有哪些让人惊艳的数据可视化工具？

作为一名数据分析师，一提到数据可视化就会感到莫名兴奋，我认为数据可视化有两个非常重要的部分：一个是数据，一个是可视化。而我们最常见的问题就是一看已经有了数据，却不知道如何去可视化。

市面上有相当多的可视化工具，绝对能够挑花你的眼，但这些大多是门槛比较高的工具，比如Gantti、Paper.js、Highchart.js等等，不得不说，它们在技术层面上确实做的很牛逼，也很成熟。但是 针对的使用人群也比较单一 ，就是程序员。

个人觉得在大数据时代，数据的使用是会越来越普及的，现在的很多做数据类工具的公司都在企图让数据分析变成一件没门槛的事， 只有大家都能轻松上手，才能真正实现数据价值最大化。

所以站在这个角度上说，想给大家推荐几款人人可用，能够快速给数据赋能的可视化工具。

数据可视化的目的？

在推荐工具之前我们需要回答另外一个问题，你需要用这些数据可视化的工具来做什么，实现什么目的？

首先要明确数据分析是需要以 自我需求为导向 的，抛开目的推荐可视化工具都是刷流氓。

我们可以将他们分类为：

基于这一假设，开始基于目的性推荐几款数据可视化工具。

一、个人自助式分析

1、FineBI

简洁明了的数据分析工具，也是我个人最喜欢的可视化工具，优点是零代码可视化、可视化图表丰富，只需要拖拖拽拽就可以完成十分炫酷的可视化效果，拥有数据整合、可视化数据处理、 探索 性分析、数据挖掘、可视化分析报告等功能，更重要的是 个人版免费。

主要优点是可以实现自助式分析，而且 学习成本极低 ，几乎不需要太深奥的编程基础，比起很多国外的工具都比较易用上手，非常适合经常业务人员和运营人员。

在综合性方面，FineBI的表现比较突出， 不需要编程 而且简单易做，能够实现平台展示，比较适合企业用户和个人用户，在数据可视化方面是一个不错的选择。

2、python

本来没想把python放进来的，毕竟python这种脚步语言学习起来是 比较麻烦 的，但是最终考虑还是python太强大了，数据分析可视化只是python的一小部分应用方向，如果你不想敲代码的话，建议忽略这一节。

其实利用Python 可视化数据并不是很麻烦，因为Python中有两个专用于可视化的库matplotlib和seaborn能让我们很容易的完成任务。

3、Tableau

Tableau是各大外企在用的数据分析类报表工具，个人感觉主打的是：人人都会用的数据分析工具，通过简单的图形化 *** 作（类似Excel）就可以得出自己想要的分析结果。

原理是通过连接公司数据库基于一定的SQL语法建立基本数据集，对数据集进行分析。这对数据集的 完整性有很高的要求 。

二、指标监控型报表

1、FineReport

可视化的一大应用就是数据报表，而FineReport可以自由编写整合所需要的报表字段进行报表输出，支持定时刷新和监控邮件提醒，是大部分互联网公司会用到的 日常报表平台 。

尤其是公司体系内经营报表，我们用的是商业报表工具，就是FineReport。推荐他是因为有两个高效率的点：

三、动态数据可视化

一个使用 JavaScript 实现的开源可视化库，底层依赖轻量级的矢量图形库 ZRender，提供直观，交互丰富，可高度个性化定制的数据可视化图表，它是由百度团队开源的。

在实际开发中使用的往往会要求从服务器端取数据进行动态显示，一般来说数据请求过程如下：

通常都是用 Jsp+Servlet+Echarts 来实现动态数据可视化的。

您的问题非常好，很高兴结合工作实践回答您的问题。

数字经济下半场，数据将成为新的石油，云计算提供强大的算力引擎，而5G则为更高速、更低延时的信息就速公路（当然，后面必然还会有6G，nG，包括可能大力发展的卫星通信）

2020年伊始，中央六次点名新基建，中央六次点名新基建，4月20日，国家首次明确新基建范围，其中，数据中心建设，被列为算力基础设施之一。

数据，已经在不断成为重要的资源，从国家到企业，都将视之为新兴战略资源，不断积累、加工、挖掘，产生新的生产力，在已经到来的智能经济时代，各国不断从数据大国走向数据强国，将是一个持久的命题与实践。

回到本题。正因为数据越来越重要，数据蕴含的价值越来越得到共识与重视，所以，不论是企事业单位还是个人，对数据的可视化需求将越来越多，用数据来分析，基于数据来决策，甚至进行预测、智能模拟。

这几年，除了国外以款数据可视化平台，国内相关系统平台也发展迅速。笔者2019年基于公司BI项目建设，对市场上主流的几款BI工具如永洪、亿信、帆软、金蝶数据魔方等进行了选型。最终选型了市场占有率及品牌口碑较好的帆软FineReport、FineBi10.0，经过一年多的建设，平台运行良好、稳定，开发敏捷。

另外，近年来，python不断兴起，其数据抓取、处理能力异常强大，有条件的企业或个人，也可以利用python及其开源的django、matplotlib等架构库，自行开发可视化系统工具，保持利用最新的技术迭代。这是笔者强烈推荐的方式。

以上，就是个人的一点体会，谨以分享，供您参考，共同学习，天天向上。

说到可视化工具，值得一提的就是 图扑软件 Hightopo 的 HT for Web （2D/3D） 编辑器 。

独创的自定义格式矢量渲染引擎，从底层设计就追求极致的性能，所有组件皆可承受上万甚至几十万以上图元量，上万的表格数据、网络拓扑图元和仪表图表承载力，更好的适应了物联网大数据时代需求。可以用于业务数据的快速呈现，制作仪表板，也可以构建可视化的大屏幕。各种多维数据库，广泛应用于企业级。

数据可视化技术 的基本思想，是将数据库中每一个数据项作为单个图元元素表示，大量的数据集构成数据图像，同时将数据的各个属性值以多维数据的形式表示，可以从不同的维度观察数据，从而对数据进行更深入的观察和分析。

在信息时代发展迅速的前提下，数据是当今重要的信息载体，可以通过数据的捕获，通过监管和维护去了解一个行业下关于工业管控下的数据可视化系统。

看了一下其他的回答，都是利用现有的可视化软件，这里以Python为例，介绍2个比较好用的可视化包—seaborn和pyecharts，简单易学、容易上手，绘制的图形漂亮、大方、整洁，感兴趣的朋友可以尝试一下，实验环境win10+python3.6+pycharm5.0，主要内容如下：

1.seaborn：这是一个基于matplotlib的可视化包，是对matplotlib更高级的API封装，绘制的图形种类繁多，包括常见的折线图、柱状图、饼状图、箱型图、热力图等，所需的代码量更少，使用起来更方便，下面我简单介绍一下这个包的安装和使用：

程序运行截图如下：

2.pyecharts：这个是echarts提供给python的一个接口，在前端的数据可视化中，可能会用到这个echarts包，借助pyecharts，我们不仅可以绘制出漂亮的柱状图、折线图等，还可以绘制3D图形、地图、雷达图、极坐标系图等，简单好用，非常值得学习，下面我简单介绍一下这个包的安装和使用：

程序运行截图如下：

补充推荐一个Python 新数据可视化模块——Plotly Express 。

Plotly Express

Plotly Express是一个新的高级Python数据可视化库，它是Plotly.py的高级封装，它为复杂的图表提供了一个简单的语法。只需一次导入，大多数绘图只要一个函数调用，接受一个整洁的Pandas dataframe，就可以创建丰富的交互式绘图。

Plotly Express 安装

惯例，使用 pip进行安装。

Plotly Express支持构建图表类型 gapminder数据集说明

我们使用gapminder数据集进行体验 Plotly Express 。

gapminder数据集显示2007年按国家/地区的人均预期寿命和人均GDP 之间的趋势：包含1952~2007年世界各国家人口、GDP发展与/地区的人均预期寿命和人均GDP 之间的趋势。

散点图scatter

常用参数说明：

使用散点图描述中国人口与GDP增长趋势图

地理散点图scatter_geo

常用参数说明

使用地理散点图描述全球人口与GDP

折线图（line）

常用参数说明

使用折线图描述1952~2007中国与美国人口增长趋势图

条形图(bar)

常用参数说明

使用条形图描述1952~2007中国与美国人口增长趋势图

等值区域图（choropleth）

常用参数说明

使用等值区域图描述各个国家人口数量

目前国内数据可视化工具或产品很多，到底那个工具或者产品是最好的？看了很多数据可视化产品，总结下来分为几大类。

下面我将一一分别进行工具介绍：

一．数据可视化库类

一个纯javascript的数据可视化库，百度的产品，常应用于软件产品开发或者 系统的图表模块，图表种类多，动态可视化效果，开源免费。

评价： 非常好的一个可视化库，图表种类多，可选的主题。Echarts中主要还是以图表为主，没有提供文本和表格方面的展现库，如果有相关需求还需要引入表格和文本方面的其他可视化库。

与echarts相似，同样是可视化库，不过是国外的产品，商用需要付费，文档详尽。

评价： 同样是非常好的一个可视化库，图表种类多。但是同样需要进行二次开发，,没有提供文本和表格方面的展现库。而且因为商用付费，所以能选择echarts肯定不会选择highcharts。

Antv是蚂蚁金服出品的一套数据可视化语法，是国内第一个才用the grammar of Graphics这套理论的可视化库。在提供可视化库同时也提供简单的数据归类分析能力。

评价： 是一个优秀的可视化库，需要进行二次开发。因为采用的是the grammar of Graphics 语法，和echarts相比各有千秋。

二．报表、BI类

由echarts衍生出来的子产品，同样继承了echarts的特点，图表种类多，没有提供文本和表格方面的展现库。Echarts接受json格式的数据，百度图说把数据格式进行了封装，可以通过表格的形式组织数据。

评价：可以把表格数据转换成图表展现形式的工具，支持excel数据导入 ，适合做静态的BI报告。因为数据偏静态，没看到与数据库结合的部分，很难和第三方系统结合展现动态变化的数据，如日报表、月报表、周报表等。

FineReport报表软件是一款纯Java编写的、集数据展示(报表)和数据录入(表单)功能于一身的企业级web报表工具，它“专业、简捷、灵活”的特点和无码理念，仅需简单的拖拽 *** 作便可以设计复杂的中国式报表，搭建数据决策分析系统。

评价： FineReport可以直连数据库，方便快捷的定制各种复杂表样，用来做出固定格式的周报、月报等。它的格式类似于excel界面，特色功能报表制作，报表权限分配，报表管理还有填报，支持多种数据库。

Tableau 是桌面系统中最简单的商业智能工具软件，Tableau 没有强迫用户编写自定义代码，新的控制台也可完全自定义配置。在控制台上，不仅能够监测信息，而且还提供完整的分析能力。Tableau控制台灵活，具有高度的动态性。

评价： 全球知名的BI工具，价格6000元/年/人左右，但是国外产品不花钱不会为你做任何定制化改动，售后很有问题。

FineBI与FineReport都是帆软的产品。首先FineReport作为一款报表工具，主要用于解决提升IT部门的常规/复杂报表开发效率问题；而FineBI是商业智能BI工具，在IT信息部门分类准备好数据业务包的前提下，给与数据，让业务人员或领导自行分析，满足即席数据分析需求，是分析型产品。

FineBI的使用感同Tableau类似，都主张可视化的 探索 性分析，有点像加强版的数据透视表。上手简单，可视化库丰富。可以充当数据报表的门户，也可以充当各业务分析的平台。

评价：FineBI做到了自助式分析，图表类型丰富，数据分析功能较强大，钻取，筛选，分组等功能都有。但是对于普通没有IT基础的人来说，要想真正熟练地掌握finebi，还是有一定的难度的，需要花上几天，但是这个难度相比Excel的VBA学习还是低不少的。

Power BI 是一套商业分析工具，用于在组织中提供见解。可连接数百个数据源、简化数据准备并提供即席分析。生成美观的报表并进行发布，供组织在 Web 和移动设备上使用。每个人都可创建个性化仪表板，获取针对其业务的全方位独特见解。在企业内实现扩展，内置管理和安全性。

评价： 类似于excel的桌面bi工具，功能比excel更加强大。支持多种数据源。价格便宜。但是只能作为单独的bi工具使用，没办法和现有的系统结合到一起。

三．可视化大屏类

提供丰富的模板与图形，支持多数据源，拖拉式布局，支持服务化服务方式和本地部署。整体来说是一款很好的大屏的产品。

评价： 产品不错，就是价格服务版每年5100元/年，本地部署竟然要110万，每年续费也要37万。

前文有介绍过，finereport是一个企业级的报表工具，同时也提供大屏的服务。通过布局、色彩、绑定数据等环节完成大屏的制作。拥有很多自助开发的可视化插件库。

评价： 很优秀的软件，性价比高。学习方面，掌握FineReport的dashboard制作，应该也比较简单的。

五 .专业类（地图、科学计算、机器学习）

很多工具都能实现数据地图，比如echarts，finereport，tableau等。

ggplot2是R语言最流行的第三方扩展包，是RStudio首席科学家Hadley Wickham读博期间的作品，是R相比其他语言一个独领风骚的特点。包名中“gg”是grammar of graphics的简称，是一套优雅的绘图语法。主要用于机器学习绘图。

评价： 机器学习、数学、科学计算领域专业的绘图语言。专业与技术要求都很高，不是专业搞机器学习或者科学计算的工程师，一般不会用到。

Python是一门编成语言,其周边的绘图库也比较丰富比如pandas和matplotlib ,pandas能够绘制线图、柱图、饼图、密度图、散点图等； matplotlib主要是绘制数学函数相关的图如三角函数图、概率模型图等。

评价： 机器学习、数学、科学计算领域专业的绘图语言。专业与技术要求都很高，不是专业搞机器学习或者科学计算的工程师，一般不会用到。

R-ggplot2

ggplot2是R语言最为强大的作图软件包，强于其自成一派的数据可视化理念。当熟悉了ggplot2的基本套路后，数据可视化工作将变得非常轻松而有条理。

技术相关

1. 将数据，数据相关绘图，数据无关绘图分离

这点可以说是ggplot2最为吸引人的一点。众所周知，数据可视化就是将我们从数据中 探索 的信息与图形要素对应起来的过程。

ggplot2将数据，数据到图形要素的映射，以及和数据无关的图形要素绘制分离，有点类似java的MVC框架思想。这让ggplot2的使用者能清楚分明的感受到一张数据分析图真正的组成部分，有针对性的进行开发，调整。

2. 图层式的开发逻辑

在ggplot2中，图形的绘制是一个个图层添加上去的。举个例子来说，我们首先决定 探索 一下身高与体重之间的关系；然后画了一个简单的散点图；然后决定最好区分性别，图中点的色彩对应于不同的性别；然后决定最好区分地区，拆成东中西三幅小图；最后决定加入回归直线，直观地看出趋势。这是一个层层推进的结构过程，在每一个推进中，都有额外的信息被加入进来。在使用ggplot2的过程中，上述的每一步都是一个图层，并能够叠加到上一步并可视化展示出来。

3. 各种图形要素的自由组合

由于ggplot2的图层式开发逻辑，我们可以自由组合各种图形要素，充分自由发挥想象力

基本开发步骤

1. 初始化 – ggplot()

这一步需要设定的是图的x轴，y轴和”美学特征”。基本形式如下：

p

---