交互的作用：
- 交互能让用户更好地理解和分析数据
- 有效地缓解了可视化空间和数据过载之间的矛盾。
- 更好的组织数据，展示数据的内涵
8.1交互原则
8.1.1交互延时
交互延时指的是从用户操作开始到结果返回经历的时间，延时的长短在很大程度上直接决定了用户体验的效果
选择合理的交互操作和视觉反馈的方法，并且要确保延时在可以接受的范围之内，才可以让用户正常、高效得与系统进行互动。
8.1.2交互场景
一般情况下，交互将引起可视化场景的变化。
应用中，用户通过切换场景来反复对比，达到准确发现变化的目的
8.1.3交互成本
交互本身带给用户便利的同时，额外的成本也会相应增加。
一般情况下，可视化系统会采用自动化处理的方式来解决。
用户分析和自动化分析是相辅相成的，权衡其作用和成本，达到一个平衡
8.2交互分类
按任务类型分类
- 选择：将目标数据对象标记出来，例如通过高亮的方式标记数据；
- 重新配置：重新设置可视化配置；
- 重新编码：展现不同的视觉效果；
- 导航：可以用来展现不同的数据，例如下一页提示按钮；
- 关联：将有关联的数据一并展示；
- 过滤：根据过滤条件选择显示一部分数据；
- 概览：展现对象的总体概况；
- 细节：展现更多细节内容；
按操作符与操作空间分类
- 操作符分为：导航、选择和变形
- 操作空间分为：数据值空间、数据结构空间、对象空间、属性空间、屏幕空间和可视化结构空间
- 交互的本质就是操作符与操作空间的组合。
按交互操作类型分类
- 常见的交互操作归纳如下：缩放、过滤、关联、记录、提取、按需要提供细节以及概览。
- 根据所操作的数据类型对交互操作进行分类，包括图形操作、数据操作和集合操作三类。
- 图形操作指的是对可视化对象进行操作，例如图形等视觉表面层面的操作；
- 数据操作指的是对数据对象进行增加、修改和删除；
- 集合操作指的是对数据对象组成的集合进行创建和删除操作。
8.3交互技术
选择技术
单选与框选
导航技术
平移、缩放和 旋转（适用于数据量比较小的场景）
重配技术
目的是为用户提供观察数据的不同视角，
可用于解决由于空间距离拉大导致数据属性关联性降低的问题
铁屑与磁铁（Dust & Magnet）技术（性质取决于）：
- Magnet的性质
- Magnet的强度
- Magnet所设置的相斥值
- Dust关于Magnet所规定的的性质的值
过滤技术
指的是通过设置过滤条件来进行信息查询的技术。
关联技术
不同产品的年产量曲线 用户选择折线数据，饼状图动态显示选择结果
概览+细节技术
综合运用概览和细节的技术展示数据，让用户既可以从整体上把握当前状态，又可以从细节微观的角度观察数据。
8.4部分代码实现
图8-11
df=pd.read_csv("data/beijing_AQI_2018.csv")
attr=df['Date']
vl=df['AQI']
line = (
Line()
.add_xaxis(list(attr))
.add_yaxis("AQI:",list(vl))
.set_global_opts(title_opts=opts.TitleOpts(
title="AQI全年走势图"
),
)
.set_series_opts(
markpoint_opts=opts.MarkPointOpts(data=[
opts.MarkPointItem(type_="max",),#显示最大值
opts.MarkPointItem(type_="min",),#显示最小值
]),
markline_opts=opts.MarkLineOpts(data=[opts.MarkLineItem(type_="average")]),#显示平均线
areastyle_opts= opts.AreaStyleOpts(color="#000",opacity=0.3),
label_opts=opts.LabelOpts(is_show=False)
)
.render("result/8_11.html")
)图8-13
df=pd.read_csv("data/beijing_AQI_2018.csv")
dom=df[["Date","AQI"]]
list1=[]
for i in dom["Date"]:
time=i.split('-')[1]
list1.append(time)
df["month"]=list1
month_message=df.groupby(["month"])
monyh_com=month_message["AQI"].agg(["mean"])
monyh_com.reset_index(inplace=True)
monyh_com_last=monyh_com.sort_index()
attr=["{}".format(str( i )+"月") for i in range(1,13)]
vl=np.array(monyh_com_last["mean"])
vl=["{}".format(int(i)) for i in vl]
line = (
Line()
.add_xaxis(attr)
.add_yaxis("AQI:",vl)
.set_global_opts(title_opts=opts.TitleOpts(title="AQI月均全年走势图"),)
.set_series_opts(
markpoint_opts=opts.MarkPointOpts(data=[opts.MarkPointItem(type_="max",),opts.MarkPointItem(type_="min",)]),)
.render("result/8_13.html")
)图8-15
df=pd.read_csv("data/beijing_AQI_2018.csv")
dom = df[['Date', 'AQI']]
data = [[], [], [], []]
dom1, dom2, dom3, dom4 = data
for i, j in zip(dom['Date'], dom['AQI']):
time = i.split('-')[1]
if time in ['01', '02', '03']:
dom1.append(j)
elif time in ['04', '05', '06']:
dom2.append(j)
elif time in ['07', '08', '09']:
dom3.append(j)
else:
dom4.append(j)
boxplot = Boxplot()
boxplot = (
boxplot.add_xaxis(['第一季度', '第二季度', '第三季度', '第四季度'])
.add_yaxis("", boxplot.prepare_data([dom1, dom2, dom3, dom4]))
.set_global_opts(title_opts=opts.TitleOpts(title='2018年北京季度AQI箱型图'),)
)
boxplot.render("result/8_15.html")图8-17
df=pd.read_csv("data/beijing_AQI_2018.csv")
rank_message = df.groupby(['Quality_grade'])
rank_com = rank_message['Quality_grade'].agg(['count'])
rank_com.reset_index(inplace=True)
rank_com_last = rank_com.sort_values('count', ascending=False)
attr = rank_com_last['Quality_grade']
v1 = rank_com_last['count']
pie = (
Pie()
.add("空气质量", [list(z) for z in zip(attr, v1)], radius=[80, 180],
tooltip_opts=opts.TooltipOpts(textstyle_opts=opts.TextStyleOpts(align='center'),
formatter='{a}'+'<br/>'+'{b}: {c} ({d}%)'))
.set_global_opts(title_opts=opts.TitleOpts(title='2018年北京全年空气质量情况', pos_left='center'),
legend_opts=opts.LegendOpts(orient='vertical', pos_top='5%', pos_left='2%'),
)
)
pie.render("result/8_17.html")
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
