当我们谈论数据可视化时，我们实际谈论的是将数据通过系统化、有逻辑的方式转化为最终的视觉呈现。数据可视化图形有很多种类：初看散点图（scatter plot）、饼图（pie）和热力图（heatmap）并没有什么共同点，实际上这些图形背后都有一套基础图形语言：捕获数据，并将数据转化为纸上的墨点，或是屏幕上的像素。其内在本质在于：数据可视化将原始数据映射为直观可量化的视觉特征，我们将其称为图形元素（aesthetics）。
1. 图形元素
图片 1.1：图形元素通常包含的信息有 位置（position）, 形状（shape）, 尺寸（size）, 颜色（color）, 线段宽度（line width）, 线段类型（line type) 等。 有些信息是可以同时是连续型（continuous） 或离散型（discrete） ，比如 position，size，line-width，color ，而其他通常只能是离散型的。
上图包含了一些基础的图形元素。图形元素有一些关键特征，首先是位置（position），用来描述元素的位置信息。通常在 标准 2D 空间中，用 x, y 来描述位置信息，当然在 1 维 或者 3 维空间有其他的位置描述方式。 然后，所有的图形元素有 形状（shape）, 尺寸（size），颜色（color） 等信息，即使我们只是绘制黑白元素，我们也要给图形元素设置合适的颜色用于展示，譬如在白色背景上可以绘制黑色图形，但是白色图形就不行了。最后，我们在有些场景下会应用不同宽度的线段和不同类型的线段（实线、虚线等）。
在上图之外，我们还会遇到更多的图形元素，譬如展示字体是需要考虑字体系列（font family），字体大小（font size），如果要处理图形相互覆盖，还需要考虑到图形透明度变化。
图形元素可以分为两大类：连续型和离散型。连续型含义是任意两个数据之间都可以存在中间状态，比如时间就是连续型的，50s 和 51s 之间还可以存在 50.5s，50.51s 甚至更多。相互在一个房间可人数是离散的，房间可以容纳 5 人或者 6 人，但不能是 5.5 人。图上 position、size、line width，color 可以是连续型的，而 shape 和 line type 通常只能是离散型。
接下来我们来看下需要展示的数据的种类。通常你可能会觉数据应该是数字类型的，但其实数字只是可视化数据中的两个类别而已。如下表所示，除了连续型和离散型数字之外，还可以通过离散型类别（cetegory）、日期或者时间形式（date/time）和文本（text）形式呈现。如果数据类型是数字，我们称之为定量（quantitative），如果数据类型是其他类型，我们称之为定性（qualitative）。定性的变量被称为因子（factor），不同类别（category） 称为级别（level）。因子的级别通常是无序的（dog, cat, fish），不过也可以是有序列表（good，fair，pool）。
| 变量类型 | 示例 | 变量分布 | 描述 |
|---|---|---|---|
| 连续数字 | 1.3, 5.7, 83 | 连续型 | 连续的数字类型，可以是整数，也可以是小数 |
| 离散数据 | [1, 2, 3] | 离散型 | 离散的数字单元 |
| 无序类别 | dog, cat, fish | 离散型 | 类别之间无顺序关系，也被称为因子 |
| 有序类别 | good，fair，pool | 离散型 | 类别之间有顺序关系，也被称为有序因子 |
| 日期或时间 | Jan. 5 2018, 8:03am | 离散型 or 连续型 | 查看一段连续时间时可以是连续型数据 |
| 文本 | 我的名字 | 无 or 离散型 | 普通文本 |
表格 2.1
下面我们来看一组具体数据，来自美国 4 个城市的天气数据。数据包含了 5 列信息：Month，Day，Location，Station ID， Temperature。其中 Month 是有序因子（ordered factor），Day 是离散的数字类型，location 和 Station ID 是无序因子(unordered factor)，而 Temperature 则是连续的数字值。
表格 2.2 一组真实天气数据
| Month | Day | Location | Station ID | Temperature |
|---|---|---|---|---|
| Jan | 1 | Chicago | USW00014819 | 25.6 |
| Jan | 1 | San Diego | USW00093107 | 55.2 |
| Jan | 1 | Houston | USW00012918 | 53.9 |
| Jan | 1 | Death Valley | USC00042319 | 51.0 |
| Jan | 2 | Chicago | USW00014819 | 25.5 |
| Jan | 2 | San Diego | USW00093107 | 55.3 |
| Jan | 2 | Houston | USW00012918 | 53.8 |
| Jan | 2 | Death Valley | USC00042319 | 51.2 |
| Jan | 3 | Chicago | USW00014819 | 25.3 |
| Jan | 3 | San Diego | USW00093107 | 55.3 |
| Jan | 3 | Death Valley | USC00042319 | 51.3 |
| Jan | 3 | Houston | USW00012918 | 53.8 |
2. 比例尺：将数据映射到图形元素
想实现将数据映射到图形元素，首先需要指定哪些数据类别对应到图形元素哪些特征。举个例子，如果图形上有 x 轴，那我们就需要考虑指定哪些数据分布在坐标轴上的不同位置（position），类似的，我们还要考虑哪些数据来对应到特定的形状（shape）和颜色（color），这种数据和图形元素之间的对应关系就是通过比例尺（scale） 来创建的。比例尺定义了数据和图形元素之间一一映射关系。也就是说，比例尺是一对一的，对于每一个数据集，都只能是一个图形元素特征，反之亦然。如果比例尺不是一一对应的，数据可视化就会变得模糊不清。
图片 2.2：比例尺连接数据集到图形元素。图上数字 1 到 4 分别建立了和位置（position）、形状（shape）、颜色（color）的映射关系。在每个比例尺上，每个数据都对应一个唯一的图形特征，反之亦然。
我们再来看实际一点的，以 表格2.2 数据为例，我们可以分别将 month 和 temperature 映射到 x 轴和 y 轴上。而 location 则作为颜色分类，并生成实线线段。最终生成的效果就是标准的折线图，展示 4 个城市在一年不同月份的温度趋势图。
图 2.3：4个城市的温度趋势折线图，x 轴代表月份，y 轴代表温度，而颜色用来区分不同城市
图 2.3 是非常常见的用于展示温度趋势的折线图，也是大部分数据科学家凭直觉就会选择的可视化实现。然而，我们也可以指定不同变量来生成不同比例尺。举例来说，相比于将 temperature 映射到 y 轴，location 映射为颜色，我们可以反着来。此时我们关心的关键变量（temperature）就通过颜色来呈现，我们需要定义更大的颜色范围来传递更有价值的信息。此时，我会选择用正方块来替换折线，一个色块对应一个城市和月份，下图我按照每月的平均温度进行对色块的着色。
图 2.4：此时 x 轴还是月份，但是 y 轴变成了城市，而颜色通过温度来区分
我要强调一下，图 2.4 上有两种基于位置的比例尺，分别是基于 x 轴分布的 month，和基于 y 轴分布的 location，且两者都不是连续型变量。其中 Month 是有序因子并包含 12 个级别（level）, 而 Location 是 4 个层级的无序因子，两者都是离散型比例尺。离散型数据的因子通常在坐标轴上等间距分布，如果是有序的（比如 Month），则会按照适当的顺序分布，如果是无序的（比如 Location），那么可以按照需求自由分布。图 2.4，我按照从冷（Chicago）到热（Death Valley）生成一个渐变效果，当然我也可以采用其他的排序方式。
图 2.3 和图 2.4 都应用了 3 个比例尺 —— 2 个基于位置的比例尺和 1 个基于颜色的比例尺，这是可视化图形的常用比例尺数量，当然我们也可以应用更多的比例尺数量。图 2.5 上就应用了 5 个比例尺 —— 2 个位置比例尺，1 个 颜色比例尺，1 个尺寸比例尺和 1 个形状比例尺，每个比例尺都代表了数据的不同维度。
图 2.5: 汽车燃油效率与排量之比。图上应用了 5 个维度来展示数据。(i) x轴(发动机排量); (ii) y 轴(燃油机效率); (iii) 点颜色(功率); (iv) 点尺寸(汽车重量); (v) 点的形状(气缸数量); 4/5 的维度（排量、效率、功率、重量）是连续型数据，只有剩下的气缸数量字段可以认为是离散型数字，或是定性有序类型。
扫一扫
5920
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
