| 大数据可视化（八）数据可视化中的交互 | 您所在的位置：网站首页 › js动态可视化技术有哪些类型 › 大数据可视化（八）数据可视化中的交互 |
大数据可视化（八）数据可视化中的交互
|
交互的作用： 交互能让用户更好地理解和分析数据有效地缓解了可视化空间和数据过载之间的矛盾。更好的组织数据，展示数据的内涵 8.1交互原则 8.1.1交互延时交互延时指的是从用户操作开始到结果返回经历的时间，延时的长短在很大程度上直接决定了用户体验的效果 选择合理的交互操作和视觉反馈的方法，并且要确保延时在可以接受的范围之内，才可以让用户正常、高效得与系统进行互动。 8.1.2交互场景一般情况下，交互将引起可视化场景的变化。 应用中，用户通过切换场景来反复对比，达到准确发现变化的目的 8.1.3交互成本交互本身带给用户便利的同时，额外的成本也会相应增加。 一般情况下，可视化系统会采用自动化处理的方式来解决。 用户分析和自动化分析是相辅相成的，权衡其作用和成本，达到一个平衡 8.2交互分类 按任务类型分类 选择：将目标数据对象标记出来，例如通过高亮的方式标记数据；重新配置：重新设置可视化配置；重新编码：展现不同的视觉效果；导航：可以用来展现不同的数据，例如下一页提示按钮；关联：将有关联的数据一并展示；过滤：根据过滤条件选择显示一部分数据；概览：展现对象的总体概况；细节：展现更多细节内容； 按操作符与操作空间分类 操作符分为：导航、选择和变形操作空间分为：数据值空间、数据结构空间、对象空间、属性空间、屏幕空间和可视化结构空间交互的本质就是操作符与操作空间的组合。 按交互操作类型分类 常见的交互操作归纳如下：缩放、过滤、关联、记录、提取、按需要提供细节以及概览。根据所操作的数据类型对交互操作进行分类，包括图形操作、数据操作和集合操作三类。图形操作指的是对可视化对象进行操作，例如图形等视觉表面层面的操作；数据操作指的是对数据对象进行增加、修改和删除；集合操作指的是对数据对象组成的集合进行创建和删除操作。 8.3交互技术 选择技术单选与框选 导航技术平移、缩放和 旋转（适用于数据量比较小的场景） 重配技术目的是为用户提供观察数据的不同视角， 可用于解决由于空间距离拉大导致数据属性关联性降低的问题 铁屑与磁铁（Dust & Magnet）技术（性质取决于）： Magnet的性质Magnet的强度Magnet所设置的相斥值Dust关于Magnet所规定的的性质的值 过滤技术指的是通过设置过滤条件来进行信息查询的技术。 关联技术不同产品的年产量曲线 用户选择折线数据，饼状图动态显示选择结果
综合运用概览和细节的技术展示数据，让用户既可以从整体上把握当前状态，又可以从细节微观的角度观察数据。 8.4部分代码实现 图8-11 df=pd.read_csv("data/beijing_AQI_2018.csv") attr=df['Date'] vl=df['AQI'] line = ( Line() .add_xaxis(list(attr)) .add_yaxis("AQI:",list(vl)) .set_global_opts(title_opts=opts.TitleOpts( title="AQI全年走势图" ), ) .set_series_opts( markpoint_opts=opts.MarkPointOpts(data=[ opts.MarkPointItem(type_="max",),#显示最大值 opts.MarkPointItem(type_="min",),#显示最小值 ]), markline_opts=opts.MarkLineOpts(data=[opts.MarkLineItem(type_="average")]),#显示平均线 areastyle_opts= opts.AreaStyleOpts(color="#000",opacity=0.3), label_opts=opts.LabelOpts(is_show=False) ) .render("result/8_11.html") ) 图8-13 df=pd.read_csv("data/beijing_AQI_2018.csv") dom=df[["Date","AQI"]] list1=[] for i in dom["Date"]: time=i.split('-')[1] list1.append(time) df["month"]=list1 month_message=df.groupby(["month"]) monyh_com=month_message["AQI"].agg(["mean"]) monyh_com.reset_index(inplace=True) monyh_com_last=monyh_com.sort_index() attr=["{}".format(str( i )+"月") for i in range(1,13)] vl=np.array(monyh_com_last["mean"]) vl=["{}".format(int(i)) for i in vl] line = ( Line() .add_xaxis(attr) .add_yaxis("AQI:",vl) .set_global_opts(title_opts=opts.TitleOpts(title="AQI月均全年走势图"),) .set_series_opts( markpoint_opts=opts.MarkPointOpts(data=[opts.MarkPointItem(type_="max",),opts.MarkPointItem(type_="min",)]),) .render("result/8_13.html") ) 图8-15 df=pd.read_csv("data/beijing_AQI_2018.csv") dom = df[['Date', 'AQI']] data = [[], [], [], []] dom1, dom2, dom3, dom4 = data for i, j in zip(dom['Date'], dom['AQI']): time = i.split('-')[1] if time in ['01', '02', '03']: dom1.append(j) elif time in ['04', '05', '06']: dom2.append(j) elif time in ['07', '08', '09']: dom3.append(j) else: dom4.append(j) boxplot = Boxplot() boxplot = ( boxplot.add_xaxis(['第一季度', '第二季度', '第三季度', '第四季度']) .add_yaxis("", boxplot.prepare_data([dom1, dom2, dom3, dom4])) .set_global_opts(title_opts=opts.TitleOpts(title='2018年北京季度AQI箱型图'),) ) boxplot.render("result/8_15.html") 图8-17 df=pd.read_csv("data/beijing_AQI_2018.csv") rank_message = df.groupby(['Quality_grade']) rank_com = rank_message['Quality_grade'].agg(['count']) rank_com.reset_index(inplace=True) rank_com_last = rank_com.sort_values('count', ascending=False) attr = rank_com_last['Quality_grade'] v1 = rank_com_last['count'] pie = ( Pie() .add("空气质量", [list(z) for z in zip(attr, v1)], radius=[80, 180], tooltip_opts=opts.TooltipOpts(textstyle_opts=opts.TextStyleOpts(align='center'), formatter='{a}'+''+'{b}: {c} ({d}%)')) .set_global_opts(title_opts=opts.TitleOpts(title='2018年北京全年空气质量情况', pos_left='center'), legend_opts=opts.LegendOpts(orient='vertical', pos_top='5%', pos_left='2%'), ) ) pie.render("result/8_17.html")
|
【本文地址】
公司简介
联系我们