理解数据与数据可视化的基本流程
数据可视化的核心不仅是将数据映射为图形，而是一个贯穿整个数据流向的完整过程。这个过程可以分为以下几个关键步骤：
- 数据采集：首先需要收集原始数据，可能来自数据库、API、手动输入或其它形式的文件（如 CSV、Excel 等）。
- 数据处理和变换：对数据进行清洗、转换、聚合等处理，以便获得可用的数据结构和格式。
- 可视化映射：将数据映射为图形符号，如点、线、颜色等，展示数据的结构和关系。
- 人机交互：通过交互式图形实现动态数据探索，用户可以通过缩放、选择、过滤等操作更深入理解数据。
- 用户感知：最终目标是通过图形呈现帮助用户理解数据的模式、趋势和重要信息。
了解 Python 与其他可视化工具
在数据可视化领域，Python 拥有多个强大的库，可以生成各种类型的图形。常用的库包括：
- Matplotlib：最基础的可视化库，支持创建各种静态、动态、交互式图形。
- Seaborn：基于 Matplotlib，提供了更高级和美观的统计图形工具，简化了数据的可视化操作。
- Pandas：主要是用于数据操作和分析的库，但其内置的可视化功能也非常强大，适合快速生成常见图表。
- Pyecharts：一个基于 Python 的库，支持创建交互式图形，适合需要精美和复杂展示的场景。
掌握 Anaconda、Jupyter Notebook 的常用操作方法
- Anaconda：是一个集成数据科学工具的平台，常用于安装和管理 Python 及其相关库。
- 创建虚拟环境：使用
conda create -n myenv python=3.x来创建环境。 - 安装库：在环境中运行
conda install <package>或pip install <package>。
- 创建虚拟环境：使用
- Jupyter Notebook：是一个交互式编程环境，支持实时代码执行、数据可视化和文档撰写。
- 在终端输入
jupyter notebook启动应用，打开浏览器进行操作。 - 通过 Markdown 格式添加文本注释、公式，方便记录实验过程。
- 在终端输入
原理
数据可视化的流程可以分为四个主要部分：
- 数据采集：收集、导入数据源，通常以 CSV、数据库等形式存在。
- 数据处理和变换：利用 Pandas 等工具对数据进行整理。
- 可视化映射：借助 Matplotlib、Seaborn 等库创建图形展示。
- 交互和感知：通过交互功能（如 Pyecharts）与用户进行数据分析交互，增强对数据的理解。
这种整体的流程不仅提升了可视化的质量，也为用户提供了高效的分析工具。
环境配置
安装 Anaconda 软件，创建实验环境
激活环境：
conda activate myenv
打开 Anaconda Prompt，创建新的实验环境并指定 Python 版本：
conda create -n myenv python=3.8
安装 Jupyter Notebook
安装 Jupyter Notebook：
conda install jupyter
