夜雨聆风说到数据可视化，大家可谓耳熟能详，设计师、数据分析师、数据科学家等，都用各种方式各种途径做着数据可视化的工作。
比如，做工作总结 PPT，要尽量字少有图； 展示报表，会选择柱状图；走在马路上，更容易被图形而不是文字吸引...... 这并不是因为我们聪明，只是大脑讨厌枯燥的数据，天生喜欢鲜明直观的可视化图形。
01 人工智能领域的技术宠儿
人工智能领域的技术宠儿
毋庸置疑，人工智能正在改变着现在和将来。数据可视化就是人工智能领域诸项技术的宠儿。
数据清洗、特征工程中有它的身影
机器学习、数据分析离不开它
项目评估、商业分析中需要它出手
不仅如此，数据可视化还能作为独立的业务。同时，数据可视化还广泛存在于各种商业、政务、教育等领域的业务表述之中。
下面我们看个例子。
2018 年中美“贸易战”，美国的媒体为了向美国老百姓说明中国经济发展的情况，特别是对美国经济的威胁，一定要使用到中国经济和美国经济相关数字。那么，你觉得这些数字怎么展示？
图 1 常规展示中美 GDP
这是一张预测中美 GPD 走势的图示。看此图，我想，美国人也没有什么太被刺激的感觉，因为看看两条线，未来即使有高低之别，但差别也没有那么吓人，况且，预测还可能不准确呢。
再对比图 2。
图 2 可视化表示中美 GDP
虽然这张图中也包含了数字，但是，它同时配置了表示数字的图示，并且都很形象，人的视觉无形中就被图示所吸引了。把数字本来的抽象意义，用直观方式表达出来，更刺激人的大脑。
这是个普通的数据可视化案例。今天我们想跟大家分享的是数据科学领域的数据可视化。分享的过程中，我们会明白，数据可视化已经成为数据时代程序员的必备技能。
02
数据工程
02
数据工程
下图是综合了一些书籍所述和个人工作经验而来的。
图 3 数据工程流程
图的优势是能够把很多信息集中显示在眼前，给人以直观视觉化的体验，这也是“可视化”的优势。
03
理解商业问题
03
理解商业问题
这是“数据工程”的开始，从业者——数据工程师，必须对相应的业务有所了解，这也是数据工程师特有的市场价值之一。
理解商业问题，并非是成为业务高手，而是要能够从业务中梳理出与数据工程项目有关的环节，特别是将业务中某些问题转化为数据问题。
若要从数据层面解决上述问题，就必须把有关数据的问题提炼出来，用准确的语言表述，然后考查业务是否能够支持这些问题。
04
数据收集
04
数据收集
数据收集和前述理解商业问题，两者之间是一个互动关系。研究收集数据的方法，也是对商业问题的再度理解。
此外，数据收集还包含着从某个数据集中获得数据的含义。这里所说的数据集，包括但不限于：
数据库，包括关系型和非关系型
数据接口（API）
保存数据的文件，比如 Excel、CSV 文档等
05
数据清洗和特征工程
05
数据清洗和特征工程
假设已经通过某种合法的方式“不作恶”的途径得到了某些数据，接下来要做的是了解这些数据，
主要通过以下两种方式：
对数据进行简单的描述性统计
对数据实行可视化，直观地了解数据概况
06
两个分支
06
两个分支
有了“训练好”的数据之后，根据商业问题的目标，可以从事两个方面的具体工作。
（1）数据分析
应用各种数据分析的方法，最终得到一份分析报告。分析结果，除了用数字表达之外，可视化是不可避免的（又见“数据可视化”）。
（2）机器学习
机器学习是另外一个专门领域，目前正火热。通过机器学习算法，实现对数据的分类、预测和聚类等操作，在这个过程中，也难免要用“数据可视化”表达某种结论。
07
评估
07
评估
不论是机器学习，还是数据分析，其结果都要进行评估。
对于机器学习而言，有专门的模型评估方式。根据评估结果，确定是否采用机器学习所获得的模型，亦或数据分析的报告是否被采纳。
以上是数据工程项目的基本流程，从中可知，“数据可视化”并不是流程中的一个独立环节，它是几个环节中必不可少的实现手段。
“图”是喜闻乐见、通俗易懂的，是大脑喜欢的。数据可视化技能已经成为数据时代程序员的必备技能。
文章转载自：GitChat精品课（ID： CSDN_Tech）
本文仅供分享，不代表量化派观点
关于量化派
量化派（QuantGroup）创办于2014年，是数据驱动的科技公司，是国家高新技术企业。量化派以‘MOVE THE WORLDWITH DATA, ENLIGHTEN LIFE WITH AI’（数据驱动世界，智能点亮生活）为愿景，利用人工智能、机器学习、大数据技术为金融、电商、旅游、出行、汽车供应链等多个领域的合作伙伴提供定制化的策略和模型，帮助提升行业效率。量化派已与国内外超过300家机构和公司达成深度合作，致力于打造更加有活力的共赢生态，推动经济的可持续发展。
