Highcharts是一款純JavaScript編寫的圖表庫，為你的Web網(wǎng)站、Web應(yīng)用程序提供直觀、交互式圖表。當前支持折線、曲線、區(qū)域、區(qū)域曲線圖、柱形圖、條形圖、餅圖、散點圖、角度測量圖、區(qū)域排列圖、區(qū)域曲線排列圖、柱形排列圖、極坐標圖等幾十種圖表類型。

點擊下載Highcharts最新試用版

標記群集是一種有效的方法，可通過將相似的數(shù)據(jù)點聚集成塊以簡化可視化，從而簡化圖表（通常是散點圖或地圖）上大量數(shù)據(jù)點的可視化。

在本教程中，我們將向您展示兩個示例，其中標記聚類技術(shù)特別有效；然后，我們將深入探討Highcharts庫為您提供的不同配置選項，即集群算法。

讓我們開始吧

下面的地圖顯示了2000年至2019年期間美國大陸（及其周邊地區(qū)）所有4.5級及以上的地震。

根據(jù)地圖，東海岸的地震數(shù)量遠比西海岸的地震數(shù)量重要。在過去的19年中，東海岸的許多州都有大量地震記錄，例如加利福尼亞州，中西部地區(qū)幾乎沒有地震記錄。但是該地圖沒有顯示其他可以讓我們有更好了解的細節(jié)，例如：每個州發(fā)生了多少次地震？除加利福尼亞州外，最容易發(fā)生地震的州和最安全的州在哪里？等等。在這張地圖上，計算地震的數(shù)量具有挑戰(zhàn)性，因為點彼此重疊，并且圖案隱藏在堆積的標記層之下。解決此問題的一種方法是使用標記群集。

標記聚類概念允許我們使用不同類型的算法將封閉標記聚集到許多聚類中。為了獲得更高的可見性，使用紅色漸變來可視化群集的大小。

現(xiàn)在，我們可以使用每個州和地區(qū)的地震編號從地圖上獲得更多洞察力；看起來在過去的19年中，僅加利福尼亞州就記錄了150多次地震，內(nèi)華達州記錄了30多次地震。俄克拉荷馬州有13次地震記錄，其次是愛達荷州（11）和華盛頓州（8）。懷俄明州，蒙大拿州和愛達荷州之間的邊界地區(qū)在過去19年中記錄了19次地震。中西部地區(qū)似乎是美國最安全的地區(qū)，自2000年以來幾乎沒有記錄到4.5級以上的地震。
顯示具有群集數(shù)據(jù)的地圖可以指導(dǎo)領(lǐng)導(dǎo)者和研究人員做出更好的決定，制定更有成功機會的計劃。

備注
標記群集的另一個好處是可以放大并在每個群集或組中定位特定的標記（點）。要放大，請直接在游覽選擇的群集上單擊，或使用導(dǎo)航地圖按鈕（左上方）。

2，散點圖

這是一個散點圖，其中標記豐富。該圖表顯示了參加2012年夏季奧運會的運動員的身高和體重之間的關(guān)系。

從圖表中可以看出，運動員的身高和體重同時增加。模式與少數(shù)異常值一致。該圖呈線性增長，身高與體重之間的關(guān)系是中等程度的關(guān)聯(lián)，所有這些觀察結(jié)果都可以通過快速瀏覽一下此圖輕松確定。但是，尚不清楚有多少運動員具有相似的特征，是否有實用的方法將它們分組？例如，運動員的體重和身高之間最顯著的關(guān)聯(lián)是什么？再一次，由于圖表上的壓倒性標記，對于任何人來說，看到基本信息都是一個真正的視覺挑戰(zhàn)。

從這個演示中，我們?nèi)匀豢梢钥吹节厔?的增長，即線性形狀，兩個變量之間具有相關(guān)性。但是，借助標記聚類技術(shù)，很明顯，大多數(shù)運動員的身高在170cm至180cm之間，體重在60kg至80kg之間。此圖表還在藍色圓點的右側(cè)顯示了一個明顯的異常值。

現(xiàn)在您對標記聚類技術(shù)的實用性有了一個很好的認識。讓我們看一下您的不同方法，以確定如何以最有意義的方式對數(shù)據(jù)集進行數(shù)據(jù)聚類。

你有三種算法從你的圖表分配市場集群的時候選擇：grid，，和。您要做的就是從layoutAlgorithm下的type選項中選擇一種算法。例如，下面是一段代碼，用于選擇K-means算法：k-meansoptimizedKmeans

layoutAlgorithm: {: {
  type: 'kmeans',: 'kmeans',
  distance: '7%': '7%'
},},

盡管如此，由于Highcharts庫的靈活性，您仍然可以分配自定義的聚類算法。選擇哪種算法或每種聚類算法的優(yōu)缺點都超出了本教程的范圍。但是，這是三個具有相同數(shù)據(jù)的演示，其中使用了三種聚類算法，使您對結(jié)果有直觀的了解。為了更好地理解每種算法的工作原理，我們將兩個具有相同數(shù)據(jù)的圖表相互疊加，一個系列顯示特定的聚類算法（藍色），第二個系列僅顯示散點圖（紅色） ）。

如您所見，每個演示都有自己的集群結(jié)構(gòu)配置。與網(wǎng)格演示相比，K-means演示在群集中包含的點更多。Optimized K-means演示看起來幾乎與K-means演示相似，但是在放大和縮小期間，它比K-means更快地處理和設(shè)置群集。

標記群集是一個實用的概念，它使我們能夠更好，快速地了解數(shù)據(jù)，而不會丟失任何標記的準確性。不要害怕在下一張圖表中嘗試這種超贊的技術(shù)，并隨時使用下面的評論部分中的標記聚類功能共享自己喜歡的圖表。

=====================================================

想要購買Highcharts正版授權(quán)的朋友可以

更多精彩內(nèi)容，敬請關(guān)注下方的微信公眾號，及時獲取產(chǎn)品最新資訊▼▼▼