Reprinted with permission from Big Data Digest ID: BigDataDigest
Original authorVolodymyr Fedak
Translated by: Hu Wensi
Want to read data streams like a book? This is only possible in movies. In the real world, businesses must use data visualization tools to read trends and patterns in raw data.
Big data visualization is one of the most important components for any kind of big data analysis solution. Once the raw data stream is represented graphically, making this decision becomes much easier. To meet and exceed customer expectations, big data visualization tools should have these characteristics:
· Ability to handle different types of incoming data
Ability to apply different kinds of filters to adjust results
Ability to interact with datasets during analysis
Ability to connect to other software to receive input data, or provide input data to other software
· Ability to provide users with collaboration options
While there are literally countless tools dedicated to big data visualization, both open source and proprietary, there are a few that stand out because they provide all or many of the above. We will introduce 4 of the most popular big data visualization tools to help you choose the one that suits your needs.
Jupyter: A One-Stop Shop for Big Data Visualization
JupyteR is an open-source project that enables real-time collaboration for big data analysis, visualization, and software development through more than a dozen programming languages. Its interface includes a code entry window and runs the entered code to provide visually readable images based on the chosen visualization technique.
However, the features mentioned above are just the tip of the iceberg. Jupyter Notebooks can be shared across teams to enable internal collaboration and facilitate team collaboration on data analysis. Teams can upload Jupyter Notebooks to GitHub or Gitlab so they can work together to influence results. Teams can use Kubernetes to include Jupyter Notebooks in Docker containers, or they can run Notebooks on any other machine that uses Jupyter. While initially using Python and R, Jupyter Notebook is actively introducing kernels coded in other programming languages like Java, Go, C#, Ruby, etc.
除此以外，Jupyter还能够与Spark这样的多框架进行交互，这使得对从具有不同输入源的程序收集的大量密集的数据进行数据处理时，Jupyte能够提供一个全能的解决方案。
Tableau：AI，大数据和机器学习应用可视化的最佳解决方案
Tableau是大数据可视化的市场领导者之一，在为大数据操作，深度学习算法和多种类型的AI应用程序提供交互式数据可视化方面尤为高效。
Tableau可以与Amazon AWS，MySQL，Hadoop，Teradata和SAP协作，使之成为一个能够创建详细图形和展示直观数据的多功能工具。 这样高级管理人员和中间链管理人员能够基于包含大量信息且容易读懂的Tableau图形作出基础决策。
Google Chart：Google支持的免费而强大的整合功能
谷歌是当今领导力的代名词。正如谷歌浏览器是当前最流行的浏览器一样，谷歌图表也是大数据可视化的最佳解决方案之一，更不用说它是完全免费的，并得到了Google的大力技术支持。 为什么它能得到Google的支持？ 因为通过Google Chart来分析的数据显然是要用于训练Google研发的AI，这样的合作对于各方来说都是双赢的。
Google Chart提供了大量的可视化类型，从简单的饼图、时间序列一直到多维交互矩阵都有。 图表可供调整的选项很多。如果需要对图表进行深度定制，可以参考详细的帮助部分。
该工具将生成的图表以HTML5 / SVG呈现，因此它们可与任何浏览器兼容。 Google Chart对VML的支持确保了其与旧版IE的兼容性，并且可以将图表移植到最新版本的Android和iOS上。 更重要的是，Google Chart结合了来自Google地图等多种Google服务的数据。 生成的交互式图表不仅可以实时输入数据，还可以使用交互式仪表板进行控制。
D3.js：以任何您需要的方式直观地显示大数据
D3.js代表Data Driven Document，一个用于实时交互式大数据可视化的JS库。 由于这不是一个工具， 所以用户在使用它来处理数据之前，需要对Javascript有一个很好的理解，并能以一种能被其他人理解的形式呈现。 除此以外，这个JS库将数据以SVG和HTML5格式呈现，所以像IE7和8这样的旧式浏览器不能利用D3.js功能。
从不同来源收集的数据如大规模数据将与实时的DOM绑定并以极快的速度生成交互式动画（2D和3D）。 D3架构允许用户通过各种附件和插件密集地重复使用代码。
最后的想法
以上提到的4种可视化工具只不过是大量在线或独立的数据可视化解决方案和工具中的一部分 。 每家公司都能够找到最适合他们的工具，并能够使用这些工具帮助他们将输入的原始数据转化为一系列清晰易懂的图像和图表。 这些数据本身没有任何价值，是借助可视化做的决策帮助它们实现驱动价值的 - -数据可视化工具有助于确定趋势和模式，从而做出有证据支持的决策。
我们希望您能在大数据可视化原理，技术和工具方面找到有用和有趣的系列文章。 如果有，请广泛分享！
精彩活动
推荐阅读
2017年数据可视化的七大趋势！
全球100款大数据工具汇总（前50款）
Q: 你还用过哪些数据可视化工具？
欢迎留言与大家分享
请把这篇文章分享给你的朋友
转载 / 投稿请联系：[email protected]
更多精彩文章，请在公众号后台点击“历史文章”查看
