22、数据可视化：从传统到未来的变革之旅

数据可视化：从传统到未来的变革之旅

1. 数据可视化的现状反思

数据可视化这一术语在某种程度上存在局限性。它将优秀图表的概念简化为机械流程，更多地唤起了创建图表所需的工具和方法，而非图表创作本身。这就好比将《白鲸》称为“文字序列化”，把《星夜》称为“颜料分布”。

当前，数据可视化领域过于执着于过程而非结果。大部分教学精力都集中在确保以“正确”方式进行可视化，评判“错误”做法，选择合适的形式以及确定颜色的使用时机。图表评判也主要围绕技术、构建方式和外观展开。

然而，我们应摒弃“正确图表”和“错误图表”的观念。数据只是现象与我们对其看法之间的中间人，而可视化仅仅是利用这个中间人传达思想的一种方式，其传达的远不止统计数据的图片。制作优秀图表的真正目的是揭示某些真相，让人们感受到这些真相，看到以前看不到的东西，改变观念并引发行动。这与其说是数据可视化，不如说是视觉修辞——图形话语的艺术。

2. 软件与交互性的助力

2.1 软件的进化

软件正逐渐承担起部分可视化的基础工作。可视化工具不断发展，具备了类似文档模板、拼写检查和语法检查的功能，以指导格式决策并纠正常见错误。关于颜色、标签、网格线甚至图表类型的选择等决策，原本需要通过大量书籍和课程学习，现在已被编码到可视化软件中，使得默认输出至少达到了不错的水平。

2.2 交互性的作用

交互性也为可视化带来了极大的帮助。例如，在可视化中包含多少和何种类型的标签是一个难题。标签过多会造成混乱，难以确定焦点；标签过少则会让观众困惑，同样难以选择合适的焦点。但悬停状态可以解决这个问题，切换功能可以根据需要显示或隐藏变量，简单的“下一步”按钮可以控制信息添加或移除的节奏。

以《经济复杂性地图集》为例，它是由哈佛和麻省理工共同开发的交互式网站。该网站生成的树状图中，颜色方案能逻辑地对各大洲进行分组，标签清晰且大小合适，均为自动生成。悬停时可获取更多细节，还能使用多个切换按钮调整视图。这就是按需探索式可视化和自动化声明式可视化，我们只需找到想要传达的想法和故事，并不断迭代完善即可。

3. 可视化工具的变革

可视化工具正朝着让一切可用但不总是可见的方向发展。这一变革将可视化的本质从单向传递转变为共享，从一种展示或交接的交易行为转变为与他人共同协作和调整的过程。

可视化正变得更加交互化。在不久的将来，我们将理所当然地认为，关于展示内容和焦点的决策（曾经需要提前做出并确定），在可视化展示时通常可由用户即时处理，并且这些决策是可以更改的。用户将能够控制故事讲述的节奏，深度和复杂性将成为按需服务。例如，在演示中，经理展示一个优秀的图表后，当 CEO 询问“如果排除年轻人群体，这条曲线会是什么样子”时，新的合适图表将立即出现在屏幕上。演示将变成对话，在会议室中实现探索式的数据可视化。

3.1 可视化工具变革的影响

• 协作性增强 ：可视化从个人展示转变为团队协作，不同人员可以根据自己的需求和见解对可视化进行调整和优化。
• 用户参与度提高 ：用户能够根据自己的兴趣和需求控制可视化的展示内容和节奏，提高了用户对信息的理解和接受程度。
• 信息深度和复杂性的按需获取 ：用户可以根据自己的需求深入挖掘信息，获取更多的细节和背景知识，而不必一次性面对所有的信息。

3.2 协作流程示例

graph LR
    A[提出想法] --> B[选择可视化工具]
    B --> C[创建初步可视化]
    C --> D[团队成员参与]
    D --> E[根据反馈调整]
    E --> F[最终呈现]

4. 常见图表类型介绍

以下是一些常见的图表类型及其优缺点：
| 图表类型 | 优点 | 缺点 |
| — | — | — |
| 2×2矩阵 | 易于使用的组织原则，用于对元素进行分类和创建“区域” | 在象限内以不同空间间隔绘制项目可能暗示并不存在的统计关系 |
| 冲积图 | 揭示价值变化的细节或展示数据大类的详细细分 | 过多的值和流动变化会导致复杂、交叉的视觉效果，难以解释 |
| 条形图 | 熟悉的形式，普遍易懂，适合简单的类别比较 | 过多的条形可能会给人趋势线的印象，而不是突出离散值；多组条形可能难以解析 |
| 气泡图 | 是纳入“z轴”的最简单方法之一，气泡大小可为分布可视化添加关键背景信息 | 按比例调整气泡大小很棘手，三轴和四轴图表需要更多时间解析，不太适合快速浏览展示 |
| 凹凸图 | 简单表达受欢迎程度、赢家和输家 | 变化在统计上不显著，过多的级别和变化可能使排名难以跟踪 |
| 流程图 | 正式的系统，被广泛接受，用于表示具有多个决策点的过程 | 必须理解既定的语法，如钻石代表决策点，平行四边形代表输入/输出等 |
| 地理图表 | 熟悉的地理形式便于在多个级别上查找和比较值 | 使用地点大小代表其他值可能会高估或低估这些地点所编码的值 |
| 层次结构图表 | 易于理解的方法，用于记录和说明关系及复杂结构 | 线框方法在展示复杂性方面有限，难以展示公司层级之外不太正式的关系 |
| 直方图 | 用于显示统计分布和概率的基本图表类型 | 观众有时会将直方图误认为条形图 |
| 折线图 | 熟悉的形式，普遍易懂，适合快速展示趋势 | 关注趋势线会使离散数据点难以查看和讨论，过多的趋势线会使单个线条难以看清 |
| 隐喻图表 | 可以简化复杂的想法，隐喻的普遍认可使理解变得自然 | 容易混淆隐喻、错误应用或过度设计 |
| 网络图 | 有助于说明节点之间可能难以看到的关系，突出集群和异常值 | 网络往往很快变得复杂，一些网络图虽然美观但可能难以解释 |
| 饼图 | 常见的图表类型，能很好地显示主导和非主导份额 | 人们对饼图扇形面积的估计不准确，过多的扇形会使值难以区分和量化 |
| 桑基图 | 揭示系统流动的细节，有助于识别主导组件和低效之处 | 具有许多组件和流动路径的复杂系统会导致复杂的图表 |
| 散点图 | 大多数人熟悉的基本图表类型，空间方法便于查看相关性、负相关性、集群和异常值 | 很好地显示相关性可能会让人们在没有因果关系的情况下做出因果推断 |
| 斜率图 | 创建简单的前后对比叙事，易于理解单个值或多个值的总体趋势 | 排除了两个状态之间值的所有细节，过多的交叉线可能使单个值的变化难以看清 |
| 小倍数图 | 使跨多个甚至几十个类别的简单比较比将所有线条堆叠在一个图表中更易于理解 | 如果没有显著的变化或差异，比较可能难以找到意义，一些在单个图表中可见的“事件”，如变量之间的交叉点会丢失 |
| 堆叠面积图 | 很好地显示随时间变化的比例，强调体积或累积总量的感觉 | 过多的“层”会使切片过薄，难以看到变化、差异或跟踪值随时间的变化 |
| 堆叠条形图 | 一些人认为它是饼图的更好替代方案，能很好地显示主导和非主导份额，可能比饼图更有效地处理更多类别，可水平和垂直使用 | 包含过多类别或组合多个堆叠条形可能使差异和变化难以看清 |
| 表格 | 使每个单独的值都可用，比相同信息的文本版本更易于阅读和比较值 | 难以快速了解趋势或进行组间快速比较 |
| 树状图 | 紧凑的形式，用于展示详细的比例细分，克服了多切片饼图的一些局限性 | 注重细节的形式不太适合快速理解，过多的类别会使视觉效果令人惊叹但难以解析，通常需要能够准确排列方块的软件 |
| 单位图 | 以更具体、不那么抽象的方式表示值，比一些统计表示更直观 | 过多的单位类别可能使难以关注核心意义，需要较强的设计技能才能使单位排列最有效 |

5. 可视化的未来展望

软件将在我们已经看到和尚未想象到的方面继续改进。但软件无法直观理解你的上下文，而上下文仍然是一切的关键。无论软件程序添加了多少功能，视觉思维和视觉沟通都将始终具有重要意义。实际上，软件越好，你在 x 轴上刻度数量等细节上的压力就越小，就越能专注于想要传达的想法。理解上下文、找到核心思想并以有说服力的方式进行可视化，将是你需要发展的最关键技能。

可视化领域正处于一个令人兴奋的时代，它变得越来越容易尝试新事物。当可视化变得简单并普及到大众和商务人士手中时，他们会想出非常创新的方式来看待数据。我们应抓住这个机会，不断学习和进步，在这个充满变革的领域中持续前行。

5.1 持续学习的建议

• 关注行业动态 ：定期阅读相关的行业博客、文章和研究报告，了解最新的可视化技术和趋势。
• 实践与反思 ：通过实际项目不断练习可视化技能，并对每次实践进行反思和总结，不断改进自己的方法。
• 交流与合作 ：参与可视化社区，与其他从业者交流经验和想法，共同探索新的可能性。

5.2 未来发展的趋势预测

• 人工智能与可视化的融合 ：人工智能将能够自动分析数据并生成合适的可视化方案，提高可视化的效率和准确性。
• 虚拟现实与增强现实可视化 ：为用户提供更加沉浸式的可视化体验，使他们能够更直观地感受数据。
• 跨领域可视化 ：结合不同领域的知识和数据，创造出更具综合性和创新性的可视化作品。

总之，数据可视化的未来充满了无限的可能性，我们要紧跟时代的步伐，不断提升自己的能力，迎接未来的挑战和机遇。

6. 数据可视化中的认知与感知因素

6.1 视觉与感知的研究

视觉在大脑活动中占据重要地位，虽然有观点认为超过 80%的大脑活动用于视觉处理，但实际可能接近 55%，仍远超其他感知活动。在数据可视化中，我们对图表的感知受到多种因素影响。

研究表明，我们处理信息存在“模糊层面”和更细致的解析层面。“模糊层面”快速且近乎潜意识，能帮助我们快速识别模式；而更细致的解析则用于评估单个值和比较值，速度较慢。例如，热力图虽难以读取单个值，但在查看一年销售数据时，它能更清晰地显示平均销售额最高的月份，因为我们不会像看折线图那样过于关注峰值和形状。

此外，我们的感知还会受到期望、注意力和背景等因素的影响。期望会影响我们对图表的理解，注意力的分配会使我们错过一些信息，而背景则为我们的感知提供了上下文。

6.2 颜色与变量的运用

在可视化中，颜色和变量的运用需要谨慎。颜色的选择应考虑其可区分性，一般来说，可区分的分类颜色不超过八种。过多的变量会使可视化变得复杂，难以理解。

例如，在设计图表时，我们应避免使用过多颜色来表示不同类别，以免造成视觉混乱。同时，要合理安排变量的展示，确保观众能够清晰地理解数据之间的关系。

6.3 认知与感知对可视化设计的启示

基于以上认知与感知的研究，在可视化设计中，我们应：
- 兼顾“模糊层面”和细致解析层面的需求，设计既能快速传达整体信息，又能提供详细数据的图表。
- 考虑观众的期望和注意力，避免因期望偏差或注意力分散导致信息误解。
- 合理运用颜色和变量，确保可视化的清晰性和易读性。

7. 数据可视化中的说服与影响

7.1 说服的科学原理

说服在数据可视化中起着重要作用。一些研究表明，小的说服策略可以引发巨大的影响。例如，通过巧妙地运用数据展示和设计元素，可以影响观众的决策和行为。

在可视化中，我们可以利用一些心理学原理来增强说服力。例如，利用“想象唤起”策略，让观众更容易接受信息。当我们用具体的例子或形象的方式呈现数据时，观众更容易产生共鸣和行动。

7.2 可视化的说服案例

以单位图为例，它能让我们更直观地感受数据，比统计驱动的图表更能引起情感反应。在一项研究中，医生在决定是否释放精神病患者时，当被告知“每 100 名患者中有 20 名可能会实施暴力行为”时，比被告知“20%的患者可能会实施暴力行为”时，释放患者的比例更低。这是因为“20 名”让医生更直观地想象到具体的人，从而影响了他们的决策。

7.3 说服与影响的注意事项

在运用可视化进行说服时，我们需要注意以下几点：
- 确保数据的真实性和准确性，避免误导观众。
- 避免过度设计或使用不当的说服策略，以免引起观众的反感。
- 考虑观众的背景和需求，选择合适的说服方式。

8. 数据可视化中的陷阱与误区

8.1 常见的可视化陷阱

在数据可视化中，存在一些常见的陷阱和误区。例如，截断 y 轴可能会夸大或缩小数据的变化，给观众造成错误的印象。在政治竞选、新闻报道和营销活动中，有时会利用这种方法来误导观众。

另外，虚假的相关性也是一个常见问题。一些数据可能显示出统计上的相关性，但实际上并没有因果关系。例如，有人通过脚本找到不相关数据集之间的统计相关性并绘制图表，这些例子往往很荒谬，但提醒我们要警惕虚假相关性。

8.2 避免陷阱的方法

为了避免这些陷阱，我们可以采取以下措施：
- 仔细检查数据和图表，确保其准确反映信息。
- 对图表进行批判性思考，不轻易相信表面现象。
- 了解常见的可视化误区，提高自己的辨别能力。

8.3 陷阱识别流程

graph LR
    A[获取可视化图表] --> B[检查数据准确性]
    B --> C{是否存在数据错误?}
    C -- 是 --> D[修正数据]
    C -- 否 --> E[分析图表设计]
    E --> F{是否存在误导设计?}
    F -- 是 --> G[重新设计图表]
    F -- 否 --> H[确认图表可靠性]

9. 数据可视化在演示中的应用

9.1 演示技巧与策略

在演示中，数据可视化可以帮助我们更有效地传达信息。一些演示技巧和策略可以提高可视化的效果。例如，使用“等待时间”技巧，给观众足够的时间来理解图表，避免过快地切换幻灯片。

另外，通过故事化的方式展示数据可以吸引观众的注意力。将数据与一个有意义的故事相结合，让观众更容易理解和记住信息。

9.2 案例分析

以一些成功的可视化演示为例，如《纽约时报》的一些交互式可视化报道，通过巧妙的设计和故事讲述，让观众深入了解复杂的话题。在这些案例中，可视化不仅展示了数据，还引导观众进行思考和探索。

9.3 演示中的交互设计

交互设计在演示中也越来越重要。通过提供交互功能，如悬停显示详细信息、切换不同视图等，观众可以根据自己的需求探索数据，提高参与度。例如，在一个关于销售数据的演示中，观众可以通过点击不同的区域查看具体的销售情况。

10. 数据可视化的评估与反馈

10.1 评估的重要性

对数据可视化进行评估和反馈是提高其质量的关键。通过评估，我们可以了解可视化是否有效地传达了信息，是否满足观众的需求。

评估可以从多个方面进行，如可读性、准确性、吸引力和说服力等。通过收集观众的反馈，我们可以发现可视化存在的问题，并进行改进。

10.2 评估方法

常见的评估方法包括：
- 用户测试：让观众实际使用可视化并提供反馈。
- 专家评估：邀请专业人士对可视化进行评价。
- 数据分析：通过分析观众的行为数据，了解他们对可视化的使用情况。

10.3 反馈改进流程

graph LR
    A[创建可视化] --> B[进行评估]
    B --> C{是否需要改进?}
    C -- 是 --> D[收集反馈]
    D --> E[分析反馈]
    E --> F[改进可视化]
    F --> B
    C -- 否 --> G[确定最终版本]

数据可视化是一个充满挑战和机遇的领域。我们需要不断学习和实践，了解各种可视化技术和方法，同时关注认知、感知、说服、陷阱等方面的因素，以创建出更有效、更有影响力的可视化作品。在未来，随着技术的不断发展，数据可视化将在更多领域发挥重要作用，我们要做好准备，迎接新的挑战和机遇。