常见的数据质量问题包括：1.数据收集错误，遗漏了数据对象，或者包含了本不应包含的其他数据对象。2.数据中的离群点，即不同于数据集中其他大部分数据对象特征的数据对象。3.存在遗漏值，数据对象的一个或多个属性值缺失，导致数据收集不全。4.数据不一致，收集到的数据明显不合常理，或者多个属性值之间互相矛盾。例如，体重是负数，或者所填的邮政编码和城市之间并没有对应关系。5.重复值的存在，数据集中包含完全重复或几乎重复的数据。正是因为有以上问题的存在，直接拿采集的数据进行分析or可视化，得出的结论往往会误导用户做出错误的决策。因此，对采集到的原始数据进行数据清洗和规范化，是数据可视化流程中不可缺少的一环。

现在的数据时代，数据可视化因为数据分析的火热而变得逐渐火热起来，但是数据可视化并不是一个新的技术，虽然说数据可视化相对于数据分析来说相当的简单，但是数据可视化却是一个重要的技术。在国外，其实数据可视化已经很成熟了，比如说新闻方面，他们借助于数据可视化的技术，使用图像化来传播信息，以此来提高自己的影响力。

既然是数据可视化，那么可视化的元素肯定是数据，这里所指的数据是广义上的数据，包括文本、图片、声音等超媒体数据。ECharts在可视化过程中所涉及的四种基本数据集类型分别是表格数据、网状数据、场数据和几何空间（spatial）数据，像集合、列表等也是常用的数据集类型。这些基本数据集类型又是由不同的数据类组合构成的，这里的数据类是指可视化中所涉及的数据种类，主要包括四种数据类，分别是数据项、数据项的属性、链接（links）、位置。数据项的属性又可分为类别型和有序型两种，其中有序型又进一步细分为序数型和数值型。