可视化作品欣赏 | 有统计报告，更有艺术加持~~

墨蓝 2022-08-28 03:48 49阅读 0赞

点击上方“**Python爬虫与数据挖掘**”，进行关注

回复“**书籍**”即可获赠Python从入门到进阶共10本电子书

今

日

鸡

汤

圣代无隐者，英灵尽来归。

又到了一个月(9月)一次的数据可视化作品欣赏环节啦，本期小编精选出的10副可视化作品，这些可视化作品主要包括两种，如下：

*  **偏数据报告类型**
 *  **偏数据艺术类型**

## 偏数据报告类型 ##

这一部分，小编选出的几幅可视化作品都是由对应数据进行展示，更多的像是数据分析报告中的配图，当然也是有我们学习参考的地方的，详细如下：

*  全球50年的钢铁生产可视化

![e694fc2fc17d9cd6f06ee312a2eeb8e8.png][] Visualizing 50 Years of Global Steel Production

这幅可视化作品使用河流图+合理的颜色搭配+必要的标记+文本描述等绘图要素，展现了全球不同国家在50年里钢铁生产情况，更多详细数据和描述可参考：全球50年的钢铁生产可视化\[1\]

此外，小编在之前的推文中也介绍过河流图的绘制方法，可参考：[绘图技巧 | 河流图绘制技巧分享(样例数据分享)][Link 1]

*  世界所有语言可视化表示

![1375f5409dd073fa5f7a9c2c603298c7.png][]

All World Languages in One Visualization

这幅可视化作品使用了树形图(另类)+文本描述+图例+柱形图+地图等元素对世界语言分布及使用者数量进行可视化展示(地图中中国地图明显错误，这里需指出哈)。

亮点在于使用另类树形图进行展示，小伙伴们可以结合提供的数据和报告介绍，熟悉图表使用环境，条件允许可使用在线工具进行相似图表的绘制。更多详细内容可参考：世界所有语言可视化表示\[2\]。

此外，小编之前推文也涉及到树形图(另类) 的绘制方法，可参考：[绘图技巧 | Voronoi Treemap 绘制技巧分享][_ Voronoi Treemap]

*  世界上最常用的手机APP使用情况

![818052fa11f60f6262ee74350c492122.png][] The World’s Most Used Apps, by Downstream Traffic

这幅可视化作品使用了旭日图+必要的文本标签指示+图片等元素展示全球手机应用情况，使用图片和图表结合，也能让案例更加明确和形象，让那些看惯了使用条形图展示相似案例的的读者们眼前一亮。更多详细内容可参考：世界上最常用的手机APP使用情况\[3\]。

旭日图的绘制方法就代码绘制而言，多采用交互式方式，Python、R-ggplot2也会有对应绘制方法，小编后期的可视化绘制推文中也会详细给出绘制案例。

*  未来十年增长最快的20个工作

![4efc9a2e973b1a68b0f4f99596485071.png][]

The 20 Fastest Growing Jobs in the Next Decade

这幅可视化作品只是使用简单的散点图+另类图例+必要的文本描述，当然，合理的色系选择和背景配色也是关键，这恰好也给可视化设计者一个灵感：简单明了的图表+合理的配色也可以设计出优秀的可视化作品。更多详细内容可参考：未来十年增长最快的20个工作\[4\]。

好了，以上就是小编关于偏数据报告类的可视化作品的本月推荐介绍，小编即将开始的数据报告小案例部分也会采用类似的形式，希望大家能够喜欢~~

## 偏数据艺术类型 ##

这一部分的可视化作品介绍更多的是偏艺术，完成一幅作品往往需要多个软件的协同搭配，这里做介绍更多的是为读者推荐优质资源和提供可视化灵感，话不多说，我们直接介绍，详细内容如下：

*  假冒产品的查获

![a6554abd2e183a8f3ab0c63d8989069e.png][] Counterfeit products seized

**简介**：暖色系+散点图+极坐标 就可以展示出假冒产品数量，亮点在于**极坐标**的应用。更多内容可参考：假冒产品的查获\[5\]。

*  人权地理学

![8b8ad903b937552474a8cf4f93e9567b.png][] The Geography of Human Rights

**简介**：Federica Fragapane大佬(小姐姐)的经典作品之一，其他作品相信很多小伙伴也见到过，总之，狠狠的欣赏就完了。详细链接见：The Geography of Human Rights\[6\]。

*  别样的地图可视化作品

![ff3a661e6f2b3cb0940147c41b35d017.png][] Example01

![fb1cdb0f7f0d525a449a541f24f142cd.png][]

Example02

**简介**：地图可视化系列作品，原图是为交互式可视化，这里小编推荐学习和参考其配色，后期关于绘制地图可视化作品时可参考。详细链接见：地图可视化作品\[7\]。

*  寿命预期

![d4951c1627d2880e6787b697a3144b79.png][]

Life-expectancy-BBC-Science-Focus

**简介**：可视化显示按国家(男女)出生时的预期寿命。对于每个国家，还标明了女性和男性的预期寿命差异。下半部分则显示了1841年至2011年英格兰和威尔士出生时的预期寿命。更多详细内容可参考：寿命预期\[8\]。

*  人口密度

![0b2c711d3922a3c123cc9c1efc6728ff.png][] Population density

**简介**：用点密度灵活的表示人口密度，深色背景+白色散点更好的突出视觉效果，很好的样例参考。更多详细内容参见：Population density\[9\]

*  火星任务

![cceebfb0e2284fd9998032895cb54e1a.png][] missions to Mars

**简介**：描绘了国家和地区发送到火星的每个任务、计划目标和实际结果的可视化。更多详细内容可参考：missions to Mars\[10\]

## 总结 ##

今天小编的推文给大家推荐了**10**副优秀的可视化作品，具体分为偏数据报告类型和数据艺术类型，希望给自己和大家一个学习参考的样例~~

**---\--\---\---\---\--\---** End **---\--\---\--\---\---\--\-**

往期精彩文章推荐：

*  [手把手教你采集京东销售数据并做简单的数据分析和可视化][Link 2]  
    
 *  [手把手教你用Pyecharts库对淘宝数据进行可视化展示][Pyecharts]
 *  [手把手教你用Pandas库对淘宝原始数据进行数据处理和分词处理][Pandas]
 *  [Python项目实战篇——常用验证码标注&识别(前端+后端实现高效率数据标注)][Python]

![344f1211e1aac486fb9002b2e932af15.png][]

欢迎大家**点赞，****留言，****转发，转载，**感谢大家的相伴与支持

想加入Python学习群请在后台回复【**入群**】

万水千山总是情，点个【**在看**】行不行

**/今日留言主题/**

随便说一两句吧~~

[e694fc2fc17d9cd6f06ee312a2eeb8e8.png]: /images/20220828/6009d757439f488298c5c2b96ef93c93.png
[Link 1]: https://blog.csdn.net/weixin_41868601/article/details/115037047
[1375f5409dd073fa5f7a9c2c603298c7.png]: /images/20220828/61ac4d49b7e4422c986970d046f4521b.png
[_ Voronoi Treemap]: https://blog.csdn.net/weixin_38753213/article/details/116311010
[818052fa11f60f6262ee74350c492122.png]: /images/20220828/1cbf17cf0c6441e7b079caaa7285912b.png
[4efc9a2e973b1a68b0f4f99596485071.png]: /images/20220828/54bd3ebbd9584529bdf4e212ebf1bbd8.png
[a6554abd2e183a8f3ab0c63d8989069e.png]: /images/20220828/e9f39dc13f6047dbb4bee78ea5012d64.png
[8b8ad903b937552474a8cf4f93e9567b.png]: /images/20220828/49c1c715f53848e2a6fc08be4d9356a4.png
[ff3a661e6f2b3cb0940147c41b35d017.png]: /images/20220828/11204e95eb1e4f7ab28dd6d47784afac.png
[fb1cdb0f7f0d525a449a541f24f142cd.png]: /images/20220828/d6140e311d8d457aad659d43e44a708f.png
[d4951c1627d2880e6787b697a3144b79.png]: /images/20220828/6ed09988cbf744249832258dd45a4376.png
[0b2c711d3922a3c123cc9c1efc6728ff.png]: /images/20220828/306c4c901bda4e91b33525a3f8d483a0.png
[cceebfb0e2284fd9998032895cb54e1a.png]: /images/20220828/b8f268d30aa149459f00a3ca5676c2c3.png
[Link 2]: https://blog.csdn.net/weixin_38753213/article/details/112001044
[Pyecharts]: https://blog.csdn.net/pdcfighting/article/details/119880791
[Pandas]: https://blog.csdn.net/pdcfighting/article/details/119962726
[Python]: https://blog.csdn.net/pdcfighting/article/details/120245546
[344f1211e1aac486fb9002b2e932af15.png]: /images/20220828/a3a1eafcb2d54c6397efccf17428da4f.png