前言
第1部分 數(shù)據(jù)可視化概論
1 數(shù)據(jù)可視化在DIKW體系中的作用
1.1 DIKW體系
1.2 數(shù)據(jù)可視化的作用
2 數(shù)據(jù)可視化的價值
2.1 什么是數(shù)據(jù)可視化
2.2 數(shù)據(jù)可視化的歷史
2.3 數(shù)據(jù)可視化的優(yōu)勢
2.4 數(shù)據(jù)可視化的應(yīng)用場景
第二部分 如何做好數(shù)據(jù)可視化
3 什么是好的數(shù)據(jù)可視化
4 數(shù)據(jù)可視化的一般流程
4.1 數(shù)據(jù)收集、處理與分析
4.2 數(shù)據(jù)可視化展示
4.3 數(shù)據(jù)可視化敘事
5 數(shù)據(jù)可視化基礎(chǔ)圖像與展示
5.1 比較與排序圖像
5.2 局部與整體關(guān)系圖像
5.3 分布圖像
5.4 相關(guān)圖像
5.5 網(wǎng)絡(luò)關(guān)系圖像
5.6 位置與地理特征圖像
5.7 時間趨勢圖像
6 使用數(shù)據(jù)可視化講述故事
6.1 主動式敘事
6.2 互動式敘事
7 常用數(shù)據(jù)可視化工具
7.1 Tableau
7.2 R
7.3 D3.js
第三部分 Python使用基礎(chǔ)
8 開始使用Python IDE
8.1 Python 3.x與Python 2
8.2 交互式工具
8.3 Python中常用的IDE
8.4 使用Python進行可視化作圖
8.5 交互式可視化包簡介
9 Python 數(shù)據(jù)結(jié)構(gòu)基礎(chǔ)
9.1 列表
9.2 堆樓
9.3 元組
9.4 集合
9.5 隊列
9.6 字典
9.7 樹
10 使用NumPy和SciPy庫
10.1 NumPy中的數(shù)組
10.2 NumPy 常用函數(shù)
10.3 SciPy 常用函數(shù)
10.4 Python的性能增強
第四部分 使用Python進行基礎(chǔ)數(shù)據(jù)可視化
11使用matplotlib繪制數(shù)據(jù)可視化基礎(chǔ)圖形
11.1 折線圖
11.2 直方圖
11.3 核密度估計圖
11.4 柱狀圖與條形圖
11.5 餅圖
11.6 熱力圖
11.7 散點圖
11.8 矩陣圖
11.9 三維曲面圖
12 使用pyecharts 繪制數(shù)據(jù)可視化基礎(chǔ)圖形
12.1 pyecharts快速入門
12.2 pyecharts中的圖表類型
12.3 pyecharts中的配置選項
13 基礎(chǔ)數(shù)據(jù)可視化案例
13.1 我國各地區(qū)經(jīng)濟發(fā)展水平可視化分析
13.2 成都天津兩市空氣質(zhì)量可視化分析
13.3 人數(shù)可視化分析
13.4 各國奧運會獎牌可視化分析
13.5 文本數(shù)據(jù)可視化分析
13.6 股票價格可視化分析
第五部分 數(shù)據(jù)可視化建模
14 統(tǒng)計學(xué)習(xí)模型
14.1 K-近鄰算法
14.2 邏輯斯諦回歸
14.3 支持向量機
14.4 集成學(xué)習(xí)
14.5 主成分分析
14.6 K-均值聚類算法
15 圖論與網(wǎng)絡(luò)模型
15.1 無向圖與有向圖
15.2 圖的集聚系數(shù)
15.3 常見的網(wǎng)絡(luò)優(yōu)化問題
15.4 社交網(wǎng)絡(luò)分析
15.5 Networkx工具包
參考資料