数据可视化系列文章导航

╰半橙微兮° 2022-10-07 10:59 161阅读 0赞

# 数据可视化系列文章导航 #

### 文章目录 ###

*  数据可视化系列文章导航
 *  1 Tableau从入门到精通
 *  2 Tableau数据可视化案例
 *  3 Python数据可视化
 *  4 Spss时间序列分析

# 1 Tableau从入门到精通 #

通过14次的系统学习，全面了解Tableau各种图形的绘制以及使用方法，使你无论在学习还是职场都事半功倍，提升效率。![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70]

从易到难，从简单图形的绘制到基础方法再到高阶的炫酷图表制作，再升华，除了大家熟悉的统计软件Spss、Eviews、Excel。Tableau也可以做简单的统计分析，最后一篇涉及到统计学中回归分析以及时间序列分析的内容。

1.  [Tableau数据分析-Chapter01条形图、堆积图、直方图][Tableau_-Chapter01]
2.  [Tableau数据分析-Chapter02数据预处理、折线图、饼图][Tableau_-Chapter02]
3.  [Tableau数据分析-Chapter03基本表、树状图、气泡图、词云][Tableau_-Chapter03]
4.  [Tableau数据分析-Chapter04标靶图、甘特图、瀑布图][Tableau_-Chapter04]
5.  [Tableau数据分析-Chapter05数据集合并、符号地图][Tableau_-Chapter05]
6.  [Tableau数据分析-Chapter06填充地图、多维地图、混合地图][Tableau_-Chapter06]
7.  [Tableau数据分析-Chapter07多边形地图、背景地图][Tableau_-Chapter07]
8.  [Tableau数据分析-Chapter08数据分层、数据分组、数据集][Tableau_-Chapter08]
9.  [Tableau数据分析-Chapter09粒度、聚合与比率][Tableau_-Chapter09]
10. [Tableau数据分析-Chapter10 人口金字塔、漏斗图、箱线图][Tableau_-Chapter10]
11. [Tableau数据分析-Chapter11 范围-线图、倾斜图][Tableau_-Chapter11 _-]
12. [Tableau数据分析-Chapter12 网络图、弧线图][Tableau_-Chapter12]
13. [Tableau数据分析-Chapter13雷达图、凹凸图][Tableau_-Chapter13]
14. [Tableau数据分析-Chapter14线性回归、时间序列分析][Tableau_-Chapter14]

# 2 Tableau数据可视化案例 #

通过系统的学习之后，就是实战的应用，Tableau官网也提供了丰富的数据集以及图表的制作方法。大家可以通过实战来进一步提升自己的熟练程度以及竞争力。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_26_color_FFFFFF_t_70]

1.  [数据可视化原来这么简单][Link 1]
2.  [Tableau中国五城市六年PM2.5数据挖掘][Tableau_PM2.5]
3.  [Python+Tableau广东省人口普查可视化分析][Python_Tableau]

# 3 Python数据可视化 #

如果你想要用 Python 进行数据分析，就需要在项目初期开始进行探索性的数据分析，这样方便你对数据有一定的了解。其中最直观的就是采用数据可视化技术，这样，数据不仅一目了然，而且更容易被解读。  
![在这里插入图片描述][20210616132641368.gif]

1.  [Python 数据可视化–Seaborn绘图总结1][Python _Seaborn_1]
2.  [Python 数据可视化–Seaborn绘图总结2][Python _Seaborn_2]
3.  [Matplotlib实用绘图技巧总结][Matplotlib]
4.  [Python绘制时序图，ACF和PACF图][Python_ACF_PACF]
5.  [Python+Tableau广东省人口普查可视化分析][Python_Tableau 1]
6.  [快速掌握数据可视化工具pyecharts][pyecharts]
7.  [Pandas完成时间序列分析基础][Pandas]
8.  [Python时间序列分析–ARIMA模型实战案例][Python_ARIMA]

# 4 Spss时间序列分析 #

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_36_color_FFFFFF_t_70]

1.  [Pandas完成时间序列分析基础][Pandas]
2.  [Python时间序列分析–ARIMA模型实战案例][Python_ARIMA]
3.  [SPSS建立时间序列加法季节模型实战案例][SPSS]
4.  [SPSS建立时间序列疏系数模型][SPSS 1]
5.  [SPSS建立时间序列乘法季节模型实战案例][SPSS 2]

![在这里插入图片描述][20210705184935700.gif]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70]: /images/20221005/6c105efeb3c44a348530d61fcd420120.png
[Tableau_-Chapter01]: https://blog.csdn.net/qq_45176548/article/details/112756406
[Tableau_-Chapter02]: https://blog.csdn.net/qq_45176548/article/details/112757539
[Tableau_-Chapter03]: https://blog.csdn.net/qq_45176548/article/details/112758689
[Tableau_-Chapter04]: https://blog.csdn.net/qq_45176548/article/details/112777582
[Tableau_-Chapter05]: https://blog.csdn.net/qq_45176548/article/details/112788089
[Tableau_-Chapter06]: https://blog.csdn.net/qq_45176548/article/details/112797650
[Tableau_-Chapter07]: https://blog.csdn.net/qq_45176548/article/details/112849661
[Tableau_-Chapter08]: https://blog.csdn.net/qq_45176548/article/details/112850737
[Tableau_-Chapter09]: https://blog.csdn.net/qq_45176548/article/details/112873059
[Tableau_-Chapter10]: https://beishan.blog.csdn.net/article/details/116400020
[Tableau_-Chapter11 _-]: https://beishan.blog.csdn.net/article/details/116401411
[Tableau_-Chapter12]: https://beishan.blog.csdn.net/article/details/117717815
[Tableau_-Chapter13]: https://beishan.blog.csdn.net/article/details/117969002
[Tableau_-Chapter14]: https://beishan.blog.csdn.net/article/details/118073642
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_26_color_FFFFFF_t_70]: /images/20221005/54f478524dee48ca9f10ba939fee388f.png
[Link 1]: https://blog.csdn.net/qq_45176548/article/details/116274077
[Tableau_PM2.5]: https://blog.csdn.net/qq_45176548/article/details/113619239
[Python_Tableau]: https://beishan.blog.csdn.net/article/details/117935516
[20210616132641368.gif]: /images/20221005/067abff34e9644e6b7d412bd0a3aaa5c.png
[Python _Seaborn_1]: https://blog.csdn.net/qq_45176548/article/details/117380983
[Python _Seaborn_2]: https://blog.csdn.net/qq_45176548/article/details/117305614
[Matplotlib]: https://blog.csdn.net/qq_45176548/article/details/116401687
[Python_ACF_PACF]: https://blog.csdn.net/qq_45176548/article/details/116771331
[Python_Tableau 1]: https://blog.csdn.net/qq_45176548/article/details/117935516
[pyecharts]: https://blog.csdn.net/qq_45176548/article/details/112221932
[Pandas]: https://beishan.blog.csdn.net/article/details/109588361
[Python_ARIMA]: https://beishan.blog.csdn.net/article/details/111504846
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_36_color_FFFFFF_t_70]: /images/20221005/a9ea7e2ad2034cb8829832ccaebb968c.png
[SPSS]: https://beishan.blog.csdn.net/article/details/112006848
[SPSS 1]: https://beishan.blog.csdn.net/article/details/112006738
[SPSS 2]: https://beishan.blog.csdn.net/article/details/111416495
[20210705184935700.gif]: /images/20221005/d87f4d9cf1b642eb8011906be841a554.png