搜索到
12
篇与
数据可视化工具
的结果
-
用pyecharts制作仪表盘——多图表在同一页面显示 pyecharts.engine 定义了若干个继承自 jinja2.Environment 的模板引擎类，每个类都有其适合的使用场景。pyechart提供了一个接口Page，只需要调用方法add(“图表名”)即可：Pythonfrom pyecharts import Page, Line, Bar page = Page() line = Line(\'Demo Line\') # ... Add data to line page.add_chart(line, name=\'line\') bar = Bar(\'Demo kline\') # ... Add data to bar page.add_chart(bar) 二、图表方法对于图表的一些属性的修改，可以在python源码中，使用一下方法： page_title js_dependencies render_embed() get_js_dependencies() _repr_html_() 三、完整示例demo.pyPythonfrom __future__ import unicode_literals from pyecharts import Bar from pyecharts.conf import PyEchartsConfigfrom pyecharts.engine import EchartsEnvironmentfrom pyecharts.utils import write_utf8_html_file attr = [\"衬衫\", \"羊毛衫\", \"雪纺衫\", \"裤子\", \"高跟鞋\", \"袜子\"] v1 = [5, 20, 36, 10, 75, 90] v2 = [10, 25, 8, 60, 20, 80] bar = Bar(\"柱状图数据堆叠示例\") bar.add(\"商家A\", attr, v1, is_stack=True) bar.add(\"商家B\", attr, v2, is_stack=True) config = PyEchartsConfig(echarts_template_dir=\'my_tpl\', jshost=\'https://cdn.bootcss.com/echarts/3.6.2\') env = EchartsEnvironment(pyecharts_config=config) tpl = env.get_template(\'tpl_demo.html\') html = tpl.render(bar=bar) write_utf8_html_file(\'my_tpl_demo2.html\', html)tpl_demo.html 模板Markup<!DOCTYPE html> <html lang=\"zh-CN\"> <head> <meta charset=\"UTF-8\"> <title>自定义模板</title> {{ echarts_js_dependencies(bar) }} </head> <body> {{ echarts_container(bar) }} {{ echarts_js_content(bar) }} </body> </html>仪表盘结果示例：数据运营仪表盘 本文由 张文迪 投稿至 数据分析网 并经编辑发表，内容观点不代表本站立场，如转载请联系原作者 。 -
数据可视化项目失败的六大缘由 大数据文摘作品编译：汪小七、惊蛰、蒋宝尚一张图片最大的价值在于它让我们注意到了我们从来不奢望看到的景象。——John W.Tukey在文章开篇之前，文摘菌引用John W.Tukey的一句话来论述数据可视化的重要性。正如这句名言所说，对数据有效的展示能够极大提高我们的洞察力。现在虽然数据可视化仍然具有巨大的前景，且近十年来它也一直是一门主流学科，但目前它依然不够成熟。现已有大量的可视化工具可供使用，数据科学家们也正在使用这些工具，但在企业中能有效使用数据可视化工具的还是很少。多亏了数据可视化从业者的持续研究和顶级玩家的营销闪电战, 可视化已经得到了深入发展。尽管企业对于数据可视化的投资和意识都在不断增加，但是可视化工具的长期采纳以及企业的投资回报依然很难实现。有时, 人们会对是什么使信息的可视化展示如此困难感到疑惑。 也许这与设计时信息的减少有关。 也许花哨的图表和令人眼花缭乱的功能, 在某种程度上会让用户难以找到重点。 也许由于优先事项的相互冲突和执行混乱，这些优秀的功能已经中途脱轨。 我们能否找到可视化项目中导致失败的关键点呢？接下来文摘菌带大家讨论如何解决这些陷阱。“我展现了所有终端用户的需求……不必再深究了”在定义可视化项目需求时，终端用户往往不直接参与。我们经常会听到项目发起人或者项目经理说他们完全知道用户想要的是什么。但用户的需求并不能时时刻刻都被满足。这是视觉主板在推出后却不怎么被使用的主要原因。如果只是列举一下常见问题或者KPI的定义就足够的话，那这个挑战本身就不存在了。然而我们真正需要的，是了解用户的实际场景，以及用户处理业务问题的方式。这才是以用户为中心的真实智慧，不可转移，并且有很强的可塑性。细致入微收集终端用户的业务观点非常重要。这样做可以将相关信息内置到主页中。为了了解客户，公司可以通过访谈来了解用户的角色，也可以用基本搜索来了解用户的使用流程，并借此共同勾画出原有的业务场景。把数据可视化能回答的问题列出来，把无法回答的问题另外归类也会有所帮助。坚持以用户为视觉体验的基础“所有的功能我都要做吗？”当客户提出多种要求时，你是不是经常听到“所有的功能都要做”这句话呢？当被要求优先考虑某些功能时，用户往往会产生严重的不安全感，并担心未来的各种情况可能无法得到解决。往往企业的第一个可视化项目，会有比较多花里胡哨的需求。赞助商不知道的是，对应用程序的投入越多，它被使用得反而越少。虽然把所有功能都加进去可以获得虚高的满意度，但用户的认知负荷也会随之提高，以至于他们可能再也不会打开这些应用了。优先考虑不同功能时，越博学的用户可能越难以做出正确的选择，更不可能硬着头皮使用这个软件。数据可视化最重要的功能是发挥咨询作用，帮助减少功能列表，只留下最关键的功能。尽管从技术角度上来讲，屏幕空间是无限制的，但它对数据密度的施加是有限制的，例如“一张不可滚动的屏幕”。即使是有优先权、决策权，且面临过众多挑战的利益相关者在设计数据可视化时也需要考虑用户会不会被这样的设计说服。UI矩阵——排定可视化需求的框架“你真的需要将数据进行可视化吗？”在一个讨论数据可视化的项目里质疑需不需要数据可视化会显得很奇怪。有一种做法是“先构建主页, 然后直接用 Go live 插入数据”。如果没有人要求你这样做，恭喜你运气太好了。没错, 在清理数据和准备提要方面是存在一些挑战的, 但如果主页设计好了却无法获取任何数据，这就本末倒置了。让数据适应页面是项目完成后主页无法操作或者图表显得怪异的根本原因。如果事先没有进行探索性的数据分析, 图表就可能会被异常数据甚至更糟的情况所扭曲, 导致最终变成没有模式的图表。其实图表的选择也是由数据决定的。例如, 当你要做一个四种产品的收入分配图，条形图可以是可以, 但是树形图（tree map）之类的图表可能更合适。作为项目计划的一部分，预先考虑数据的情况非常重要。虽然知道了标题行就可以开始着手设计，但在做出关键设计决策之前，完整的数据必不可少。客户必须get到数据图表的关键点，因此必须通过数据洞察得出设计决策。编写的将数据类型映射成的可视化编码可视化编码链接：http://complexdiagrams.com/properties“请给我加个超棒的日出图案！”有时候人们会非常喜欢图表，以至于他们试图将这种关系扩展到可视化示例范围之外。这会导致图表在解决方案中无法合理地发挥作用，甚至可能会对整个项目造成严重破坏。那些即使在用户没需求的情况下，也要添加特殊图表或3D图表的设计师，都是为了自我满足，这样做最终会导致用户流失。这不是一个自助餐，人们可以选择各种各样的花式图表来放在盘子上。有些人可能会偏爱Sankey图表或Chord图表，但将这些图表提供给对数据不敏感的读者，这将是一场灾难。图表的选择是一门科学，这里面有较成熟的规则，如图形语法。选择图表的因素有很多，比如图表类型（分布和趋势）、数据点（是少还是多）、用户角色（运营者、战略策划等等）、用户对数据的熟悉程度（比如分析师或者业务用户）等，所以我们必须积极地给用户讲解原理，并配合实例来解释。图形语法http://cfss.uchicago.edu/dataviz_grammar_of_graphics.html数据可视化的分类“我想要一个内容丰富的用户界面……你能让所有功能都点击实现吗？”在设计导航和交互时，一个常见的要求是“在深度上走到最底层，并让所有内容都能点击实现”。如果把整个世界都反映在一张屏幕上是种常见的幻想，那么实现所有内容可点击也是一种类似的想法。之所以把这个功能的优先级很高，是因为用户会主动忽视页面中不能点击的内容。把很多点击功能加入到单个屏幕中，会让可视化变成类似寻找复活节彩蛋的东西，因为用户可能永远都不知道在主页中隐藏的有哪些有用的信息。在大多数应用程序中，超过90％的点击功能从未被使用过，大概只有10％的点击功能是用户在重要的操作流程中会用到。丰富的用户界面并不非得有许多可点击功能，而是说用户界面能恰当并直观的向用户展示主要功能。因此，制定一些强制性的指导方针可能会有所帮助，比如每个屏幕不超过8个点击按钮。其实在静态面板中，数据依然可以表达强有力的观点，因此在设计时要仔细考虑页面中必不可少的交互性。用户会因此而感激不尽的。一个强大的可视化展示——静态，具有200年的保质期：拿破仑战败的俄罗斯战役“来点儿绿的和蓝的……嗯，再加点紫的吧！”虽然到本文目前为止涵盖的所有要点都可以找到合理的解释，但关于颜色的问题不能这么说。诸如“主页上缺点东西”或者“这个视觉效果不咋样”等说法会让从业者无所适从。必要的情况下，用户的反馈可以做到鞭策，但是请不要留下这种没有实际意义的反馈。每个用户都有自己想选择的颜色，而且他们可以按自己的想法设置界面颜色。然而不幸的是，这对应用程序的接受度可能会产生巨大影响。颜色不仅仅是一种外观和感觉。例如把RGB颜色都很鲜艳的主页显示为单一色块时，红绿色盲用户根本无法正常使用。尽管在处理美学、功能和社交方面的问题上有不少标准，色彩理论与其说是一种科学，还不如说是一门艺术。相比于找到取悦所有人的设计，还不如找到符合用户要求的风格特点。我们还得阐明选择这些色调的原因，毕竟大多数用户也无法解释他们自己的颜色喜好。配色工具——Colorbrewer小结至此，我们已经阐述了数据可视化项目中可能导致失败的六个关键点, 而它们也恰好落在可视化任务的六个关键阶段。因此, 避免这些陷阱有助于实现计划的整体成功。正如上图所示的6点： 以用户为中心设计——让终端用户参与进来 功能需求——优先列出功能列表 数据探索分析——理念产生设计要求 可视化编码——选择正确形式 交互设计——优化用户交互 颜色和展示设计——融合美学和科学 可视化是用数据来讲故事的媒介，而视觉故事是艺术和科学的完美结合。从业者必须磨练自己的技能, 在科学的元素中融合正确的审美成分，这样才能创建一个和用户密切相关的产品输出并解决特定的业务难题, 从而为企业提供投资回报。最后文摘菌以一句名言结尾：每一个数字背后都有一个重要的故事，但这需要你给他们一个清晰的并具有说服力的声音。—— Stephen Few相关报道：https://towardsdatascience.com/6-reasons-why-data-visualisation-projects-fail-1ea7a56d7602本文为专栏文章，来自：大数据文摘，内容观点不代表本站立场，如若转载请联系专栏作者 。
-
关于“数据可视化思考者”的8条军规 1、有数无形少直观，有形无数难入微1973年，统计学家F.J. Anscombe提出了四组奇妙的数据。它们x值的平均数都是9.0，y值的平均数都是7.5；x值的方差都是10.0，y值的方差都是3.75；它们的相关度都是0.816，线性回归线都是y=3+0.5x。但是，经过可视化之后，人们发现这四组数据有着天壤之别。第一组数据是最“正常”的；第二组数据所反映的是一个精确的二次函数关系，只是在错误地应用了线性模型后，各项统计数字与第一组数据恰好都相同；第三组数据描述的是一个精确的线性关系，只是这里面有一个异常值，它导致了上述各个统计数字，尤其是相关度值的偏差；第四组数据则是一个更极端的例子，其异常值导致了平均数、方差、相关度、线性回归线等所有统计数字全部发生偏差。“有数无形少直观，有形无数难入微”。这个日后被称为“安斯科比四重奏”的例子告诉我们，在分析中， 数据可视化与统计指标缺一不可，相辅相成。2、“七三原则”“数据可视化”这一表达，很容易让人觉得这是一个把70%的时间与精力花在“可视化”上的过程。但实际上，如果你真的用了大部分时间来保障图表炫酷，那么最后的成果只有30%的可能性是好的。真正的“数据可视化”，我们会把70%的时间花在减少错误、构建数据、确保概念正确等工作上。（在线ETL功能，可以帮助您更顺利地完成那70%的“幕后”工作。）3、可视化是门“杂学”如今，从内部机制（如人脑认知系统）到外部机制（如社交规则，企业文化，同辈压力，受众画像等），都在影响着我们的可视化沟通方式。因此，有追求的数据可视化思考者应当追求成为“杂学家“，而不是局限于对可视化技巧与技能的学习。俄国新闻机构TASS重新演绎了著名的《拿破仑远征图》。左边是随着故事线不断自动演绎变化的地图，右边是故事＋信息图。像一本可以动的“小说”一样，利用叙事、色彩、动画等多种技巧，在可读性方面，完美致敬并超越了经典原作。FRANCES CAALBREZZI对泰坦尼克号悲剧的数据可视化作品。她认为有千百种方法可以对数据进行可视化，但最终选择了冲积图。除了这种图表可以表现分类数据之间的流量与相关性之外，如水波暗涌一般的可视化效果，也更能让人回想起那一夜海上的惊心动魄。4、数据是诠释从你开始收集数据，到你阅读其它人的图表，这一切都是在诠释。你可以尽情地“折磨”数据，以压榨出各种各样的解释与观点。一个好的图表，会把数据想要说的话，尽善尽美地表达出来。也就是说，一个好的数据可视化作品，会是一个优秀的数据预处理系统，可以让人脑专注于更高层次的目标。但是光有数据可视化还不够：你必须拥有相关的知识，以识破和解读隐藏在可视化作品中的模式。（优秀的可视化作品，可以让人拥有“数据视觉”，一眼看穿数据背后隐藏的模式、问题或机遇。将复杂的数据解读过程，变成简单的“比大小”、“看长短”、“辨深浅”、“明趋势”。）5、数据可视化是一个提问与回答的过程请注意自己所提的问题。它们通常不仅透露你想要知道的内容，还透露你实际知道的内容。更好的问题意味着更佳的理解。将问题分门别类，与各种图表类型配对，是个非常有趣的过程。一个有50个切片的饼图并不一定是坏的：通常，可视化失败并不是因为数据点太多，而是因为作者本身不理解数据，或是不关心数据传达出的信息。（选择什么图表背后，隐藏着一个重要的问题——你想展示什么？）6、注意简化删除不相关的内容，最小化辅助的内容，调整必要的内容，添加有用的内容。7、妙用色彩把色彩当作是数据可视化作品的促进因素，思考它们的强度，功能，还有背后的象征意义。对于非专业设计师来说，可以先考虑数据可视化整体，再考虑配色。但请使用专业设计的配色模版，而不是默认的色板。8、超越单图尝试结构化或图表矩阵，多使用“看板”或“信息图”等表现形式，用图表与文字对数据进行连贯的叙述。在进行探索性分析的时候，“焦点+上下文”的表现形式，往往比“单图＋过滤”更好。（可实现“焦点＋上下文”形式的看板。copyright@数据观） 数据可视化思考者，以数据可视化为工具，对工作、对企业、对市场、对世界进行思考。数据观，帮助您踏出成为数据可视化思考者的第一步。本文为专栏文章，来自：数据观，内容观点不代表本站立场，如若转载请联系专栏作者 。
-
如何用数据观制作库存分析报表 一直以来，库存管理都是影响企业盈利能力的重要因素之一。对库存管理不当可导致货品大量积压，占用现金流，延误生产计划与销售订单。使用数据观对库存进行可视化分析，可以实现：1、分析现有的库存体系，还原库存体系原貌，为决策提供数据支持；2、通过对问题的挖掘分析，对现有的库存体系进行优化；3、衡量、传递合理库存信息，保障采购、生产、销售的正常运行。所需数据以上数据是基本的仓储数据，一般的连锁门店都有；为避免储存数据的方式不同，我们还为您列出了所需全部字段：除了两个标红的指标需要我们处理一下之外，其它字段都是现有的。为什么要额外计算这两个指标呢？因为，累计出仓金额占比（累计出仓金额／总金额）可以帮助我们审视商品SKU是否符合“二八贡献结构“，即80%的销售额是由20%的商品带来的。数据处理如何计算“累计出仓金额”？听起来像要对每种SKU的销售额做求和，然后要按照降序排列，最后还要加上上一个项目的金额，不算小的工作量！不过，使用数据观的在线ETL工具，可以很迅速地对繁琐的数据进行排列计算。首先，将两个“输入”按钮拖入中央画布，并分别选择为“商品报表”与“销售列表”，将其关联起来，并通过“选择列”剔除无关信息，就得到每件商品的销售状况了。选择“分组聚合”，统计出每件商品的销售额。接下来，使用“排序和累计”，让商品销售额按照降序排列，且累加销售额。此时，我们已经有了“累计出仓金额”（且按照降序排列），再添加一个“常量列”，将值设置为总销售额，就可以计算“累计出仓金额占比”了！ETL流程示意图可视化分析 现在，我们已经有了充足的字段和干净的数据，允许我们从以下四个角度来分析库存状况： 商品概况 库存情况 库存周转及安全库存 库存盘点 （一）、商品概况： 指标说明：SKU数为商品编号，不重复计数，可计算出本店一共有多少个SKU；类别数为类别，不重复计数。从以上两个KPI可以看出，库存中的商品一共8类，总共28个SKU。而下面的“柱＋面积”组合图，就是我们说的“二八贡献图”了。每条柱子代表每个SKU的出仓金额，柱子越高表示出仓金额越高；而面积图则使用的“累计出仓金额占比”（即累计出仓金额／总金额），面积图上的80%点位应当出现在柱图的前20%最佳。通过分析我们看到，库存商品的累计出货金额贡献比例和“二八贡献结构”有一定差距，TOP1商品突出，但TOP2至最差出货额商品差别不大。 （二）、库存情况： 指标说明：以上各指标的金额计算都为“数量*成本价”得出的成本金额；平均库金额为（期初库存金额+期末库存金额）/2。两个分组柱图，主要看的是各类商品的期初、期末库存金额，与进仓、出仓金额分布。而分组条图，除了可以看到库存排名之外，还可以看平均库存占比（蓝条）与出仓金额占比（褐条）是否相当。从库存结构对比出货结构上看，各类商品的比例相当，表面库存比例结构合理。（三）、库存周转及安全库存：指标说明：本期周期为一个月，周转天数为周转次数*30天（请根据店铺实际情况进行调整）；根据设置的最佳周转天数（60~90天）可看出耳机类和充电宝类不在最佳周转天数内，图中已标红；根据设置的安全库存，图中显示电脑耗材类中有2个SKU，充电宝类1个SKU处于安全库存值以下，需进行进货。具体低于安全库存值多少、是什么型号的商品需要进货，可以通过下钻来查询。 （四）、库存盘点： 指标说明：盘点金额计算方式为误差数量*零售价。期初的盘点盈亏金额总计为盘盈202.5元，通过条图我们可以看到，各类商品的盈亏金额都在正负500元内，差异主要出自U盘、电脑耗材和耳机类。通过气泡图，我们可以看到，28个SKU中无差异的有4个（蓝色表示），盘亏的有15个（红色表示），剩余9个盘盈（黄色表示），鼠标移动其上还可显示商品的具体编号与盈亏数量。就这样，本来各自分散的库存数据，变成了一份领导能读懂、合作伙伴也能读懂的看板。赏心悦目之余，各种问题水落石出，大大提升了日常管理效率，为企业的高效运转添薪加火。本文为专栏文章，来自：数据观，内容观点不代表本站立场，如若转载请联系专栏作者 。
-
Tableau与BDP，哪个才是更符合中国用户习惯的数据可视化工具？ 本人数据分析师一枚，除了工作所需，自己对数据分析、数据可视化的产品工具都比较感兴趣，喜欢混迹于各种数据论坛，也发现和使用了不少数据工具，也积累了很多亲身经历。这两年数据可视化在国内越来越受到关注，今天就根据自己的使用感受来对比一下两个比较受欢迎的数据可视化工具：一个国外嘀（tableau），一个国内嘀（BDP个人版，下面简称BDP）。下面对这两款数据可视化工具做个简单的对比评测。1、虽皆为可视化工具，但两者定位有所区别。虽然不是专业的数据产品经理，但我想从我的角度去“探索”一下两者的产品定位。Tableau源自美国斯坦福大学，Tableau公司产品包括Tableau Desktop、Tableau Server、Tableau Public等产品，成立时间比BDP久远。其中，Desktop主要针对个人用户，Server针对企业用户，tableau还有专门针对学生的版本。（图片来源于网络）Tableau在可视化灵活分析上功能强大，主要目标用户更多是较专业的数据分析师，若没有一定的数据基础，一般的业务人员想入手tableau确实有一定的困难，入门学习成本教高，金钱成本也很高（tableau收费较贵，毕竟人家是进口产品）。BDP个人版是国内海致公司旗下的数据可视化分析产品（BDP也有商业版，针对企业用户，但我非商业版用户，所以就不多说了），有多数据整合、数据合表处理、可视化分析等数据功能，总体来看数据功能还是非常全面的，见下图。从BDP的功能格调（如很强的易用性）、官网展示等处可以看出，BDP是面向广大有数据需求但分析能力不一定都很“彪悍”的人，如互联网产品/运营、数据运营、线下门店店长、财务、HR、市场等等。这应该是BDP的主要用户群体，当然对我这种数据分析师也非常适用，比如它的实时更新、强大的合表能力……可以说BDP简单但却蛮厉害的。2、为什么现在用BDP替了tableau？因为它成本低啊！（屌丝大实话，非广告）在不知道BDP之前，有段时间一直在用tableau…的破解版，哈哈，因为破解版不要钱，然后弄起来特别费劲，到期了或者更新版本了又要重新“破解”一次，搞得很心累，东西虽好，可是太麻烦。有的人说为什么不直接买呢，贵啊。在我烦躁的时候，BDP一下子让我觉得惊喜，真心不是给它打广告，不用安装下载，不用每次搞半天去网上找什么所谓的破解版，在线注册了就能用，这个666。另外，想用一些高级功能也要购买BDP的会员，虽然有一点点不开心，幸亏会员还比较便宜，感叹了一下还是国产好，在大会期间也显示一下爱国的心，具体可以自行了解，不然我都以为自己收了广告费，哈哈，然而并没有，只是把内心最真实的过程给描述出来了。接下来，正经说一些两个产品的功能对比了，希望对大家有用。1）数据连接Tableau和BDP均支持数据抽取和数据直连。数据连接方式Tableau支持增量更新，暂时不支持定时更新。Tableau抽取的数据均保存到制作的仪表板中，增量更新不能精确到某张表，必须是对全部数据的更新；BDP可连接大量第三方数据，有工具，有API、客户端、Excel插件等，以确保数据统计过程的稳定性。BDP支持实时更新（数据库等），也支持增量更新（同步客户端）。数据源接入方面：从上图就能看出，Tableau能接很多数据源，不明觉厉，不过Tableau 无法连接国内各种常见数据源，比如互联网人常用的百度统计/百度指数等，这对于国内用户而言着实有些不便。换言之，若Tableau想要更好地融入中国用户中，这点可能需要加强，个人看法罢了。相比之下，BDP能接的数据源较多，估计也是收集了不少用户意见的结果，这点来说BDP确实更符合国情。除了本地数据，可连主流数据库，可连接不同的第三方统计平台（谷歌、百度统计、公众号等），基本上覆盖面很广，数据实现自动更新了。很多国内的表格表姐只有excel文件，那就用同步宝，就是可以自动同步和追加固定的excel数据，试过，挺实用的。不过爬虫工具是不是也可以考虑加入数据源啊，这对于我来说很有用啊，希望他们能看到我的心声。2）数据处理Tableau虽然在数据处理功能中没有SPSS强大的数理统计功能，但是在基础的数据分析，如趋势分析，统计预测等功能上做的很到位。而BDP在数据处理上比较易用，拖拽下可进行多表join、追加合并、二维转一维、SQL合表等处理操作。另外，BDP在数据预测分析方面也有了新探索，上次有看到其新功能上线。BDP具有数据处理工作流功能，Tableau能进行单步处理，缺乏完整的数据处理能力。3）可视化分析图表类型方面：Tableau在可视化能力上比较突出，有分析组件包括明细表、分组表等简单表格组件，还有文本表、条形图、柱形图、折线图等多种图表组件，图表类型方面也比较丰富，有条形图、折线图、饼图、地图、散点图、甘特图、气泡图、直方图、靶心图等。Tableau可视化效果不华丽但很出色，而且给用户提供了非常自由的图表制作能力，如果会写代码有时间富裕，基本可以做出绝大多数能想到的图表。（Tableau柱状图）（Tableau散点图）BDP在可视化方面属于国内新秀，图表类型表现还算比较丰富。除了饼图、柱状图、折线图、雷达图这些常见的图表，还有一些比较”特殊“的图表，如桑基图、漏斗图、词云、行政地图、经纬度地图、轨迹地图等，像我经常会使用经纬度地图，感觉经纬度地图确实是BDP的一个大亮点（拿几张图主要展示一下，其他图表就不展示了）。不过期待更多的图表类型，比如女生爱的玫瑰图。（经纬度地图：地图+条形图）（经纬度地图：热力图）（经纬度地图：轨迹地图，是动态gif）（经纬度地图：气泡+轨迹地图）可视化分析方面： Tableau和BDP均支持维度和指标数据的自由分析，都是通过拖拽数据进行操作，将其拖拽至维度、数值、对比、筛选器、颜色等区域，即可开始数据分析工作。 数据钻取、联动效果等可视化分析能力：两者都有。 常用计算方式：基础计算方式都有（求和、计数等），除此之外BDP将一些日常工作需要的计算公式形成了固定算法，如：同环比、留存率、活跃率等。这些理论上Tableau也是可以实现的，而且可能更加灵活，但需要用户对Tableau的表计算和详细级别表达式有比较深的理解（这俩应该算是Tableau比较高级的功能了，我看了一下官方说明和社区，都没太看懂怎么操作，不过我觉得应该可以做出来）。 4）移动端Tableau目前只有IOS移动端APP，特点是支持联动、钻取、筛选等操作，和PC端相比，没有编辑功能。BDP支持移动端，包括安卓和IOS，手机同步呈现最新数据，在手机端查看数据，同样没有编辑功能（手机屏幕较小，的确更适合看图）。Tableau和BDP都是要付费用户才能用移动端查看自己的数据，这也是我彻底转向BDP的原因之一：如果要用Tableau移动端只能买Online版本，42刀每月，按年付费！一次就要3000多块，实在是感觉不值得。而BDP只需要每月69人民币，碰上打折的时候还能更便宜。写了这么多，其实Tableau和BDP作为可视化分析工具各有千秋。总体来说，Tableau具有丰富的数据源支持，灵活的可视化功能和强大的数据图表制作能力。而BDP支持更多的国内数据源，提供工作中经常使用的数据处理方式和可视化图表，最重要的是性价比极高！个人觉得，和Tableau对比的可视化工具，BDP更符合国内用户使用的习惯吧。大家如果跟我一样遇到相同的情况，不妨去试下BDP吧！所以，Tableau和BDP，到底哪个才是最适合中国用户的可视化分析工具呢？相信经常使用数据分析软件的各位，肯定也有自己的独到见解！欢迎各位一起交流探讨数据可视化知识和工具，也期待国内可视化的发展能越来越好。咱们评论区见！哈哈最后附上两个产品的官方地址： Tableau：https://www.tableau.com/ BDP个人版：https://me.bdp.cn/home.html 本文为专栏文章，来自：海致BDP，内容观点不代表本站立场，如若转载请联系专栏作者 。
