盘点：数据可视化的五个步骤

盘点：数据可视化的五个步骤

许多先进的可视化方式(如：网络图、3D建模、堆叠地图)被用于特定用途，例如3D医疗影像、模拟城市交通、救灾监督。但无论一个可视化项目有多复杂，可视化的目的是帮助读者识别所分析的数据中的一种模式或趋势，而不是仅仅给他们提供冗长的描述，诸如：“2000年A的利润比B高出2.9%，尽管2001年A的利润增长了25%，但2001年利润比B低3.5%”。出色的可视化项目应该总结信息，并把信息组织起来，让读者的注意力集中于关键点。对于Elsevier’sAnalyticalServices的项目而言，我们一直在寻找提升数据分析和可视化的方式。例如，在我们对于研究表现的分析中有大量关于研究合作的数据;我们为ScienceEurope提供的报告(ComparativeBenchmarkingofEuropeanandUSResearchCollaborationandResearcherMobility)包含跨州合作以及国际合作的数据，这些数据不适合直接用二维表和X-Y图展示。为了探索数据背后的故事，我们使用了网络关系图来识别国家间的合作，并了解每个合作关系的影响。本文提供一份包含五个步骤的数据可视化指南，为想用表格、图形来传播观察结果、解读分析结果的人士提供帮助。要记住，建立好的可视化项目是一个反复迭代的过程。第1步-明确问题开始创建一个可视化项目时，第一步是明确要回答的问题，又或者试着回答下面的问题“这个可视化项目会怎样帮助读者?”3条数据记录表1–数据集中的三条记录图1-槽糕的可视化项目并不澄清事实，而是引人困惑。此图中包含太多变量清晰的问题可以有助于避免数据可视化的一个常见毛病：把不相干的事物放在一起比较。假设我们有这样一个数据集(见表1)，其中包含一个机构的作者总数、出版物总数、引用总数和它们特定一年的增长率。图1是一个糟糕的可视化案例，所有的变量都被包含在一张表格中。在同一张图中绘制出不同类型的多个变量，通常不是个好主意。注意力分散的读者会被诱导着去比较不相干的变量。比如，观察出所有机构的作者总数都少于出版物总数，这没有任何意义，又或者发现AthenaUniversity、BravoUniversity、DeltaInstitution三个研究机构的出版物总数依次增长，也没有意义。拥挤的图表难以阅读、难以处理。在有多个Y轴时就是如此，哪个变量对应哪个轴通常不清晰。简而言之，槽糕的可视化项目并不澄清事实而是引人困惑。第2步-从基本的可视化着手确定可视化项目的目标后，下一步是建立一个基本的图形。它可能是饼图、线图、流程图、散点图、表面图、地图、网络图等等，取决于手头的数据是什么样子。在明确图表该传达的核心信息时，需要明确以下几件事：我们试图绘制什么变量?X轴和轴代表什么?数据点的大小有什么含义吗?颜色有什么含义吗?我们试图确定与时间有关趋势，还是变量之间的关系?有些人使用不同类型的图表实现相同目标，但并不推荐这样做。不同类型的数据各自有其最适合的图表类型。比如，线形图最适合表现与时间有关的趋势，亦或是两个变量的潜在关系。当数据集中的数据点过多时，使用散点图进行可视化会比较容易。此外，直方图展示数据的分布。直方图的形状可能会根据不同组距改变，见图2。(在绘制直方图时，本质是在绘制柱状图来展示特定范围内有多少数据点。这个范围叫做组距。)图2-当组距变化，直方图的形状也发生变化。组距太窄会导致起伏过多，让读者只盯着树木却看不到整个森林。此外，你会发现，在完成下一个步骤以后，你可能会想要修改或更换图表类型。第3步-确定最能提供信息指标假设我们有另一个关于某研究机构出版物数量的数据库(见表2)。可视化过程中最关键的步骤是充分了解数据库以及每个变量的含义。从表格中可以看出，在A领域(SubjectA)，此机构出版了633篇文章，占此机构全部文章的39%;相同时间内全球此领域共出版了27738篇文章，占全球总量的44%。注意，B列中的百分比累计超过100%，因为有些文章被标记为属于多个领域。在这个例子中，我们想了解此机构在各个领域发表了多少文章。出版数量是一个有用的指标，不仅如此，与下面这些指标对照会呈现出更多信息：此领域的研究成果总量(B列)此领域的全球活跃程度由此，我们可以确定一个相对活跃指标，1.0代表全球平均活跃程度。高于1.0代表高于全球水平，低于1.0代表低于全球水平。用B列的数据除以D列，得到这个新的指标，见表2。表2-用B列的数据除以D列，得到新的指标：相对活跃程度(E栏)。第4步-选择正确的图表类型现在我们可以用雷达图来比较相对活跃指数，并着重观察指数最高/最低的研究领域。例如，此机构在G领域的相对活跃指数最高(1.8)，但是，此领域的全球总量远远小于其他领域(见图3)。雷达图的另一个局限是，它暗示各轴之间存在关系，而在本案例中这关系并不存在(各领域并不相互关联)。图3-相对活跃指数雷达图数据的规范化(如本例中的相对活跃指数)是一个很常见也很有效的数据转换方法，但需要基于帮助读者得出正确结论的目的使用。如在此例中，仅仅发现目标机构对某个小领域非常重视没太大意义。我们可以把出版量和活跃程度在同一个图表中展示，以理解各领域的活跃程度。使用图4的玫瑰图，各块的面积表示文章数量，半径长短表示相对活跃指数。注意在此例中，半径轴是二次的(而图3中是典型线性的)。图中可以看出，B领域十分突出，拥有最大的数量(由面积表示)和最高的相对活跃程度(由半径长度表示)。图4-玫瑰图。此图中各块面积表示文章数量，半径长短表示相对活跃指数(E列)。第5步-将注意力引向关键信息用肉眼衡量半径长度可能并不容易。由于在本例中，相对活跃指数的1.0代表此领域的全球活跃程度，我们可以通过给出1.0的参照值来引导读者，见图5。这样很容易看出哪些领域的半径超出参考线。图5-带有相对活跃指数参考线的玫瑰图我们还可以使用颜色帮助读者识别出版物最多的领域。如图例所示，一块的颜色深浅由出版物数量决定。为了便于识别，我们还可以把各领域名称作为标签(见图6)。图6-玫瑰图中的颜色深浅代表出版物数量(颜色越亮，出版物越多)结论数