根据本·施耐德曼（Ben Shneiderman）的分类，信息可视化的数据分为：一维数据、二维数据、三维数据、多维数据、时态数据、层次数据和网络数据。大数据可视化研究的领域主要包含：多维数据、时态数据、层次数据和网络数据。

时态数据的可视化

时间数据广泛存在于不同的应用中，例如医疗记录、项目管理或历史介绍。数据集中的每一项包含时间信息，如开始和结束时间。用户潜在的需求是搜索在某些事件或时刻之间、之后或之中发生的事件，以及相应的信息和属性。针对时态数据的可视化方法包含：线形图、动画、堆积图、时间线、地平线图等。

多维数据的可视化

多维数据目前已经成为了计算机领域的研究热点，多维数据中的每一项数据拥有多个属性，可以表示为高维空间的一个点。该类数据常见于传统的关系或同级数据库应用中。用户需求包括寻找特涨、聚类、变量之间的相关性、差距以及离群值等。将多维数据信息映射到二三维空间上，方便多维数据进行人与数据的交互，有助于对数据进行聚类以及分类。高维数据可视化的研究主要包含数据变化、数据呈现两个方面。可视化设计可以基于二维散点图，对每个维度增加滑块控制。当维度相对比较小的时候，例如小于10，属性可以对应于不同的按钮。多维数据也可由三维散点图表示，但是可能造成信息阻塞等问题。

层次数据的可视化

层次数据具有等级或层级关系。层次数据的可视化方法主要包括节点链接图和树图2种方式。其中树图(treemap)由一系列的嵌套环、块来展示层次数据。为了能展示更多的节点内容，一些基于“焦点＋上下文”技术的交互方法被开发出来。包括“鱼眼”技术、几何变形、语义缩放、远离焦点的节点聚类技术等。

网络数据的可视化

网络数据表现为更加自由、更加复杂的关系网络。分析网络数据的核心是挖掘关系网络中的重要结构性质，如节点相似性、关系传递性、网络中心性等，网络数据可视化方法应清晰表达个体间关系以及个体的聚类关系。主要布局策略包含结点链接法和相邻矩阵法。