数据可视化是描述性分析的一个组成部分，它涉及将数据转换为视觉上下文的过程。这种转换可以通过直方图、条形图、饼图、箱线图等图形或图像格式来表示数据。这一过程使得用户能够通过有用的洞察力来理解数据。数据可视化的主要目标是使数据更容易识别其模式、趋势和异常值。
数据可视化是信息收集后的一个重要步骤，它定义了在数据被处理和建模之后，应该被可视化以便从信息中得出结论。在商业中，数据可视化因其能够以图形格式呈现而变得尤为重要，这使得人类能够以更简单的方式理解数据。通过将数据以图表的形式处理，可以以不同的视觉格式表示它们，只需稍作调整。这一过程可以帮助企业识别需要改进的领域，并且还可以识别哪些因素影响客户满意度。
决策制定：数据可视化也可以用于决策制定过程。现在，企业可以更快地识别属性的各种模式，从而可以清晰地解释大量数据，并从这些信息中得出结论。这是分析信息的最快方式。
市场考察：可以通过向数据可视化提供不同市场的所有信息来考察市场。它将清晰地洞察应该更多关注哪里，哪里落后，以及一切。可以从图表中清晰地看到市场中的机会。
关系和模式：即使是复杂的数据，当以图形方式表示时，也会开始变得有意义。没有数据可视化，无法识别属性之间的相关性。通过识别这些关系和它们的模式，可以帮助公司了解应该关注哪里以达到目标。
趋势：这是数据可视化最重要的应用之一。没有过去和现在的数据，无法进行任何预测。随时间变化的趋势将显示目前的位置，从这个趋势中，也可以看到潜在的发展方向。
直方图、图表、图形、地图和矩阵是数据可视化的一些技术。直方图主要适用于离散或连续数据的图形表示，它通过将数据点分组到指定的值范围内来展示数据。
from matplotlib import pyplot as plt
import numpy as np
# 创建数据集
a = np.array([22, 87, 5, 43, 56,
73, 55, 54, 11,
20, 51, 5, 79, 31,
27])
# 创建直方图
fig, ax = plt.subplots(figsize =(10, 7))
ax.hist(a, bins = [0, 25, 50, 75, 100])
# 显示图表
plt.show()
图表是展示数据最基本的技术，首先需要选择正确的图表。图表主要用于表示数据的时间序列关系。一些最常见的图表包括饼图、条形图和折线图。
from matplotlib import pyplot as plt
import numpy as np
# 创建数据集
cars = ['AUDI', 'BMW', 'FORD',
'TESLA', 'JAGUAR', 'MERCEDES']
data = [23, 17, 35, 29, 12, 41]
# 创建饼图
fig = plt.figure(figsize =(10, 7))
plt.pie(data, labels = cars)
# 显示图表
plt.show()
条形图用于比较不同类别的比例。这些类别以垂直或水平条形表示，条形的高度或长度代表它们的值。
import matplotlib.pyplot as plt
# 数据展示在图表上
x = [3, 1, 3, 12, 2, 4, 4]
y = [3, 2, 1, 4, 5, 6, 7]
# 绘制简单的条形图
plt.bar(x, y)
# 图表标题
plt.title("Bar Chart")
# 添加图例
plt.legend(["bar"])
plt.show()
折线图是所有图表中最简单的，用于绘制两个变量之间的关系。每条线图定义了它们依赖于另一个变量。
import matplotlib.pyplot as plt
# 数据展示在图表上
x = [3, 1, 3]
y = [3, 2, 1]
# 绘制简单的折线图
plt.plot(x, y)
plt.title("Line Chart")
# 添加图例
plt.legend(["Line"])
plt.show()
图形是展示两组或多组数据在2D或3D中的关系的可视化表示，用于显示这些数据集与图表上的参数之间的关系。图形用于显示两个变量之间的关系。箱线图、散点图和气泡图是数据可视化中最常用的图形。在大数据中，更复杂的箱线图经常被使用，这有助于人们理解大型数据集。
import matplotlib.pyplot as plt
# 数据展示在图表上
x = [3, 1, 3, 12, 2, 4, 4]
y = [3, 2, 1, 4, 5, 6, 7]
# 绘制简单的散点图
plt.scatter(x, y)
# 添加图例到图表
plt.legend("A")
# 图表标题
plt.title("Scatter chart")
plt.show()