通过图表的比较，我们很容易就能找出这四组数据的区别了。I组数据呈现整体离散向上的趋势。II组数据呈现弧度上升，然后再下降的趋势。III组数据呈现线性上涨的趋势，但有一个点突出。IV组数据呈现Y坐标不变X上升的趋势，但有一点突出。

将数据图形化后，大脑天然的会对图形的不同点做出反应，从而更高效的理解数据带来的意义。

我们再来看下其他例子：

将当前QQ的在线人数，通过可视化的方式展示给用户。把数据置于视觉控件中，这样用户就能很直观的了解到QQ当前使用的人群分布在中国是怎么样的，那里的人群分布多，那里的人群少。

Eric Fischer

针对Twitter 发短消息的位置和Flickr 拍照片的位置为数据源做的名为“看图或说话”（SeeSomething or Say Something）的大数据可视化展示，通过简单但大量的数据，做出非常美的数据图展示。

这种用图形化对数据进行描述设计的过程，我们通常称为【数据可视化】。有时候，可视化的结果可能只是一个条形图表，但大多数的时候可视化的过程会很复杂的，因为数据本身可能会很复杂的。一般流程包括【数据收集】-【数据分析&清理】-【可视化设计】，从抽象的原始数据到可视化图像。

要做出好的【数据可视化】，拆分出来核心要先了解什么是【数据】。

数据

数据是可视化的基础，它不仅仅是数字，要想把数据可视化，就必须知道它表达的是什么。根据Ben Shneiderman的分类，信息可视化的数据分为以下几类：

一维数据：X轴一个维度如果1、2、3、4 ···

二维数据：X，Y两个二维度（1、2），（3、4），（5、6），（7、8）···

三维数据：X，Y，Z三个维度（1、2、3），（4、5、6），（7、8、9） ···

多维数据：X，Y，Z，···多个维度（1、2、3、4、···），（5、6、7、8、···）

时态数据：具有数据属性的数据集合。

层次数据：具有等级或层次关系数据集合。

数据种类划分是十分多的，但是这些数据都描述了现实的世界中的一部分，是现实世界的一个快照。除了类型，数据的数量级也影响这数据的表达结果。

小数据量（小于100）展示一下静态结果，中数据量（1K~100K）呈现数据反映的事实，大数据量（大于1M+）用于研究分析，推测结果。

我们来看一个数据：【2017年1月28号，成都PM2.5值245】，从这个数据里能看出什么，可能只是会觉得当天成都空气质量不好，我们可能会联想到这个样一个画面。

好像就不能得出什么了。其实从单个小数据上来看，我们很难得到什么有价值的信息。

只能匹配出数据代表的当前的静态状态结果。所以要想发挥出数据可视化的作用，首先我们需要大量真实的数据，知道数据的来龙去脉，把它作为一个整体来理解，关注全貌对原始数据了解得越多，打造的基础就越坚实，也就越可能制作出令人信服的数据图表。

OK，我们继续丰富我们的原始数据，在中国环境监测总站（）的网站获取到成都2017年整个1月份的PM2.5的数据。

中国环境监测总站作为空气质量公开的数据来源，它提供了获取数据的API接口。通过API接口我们可以获取到原始数据。

原始数据一般包含的信息都比较多，什么PM2.5,、空气质量指数、PM10、一氧化碳、二氧化碳、臭氧、二氧化硫等等。我们只需要PM2.5的，所以清理数据，把其他不必要的内容去掉。然后导入到Excel表中，可以得到我们最终需要的数据。

有了【数据】下一步就可以开始做数据的【可视化】。

可视化

通俗地说，可视化设计的目的是“让数据说话”，用图形去讲述数据的故事。可视化是一种表达数据的方式，是现实世界的抽象表达。它像文字一样，为我们讲述各种各样的故事。作为一种媒介，可视化已经发展成为一种很好的故事讲述方式。

我们把成都PM2.5的数据，按照日期和当天的PM2.5指数做出最简单图形来，我们可以得到下面这类的图表来。

这类的图用Excel很简单就能得到。我们可去修改下柱状图的配色，但它依然只是一个简单的图表，而不是好的可视化作品。

那什么是好的可视化作品呢？