数字----纺友

数据可视化的显示空间通常是二维的，比如电脑屏幕、大屏显示器等，3d图形绘制技术解决了在二维平面显示三维物体的问题。

但是在大数据时代，我们所采集到的数据通常具有4v特性：volume（大量）、variety（多样）、velocity（高速）、value（价值）。如何从高维、---、多样化的数据中，挖掘有价值的信息来支持决策，除了需要对数据进行清洗、去除噪声之外，还需要依据业务目的对数据进行二次处理。常用的数据处理方法包括：降维、数据聚类和切分、抽样等统计学和机器学习中的方法。

常见的数据问题包括：1.数据收集错误，遗漏了数据对象，或者包含了本不应包含的其他数据对象。2.数据中的离群点，即不同于数据集中其他大部分数据对象特征的数据对象。3.存在遗漏值，数字---，数据对象的一个或多个属性值缺失，导致数据收集不全。4.数据不一致，收集到的数据明显不合常理，或者多个属性值之间互相矛盾。例如，体重是负数，或者所填的邮政编码和城市之间并没有对应关系。5.重复值的存在，数据集中包含完全重复或几乎重复的数据。正是因为有以上问题的存在，直接拿采集的数据进行分析or可视化，得出的结论往往会误导用户做出错误的决策。因此，对采集到的原始数据进行数据清洗和规范化，是数据可视化流程中不可缺少的一环。