根据数据的特点，如时间信息和空间信息，应建立数据可视化，例如图表(Chart)、图(Diagram)和地图(Map)等，将数据直观地展现出来，以便直观地显示数据，帮助人们理解数据，同时发现海量数据中包含的规则或信息。数据可视化是大数据生命周期管理的最后一步，也是最重要的一步。

　　数据可视化起源于图形学、计算机图形学、人工智能、科学可视化以及用户界面等领域的相互促进和发展，是当前计算机科学的一个重要研究方向，它利用计算机对抽象信息进行直观的表示，以利于快速检索信息和增强认知能力。

　　数据可视化系统并不是为了展示用户的已知的数据之间的规律，而是为了帮助用户通过认知数据，有新的发现，发现这些数据所反映的实质。

　　大数据可视化的基本概念

　　1)数据空间。由n维属性、m个元素共同组成的数据集构成的多维信息空间。

　　2)数据开发。利用一定的工具及算法对数据进行定量推演及计算。

　　3)数据分析。对多维数据进行切片、块、旋转等动作剖析数据，从而可以多角度多侧面的观察数据。

　　4)数据可视化。将大型数据集中的数据通过图形图像方式表示，并利用数据分析和开发工具发现其中未知信息。

　　大数据可视化的实施

　　大数据可视化的实施是一系列数据的转换过程，如下图所示：

　　我们有原始数据，通过对原始数据进行标准化、结构化的处理，把它们整理成数据表。将这些数值转换成视觉结构(包括形状、位置、尺寸、值、方向、色彩、纹理等)，通过视觉的方式把它表现出来。例如将高中低的风险转换成红黄蓝等色彩，数值转换成大小。将视觉结构进行组合，把它转换成图形传递给用户，用户通过人机交互的方式进行反向转换，去更好地了解数据背后有什么问题和规律。

　　从技术上来说，大数据可视化的实施步骤主要有四项：需求分析，建设数据仓库/数据集市模型，数据抽取、清洗、转换、加载(ETL)，建立可视化分析场景。

　　1)需求分析

　　需求分析是大数据可视化项目开展的前提，要描述项目背景与目的、业务目标、业务范围、业务需求和功能需求等内容，明确实施单位对可视化的期望和需求。包括需要分析的主题、各主题可能查看的角度、需要发泄企业各方面的规律、用户的需求等内容。

　　2)建设数据仓库/数据集市的模型

　　数据仓库/数据集市的模型是在需求分析的基础上建立起来的。数据仓库/数据集市建模除了数据库的ER建模和关系建模，还包括专门针对数据仓库的维度建模技术。维度建模的关键在于明确下面四个问题：

　　哪些维度对主题分析有用?

　　如何使用现有数据生成维表?

　　用什么指标来"度量"主题?

　　如何使用现有数据生成事实表?

　　3)数据抽取、清洗、转换、加载(ETL)

　　数据抽取是指将数据仓库/集市需要的数据从各个业务系统中抽离出来，因为每个业务系统的数据质量不同，所以要对每个数据源建立不同的抽取程序，每个数据抽取流程都需要使用接口将元数据传送到清洗和转换阶段。

　　数据清洗的目的是保证抽取的原数据的质量符合数据仓库/集市的要求并保持数据的一致性。

　　数据转换是整个ETL过程的核心部分，主要是对原数据进行计算和放大。数据加载是按照数据仓库/集市模型中各个实体之间的关系将数据加载到目标表中。

　　4)建立可视化场景

　　建立可视化场景是对数据仓库/集市中的数据进行分析处理的成果，用户能够借此从多个角度查看企业/单位的运营状况，按照不同的主题和方式探查企业/单位业务内容的核心数据，从而作出更精准的预测和判断。

　　大数据可视化的挑战

　　大数据可视化面临的挑战主要指可视化分析过程中数据的呈现方式，包括可视化技术和信息可视化显示。大数据可视化的方法迎接了四个“V”的挑战，同时这也是4个机遇。

　　体量(Volume)：使用数据量很大的数据集开发，并从大数据中获得意义。

　　多源(Variety)：开发过程中需要尽可能多的数据源。

　　高速(Velocity)：企业不用再分批处理数据，而是可以实时处理全部数据。

　　质量(Value)：不仅为用户创建有吸引力的信息图和热点图，还能通过大数据获取意见，创造商业价值。

　　什么是大数据可视化，有什么作用？中琛魔方大数据表示在大数据时代，大规模、高纬度、非结构化的数据层出不穷。传统的显示技术已经很难满足这种需求，为了将这些数据以可视化的形式完美地显示出来。针对这一问题，发展了高分、高清晰度、大屏幕拼接可视化技术。它具有超大型图像、纯色、高亮度、高分辨率等优点。结合数据实时绘制技术和GIS空间数据可视化技术，实现了数据的实时图形可视化、场景可视化和实时交互，使用户能够更方便地理解数据和表示空间知识。它可以广泛应用于指挥监控、可视化仿真、三维交互等领域。

　　中琛魔方大数据官网 www.zcmorefun.com