数据可视化分析平台有哪些，一般用哪些工具做大数据可视化分析? | 深圳大数据分析师培训—

专业大数据挖掘分析——助力小微企业发现价值

电话+V： 152079-09430 ，欢迎咨询二手房大数据可视化分析代码，[大数据挖掘与分析]，[大数据应用场景建设]，[大数据接口共享]，[大数据去除冗余]，[大数据精准推送]，[大数据广告价值]，[助力小微企业成长更上台阶]

一、数据可视化分析平台有哪些

Jupyter：大数据可视化的一站式商店

JupyteR是一个开源项目，通过十多种编程语言实现大数据分析、可视化和软件开发的实时协作。它的界面包含代码输入窗口，并通过运行输入的代码以基于所选择的可视化技术提供视觉可读的图像。

Tableau：AI，大数据和机器学习应用可视化的最佳解决方案

Tableau是大数据可视化的市场领导者之一，在为大数据操作，深度学习算法和多种类型的AI应用程序提供交互式数据可视化方面尤为高效。

GoogleChart：Google支持的免费而强大的整合功能

GoogleChart提供了大量的可视化类型，从简单的饼图、时间序列一直到多维交互矩阵都有。图表可供调整的选项很多。如果需要对图表进行深度定制，可以参考详细的帮助部分。

D3.js：以任何您需要的方式直观地显示大数据

D3.js代表DataDrivenDocument，一个用于实时交互式大数据可视化的JS库。由于这不是一个工具，所以用户在使用它来处理数据之前，需要对Javascript有一个很好的理解，并能以一种能被其他人理解的形式呈现。除此以外，这个JS库将数据以SVG和HTML5格式呈现，所以像IE7和8这样的旧式浏览器不能利用D3.js功能。

Smartbi：真Excel操作，简单易用

Smartbi是国内可视化BI软件的顶尖厂商之一，历史悠久，致力于为企业客户提供商业智能解决方案，并通过其产品为客户提供报表、数据可视化、数据挖掘等成熟功能。

二、一般用哪些工具做大数据可视化分析?

大数据正在走进人们的生活。虽然获取数据问题不大，但有很多人不知道如何得出结论，因为数据太多。常见的数据可视化工具，在这里推荐9个：

1、Datawrapper

Datawrapper是一个用于制作交互式图表的在线数据可视化工具。一旦您从CSV文件上传数据或直接将其粘贴到字段中，Datawrapper将生成一个条，线或任何其他相关的可视化文件。许多记者和新闻机构使用Datawrapper将实时图表嵌入到他们的文章中。这是非常容易使用和生产有效的图形。

2、TableauPublic

TableauPublic可能是最流行的可视化工具，它支持各种图表，图形，地图和其他图形。这是一个完全免费的工具，你用它制作的图表可以很容易地嵌入到任何网页中。他们有一个不错的画廊，显示通过Tableau创建的可视化效果。

虽然它提供的图表和图形比其他类似工具要好得多，但我并不喜欢使用它的免费版本，因为它附带了一个很大的页脚。如果不是像我这样大的关闭，那么你一定要试试看。或者如果你能负担得起，你可以去付费版本。

3、Smartbi

Smartbi作为成熟的大数据分析平台，具备可复用、动静结合独特的展示效果，使得数据可视化灵活强大，动静皆宜，为广大用户提供了无限的应用能力和想象空间。

除了支持使用Excel作为报表设计器，完美兼容Excel的配置项。支持Excel所有内置图形、背景图、条件格式等设计复杂的仪表盘样式，同时支持完整ECharts图形库，支持各种各样的图形，包含瀑布图、关系图、雷达图、油量图、热力图、树图等几十种动态交互的图形，借助于地理信息技术，还打造了地图分析功能。

4、Chart.js

非常适合小型项目。尽管只有六种图表类型，开源图书馆Chart.js是用于爱好和小型项目的完美数据可视化工具。使用HTML5canvas元素绘制图表，Chart.js创建响应式平面设计，并且正在迅速成为最流行的开源图表库之一。

5、Raw

Raw将自己定义为“电子表格和矢量图形之间的缺失链接”。它建立在D3.js之上，设计得非常好。它有这样一个直观的界面，你会觉得你之前使用过它。它是开源的，不需要任何注册。

它有一个21图表类型的库可供选择，所有的处理在浏览器中完成。所以你的数据是安全的。RAW是高度可定制和可扩展的，甚至可以接受新的自定义布局。

6、Infogram

Infogram使您可以在线创建图表和图表。它有一个有限的免费版本和两个付费选项，其中包括200+地图，私人共享和图标库等功能。

它配备了一个易于使用的界面，其基本图表设计良好。我不喜欢的一个功能是当您尝试将交互式图表嵌入到您的网页（免费版）时所获得的巨大徽标。如果他们能像DataWrapper使用的小文本那样更好。

7、TimelineJS

顾名思义，TimelineJS可以帮助您创建美丽的时间线而无需编写任何代码。它是一个免费的开源工具，被Time和Radiolab等一些最受欢迎的网站所使用。

这是一个非常容易遵循四步过程来创建您的时间表，这在这里解释。最好的部分？它可以从各种来源获取媒体，并内置对Twitter，Flickr，GoogleMaps，YouTube，Vimeo，Vine，Dailymotion，Wikipedia，SoundCloud和其他类似网站的支持。

8、Plotly

Plotly是一个基于Web的数据分析和绘图工具。它支持具有内置社交分享功能的图表类型的良好集合。可用的图表和图表类型具有专业的外观和感觉。创建图表只需要加载信息并自定义布局，坐标轴，注释和图例。如果你想要开始，你可以在这里找到一些灵感。

9、VisualizeFree

数据分析项目之：链家二手房数据分析

2020-08-3116:03·Python123

项目分享目的：在学习完Numpy，Pandas，matplotlib后，熟练运用它们的最好方法就是实践并总结。在下面的分享中，我会将每一步进行分析与代码展示，

　　　　　　　希望能对大家有所帮助。

项目名称：链家二手房数据分析

项目概述：本项目主要利用上面提到的三个工具进行数据的处理，从不同的维度对北京各区二手房市场情况进行可视化分析，为后续

　　　　　数据挖掘建模预测房价打好基础。

分析步骤：工具库导入--->数据加载--->数据清洗--->数据可视化分析

导包#数据分析三剑客importnumpyasnpimportseabornassnsimportpandasaspdfrompandasimportSeries，DataFrameimportmatplotlib.pyplotaspltsns.set_style({'font.sans-serif':['simhei'，'Arial']})%matplotlibinline#设置忽略警告importwarningswarnings.filterwarnings('ignore')#设置全局字体plt.rcParams['font.sans-serif']='SongtiSC'plt.rcParams['axes.unicode_minus']=False数据载入lj_data=pd.read_csv('./lianjia.csv')display(lj_data.head()，lj_data.shape)

查看数据概况display(lj_data.info()，lj_data.describe())'''通过观察：1.Elevator列存在严重的数据缺失情况2.Size列最小值为2平米，最大值为1019平米，跟据常识，初步判断为异常值'''

添加新属性房屋均价（PerPrice），并且重新排列列位置'''观察发现：1.ID属性对于本次分析没有什么意义，所以可以将其移除；2.由于房屋单价分析起来比较方便，简单使用总价/面积即可得到，所以增加一列PerPrice(只用于分析，不是预测特征)；3.原数据属性的顺序比较杂乱，所以可以调整一下。'''#添加PerPrice（单位均价）列df=lj_data.copy()df['PerPrice']=(lj_data['Price']/lj_data['Size']).round(2)#重新摆放列位置columns=['Region'，'District'，'Garden'，'Layout'，'Floor'，'Year'，'Size'，'Elevator'，'Direction'，'Renovation'，'PerPrice'，'Price']df=pd.DataFrame(df，columns=columns)#重新查看数据集df.head(3)

数据可视化分析1.Region特征分析对于区域特征，我们可以分析不同区域房价和数量的对比#对二手房区域分组，对比二手房数量和每平米房价df_house_count=df.groupby('Region')['Price'].count().sort_values(ascending=False).to_frame().reset_index()df_house_mean=df.groupby('Region')['PerPrice'].mean().sort_values(ascending=False).to_frame().reset_index()#display(df_house_count.head(2)，df_house_mean.head(2))

绘图1#创建子视图对象2f，[ax1，ax2，ax3]=plt.subplots(3，1，figsize=(20，18))34#设置绘图参数5sns.barplot(x='Region'，y='PerPrice'，palette='Blues_d'，data=df_house_mean，ax=ax1)6ax1.set_title('北京各区二手房单位平米价格对比'，fontsize=15)7ax1.set_xlabel('区域')8ax1.set_ylabel('单位平米价格')910sns.barplot(x='Region'，y='Price'，palette='Greens_d'，data=df_house_count，ax=ax2)11ax2.set_title('北京各区二手房数量对比'，fontsize=15)12ax2.set_xlabel('区域')13ax2.set_ylabel('数量')1415sns.boxplot(x='Region'，y='Price'，data=df，ax=ax3)16ax3.set_title('北京各区二手房房屋总价'，fontsize=15)17ax3.set_xlabel('区域')18ax3.set_ylabel('房屋总价')1920#展示21plt.show()

分析报告

　　可以观察到：

　　二手房均价：西城区房价最贵均价大约11万/平，因为西城在二环以里，且是热门学区房聚集地。　　其次是东城约10万/平，海淀约8.5万/平，其他均低于8万/平。　　二手房数量：从数量统计来看，可以看到目前二手房市场比较火热的区域。海淀和朝阳区二手房数量最多，　　差不多都接近3000套。然后是丰台区，近几年正在改造建设，有赶超之势。　　二手房总价：通过箱型图看到，各大区房屋总价中位数都在1000万以下，而且房屋总价离散值较高，　　西城最高达到了6000万，说明房屋价格不是理想的正态分布。2.Size特征分析#创建子视图f，[ax1，ax2]=plt.subplots(1，2，figsize=(15，5))#房屋面积分布情况sns.distplot(df['Size']，bins=20，ax=ax1，color='r')sns.kdeplot(df['Size']，shade=True，ax=ax1)#房屋面积和出售价格的关系sns.regplot(x='Size'，y='Price'，data=df，ax=ax2)#展示plt.show()注：下面的图是后面删除数据后绘制出的结果，这里的代码绘制出的图不一样，请各位留意，无需疑惑，接着往下看即可

分析报告　　Size分布：　　通过distplot和kdeplot绘制柱状图观察Size特征的分布情况，属于长尾形的分布，　　这说明有很多面积很大且超出正常范围的二手房。　　Size和Price的关系：　　通过regplot绘制了Size和Price之间的散点图，发现Size特征基本与Price呈线性关系，　　符合基本常识，即面积越大，价格越高。但是有两组明显的异常点：　　1.面积不到10平米，但是价格超过1000万；　　2.一个点面积超过了1000平米，但是价格很低。　　需要查看是什么情况。#查看异常值cond=df['Size']<10df[cond]

经查看并对比发现这组数据是别墅，出现异常的原因是由于别墅结构比较特殊（无朝向无电梯），字段定义与二手商品房不太一样，导致爬虫爬取数据错位。

也因为别墅类型二手房不在我们的考虑范围之内，所以将这些数据移除再次观察Size和Price关系。

cond1=df['Size']>1000df[cond1]

经观察发现这个异常点不是普通的民用二手房，很可能是商用写字楼，所以才有1房间0厅如此大超过1000平的面积，这里选择移除。

#删除异常数据df=df[(df['Layout']!='叠拼别墅')(df['Size']<1000)]重新可视化后发现基本没有明显异常点了（重新可视化后的效果是最开始展示的图）

Layout特征分析f，ax=plt.subplots(figsize=(20，20))sns.countplot(y='Layout'，data=df，ax=ax)ax.set_title('房屋户型'，fontsize=15)ax.set_xlabel('数量')ax.set_ylabel('户型')plt.show()

分析报告

　　通过观察才知道有各种厅室组合搭配，居然还有9室3厅，4室0厅的结构。其中2室1厅占绝大部分，其次是3室1厅，2室2厅，3室2厅。

　　但是经过仔细观察，特征分类下还有很多不规则的命名，如：2房间1卫，别墅等，没有统一的叫法。这样的特征是肯定不能作为机器学习

　　模型的数据输入的，需要使用特征工程进行相应的处理。

Renovation特征分析df['Renovation'].value_counts()'''精装11345简装8496其他3239毛坯576Name:Renovation，dtype:int64'''f，[ax1，ax2，ax3]=plt.subplots(3，1，figsize=(20，20))sns.countplot(df['Renovation']，ax=ax1)sns.barplot(x='Renovation'，y='Price'，data=df，ax=ax2)sns.boxplot(x='Renovation'，y='Price'，data=df，ax=ax3)plt.show()

分析报告

　　观察到，精装修的二手房数量最多，简装其次，这也符合我们的常识。对于价格来说，毛坯型价格最高，精装其次。

Elevator特征分析df.info()'''<class'pandas.core.frame.DataFrame'>Int64Index:23656entries，0to23676Datacolumns(total12columns):#ColumnNon-NullCountDtype----------------------------0Region23656non-nullobject1District23656non-nullobject2Garden23656non-nullobject3Layout23656non-nullobject4Floor23656non-nullint645Year23656non-nullint646Size23656non-nullfloat647Elevator15419non-nullobject8Direction23656non-nullobject9Renovation23656non-nullobject10PerPrice23656non-nullfloat6411Price23656non-nullfloat64dtypes:float64(3)，int64(2)，object(7)memoryusage:3.0+MB'''发现存在空值

　　处理办法：

　　1.删除空值　　2.插值：平均值/中位数/线性插值/拉格朗日插值等

　　插值思路：根据楼层Floor判断有无电梯。6层以上都有电梯，6层及以下无电梯（其实也有缺陷，Floor表示的是房屋所在楼层，并不代表楼的总层数）

cond=(df['Floor']>6)(df['Elevator'].isnull())cond1=(df['Floor']<=6)(df['Elevator'].isnull())df['Elevator'][cond]='有电梯'df['Elevator'][cond1]='无电梯'df.info()#创建子视图f，[ax1，ax2]=plt.subplots(1，2，figsize=(20，5))sns.countplot(df['Elevator']，ax=ax1)ax1.set_title('有无电梯数量对比'，fontsize=15)ax1.set_xlabel('是否有电梯')ax1.set_ylabel('数量')sns.barplot(x='Elevator'，y='Price'，data=df，ax=ax2)ax2.set_title('有无电梯房价对比'，fontsize=15)ax2.set_xlabel('是否有电梯')ax2.set_ylabel('总价')plt.show()

分析报告

　　根据结果观察到，有电梯的二手房数量居多一些，毕竟在北京，人口数量庞大，高层对于土地的利用率高，高层自然也会配置电梯。相应的，电梯二手房价格较高，

　　因为电梯前期安装费和后期维修费已经包含在内（这个价格比较只是一个平均的概念，比如无电梯的6层豪华小区当然价格更高）。

Year特征分析grid=sns.FacetGrid(df，row='Elevator'，col='Renovation'，palette='seismic'，size=4)grid.map(plt.scatter，'Year'，'Price')grid.add_legend()

分析报告

　　在Renovation和Elevator的分类条件下，使用FacetGrid分析Year特征，观察结果如下：

　　1.整个二手房房价趋势随着时间增长而增长；　　2.2000年后建造的房屋二手房房价相较于2000年以前有很明显的价格上涨；　　3.1980年之前几乎不存在有电梯的二手房数据，说明1980年以前还没有大量安装电梯；　　4.1980年之前的无电梯二手房中，简装占大多数，精装反而很少。Floor特征分析#创建子视图f，ax=plt.subplots(figsize=(20，5))sns.countplot(df['Floor']，ax=ax)ax.set_title('房屋楼层'，fontsize=15)ax.set_xlabel('楼层')ax.set_ylabel('数量')plt.show()

分析报告

　　可以看到，6层二手房数量最多，但单独的楼层特征没什么意义，因为每个小区的住房总楼层不一样，我们需要知道楼层的相对意义。另外，楼层与文化也有很重要的联系。

　　比如中国常说七上八下，七层可能更受欢迎，房价也贵，而一般不会有4层或18层。当然正常情况下中间楼层是比较受欢迎的，价格相对较高，底层和顶层受欢迎度较低，

　　价格也相对较低。所以楼层是一个非常复杂的特征，对房价影响也比较大。

最后，小编想说：我是一名python开发工程师，整理了一套最新的python系统学习教程，想要这些资料的可以关注私信小编“01”即可（免费分享哦）希望能对你有所帮助。

【GSFAI BANK FINANCING】尊享直接对接老板

电话+V： 152079-09430

专注于为大数据运营推广及打包交易配套流程服务方案。为企业及个人客户提供高性价比的数据确权、数交所交易及应用场景内外共享解决方案，解决小微企业难题