在这个被大数据环抱的时代，数据的价值被不断强调，因此作为解开数据“封印之力”的数据可视化也逐渐升温。

数据可视化是数据探索以及数据表现的重要方式，也是很多网站项目的必备功能。虽然数据呈现的方式多种多样，但数据可视化的根本目的在于高效利用数据，所以我们要将数据转换为更便于理解的图形和可视化形象，从中获取需要的洞察。

1、留出足够时间

大部分数据可视化教程，都会让你从原始数据集开始。而实际上，当你处理数据时，80%的时间都要用来搜索、获取、载入、清洗、转换等。

当然，你也可以选择利用自动化工具来完成。但是，当你需要处理多个数据集时，就需要人工协助了，因此，你需要留出足够时间处理数据。例如，如果你想把公司内部使用的销售类型与竞争对手进行比对，或者检查输入错误时，就只能靠手工来处理了。

2、柱状图优先

先尝试柱状图或线状图，如果这些方式不能表现你的数据再考虑其他图。

和柱状图相比，气泡图可以在同样的空间展现更多数据，饼图可以更清晰地表现整体和局部的关系，树状图能够更好地表现分层的结构，用简单的散点图或直方图来发现一些超正常范围的错误数据。然而，柱状图在单一维度上可视化一个可量化的数据集是最简单明了的。

时间序列最好表现为线状图， 而散点图一般用来表现两个线性度量的相关性。而柱状图对于进行数据比较的可视化来说是最佳方式。

“柱状图优先”揭示了一个真理——最酷的可视化往往用处反而最小。追求新奇以及美观的可视化往往增加了比较的难度，甚至会扭曲数据，导致用户得出错误的结论。如，比较面积，角度，色彩或者透明度等。

3、真实数据不可替代

当公司各个部门都有各自的数据库，而你又需要把不同部门的数据进行可视化时，你的第一想法可能是抓一些Demo的数据来进行可视化，并且你的可视化库里可能就有一些标准的样本数据。

然而，真实数据是不可替代的。Demo数据一般遵循正态分布而且数据量有限。过度依赖Demo数据可能会满足不了真实数据的数据分析或数据表现需求。

那么，当你在设计基于多个数据集的可视化时，可以遵循以下规则：      

• 如果你无法访问整个数据集，不妨试试从真实数据集中随机取些样本数据

• 保留无效或缺失数据，如果你在可视化前不准备清洗数据集，那么也不要清洗样本数据

• 当真实数据集过大时，在生成可视化图前，你可以等比例调整样本数据规模

4、数据标识一样重要

首先来看一张图：

如上图，水平排列数据标识看不清，旋转90度又浪费空间。因此，你需要在设计可视化时留出添加标识的空间，而注释或者横轴纵轴通常都是在初始可视化后才考虑的。

要保证横纵轴上的标识不相互覆盖而且可读，必要时，可以将标识进行旋转来增加可读性。如果有一块空间标识过于集中，而这些标识又要可读，则可以让考虑让标识离它们所指的元素远一些，然后用连接线连接标识和元素。另外，你也可以把标识整合成一个组，用标识工具提示的方式来进行可视化。

类似的，对图的注释也需要事先计划好。除了在可视化中保留空白区域添加注释外，你也可以把注释做成可拖拽形式，这样用户可以把注释移开来看注释遮盖的部分。    

总之，数据标识在图形设计中可能不是最主要的，但它却是非常重要的：

• 在设计时留好数据标识、数据轴及注释空间

• 对数据标识定义最大字符数，超出部分通过缩写或删减文字等方式处理

• 把相近的标识组合在一起， 在用户点到时再显示

• 对长注释，采取滚动或展开的方式

5、合理利用动画  

动画是一种连接数据和变化趋势的非常有用的工具，但在加动画之前，你需要对它进行评估。为了提高用户理解，动画设计有几大原则：

• 动画尽量简单

• 多次播放：方便用户看到动画元素从哪里开始到哪里停止

• 如果动画复杂或动画元素较多，可以考虑分阶段动画

• 避免不同元素在移动中互相覆盖

6、可视化不能替代数据分析

可视化可以用来辅助数据分析，但不能作数据分析或数据统计的替代。除非你是数据分析师，否则不要对数据可视化得出的结论轻易下判断。

如果你一定要用可视化进行数据分析，那么，一定要尝试多种可视化方式，而不要依赖于某一种方式。要知道，任何一些细小的设计改变， 都可能改变可视化结论。

7、可视化不仅仅是编程

大量的可视化编程库和教程，使得普通人员也可以设计出高质量的可视化产品。而初学者也只需坚持一些最基本的原则，就可以创造出好的可视化作品来。例如：

• 尽可能使用柱状图

• 不要把圆半径按线性比例设定

• 设计尽量简单

然而，要想真正设计出能够提供深入见解的可视化产品，还需要很多其它技能，例如，图像设计、数据分析、交互设计等。