本周主要学习内容：时序数据 和 比例数据

二期学习内容

【时序数据】

时序数据：指任何随时间变化的数据，如天气温度在一天中各时间的变化、一年中12个月的营业额指标等。

时序数据，时间所具有的的特征，具备：

1、有序性：时间都是连续的，时间之间都有先后顺序，比如一年中的1月～12月；

2、周期性：许多自然或者商业现象，都有周期循环特性，比如一年中的四季；

3、结构性：时间的尺度可以按照年、季度、月、天、小时、分、秒等去切割。

时序数据的时间性是否连续，可以分为：离散型时间和连续型时间，连续性的差异决定了可视化图表的选择。

离散时间的可视化

离散时间：数据来源于具体的时间点或者时间段，且时间数据的可能取值是有限的。

对于离散时间的不同业务场景，可选择不同的可视化图表，“单一柱图”、“并列柱图”、“堆叠柱图”、“散点图”。

1、单一柱图

连续时间小于13个月

适用场景：

适合表示离散时间数据的趋势，且数据条个数一般不超过12条。

适用于单类别数据的时间趋势表示，即系列值单一的数据。

2、并列柱图

适用场景：

适合多个同纬度随时间变化的趋势，且维度系列不要超过3条，否则会比较拥挤，影响可视化效果。

3、堆叠柱图

单一柱状图，是表示各个离散时间点总体数值的一个方式。但是，当我们想知道各个离散时间点总体的构成部分，是如何随着时间而变化的，这个时候，就需要引入堆叠柱状图。

堆叠柱状图，按照堆叠的部分，展示的是实际体量还是相对体量，可以分为两类：

（1）普通堆叠柱状图：展示实际体量。

普通堆叠柱状图，整体的构成部分，最好不要超过5项。若实际构成项大于5个时，需要做适当的归类，以保证图表重点突出。

（2）百分比堆叠柱状图：展示相对体量。

若影院想知道上半年各月，国产片和外国片的贡献占比随时间的变化情况，这个时候就可以使用百分比堆叠柱状图。

4、散点图

散点图，通常用来表示两个变量间的相关关系。在表示离散时间数据时，其表达的是某一变量随时间的变化关系。

柱状图是用高度作为数值的映射，而散点图则是用位置来作为数值的视觉通道。

连续时间的可视化

连续时间：连续时间数据的可视化和离散时间数据的可视化相似。因为就算数据是连续的，我们采集的数据大部分还是离散且有限的。

连续型数据和离散型数据，在数据结构上并没有差别，区别在于它们所反映的真实世界的数据是否是不断变化的。如一天当中的气温变化，就是连续型数据，因为你在一天中的任何时候都可以进行测量，且气温在不同时刻是变化的。

1、折线图

折线图用于显示数据在一个连续的时间间隔或者时间跨度上的变化。在折线图中，一般水平轴（X轴）用来表示时间的推移，并且间隔相同；而垂直轴（Y轴）代表不同时刻的数据的大小。

折线图主要包括三类：点线图、折线图、曲线图。

（1）点线图

当数据集中的数据项有限，不超过12个时，采用此种点线图比较合适。有时候，对应日期的数据点上方，会直接显示数值。

（2）折线图

折线图：当数据集中的数据项比较多，大于12条时，采用点线图，会让整条线上的点很密集，影响看数据的趋势，此时采用折线图是不错的选择。

（3）曲线图

曲线图：相比于折线图，曲线图相邻节点的连线更加平滑，可视化效果也更加美观。

从点线图中，可以观察出4种趋势：长期性趋势、季节性趋势、周期性趋势、不规则波动。

2、阶梯图

阶梯图常用来表示，某两个相邻的时间节点，后一个节点的数据相对于前一个节点数据的升降变化，常用于商品价格变动、股票价格波动、税率变化等场景中。

在阶梯图中，有三个关键的值：

a.前一时间节点数值；

b.当前时间节点数值；

c.当前节点较前一节点的差值；

3、拟合曲线图

若我们想要研究数据随时间的变化所表现出来的整体趋势时，可以根据多个离散点（T1,D1）、（T2,D2）....、（Tn,Dn），拟合一个最接近的一个连续函数关系。

拟合曲线图，在数据预测中应用较多。比如，某一电商网站要预测今年双十一的GMV，那么它可以根据往年每月的交易额趋势，今年每月与去年同期的数据等多个变量，去拟合出交易额与时间等其他因素所满足的关系。具体要考虑哪些因素，这个和数据模型的搭建息息相关，此处不做延伸。

【比例数据】

比例数据，通常是按照类别、子类别、群体进行的划分。对于比例型数据，我们进行可视化的目的，是为了寻找整体中的最大值、最小值、整体的构成分布、以及各部分之间的相对关系。

1、饼图

当构成整体的数据项较少时，采用饼图是一种不错的选择，饼图是通过角度来映射各类别对应的数值。

但是，现实的数据情况是，一个维度下的属性值数量，通常会比较多，如果在饼图中全部展示出来，一方面会使整个饼图显得杂乱，没有重点，另一方面也失去了可视化的美感。

因此，对于饼图来说，建议扇区个数最大值在5～7个之间。当数据项超过一定数量时，可以按照占比，把排名最末的几项归位「其他」。我通常的做法是：

当数据项n<=6时，直接显示各扇区原始类别的名称。

当数据项n>6时，直接显示占比排名TOP5扇区的原始类别名称，剩余的数据项则归为「其他」。

当然，饼图中最大可展示的分类项个数可以根据实际情况确定，但是对于一个数据产品内部，建议标准统一，这样前后端同学会在进行数据、前端开发工作时，可以进行标准化，提高复用性和开发效率。

2、环形图

饼图通过各扇区角度去映射各分类项对应的数值，「环形图」则通过各弧形的长度来衡量数值。

环形图中心部位是空的，可以放置标签、整体数值、平均数值或其他内容。环形图中，数据项的分类和饼图类似，就不在赘述。

3、百分比堆叠柱图

当比例数据中存在多个父系列，每个父系列又由多个子类构成，且各个系列的子类相同时，此时展示比例数据，可以采用百分比堆叠柱状图。

各个系列对应的柱形条的高度是相同的，顶部刻度都为100%。

每根柱形条内部，各子项柱形条的高度，代表在该系列中的占比。

当各系列的子类数目较少时，可以直接在矩形内部展示占比；当数目较多时，建议隐藏。

当各系列的子类目较多时，为了保证重点突出和视觉效果，需要对子类目进行归类，归类方法参照饼图。

4、百分比堆叠面积图

当比例数据中存在多个父系列，且父系列的数据类型为时间，要分析父系列的各构成部分占比随时间的变化趋势，此时可以采用堆叠面积图来表示比例关系的变化。

如果从某一点上对堆叠面积图进行垂直切片，那么就可以得到该时间段上的比例分布情况。

5、矩形树图

矩形树图，是一种基于面积的可视化方法。外部矩形代表父级类别，内部矩形代表子类别。相比于其他表示比例型的数据，矩形树图更适合展示具有树状结构的数据。

树状结构，简单理解，就是首先按一级分类来观测各构成部分的比例，然后再看某个一级分类下，是由哪些二级分类构成的，依次类推，逐步细化，可以直到叶子结点。

若用矩形树图来表示具有多个层级结构的比例数据，通常需要使用一些交互方式来辅助数据的展示。比如，单击对应区块进行下钻，悬停展示具体数值和比例，使用面包屑进行层级的跳转等。