数据之美笔记

Posted 2020-10-05

数据之美

一、 了解数据

二、 可视化的意义

 

 

三、 掌握可视化设计的原材料

1.    可视化组件：

视觉暗示、坐标系、标尺、背景信息

 

2.    整合可视化组件

四、 不了解数据，一切皆是空谈

1.    可视化过程

流程图

2.    分类数据可视化

a)     分类

数据是直接的，每个分类都有一个值。可以使用条形图和符号图，特点对比

图表类型	优势	劣势
条形图	长度作视觉暗示，分类间的差异明显	每个矩形都要从零坐标开始 只能横向或向上径直延伸
符号图	面积做视觉暗示，难以区分细微差别 可以在二维空间以任何方式组织图形	便于展示差异数量级较大的数据

 

b)     整体中的部分

饼图：角度做视觉暗示，总和为100%，不适用于分类较多的情况

堆叠条形图：通常用于显示投票结果，也可用于原始计数

 

c)     子分类

用于有层次的数据

树图：紧凑的空间显示层次结构，通常面积和颜色结合使用

马赛克图：允许在一个视图中进行跨分类比较

 

d)     看清数据的结构和模式

回归到数据：分类数据可以很直观的看到数据集的范围、分布情况、再看结构和模式，如果一些分类有着同样或差异很大的值，要分析原因

3.    时序数据的可视化

a)     周期

条形图：对离散的时间点很有用，关注数值，更容易区分变化

折线图：通过方向这一视觉暗示更注重变化趋势的体现

散点图：重点在数值上，趋势不是那么明显，尤其在数据量小的时候，可以用线连接起来显示趋势（散点图可以使用LOESS拟合曲线）

点线图：相对条形图，更聚焦于端点

径向分布图：与折线图类似，但是围成一圈

日历：对于星期周期模式比其他图看起来更方便

 

b)     循环

存在数据循环重复的情况下，比较每个周期同一天的数据就有意义了。

折线图：可以把日子按循环周期分成段，用多条重叠的折线比较循环情况

星状图：也可使用星状图圆周表示时间循环，多条层叠的折线圈表现循环情况

日历热区图：便于从所有角度观察数据，容易找到数值对应的日期，但颜色作为视觉暗示难以区分较小的数据差异

 

c)     寻找变化的意义

回归到数据：时序数据注重随时间推移发生的变化，比发现变化更重要的是发现变化背后的意义。

注：LOESS曲线法拟合曲线，可用于散点拟合为类似正太分布

4.    空间数据的可视化

a)     位置

位置图：只关心单个位置的数据信息，可以在地图上画点，气泡大小表示数值

联系图：表现不同地点之间的关系

b)     区域

等值区域图：在空间背景信息中可视化区域数据，使用颜色作为视觉暗示，不同区域根据数据填充颜色

等高线图：线条表明地理分布数据的连续性，使用了密度

c)     统计地图

圆形统计图：整个地区依据数据用形状表示大小，而不考虑改地区实际大小，地理学的面积和边界将完全不存在

基于扩散的统计图：保留地理学区域边界，但将边界延长，使区域面积与数据对等

d)     统计图的优缺点

地图：绘制地图（实际区域比例），尤其是等值区域图时，大面积的区域总是得到更多的注意，无论数据量如何

统计图：延长了区域边界，使区域的边界与数值保持一致，但缺点是地理精度不够

 

e)     寻找区域模式

回归到数据：了解数据范围，然后寻找数据的区域模式，结合区域隐含的信息分析数据在不同区域的表现

5.    多元变量

a)     少数变量

两个变量：横纵坐标表示两个变量的散点图，可以体现两变量间的相关性

三个变量：引入新的视觉暗示，面积或颜色，表示第三个变量

四个变量：同时引入面积和颜色，表示不同的变量，但已经不易理解

b)     许多变量

热区图：表格布局，所有行表示同一变量的不同取值，每列代表各不相同的变量，颜色代表数值

平行坐标图：每个纵坐标代表一个变量，取值最小值在底端，最大值在顶端，根据每个变量的位置从左向右画线。如果所有变量正相关则所有线都是笔直的；如果两个变量负相关则一个变量的顶端与另一个变量的底端相连

星状图：更关注个体多变量取值的情况，可使用一组星状图，每个星状图表示一个个体

c)     多视角的使用

什么是多视角：多元变量的情况也可以在不同维度上绘制很多同类图表，可以从不同的角度查看数据，效果更好。

可参考的多视角方法：

• 如果已分类的多重变量具有时间性和空间性，数据呈现自然分隔，形成图表矩阵，下图为按航空公司划分的航线数据。

 

• 散点图矩阵可以代替平行坐标图显示相似关系，两两比较比一次弄清多重变量关系更直观

 

• 同时使用多种图表表现数据

 

d)     寻找数据间的关系

寻找数据间关系时，可以把所有数据同时可视化，也可以从更简单直观的视角出发。两个变量的关系简单易懂，变量数量增多关系变得复杂。

研究时不要进行假设，记住数据中没有包含的变量可能带来变化

相关性和因果关系：要考虑所有背景信息，然后在指定因果关系

1.    数据的分布

 

中位数：（中间的线）代表中位数

下四分位数：表示有1/4的数值低于该数值

上四分位数：表示有1/4的数值高于该数值。

四分位间距：上四分位数和下四分位数之间的范围被称为四分位间距

边界：上/下限边界分别有下四分位数减去/加上3/2个四分位间距来确定

异常值：如果最大值和最小值都在上下限内，那么绘制边界线只是为了确定范围。否则，所有上下限外的点都会被视为异常值

 

a)     不只是寻找平均数和中位数

 可视化工具探索数据分布时要分析峰值、谷值、数据范围以及数据的分布情况。不只是平均数和中位数。原始数据的诗句分析和概要统计间的变化也更有价值。 

五、     让可视化设计更为清晰

建立视觉层次

增强图表可读性

• 允许数据点之间进行比较
• 描述背景信息
• 留白

高亮显示重点内容

注解可视化表达了什么

• 解释数据
• 统计学概念的解释
• 排版的尝试

从不同角度做一些计算

六、     为读者进行可视化设计

可视化的常见错误

• 新颖的图表
• 一切皆能可视化
• 固守可视化的规则

读者不同，数据展示也不同

• 自己动手制作可视化图
• 为某一位特定读者设计可视化图表
• 为更广泛的读者设计可视化图表

需要注意的事项

• 数据的背景
• 对概念进行指导
• 以数据来叙事
• 相关性

可视化步骤整合