+

theme(plot.margin=

margin(4,4,3,3))+

theme_bw()时间序列的面积图5描述时间序列数据的可视化图形5.2多变量时间序列可视化如果同时展示相同时间维度上多个变量，必须更加慎重的选择绘制的图形，因为该图可能会变得混乱或难以阅读。例如，如果想要显示每月CPI外，还要同时展示城市和乡村的CPI，这是散点图就不是一个好策略，因为各个时间点的变量会相互影响和重叠，视觉效果不佳。p<-ggplot(cpi)p+geom_point(mapping=aes(x=date,y=cpi.val,color="CPI"),size=2)+geom_point(mapping=aes(x=da