Python数据可视化（微课版） 课件 第8章 Python复杂数据可视化

主讲人：AiPPT时间：20XX.XXPOWERPOINTDESIGN202XPowerPointDesign------------------Python复杂数据可视化目录CONTENT01大数据市场与可视化挑战02高维多元数据可视化方法03三维数据可视化技术04习题解析与应用05实训：Pyecharts构建可交互图表--------------PowerPointDesign大数据市场与可视化挑战01PARTPOWERPOINTDESIGN根据《IDC全球大数据支出指南》，2022年中国大数据市场IT投资规模约170亿美元，预计2026年增至364.9亿美元，实现规模翻倍。中国市场在五年预测期内占比持续增高，有望在2024年超越亚太（除中日）总和，并在2026年接近全球总规模的8%。随着数字中国、数据要素、大数据等政策发布和重大工程落地，以及疫情后企业项目需求释放，我国大数据市场迎来新的爆发阶段。市场规模与预测厂商积极布局底层计算存储、数据中台、大数据分析平台等业务，尤其聚焦金融、政府、能源、制造等行业。ChatGPT的爆火带来了数据计算和存储业务领域的更大的资本关注度，将大数据市场带入更大体量、更强计算和更专业化服务的新台阶。行业布局与技术影响数据复杂度大大增加，包括非结构化数据和异构数据，传统单一的可视化方法无法支持分析。数据量级超过单机、外存模型甚至小型计算集群处理能力上限，需全新思路解决大尺度调整。数据获取和处理过程中产生数据质量问题，特别是数据的不确定性。数据快速动态变化，常以流式数据形式存在，实时分析与可视化技术存在问题。可视化面临的挑战010302中国大数据市场增长态势--------------PowerPointDesign高维多元数据可视化方法02PARTPOWERPOINTDESIGN散点图将数据对象映射到二维坐标空间，展示数据关联和属性。散点图矩阵是其扩展，通过N^2个散点图表示N维数据属性间的两两关系，但过多散点图降低可读性，需交互式选取关注属性。Matplotlib提供函数绘制散点矩阵，对角线上是变量直方图，非对角线是变量间散点图，通过代码示例可生成散点矩阵图。当数据维度过高时，各类可视方法无法清晰呈现所有数据细节，可通过线性/非线性变换将多元数据投影或嵌入低维空间，保持数据特征，如主成分分析（PCA）、t-SNE等。使用Python和scikit-learn库中的PCA方法，可从100维降维到2维并绘制散点图，通过代码示例生成降维散点图。散点图与散点图矩阵降维技术平行坐标在二维空间显示更高维度数据，以平行坐标替代垂直坐标，可揭示数据在每个属性上的分布及相邻属性间关系，但难同时表现多个维度间关系，可通过交互选取和更改坐标轴排列顺序解决。Pyecharts提供生成平行坐标图方法，数据组织成列表，每个子列表代表一组数据，通过代码示例可生成平行坐标图。平行坐标空间映射法星形图是平行坐标的极坐标形式，数据对象各属性值与最大值比例决定坐标轴上点位置，折线连接围成星形区域，其大小形状反映数据对象属性。使用pyecharts库可轻松生成星形图，通过定义指标名称和数据，绘制星形图并生成HTML文件，代码示例展示生成过程。星形图（雷达图）图标法--------------PowerPointDesign三维数据可视化技术03PARTPOWERPOINTDESIGN曲面图的应用三维曲面图展示具有两个自变量和一个因变量的数据关系，或一个变量随两个变量变化的情况。在工程领域可展示零件几何形状，在经济学领域可展示GDP、人均收入和消费水平关系。Matplotlib和Plotly等库支持生成三维等高线图，可定制图表属性，如颜色、样式、精度等。曲面图的生成通过生成数据、设置图表属性和绘制曲面图等步骤，可使用Python生成三维曲面图。代码示例中，生成从-5到5的100个均匀间隔点定义x和y坐标轴值，通过meshgrid产生二维矩阵，构造矩阵z=sin(sqrt(x^2+y^2))，设置图表标题和坐标轴标签，显示图表。0102三维曲面图01等高线图的特点三维等高线图展示三维表面数据在二维平面上的投影，通过等高线表示三维表面上具有相同值的点，用于地理信息系统、气象学、工程等领域，等高线间距表示变量值变化率，颜色或阴影增强视觉效果。02等高线图的生成使用matplotlib生成三维等高线图，数据包括三维空间中的点，每个点有x、y坐标和z值。代码示例中，生成数据、设置图表属性和绘制等高线图，设置等高线数量和颜色映射，显示图表。三维等高线图--------------PowerPointDesign习题解析与应用04PARTPOWERPOINTDESIGN复杂数据可视化挑战处理复杂数据可视化时，面临的主要挑战包括数据复杂度增加、数据量级增加、数据不确定性，选项D“数据可视化方法过于简单”不包括在内。降维技术方法降维的常用技术包括主成分分析（PCA）、t-SNE，选项C“线性回归”不是降维技术。散点图矩阵作用散点图矩阵主要用于展示多个变量之间的关系，选项C正确。高维多元数据特征高维多元数据的典型特征是数据对象具有多个独立属性，选项B正确。平行坐标图用途平行坐标图的主要用途是揭示多维数据属性的分布和相互关系，选项C正确。选择题解析高维数据的可视化不仅限于三维空间表达，判断为错误。高维数据可视化空间限制平行坐标不适用于揭示高维数据间非相邻属性的关系，判断为错误。平行坐标非相邻属性关系星形图多维数据表示星形图（雷达图）可以表示多维数据对象的属性，判断为错误。散点图矩阵细节表示散点图矩阵不能有效地表示高维数据的所有细节，判断为错误。降维技术重要性降维技术可以将高维数据转换为低维空间以便于可视化，判断为正确。判断题解析高维多元数据定义高维多元数据指的是每个数据对象具有两个以上的独立或相关属性。降维变换方式降维是通过线性/非线性变换将数据从高维空间投影到低维空间。散点图矩阵展示关系散点图矩阵通过N^2个散点图展示变量之间的两两关系。星形图属性反映星形图通过折线连接围成区域的形状和大小来反映数据对象的属性。平行坐标图坐标轴排列平行坐标图通过改变坐标轴的排列顺序来帮助用户理解数据维度间的关系。填空题答案高维多元数据作用高维多元数据在大数据分析中用于描述具有多个独立或相关属性的数据对象，帮助理解和分析复杂数据集，辅助决策。散点图矩阵作用与限制散点图矩阵用于展示多个变量之间的关系，但过多散点图降低可读性，需交互式选取关注属性。可视化挑战复杂数据可视化面临的主要挑战包括数据复杂度、数据量级、数据不确定性和数据动态变化。平行坐标图分析高维数据平行坐标图通过展示数据在每个属性上的分布及相邻属性间关系，帮助分析高维数据，但难同时表现多个维度间关系。降维技术重要性降维技术将高维数据转换为低维空间，便于可视化和分析，保持数据特征，是数据可视化中的关键技术。问答题解答平行坐标图分析空气质量数据设计使用散点图矩阵分析多维股市数据的方法，选取关注的股市指标，如股价、成交量、市盈率等，生成散点图矩阵，通过交互式分析发现指标间的关系和趋势。散点图矩阵分析股市数据描述使用平行坐标图分析多个城市空气质量数据的场景，选取空气质量指标，如AQI、PM2.5、PM10等，生成平行坐标图，通过高亮显示和坐标轴排列调整，分析城市间空气质量的差异和变化。应用题示例--------------PowerPointDesign实训：Pyecharts构建可交互图表05PARTPOWERPOINTDESIGN实训目标使用Pyecharts库在Python环境中创建多种类型的图表，如三维曲面图、三维高线图、三维散点图、热力图等，并为他们添加可交互的内容，提高数据呈现的互动性和吸引力。01需求说明环境准备确保Python环境已正确安装，并通过pip安装Pyecharts库，了解Pyecharts支持的图表类型和基础概念。数据准备与处理选择或创建适合可视化的数据集，使用Python进行数据预处理，确保数据格式适合于所选图表类型的可视化需求。基本图表创建使用Pyecharts创建不同类型的基本图表，学习如何配置图表的主要属性，如标题、图例、坐标轴、工具箱等。图表互动性增强探索Pyecharts的互动功能，如标签的鼠标悬停显示、图表的缩放和拖动、三维