51CTO诚邀您9月23号和秒拍/国美/美团元专家一路聊智能CDN的优化之路，抓紧时光哦！
1.数据过载
数据可视化的普及和影响在相对较短的时光内急剧增长。 Google趋势显示，自2009年以来，数据可视化的搜刮频率几乎增长了100%，我们已经看到了大年夜量可用的对象和软件，几乎任何人都可以相对轻松地创建数据可视化。
比起文本，我们本能地更热衷于图像，因为大年夜脑可以或许以更快的速度处理图像。 然而，这并不料味着你可以把大年夜量的图像和外形放在仪表板上，并期望你的不雅众赞叹。 就像在我们被图像吸引背后的认知方面，还有其他固有的器械，在某种程度上，与潜意识的行动变得相干。 个中之一就是第一印象。
我们都知道这句话：第一印象持续平生。 但它背后有若干真谛呢? 好吧，事实证实：异常多。 类似于本能战斗或逃跑反竽暌功，仁攀类履行无意识思维的行动，称为快速认知; 比我们习惯的克意的决定计划风格更直不雅，更快速。
心理学家称这种现象为“薄片(thin-slicing)”：在几秒钟内感知细节或信息须要大年夜脑的理性部分花费几个月或几年的时光去评估。 Malcolm Gladwell将其描述如下：
薄片(Thin-slicing)不是一种异国情调的礼品。 它是对于仁攀类来说意味什么的中间部分。 每当我们碰到一个新的人，或者必须快速地懂得一些器械时就会产生薄片现象… …我们依附这种才能，因为在很多情况下，细心留意细节，即使不跨越一秒钟，都可以告诉我们异常多的信息。
好消息是，你可以改变和辩驳别人对你不良的第一印象，让他们更懂得你。然则在收集上这就要艰苦得多，因为我们的留意力周期老是在汗青新低处。与之对应的，比以往任何时刻都更难吸引你读者的留意力，你不克不及让坏的第一印象进入你数据可视化的小我简介里——尤其是当信息被埋藏的更深时轻易惹人商量。
为了防止这一点，我们将评论辩论5个最常见的缺点，以避免涉及不合可视化类型数据的缺点情势。
很多可视化数据和BI仪表盘的就义品数据过载——内容拥挤，个一一些可能不添加任何数据的懂得。例如，尽管三维图表看起来可能令人印象深刻，但他们往往使数据的解释加倍艰苦。
快速认知是我们年腋荷琐异常短暂的经验中深刻发掘和衡量真正重要的才能。 正如我们被告诉大年夜来不要经由过程一本书的封面断定它一样，我们天天都应用这种才能，它经由过程快速解析大年夜量的信息，决定什么是最重要的，而不采取较慢，更理性的思维方法。
同样的，BI仪表盘与5图表和浩瀚的标签可能会展示数量明显的研究结不雅，但如不雅你的读者无法区分他们在看什么，最终也是无用的。不须要的插图、暗影、字体和纹饰会使数据分散，所以尽量罕用。在大年夜多半情况下,少等于多。
2.拜访轴
处理定量数据时，条形图或折线图是使内容可视化最好的办法之一。一个常见的缺点是图表轴;当它看上倒是有效启动轴值袈浣高于零时价袈浣大年夜，这可以将酒吧营业额和他们价值不雅精确的表示。
【编辑推荐】
- 深刻浅出：若何大年夜0开端进修大年夜数据发掘分析？
- 魏何大年夜数据让人开端困惑人生
- 大年夜数据处理框架的类型、比较和选择
- 大年夜数据可能「撒谎」非构造化数据将出现更丰富的世界
- 解读大年夜数据行业袈溱2017年的新成长
3.不要“切太薄”
处理全部数据时，数据平日以部分到整体关系的情势出现，更为人知的是叫做饼图。 饼图是一种异常受迎接的表示数据的办法，然而饱受非议的是，正如Walter Hickey所说，它是“他们外面上被设计用来做的令人难以置信的糟糕的一件事”。
没有区段标签，实际上很难区分饼状图段的大年夜小(你能区分36%和37%之间的差别吗?)，是以确保图表的所有区域都清跋扈地标记。 此外值得推敲的是所应用的类其余数量; 太多不合的段使得每个段之间难以区分。
4.交叉线
位于特定范围内的数据平日用于展示随时光的变更。 是以，折线图是传达数据之间的变更或差别的有效方法。 您可能已经开端留意到这里的趋势，但重要的是不要在图表中应用太多的线。 在图表上有大年夜量的交换线会很快变得纷乱，是以我们建议不要应用跨越4个系列。
5.恰当的色彩
热图是数据可视化世比赛最新的图表之一，并敏捷变得风行。 应用地舆空间作为基本是完美的分类数据，但有一些障碍可能会使你困惑。 色彩和数据范围都应在热图中精确应用。
推荐阅读
51CTO诚邀您9月23号和秒拍/国美/美团元专家一路聊智能CDN的优化之路，抓紧时光哦！ 在2016年10月马云提出新零售之前，有一部分经营百货商超、3C等行业的实体零售商，在O2O概念的指引下，>>>详细阅读
地址：http://www.17bianji.com/lsqh/37339.html
1/2 1
网友点评
精彩导读
科技快报
品牌展示