这个数据集包含从2001年到2017年被报道过的发生在芝加哥城的犯罪事件（除谋杀案外，每个受害者都有数据）。数据来自芝加哥警察局的CLEAR（公民执法分析和报告）系统。

数据文件：Crimes.csv

1.最初的数据文件是一个不标准的csv文件（Crimes_-_2001_to_2017.csv），使用Excel软件打开后，重新转存为一个标准的csv文件（Crimes.csv）。

2.数据量过于庞大（100万+条），在进行某些可视化分析时会导致服务器崩溃，因此在分析前会适当删减数据。在大致查看过csv文件后，发现数据是随机排序的，因此直接只选择前一半的数据进行分析。

3.数据的部分属性的名称为多个单词组成的词组（含空格），在使用时（作为标识符）不方便，因此去除这些属性的名称各个单词之间的空格。

1.哪些年份的犯罪记录最多（Year）？

2.芝加哥的罪犯有多少已逮捕（Arrest）？

3.芝加哥的罪犯有多少是家庭的（Domestic）？

4.芝加哥的犯罪主要集中在哪（Longitude and Latitude）？

5.芝加哥的犯罪有哪些类型（PrimaryType and Description）？

我们的分析从个体变量图开始，以评估分布和数据质量。随着我们的进展，我们为我们的分析问题建立多维的视图。

这个柱状图显示了芝加哥每年的犯罪记录数量。数据集的分布不均匀，而且不符合我们所认知的应有的实际情况，因此，应该是该数据集发生了错误。但是由于犯罪记录得其他属性特征都与年份不具有相关性，所以不影响对其他属性的分析。

这个扇形图展示了芝加哥的犯罪记录中有多少罪犯已被逮捕。令人惊奇的是，竟然有72.18%的记录是FALSE（更新年份：2017），即有72.18%的犯罪记录的罪犯还未被逮捕，而仅有27.82%的犯罪记录的罪犯已被逮捕。

这个扇形图展示了芝加哥的犯罪记录中有多少是家庭的。可以看出仅有12.58%的犯罪记录是家庭的（即家庭暴力等），而其他87.42%的犯罪记录为非家庭的，即社会性犯罪。

这个散点图展示了芝加哥犯罪的地理位置分布情况，由散点的密集程度（散点的透明度）展示芝加哥犯罪主要集中的位置。对比右侧的芝加哥地图可以看出，各个区的交界处以及河流湖泊等水域分布的地方是犯罪发生的高峰和低谷区（这种极端的差异可能是由数据集不完整造成的）。同时可以看出，犯罪多分布在芝加哥南区、西区以及人口分布密集的市中心。

这个力导向图展示的是芝加哥犯罪的基本类型以及每个基本类型下的子类型描述。由于设置的画布较大，以及力导向图的数据会展示到画布之外的特点，截图中所展示的数据并不全面。但是，我们仍能看出，犯罪的基本类型具有多样化的特点。同时，有的基本类型的子类型描述基本重叠，而这几种犯罪的基本类型也大致类似（如，攻击、殴打等）；而有的基本类型的子类型描述与其他毫无关联，是相对独立的犯罪类型（如，诈骗、毒品、武器违禁等）。

芝加哥犯罪的逮捕率低，多为社会性犯罪，且类型多样。犯罪多分布在芝加哥南区、西区以及人口分布密集的市中心，各个区的交界处以及河流湖泊等水域分布的地方是犯罪发生的高峰和低谷区。

可视化数据分析报告

可视化数据分析报告，如果职场上有这些现象也不用惊慌，在职场上不能将这些问题一概而论，如果没有一步步的学习深造就不会做出成绩，学会放下自己的职场压力也是很重要的，我这就带你了解可视化数据分析报告。

什么是数据可视化?

数据可视化是指将数据以视觉形式来呈现，如图表或地图，以帮助人们了解这些数据的意义。

文本形式的数据很混乱(更别提有多空洞了)，而可视化的数据可以帮助人们快速、轻松地提取数据中的含义。用可视化方式，您可以充分展示数据的模式，趋势和相关性，而这些可能会在其他呈现方式难以被发现。

数据可视化可以是静态的或交互的。几个世纪以来，人们一直在使用静态数据可视化，如图表和地图。交互式的数据可视化则相对更为先进：人们能够使用电脑和移动设备深入到这些图表和图形的具体细节，然后用交互的方式改变他们看到的数据及数据的处理方式。

谈谈数据可视化

人类的大脑对视觉信息的处理优于对文本的处理——因此使用图表、图形和设计元素，数据可视化可以帮你更容易的解释趋势和统计数据。

但是，并非所有的数据可视化是平等的。

那么，如何将数据组织起来，使其既有吸引力又易于理解?通过下面的16个有趣的例子获得启发，它们是既注重风格和也注重内容的数据可视化案例。

(1)世界上的语言

这个由DensityDesign设计的互动是个令人印象深刻的成果，它将世界上众多(或者说，我们大多数人)的语言用非语言的方法表现出来。一共有2678种。

这件作品可以让你浏览使用共同语言的家庭，看看哪些语言是最常用的，并查看语言在世界各地的使用范围。这是一种了不起的视觉叙事方法：将一个有深度的主题用一种易于理解的方式解读。

(2)按年龄段分布的美国人口百分比

这是如何以令人信服的方式呈现一种单一的数据的好榜样。PewResearch创造了这个GIF动画，显示随着时间推移的人口统计数量的变化。这是一个好方法，它将一个内容较多的故事压缩成了一个小的package。

此外，这种类型的微内容很容易在社交网络上分享或在博客中嵌入，扩大了内容的传播范围。如果你想自己用Photoshop做GIF，这里有一个详细的教程。

(3)NFL(国家橄榄球联盟)的完整历史

体育世界有着丰富的数据，但这些数据并不总是能有效地呈现(或者准确的说，对于这个问题)。然而，FiveThirtyEight网站做的特别好。在下面这个交互式可视化评级中，他们计算所谓“等级分”–根据比赛结果对球队实力进行简单的衡量–在国家橄榄球联盟史上的每一场比赛。总共有超过30,000个评级。观众可以通过比较各个队伍的等级来了解每个队伍在数十年间的比赛表现。

(4)政治新闻受众渠道分布图

据Pew研究中心称，通常，当设计师在信息内容很多又不能删节的时候，他们通常会把信息放到数据表中，以使其更紧凑。但是，他们使用分布图来代替。为什么呢?因为分布图可以让观众在频谱上看到每个媒体的渠道。在分布图上，每个媒体的渠道之间的距离尤为显著。如果这些点仅仅是在表中列出，观众无法看到每个渠道之间的比较。

(5)Kontakladen慈善年度报告

不是所有的数据可视化都需要用动画的形式来表达。当现实世界的数据通过现实生活中的例子进行可视化，结果会令人惊叹。设计师MarionLuttenberger把包含在Kontakladen慈善年报中的数据以一种独特的方法表现出来。该组织为奥地利的吸毒者提供支持，所以Luttenberger的使命就是通过真实的视觉来宣传。例如，这辆购物车形象的表现了受助者每一天可以负担得起多少生活必需品。

什么是可视化数据分析报告？

所谓的可视化数据分析报告就是用视觉表现形式的数据，对其进行全方位的透析，从而提供决策者有根据、有依据地进行判断。

简单来说就是用图形的方式来表征数据的.规律。

一般来说，数据分析报告分为三类：日常运营报告、专项研究报告、行业分析报告。

但无论是哪一类型的报告，都可能不可避免的需要做可视化，那么可视化数据分析报告要怎么做呢？

首先在写报告前，要知道包含哪些内容：目标确定、数据获取、数据清洗、数据整理、描述分析、洞察结论，最后才是撰写数据分析报告。

这是我依据XX学校的学生成绩数据做的三年级学生成绩分析报告，不仅有可视化图表支持分析，还有分析原因，图文并茂，更加容易找出问题原因。

同时还能打印报告和线上分享，电子报告+纸质报告，方便校长审阅与同事们的查看。

这样的可视化数据分析报告我只用了三步：

确定目标：三年级学生成绩整理数据：将所有的三年级学生成绩数据导入库中，然后依据分析目标来做可视化数据分析图表，比如，各班期初、期中、期末考试情况……利用数据报告的功能，通过简单的拖拽操作，快速生成你想要的数据可视化报告并附加分析原因。这样一份又直观、又好看的分析报告就好了。

为什么要做可视化数据分析报告？

传递速度快更直观的展示信息，从而优化运营和管理流程响应分析需求，多角度分析挖掘信息最后要明白一点，可视化数据分析报告的核心是分析，只有数据分析内涵丰富、价值高，数据可视化才能内容丰富、有价值。

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

转载请注明：片头模版 » 大二数据可视化分析报告作业(可视化数据分析报告)