可视化的数据基础

数据属性类型是可视化设计的基础——不同类型的数据适用不同的视觉编码方式。数据属性从宏观上可分为定性数据和定量数据两大类。

此外，数据值还可以按离散与连续来区分：离散值只在有限或可数个取值中选择（如整数），连续值则可取某个范围内任意值（如身高 175.3cm）。

数据可以从维度和组织结构两个角度来描述。按维度分，数据可以是单变量（一维）、双变量（二维）或高维数据（多维）。按组织结构分，常见的有时序数据、空间数据、网络数据和层次数据。

数据获取是可视化工作的第一步，可以分为被动获取和主动收集两种方式。

原始数据往往包含噪声、缺失值和异常值，需要经过预处理才能用于可视化和分析。数据预处理的核心步骤包括：

数据清洗：去除重复记录、统一格式、修正错误。缺失值处理：可以删除缺失记录、填充均值/中位数、或用插值法估算。异常值检测：通过统计方法（如3σ原则、IQR方法）或可视化方法（箱线图）识别异常值。

描述统计是理解数据分布的第一步。常用的统计量包括：均值（平均水平）、中位数（中间位置值，对异常值更稳健）、标准差/方差（衡量数据离散程度）。

常用的可视化手段包括直方图（展示数据分布频率）和箱线图（展示四分位数、中位数、异常值）。

探索变量之间的关联关系是数据分析的核心任务之一。散点图是最直观的工具——将两个变量分别映射到 X、Y 轴，通过点的分布模式判断相关性。

皮尔逊相关系数（r）衡量两个变量的线性相关程度：r = 1 表示完全正相关，r = -1 表示完全负相关，r = 0 表示无线性相关。

数据获取和分析之后，需要合理地存储和管理数据。不同的数据特点和应用场景适合不同的存储方案。