- “可视化”的两个大方向：
- Infographic：展示、传播、劝服
- Data visualization：探索、分析、驱动决策
- Data Visualizations vs. Infographics
- The Real Difference between Infographics and Data Visualizations
- Why Data visualization?
- 8 个具有历史意义的数据可视化作品教给我们的设计秘诀
- 需求：满足特定的真实业务需求
- 困境：数据本身的规模和复杂度超出了人的一般处理能力
- 分析解决方案的可用性，取决于
- 理解数据的能力
- 呈现数据的界面
- Howto
- 数据驱动的整体解决方案
- 目标：业务导向
- 生产资料：Garbage in, garbage out ，对于数据也是这样
- 生产工具：
- 数据科学(Data Science)
- 决策理论(Decision Theory)
- 行为经济学(Behavioral Economics)
- 决策架构(Decision Architecture)
- 数据开发与架构(Data Development and Architecture)
- UI/UX 开发(UI/UX Development)
- 仪表板开发
- 可视化分析相关的部分：
- 统计图表(Statistical graphics)
- 仪表板(Dashboard)
- 筛选器(Filter)
- 工具的选择
- 学术探索、单项任务：
- 单兵作战，编程语言：
- Excel
- MATLAB：完全不懂
- R：为统计分析、绘图以及数据挖掘而生，可惜我一点都不懂
- Python
- 统计图表：5大Python可视化库到底选哪个好？
- 特定目的：ggplots2、PyLdavis等（很多都来自R）
- 在线集成平台：
- 单兵作战，编程语言：
- 行业定制在线方案，如数据新闻：
- 商业决策、整体方案：
- Tableau：Tableau适用范围说明书
- PowerBI：Excel超进化！微软出品，可惜我不会……
- Python：谁是Python/R/Julia中最强Dashboard APP开发工具？
- 其他方案尤其是大数据解决方案
- 学术探索、单项任务：
- 数据驱动的整体解决方案
- 推荐资源：
计算传播学