如何正确理解商业智能 BI 的价值 ？ 商业智能 BI 要解决的问题商业智能 BI ( Business Intelligence) 简单来说就是一套由数据仓库、查询报表、数据分析等组成的数据类技术解决方案，将企业中不同业务系统（ ERP、CRM、OA、BPM 等，包括自己开发的业务系统软件）中的数据进行有效的整合，并利用合适的查询和分析工具快速并且准确的为企业提供报表展现与分析，为企业提供决策支持。​商业智能概述商业智能 BI 的核心主线是什么？ 主线就是通过构建数据仓库平台，有效的整合数据并组织起来为分析决策提供支持并实现其价值。还有一种解释就是：将数据转变为信息，信息支撑决策，决策产生价值。对于商业智能 BI 大家在质疑什么？接触过很多的客户，对于商业智能 BI 他们有这样的一种普遍看法：商业智能 BI 是如何产生价值的，价值在哪里，我并没有看到？ 为什么在我的企业中我们 IT 部门或者业务部门完全沦为了做做报表，能体现的价值只是节省了我们做报表的工作量，仅此而已。​派可数据可视化分析报表这种质疑带有很大的普遍性，就如同之前有参加各种企业沙龙活动，有现场听众直接问到：你不用讲那么多，你直接告诉我这个东西有什么用，能解决我们什么问题，能不能帮我们企业赚钱….。有来自业务线的、技术线的、管理层的不同的听众，每一层他们关注的点实际上都各不相同。包括每个人、每家企业对数据的认知程度也决定了他们对商业智能 BI 的理解和认可程度。但这样的问题也不是不能解决，比如我们就不聊技术，我们就聊聊一些业务场景，最后发现效果就会好很多。在这里我们尝试用一种可能大家都能够理解的、非技术与专业的方式让大家理解一下商业智能 BI 的价值到底如何体现的。我们在此探讨一下在我们眼中商业智能 BI 的三个分析层次，或许我们对商业智能 BI 的认知可能有所改观。 为了便于理解，文章中不提及任何专业的名词与解释。商业智能 BI 的三个分析层次第一个层次是报表的常规呈现。所谓常规呈现指的是使用柱状图、饼状图、折线图、二维表格等图形可视化的方式将企业日常的业务数据（财务、供应链、人力、运营等）全面呈现出来，再通过各种维度（看数据的角度）筛选、关联、跳转、钻透等方式查看各类分析指标，业务分析图表按照主题划分，图表之间存在一定的逻辑关系。​派可数据 BI 可视化图表之间的钻取、联动等效果这些分析展现内容基本上是围绕各个业务部门日常工作展开，这里面有很多的业务分析内容可能需要复杂的计算规则，需要从不同的系统取数据，从业务系统软件中这些都是很难直观看到的。这个层次的报表分析就是一种呈现，让报表用户对日常的业务有一个清晰、直接、准确的认知，其次解放了他们自己手工通过 EXCEL 通过各种函数做汇总分析、制图的工作。比如，财务部门会关心今年的营业收入、目标完成率、营业毛利润率、净资产收益率等；销售部门会关心销售金额、订单数量、销售毛利、回款率等；采购部门会关心采购入库金额、退货情况、应付账款等等。​派可数据汽车4S集团财务分析部分案例因此，达到第一个层次的目标就是：通过可视化分析报表直观、全面的呈现企业日常经营、业务的情况。可以从集团层次出发，也可以从业务线或者部门出发。实际上，很多企业在落地商业智能 BI 的过程中也就停留在这个阶段，或者还没有完全达到这个程度，比如上面所提到的 “全面的呈现企业日常经营、业务的情况”，有的企业可能只是做到了“部分呈现”。因此，商业智能 BI 的价值在这个阶段就显得非常有限，数据的作用仅仅是从另外的一个”可视化”的角度对业务做出了另一种形式的解读，用户仅仅是被动的接收来自可视化报表上传递的信息。第二个层次是数据的”异常”分析。我们通常所认为的 “异常” 就是指不好的东西，那么在这里我们对 “异常”的解释是：通过可视化报表呈现，我们发现了一些数据指标反映出来的情况超出了我们的日常经验判断。例如，正常情况下每个月的平均用户注册量是10万左右。但是通过报表我们发现在今年的 8 月份，会员注册量达到了 23 万，这就是一种 “异常”，远远超过我们的经验判断和预期。再比如在今年的 1-9 月份，产品销售毛利率稳定在 30%-40% 之间，突然到了10月份，整体的毛利率下降到了 20% 不到，这也是一种 “异常”。这两种异常数据，一种是我们所追求的的正向”异常”，一种是我们极力避免的负向“异常”。商业智能 BI 是先通过第一层的报表呈现，将很多业务运营情况直观的反映出来，让用户可以直观的看到在我们经验之外的数据表现情况。商业智能 BI 在这里体现的价值就是要对这些 “异常” 数据进行有目的的分析，通过相关联的维度、指标使用钻透、关联等分析方式探索出可能存在的原因。​派可数据可视化分析案例比如会员注册的问题，有哪些因素可能导致会员注册的大幅度增加的可能？是不是最近采取了一系列的线上降价促销、开放式的注册、相关营销活动等，这些支撑分析的数据是否都存在，如果都存在，它们的报表呈现情况如何，促销投入的力度和用户增长的关系等等。在这个层次中，可视化报表的分析是带着问题找问题的，通过一次或者多次的维度和指标图表构建，逐步形成了一种比较可靠的、固化的分析模型。这个阶段的用户不再是被动接受来自图表中反映的信息，而是通过”异常”数据来定位到背后的一个业务问题，数据和业务在这个层次开始有了联系，数据图表之间的逻辑性更强。例如，通过分析发现在三种线上促销方式中，促销方式一的投入产出最高，因此回归到业务场景中，这种促销方式以后应该要坚持，它可以有效的提升用户注册增长率。第三个层次是业务建模分析。业务建模分析通常是由精通业务的用户提出，通过合理的建模找出业务中可能存在的问题，将其反映出来并最后要回归到业务，形成决策并不断优化的一个过程。业务建模可简单，可由一个或多个图表组成，也可复杂，通过一组或多组数据图表支撑。业务建模简单来说也可以理解为一种业务分析的逻辑思维模型，只是用数据、图表化的方式将它们有效组织起来去验证我们对业务分析的逻辑判断。业务建模分析区别于第一层的全面数据呈现和第二层的异常分析和被动分析，它是一种更深层次的业务数据的主动设计和探索分析。这层分析的提出更加深入业务，围绕一个一个业务分析场景展开，对业务的认知要足够深。例如下面是一个有关 4S 店首保回店率的分析，通过一个很简单的建模（维度：年份，分析指标：新车销售数量、首保回店数、首保回店率）分析每年首保用户的留存情况。​首保回店率的分析通过分析发现，2015、2017、2018 年首保回店率在 90% 左右，2016 年的首保回店率只有 55%。从汽车 4S 店的实际业务出发，汽车销售实际上是不赚钱的，真正赚钱的在售后服务上，例如：保险、保养、维修等等。而首保回店率在很大程度上决定了购买新车的用户在提完车之后会不会经常回店的可能。因为新车用户在提车之后在第一次的保养都不选择原店，就意味着这个客户在后续的保养可能也不再回来，一年、两年、三年，这位用户可能就会永远的流失掉，也就意味着以后的保养、延保、事故车维修可能也不会回来。​首保回店率的分析比如一个用户做精品车保养，一年 1.5 次，一次平均贡献 3000 元，1.5 次就是 4500元的收入。再加上每年的保险例如 6000 元，可能潜在的维修在1500 元左右，一年可能产生 1.2 万的收入贡献。如果像2016 年的回店率只有 55%，流失的客户数是 174。如果能够提升到 90%的水平，就意味着可能的销售收入贡献能够达到 351 * 1.2 万 = 421 万，比现在要多出 160 万的收入。如果把新车基数扩大 10 倍呢，一年要多出 1600 万的各类收入，所以提升首保回店率就变得非常的重要。同时，也要对首保回店率低的原因做出分析：是因为车卖给了外地，还是因为新车用户对4S 店的维修保养环境、服务质量不信任，我们应该从哪些方面进行改善。所以实际上，业务分析模型的提出围绕的是一个一个非常具体的业务场景，回答的是一个又一个业务的问题，而这些问题的发现与企业的业务经营水平、管理水平可能有很大的关系。譬如其中的一个改善环节就是在新车用户提完车之后，带领新车用户参观维修保养区域，了解其规范性，透明的展示保养的整个过程和专业性，不会出现维修师傅在保养过程中偷油、少换零件、以次充好以建立信任；或者通过一些促销小手段极大可能的留下新车用户；或者通过系统在不同的时间点关怀用户，提前提醒新车用户回店保养等等。当然，实际上各家 4S 店的首保回店率正常情况下都能保证在 95% 以上或者更高的水平，这里只是通过一个例子来说明数据和业务是如何产生关联性的。所以，为了达到这样的目标实际上需要去从业务上解决问题，找出业务环节中的不足来提升业务指标。类似于这样的业务分析模型还有很多，但这样的分析场景很难由专业的 BI 开发人员提出来。业务分析建模需要由专业的业务人员且具备数据分析思维意识的人员来推进和主导，再辅助合适的数据分析、挖掘或统计工具，这样商业智能 BI 的价值才能得到充分的发挥，数据的价值也才会得到充分的体现。​派可数据分析报表样图对商业智能 BI 的总结所以我最终想表达的一个观点是：我们不应该质疑商业智能 BI 本身，我们质疑的应该是在这个过程中，我们的个人、企业对于商业智能 BI 的认知和推进到了哪一个层次，推进到哪个层次，商业智能 BI 的价值就会体现在哪个层次。如何有效和成功的推进商业智能 BI 的建设与落地，这才是我们 BI 服务提供商和客户一起共同要面对的问题。最后看看我们对商业智能 BI 的认知是不是这样理解才更加合理：商业智能 BI 的表象是可视化分析报表的呈现，但它的本质还是业务问题、管理问题。商业智能 BI 数据分析来源于业务，通过数据呈现发现业务问题（好的或不好的，经验之内或之外的 ）再次回到业务优化业务提升业务运营的一个过程，这就是在商业智能 BI 中数据到信息、信息产生决策、决策产生价值的真正内涵。作者简介派可数据联合创始人 吕品，前天善智能联合创始人&运营总监，十余年商业智能 BI 行业经验，2015-2019 微软 MVP本文由 派可数据 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 。

42款好用的数据可视化工具盘点 最近有很多人问我有没有一些好用的数据可视化工具，领导催着要可视化结果，可是很多工具都不怎么好用。作为一名数据分析人，没有一个好的可视化工具怎么能行？其实国内外有不少可视化工具还是相当好用的，比如FineBI、Echart、Tableau等等。借这个话题我盘点了一下国内外的60个可视化工具，涉及数据分析、软件分析、图像处理等等几乎所有可视化相关领域，大家可以Mark起来当做参考。1、FineBI简洁明了的数据分析工具，优点是零代码可视化、可视化图表丰富，只需要拖拖拽拽就可以完成十分炫酷的可视化效果，拥有数据整合、可视化数据处理、探索性分析、数据挖掘、可视化分析报告等功能，更重要的是个人版免费。2、Infogr.am十分强大的图表制作工具，本身带有十分丰富多样的模板，如果个人不满意还可以手动设计，优点也是不需要代码编程，缺点就是只能用来制作图表，更加炫酷的可视化效果实现起来比较困难。3、Easel.ly几年前开始流行的信息图制作软件，界面简洁、操作简便、图片精美，而且用户只需要登录Easel.ly官方网站即可开始进行信息图制作，在网站上你可以尽情分享和查找素材，当然有些是不免费的。4、Color Brewer强大的配色工具，你在这里面几乎可以找到任何你想要的颜色，它本身也是一个绘图系统，拥有很多配色模板，可以当做一个小工具收藏，配合其他可视化工具使用。5、ChartBlocks英国的一家公司开发的制作统计图表的线上工具，省去在Excel软件里制作图表的繁复，让图表更加多样化，无需专业的软件技能就可以轻松制作漂亮的图表，但是功能不多。6、Visual.ly在线图表神器，这家网站以丰富的信息图资源而著称，很多用户乐意把自己制作的信息图上传到网站中与他人分享，最近好像爆出消息还能帮助人们制作信息图，不知道免不免费。7、Nuvi一款非常简单好用的信息图形生成器，拥有好几百个模版，当然，如果你喜欢，也可以不用模版8、Dygraphs用的比较少，网站上资源也几乎没有，在国内属于小圈冷门的可视化工具，但功能其实是很强大的，不想费力找资源的建议选择其他的工具。9、EChartsECharts就不用说了，搞数据可视化的99%都知道，是一款商业级数据图表，纯JavaScript的图标库，缺点是要代码操作，小白上手难度很高，适合码农这样的数据人。10、Cytoscape适合做一些文章里的网格图、散点图、结构图、思维图，写论文、报告等场景下非常好用，适合大学生或者搞科研的人。11、图表秀适合做PPT时做一些好看的图表，图表制作功能比较强大，但是我记得导出高清图片的时候要收费，只能导标清图比较坑吧。12、BDPBDP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，虽然不免费但是成本低一些13、xdatainsight国产的一站式敏捷可视化工具，以前还比较好用，现在基本没人用了14、Tagul国外一款词云制作神器，免费的小工具，非常好用15、Tagxedo跟上面的tagul一样，也是词云制作工具，而且是在线制作网站，但是需要翻墙16、Wordle很老的信息可视化工具了，主要也是制造词云的，当年也是大名鼎鼎，但是也有很多缺点，字体颜色没有意义、可视化还很初级等17、WordItOut词语云一键生成网站，非常方便，但是没办法根据频率调整大小，功能比较粗糙18、ToCloudToCloud是一个在线免费标签云生成器，你可以设置词的长度和频率，还能提取短语，是一个比较好的标签云工具之一利用词频生成词云，你可以快速了解页面优化了某些单词19、图悦这款国内的在线词频分析工具，在长文本自动分词并制作词云方面还是很出众的，而且也容易上手，还可以自定义定制图形模板：标准、微信、地图等，切换自如，用起来体验很不错20、语义分析系统主要是用于分析文章中的各种参数，包括频率等内容，百度的语义分析系统功能还是挺不错的21、腾讯文智腾讯的中文语义网站，分析语句、篇章等，教学类平台22、polymapsPolyMaps是一个地图库，主要面向数据可视化用户，在地图风格化方面有独到之处，类似CSS样式表的选择器，用来做动态地图的23、nodebox可视化进阶神器，NodeBox是OS X上创建二维图形和可视化的应用程序，你需要了解Python程序，NodeBox与Processing类似，但是没有Processing的互动功能24、processing堪比python的编程语言，能够实现几乎所有的可视化效果，语句规范上不如python ，但是比较容易上手25、processingjs跟上面的一样，是一门可视化编程语言，ProcessingJS是它的JavaScript实现，使用HTML5的canvas，配合现代浏览器来实现web客户端的可视化技术26、TangleTangle是个用来探索、Play和查看文档更新的交互式库，既是图表，又是互动图形用户界面的小程序27、FF chartwell一款自动生成分析图的黑科技字体，字体很多28、SAS Visual AnalyticsSAS可视化分析是一款擅长做交互式可视化分析的产品，同时它同样也可以创建出一些很好的可视化图表，不过比较笨拙，不灵活29、数字冰雹国内专门做可视化的，主要是大屏，面向企业而不是个人30、Data-Driven Documents简称D3，是一个很神奇的基于Javascript的在网页上实现数据可视化的工具，不过现在已经不更新了，缺点是要学的东西太多，HTML、编程都得掌握才行31、leafletjs做全屏地图比较方便，同样是需要掌握编程基础，优点是有手机端32、CrossfilterCrossfilter是一个数据计算模型，能够很好地结合DC.JS进行数据解析绘图，属于数理类工具33、openlayersOpenLayers作为业内使用最为广泛的地图引擎之一，已被各大GIS厂商和广大WebGIS二次开发者采用，入门难度极高34、wolframalpha数学开发软件，同时也可以做数理计算可视化，属于专业性质的工具35、visme5Visme为用户提供30万张高清图片、6500种图标、750多种图表模板以及120多种字体36、databoard制作仪表板的，关注数据可视化本身，更多地关注利用可视化技术，高效，批判性地监控数据37、googlecharts文档和帮助信息丰富的 Google Charts 对于刚刚入门 Java 绘图的人来说是极佳的选择。它的文档里到处都是带注释的代码和逐步的讲解，可以直接用来把 HTML5 / SVG 图标嵌入到你的网页中。38、timeline以时间轴的形式进行可视化，别有一番风味39、FusionChartsFusionCharts 支持 vanilla Java、jQuery、Angular 等一系列高人气的库和框架。它内置90多种图表和超过1000种地图，相比 Google Charts 和 MetricsGraphics 要完整得多40、envision.jsJavaScript一种直译式脚本语言，是一种动态类型、弱类型、基于原型的语言，内置支持类型41、SigmaSigma 有着自己独特的定位，那就是图模型的绘制。它基于 Canvas 和 WebGL 开发并提供了公开的 API，所以你可以在GitHub 上找到社区贡献的许多插件42.dc.jsdc.js 是一个开源的 Java 绘图库。它非常适合用来创建交互式的仪表盘（Dashboard），图表之间是有联系的，所以当你与其中一个部分进行交互时，其他部分都会做出实时的反馈本文为专栏文章，来自：帆软软件，内容观点不代表本站立场，如若转载请联系专栏作者 。

DT时代，看BI工具如何唤醒“沉睡的数据” 你在日常工作中会不会遇到这样的问题？企业不能从现有ERP系统中提取数据价值；整理归档了大量信息却不能有效利用；想要获取其他相关部门数据却要跨部门层层审批……对于这些数据，我们称之为“沉睡的数据”。对于企业领导来说，企业投入大量资金建设信息系统，结果数据信息处于休眠状态，不能实时掌握；对于普通员工来说，日常工作整理各种繁杂的数据表格，结果只是展现了一个个字符，不能有效赋能业务。这就是沉睡数据带来的弊端。旧的信息管理系统不能轻易地读取数据信息，也不能轻易进行可视化面板展示。在这种情况下，BI厂商应运产生，并提出了商业智能概念。BI的最初目的是什么？企业已经拥有了一定数量的信息系统，这些系统积累沉淀了大量数据，而这些数据不易轻松使用。利用BI，可以使数据变得容易使用，凸显信息价值。百度百科是这样定义BI的：BI是Business Intelligence的英文缩写，中文解释是商业智能，用来帮助企业更好地利用数据提高决策质量的技术集合，是从大量的数据中钻取信息与知识的过程。简单讲就是业务、数据、数据价值应用的过程。作为一个独立系统，BI解决两个问题。一是信息的发布，它可以在正确的时间向正确的人提供正确的信息。几十年来，我们看到的商业智能项目，至少有90%的项目成果变成了提供信息的报告。这种情况下，改变的只是信息的呈现方式。过去，基于纸张，它变成电子文档；现在，通过网络和技术变化，但它仍然是一个报表！如果BI只拥有报表功能，那么它不应该被称为商业智能，而是业务报表。BI之所以被称为BI，是因为它还有另一个重要的意义—决策支持。一、个性化的决策支持BI是一套完整的解决方案，可以将企业不同的业务系统（如ERP、CRM、OA等）的数据，提取出有用数据并进行整合清洗，在保证数据正确性的同时，进行数据分析及处理，高效快速地为企业提供报表展现与分析，进而提供决策支持。众所周知，报表是可以标准化的。比如一些大企业定义了40种银行对账单，但最终根据各部门所需作用来定义报表外在形式，它可能会变成40万种报表，这就是提供标准报表。但是，有没有制定决策的标准呢？有标准的决定吗？答案当然是没有。当决策层得到不同信息时，基于决策情景与目标，他们会以不同的方式思考，进而做出不同的决定。也就是说，支持个性化决策。当然，这里的个性化决策并不代表允许偏离业务目标，随心所欲做决策，即错误决策。这这种情况下，根据已经发生的历史数据摸清“过去发生了什么”及“未来会发生什么”，就变得更加有意义，因为这是个性化决策的科学依据。二、传统BI的囚徒困境让我们先来看看传统BI是如何工作的？首先，当进行商业智能项目时，企业必须有数据。数据来自哪里？它可以是ERP系统、CRM系统、Excel等中的数据。BI的逻辑是用ETL提取数据。现在，BI厂商引入一个新概念：企业级的BI系统。大家都在谈论大、企业级ERP系统、企业级BI系统等。那么，如何表达企业级呢？它将分布在企业每个信息系统中的数据组合成一个企业级的数据仓库，这是我们通常做的事情。或者，我们将在一些特定主题上做数据集市，如：财务主题、销售主题等。之后，基于此，我们为不同的分析用户、管理层、业务人员或部门经理等提供OLAP分析和报表，提供仪表盘、记分卡等。随着信息系统和数据级的不断增加，数据量以几何形式倍增的同时，业务决策分析所消耗的时间及人力成本也在不断提高。假设企业每天有50个人使用BI系统进行不同的业务决策分析。如果每个人每天都有一个新想法，那么每天都会有50个新需求产生。一个需求的实现需要多长时间？假设一天一个，那么对应的就需要50个人来满足需求的数据及模型前提。如果明天决策层的想法变了呢？我想IT人员是要抓狂的；如果你的想法变了又变，我想IT人员要和你掰头了。根据IDC的报告，全球所有IT部门都面临着巨大压力，这种压力来自于他们要及时满足其服务的业务部门不断变化的需求。因此，传统的BI耗时长、成本高，但其价值相对较低。不但需要IT人员花费大量时间学习不同的软件、整理分析不同数据，如：重复构建OLAP和多维数据集；还需要IT人员和业务人员关于数据上传及想要获取的结果频繁沟通。另外，传统的BI软件还有一个致命弱点：算法复杂。软件的复杂性决定了使用人员需要较长的时间去学习掌握，并且特定工程的实施周期较长。这种情况下，毫无IT基础的业务人员就很难使用。作为世界上使用人数最多的BI工具—Excel,虽然功能较弱，但因其好用易操作成为大多数经理和业务人员都在用的工具，因此，“能用”是一个工具类软件的重要评判标准。三、合格意义上的BI工具一个满足使用的BI工具在决策支持里主要要解决的问题是什么呢？一个是即兴查询和分析。在发现问题甚至防患问题时，都能够即时地查询和分析。举个股市的例子来说，A股份狂涨，这时炒股的你想要去分析“它为什么涨”？标准的KIP只能告诉你”现状是什么”，标准的报表也只能告诉你”过去是什么”，但是它们都不能解决A股为什么涨及它后续走势的预测。关于原因的分析，涉及关联因素，以及关联因素的其他载体比较…这么复杂的一个分析，不可能事先做好所有的Cube以及标准的KPI。一个合格的的BI工具能够借助其内置模型，快速对相关因素进行大量的科学计算，并通过报表图形的可视化展示进而支持决策。另一个是满足用户个性化的需求。以IT部门为例，我们要让用户独立，不是指IT用户，而是财务部门、行政部门、业务部门、领导层等，能够做用户所需的即兴分析，并按照他所需的图表形式甚至可结合个人审美进行可视化展示。不同的人基于不同的目的对其相关数据进行整理分析，不但可以针对性地赋能核心业务，还可以科学实现管理过程。本文由 Tempodata 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 。

小白学数据可视化：前言 曾看过一篇文章，建议学习R语言，从数据可视化入手。一来是有趣味，二来是可以获得快速回报。我赞同这个建议。小白学数据可视化系列，从小白的角度，学习和应用数据可视化，将会包括为什么要数据可视化，数据可视化是什么，如何用R语言工具编写代码实现数据可视化工作等内容。一 为什么要数据可视化“一图胜千言”，“人大部分信息来源视觉化信息”，说明了数据可视化的重要性。通过数据可视化，可以帮助您认识与理解数据发现和识别洞见分享和传播观点构建和讲解数据故事等等因此，巧妙地利用数据可视化技术，可以让您更好地使用数据。二 什么是数据可视化数据可视化是借助工具把数据做视觉化的呈现（常用的是图像）。能够做数据可视化的工具有很多，比方说微软的Excel软件，R语言，Python语言，Tableau等。数据的结构方式具有多样性，包括结构化，半结构化和非结构化。视觉化表示的式样也是各种各样，关键是要针对实际的数据，选择合适的工具和视觉化表示，以实现数据的最佳可视化，做到简洁，清晰和准确的效果。三 R语言编写代码做数据可视化小白学数据可视化系列，主要是用R语言工具编写代码来数据可视化。R语言是一种开源的免费的，适合做统计分析和数据可视化的编程语言和软件，它有着丰富的包和活跃的使用人群，深受着数据工作者的喜欢。四 总结这个前言，表达三个意思：数据可视化很重要，建议学习它，这个投资值得数据可视化技术是利用合适的工具对数据做合适的视觉化表示，其目的实现数据的简洁，清晰和正确的表示实现数据可视化的工具很多，我选择使用R语言这个工具来做数据可视化。请思考：如何使用R语言做数据可视化和讲解数据故事？关于数据可视化的认知，您有什么见解，请留言。本文为专栏文章，来自：数据人网，内容观点不代表本站立场，如若转载请联系专栏作者 。

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 。