深度测评｜比较完这24种可视化工具，我知道该学什么了
电子产品的测评大家看过不少吧～但可视化工具的测评有了解过吗？
今天课代表就给大家分享一篇可视化工具的测评：用24种工具或编程制作一个相同的图表。📊📈📉
测评内容同样来自 Datawrapper 的编辑@Lisa Charlotte Rost（之前我们就编译过她的一篇可视化颜色文章 >> 再见，辣眼睛的配色！）
在这次文章里，她针对工具/图表库的 ❶侧重度：分析vs展示，❷灵活程度，❸图表选择：静态图表vs交互图表 三大方面，测评结果还用图表展示出，给你一目了然的可视化工具学习方向建议～
⌂ https://lisacharlotterost.de/2016/05/17/one-chart-tools/
数据可视化在很多领域都有应用，比如自然科学，商业当然还有新闻业（本美数课课代表从事的数据新闻~）所有这些领域都有不同的需求——但即使在数据新闻领域，不同的场景下呈现的方式和效果也不同，因此不存在一个完美的工具可以满足所有的需求。
下面是她在制作中曾遇到过的一些矛盾，也是数据可视化工作者常常遇到的情况。
是想使用工具（R, Python）来分析数据，还是更注重于构建可视化效果（D3.js, Adboe Illustrator）？有些工具（比如说 Tableau, Ggvis, Plotly）试图在这其中谋求平衡，既可分析又可展示。
🔵编程类的分布相对平均，有侧重数据分析类的 R、matplotlib等，也有可以创作出丰富酷炫可视化图表的编程语言 D3.js、Processing 。
1） 删掉图表 ，重新来过😤
2）修改表格数据保存后，马上更新😆
3）改了即可见😉
2⃣️判断条件：图表是否更具创新性
综合数据管理和图表创新性，Lisa 对工具的灵活性进行了排列：
你是需要创造基于网页的交互图表（如D3.js, Highcharts能做到的），还是PDF/SVG/PNG形态的图表就能满足你 ( R 和 Illustrator 可以做到)。
几年前，互动图表曾受到高度追捧，但现在关注焦点慢慢从“看起来怎么样”转移到“什么才更有意义”。
对于分析部分，交互特性往往也是很有必要存在的。Plotly 和 R 的库 Ggvis 就可以让读者轻松地将鼠标悬停在可视元素上来查看数据。
下图是作者对于软件/编程的在静态和交互的划分：
看完了上述三个判断因素，你想好了你要学的工具吗？除了工具的客观实用层面，Lisa 还发现不同的思维方式🤯，影响着工具的使用体验。
人各有长处，何况工具呢？它们都是依照特定的制作思路和功能被开发的，而真实使用场景下，使用者的思路和开发者们预想的方式可能会不同。开发者们往往会受到以前使用工具和他们同事的影响，况且他们也有着非常不同的专业背景：比如新闻学、统计学、计算机科学、设计专业等等等。
Lisa 的朋友 Alberto Cairo 曾经向她推荐过 Yeeron 和 InZight 两个工具，但是她觉得很难用。而 Alberto 觉得难用的Lyra，却是个给 Lisa 带来诸多启发的工具。这是因为他们俩背景不同：Alberto 的首要自我认知是记者，其次才是设计师；而 Lisa 则认为自己主要是个设计师。所以 Alberto 喜欢能发现故事的可视化工具，而 Lisa 则喜欢更高的设计自由度。
尽管两个人对部分软件的各有偏爱，但他们都更认同“可视化软件更容易上手，但写代码可以创造出更好的作品”。
下面的图表是对软件的灵活性和学习难度之间的分布情况：🔵大多数编程语言/图表库处于 难学但灵活度强 的区域，🔴而大多数支持一键生成的可视化软件则处于 易学但灵活度弱 的区域。
⌂ 点击图片查看大图
Lisa 还提到她自己很喜欢像 Plotly，Tableau，Lyra 和 NodeBox 这样的软件，只需要通过点击和拖动就可以制作图表，且拥有很高的灵活性。希望可以看到更多这类的工具，甚至希望能够把软件的可视化能力开发得像编程一样强大，当然这是一个很大的挑战。Excel 就是一个很好的例子，它不但对初学者来说很容易上手，也能为 Excel 大神们提供了很大的灵活性。
每种工具都会引你走向一条路，上图是 Lisa 的路径思维图，你会选择使用哪一条？
◒◡◒
┊推 - 荐 - 阅 - 读┊