一些将数据库数据作可视化管理的常用规则与建议

可视化有很多“规则”。有的是实际规则，有的是帮你做出选择的建议。假如是出于数据要求，而且你也知道该怎么办，那么很多实际的规则也不必遵守。但是，确实有一些规则不应该违反。这些规则通常用于一些特定类型的图表，几乎只能以特定的方式阅读。当这些规则被打破时，数据可能会在阅读过程中被误读。会有点棘手。条形图的基线必须从零开始，条形图必须依靠长度来呈现数据。短条块代表较低的值，长条块代表较高的值。条形图的原理是通过比较条块的长度来比较值的大小。当基线发生变化时，视觉效果就会扭曲。例如，请看上图。左边的第一幅条形图比较了两个值：50和100，它有一条，它有一条以零为起点的基线。很好。代表100值的条块长度正好是50值的两倍长，正好是100值的两倍大小。但是当你把基线变成更高的非零值时，第一条的长度变短了，而另一条的长度没有变。此时值为100的条形不再是值为50的条形的两倍长。以此类推，当左边代表50的条形完全消失时，意味着100无限大于50。条形图的基线必须从零开始。例:这张条形图是福克斯新闻允许的。3月31日，目标值为7.066.00，比6.00、000高17.8%，但第二条几乎是第一条长度的三倍。有人可能会反驳说，这张图的重点是两个值的差异，而不是两个值本身。即便如此，用条形图来表示本身也是一个错误的选择。用时间序列呈现月累积数可能更好。不要太热衷于饼图。有些人认为饼图应该完全避免。也许他们是对的，也许不是。有些人可能会说，使用饼图是一个完全不可原谅的错误。我不同意。无论如何，人们仍然使用饼图，所以我们至少可以努力正确地使用它们。避免过度切割饼图，否则最终的阅读将不可持续。那么多少是“太多”？这是一个判断问题。但是，如果很难从图中看出其中一个扇形是另一个扇形的两倍大，或者当几个较小的扇形区域看起来几乎很大时，就应该停止扇形切割。在这个时候，我们可以考虑将较小的类别归类为较大的类别：“其他”。圆环图也是如此。同时考虑用其他类型的图表来表示比例。不要太依赖饼图。例:这张饼图来自维基百科，展示了国家的不同地区。左边的饼图已经切了很多块，但是旁边分开了一张饼图，显示了左图中看不清楚的较小国家的情况，从而提供了更多的信息。显示这组数据的方法有很多，比如树形图、按数据比例制作的图标，或者使用普通地图。单薄饼图只适用于显示只有几组值的数据。与呈现值相比，有些图片更注重表现部分与整体之间的关系，而尊重部分的整体比例是部分的整体比例。例如，堆积条形图、堆积区域图、树形图、马赛克图、圆环图和饼图。在这些图表中，每个部分都表示一个独立的、不重叠的比例。关于这一点，最常见的错误发生在调查问题允许多选时。例如：“你上周使用了哪种交通工具？可以多选。这样，比例就会重叠，不同选项的百分比之和就会大于一。为了避免这种情况，你不能直接把比例做成统计图。例:这张饼图来自福克斯新闻的下属机构，显示了三个不属于同一个整体的百分比。每个值都是一个单独的整体，所以在这种情况下，每个值的比例会用三个堆积条块(或普通条块)更直观地表现出来。可视化的重点是显示数据，让读者看到数据。若数据呈现不够清晰，则违背了制作图表的初衷。这通常是因为图片中的数据太多，所以读者的兴趣分散了。这是一个经典的“过度绘图”问题，有很多相关的研究。但对于基本图表，也有一些简单的解决方案。首先可以改变符号的大小，这样上图中的小圆点(或其他符号)就不会占用太多空间。为了使数据直观清晰，主要增加空白。调整透明度，不会覆盖多层次图案。通过取样或对数据进行分类，将数据整体分为几个较小的子组。从中，你可以采取小而多的方式，这样每张表中的信息就会少一些。对数据进行再统计和分类。总之，数据呈现得更好。例子：这张照片显示了金州勇士队在2008-09赛季的每一次投篮。这张照片最终形成了一个体育场的形状，并得出了近框、中距离和三分球的小结论，这是球员投篮最多的地方。但它们之间的差距很小，读者看不到真正的量级差距。数据聚合法将有助于解决此类问题。解释编码通过结合一定的形状、颜色和几何图形来呈现数据。图表设计师必须将这些图形解码回数据值，以便读者能够清楚地阅读。经典的例子是没有标记的坐标轴。有时编码不需要解释。例如，读者可能知道如何阅读条形图，因此无需解释条的长度表示值的大小。但设计师确实应该解释数据，即图表的单位和主题。因此，标明坐标轴代表的含义。为读者提供线索或图例，解释图表。例:这个错误标记的图表来自温尼伯太阳报:如果我们能知道这是关于什么的统计数据。2015年数据可视化十大项目，优秀的可视化作品充满活力，我可以肯定明年会有很多好作品。跨越不同主题和应用形式的项目很多，但如果我选择一个年度主题，无论是通过解释、模拟解释还是深入分析，都必须是“教学”。有时我觉得视觉创作者非常大胆，试图让读者不再用通常的思维方式来理解数据和统计。我非常喜欢这个。以下是我选择的2015年最佳项目。按照惯例，排名不分顺序。同时，也有很多作品不在这个名单上，他们也很优秀。让我们一起来看看。1.亲爱的数据，这是一个值得跟踪的有趣项目，它涉及两个主题——可视化和自我监控——吸引了我的注意。亲爱的数据是StefaniePosavec和Giorgialupi制作的一年项目。每个人都会跟踪一周中每天发生的事情，比如每个人接多少次电话，然后在明信片上可视化这些数据。然后他们把这些明信片寄给对方——Lupi现在住在纽约，Posavec住在伦敦。2.你来画画:如何预测家庭收入孩子的大学入学概率，感觉今年似乎是挑战读者如何从更高的统计角度理解数据的一年。《纽约时报》Upshot的GregorAisch、Amandacox和KevinQuealy要求读者画一条反映家庭收入和大学生数百分比的线。所以你可以看到自己画的线，真实数据画的线和别人怎么看待这种关系。关于Upshot/Newyorktimes和数据假设，请参见thisquickpuzletotestyorpaternnter-findingability(快速测试您的模式识别能力)和3-Dchartoftheeconomy’sfuture(未来经济发展3D图)。3.《纽约时报》的538也通过可视化互动开展了一些数据科学教学活动。最好的课之一是教人们如何通过“窃取P值”（p-hacking）从同一个数据集中得到你想要的结果。当这个项目发布时，一个刚毕业的学生被曝光伪造数据。（hyperlink）。Christieaschwanden和Ritchieking的重点不是怀疑一个荒谬的结果是如何通过严格的同行评估的。相反，他们想说的是，科学地研究和解释数据是真正的困难。4.《纽约时报》的团队制作了一首关于Justinbieber的歌曲《你现在在哪里》，这不仅很好，而且很有趣。虽然Bieber更像配角，因为Diplo和Skrillex是详细研究如何制作大型歌曲的人，但视频旁边的音乐视觉作品可以帮助你更好地理解音乐家在说什么。5.麻疹如何在接种疫苗的儿童中传播，什么时候不传播卫报的Richaris，Nadjapovich和Kentonpowell显示了一个国家的儿童不接种麻疹疫苗时会发生什么。作为父母，我想把整个列表做成交互式。6.机器学习的可视化介绍机器学习似乎是一个神奇的概念，这似乎意味着机器人可以做奇怪的事情而不受你的教导。Stephanieyeee和TonyChu用一个可视化的例子来解谜。像卷轴一样，这个可视化的例子带你一步一步地了解机器是如何“学习”的。过渡图使整个图连接得非常顺畅。现有的结果似乎是一系列项目的第一部分，但我们可能要等一段时间才能看到后面。7.第二次世界大战结束时，NeilHalloran项目的一部分是记录，另一部分是互动可视化，无缝连接在一起。我惊讶地发现，做这类项目的人并不多。当我意识到他们在做这样的项目时，我非常希望它能继续下去（阅读更多）。8.2014年是记录以来最热门的一年，最直观的可视化数据方式是单线图。但是在分解了线之后，我们可以得到更多的信息。这张由彭博社Tomrandalll和Blackimigliozi制作的动态图显示了月平均气温。每条线代表一个完整的年份，随着时间的推移，这条线在几英寸几英寸上升。9.网络效应距离上次看到JonathanHarris这样的项目已经有一段时间了。他与GregHochmuth合作了这个项目。“网络效应”是对整个互联网的评论，可以让人们以一种奇妙而迷人的方式了解互联网的方方面面。一次花几分钟。10.常用的比喻“比喻修辞是作者常用的，是读者心目中具有特定形象的工具和写作习惯”。Bocoup数据可视化团队制作的“常用隐喻”项目研究了隐喻修辞中常用的单词。如果你想了解电影中的性别角色和角色，这个项目就是你想要找到的。