总览

数据可视化之美 - 读书笔记二

第四章：

色彩是可视化中滥用和忽视最严重的工具之一

为什么要使用颜色：

对于简单数据集，单一色彩是足够的，甚至是最好的。散点图是数据集的无损表示。但是可视化描述的现实世界的范畴要宽泛的多。

数据可视化的典型挑战是把高纬度的数据投影到低纬度的画布上。

对于多维数据，色彩可以表达单位空间内额外的维度，并且可以即时达到这个维度。颜色差异可以在 200ms 内被检测，甚至在你注意到它之前。

色彩本身是多维的，不过多维的效果不好，例如红蓝绿。最好颜色不要超过 2 个维度。因为：

• 双颜色色盲的人数比例不少

• 我们对于各维度颜色感知不同，有的对黄色感知弱，有的对于蓝色感知能力弱

在对色彩空间进行抽样时，我们不妨使用自然界真实的颜色来表示。自然界存在了人类通过肉眼凝视了几百万年的色彩板，远远出现在 RGB 色彩空间之前。

不要忽略时间这个维度，时间可以把图像变成动画。

第五章：

讲述了一个优化纽约地图的故事

第一步，减少尺寸，视觉上还是很复杂

第二步，受伦敦地铁启发，改成 90 度和 45 度，放弃了真实的地图

第三步：清除所有无用数据。按区将地图视觉分隔，城市是按照区域分隔的。

第四步：保留所有的主干道，并且将曲折的街道地图上变直，只是为了表达关系。

第五步：赋予情感，用户一些纽约标识帮助乘客辨别方向

第六步：考虑各种尺寸和设备上显示的效果，进行微调。并且根据纽约特点还专门制作了夜间地铁图。

第六章

展现了飞行图，就是将飞机的空中的飞行的路线进行绘制

第七章

数据挖掘和数据可视化密不可分。在数据中挖掘复杂的模式并对它可视化，可以便于人们利用计算机的计算能力和思维能力。
这章就从 18 个人参加了 14 个不同的社交活动挖掘他们的社交结构。

提出问题：

• 谁和谁是朋友

• 属于哪些社交圈

• 谁在社交圈起到关键作用

最普通就是将人和活动连线：

我们只能得到：

• 3 号参加活动比 18 号多

• 参加 8 号活动的人做多

深入挖掘的话，我们可以将活动之间的关系描绘出来，同时参加两个活动的话，活动之间就有联系。参加两个活动的女士越多，活动关系越强。

同时参加一个活动比较多的，女士就表示关系越密切。从最密切往最不密切绘制，将所有人纳入。连线越粗表示越密切。

我们可以得出：

• 两个社交聚类，相互之间有连接，有的人是核心，有的人是桥接

• 6 号可能不会被 12 号影响

• 4 号拥有最高的内部影响

• 9 号是粘合剂

• 16，17，18 可能是新来的，他们的信息肯定不是核心的

简直 Amazing，居然可以挖掘出这么多内容

社交分析图可以用来做很多事，比如购物页，购买了该产品的还买了

人们的选择揭示了我们是谁以及我们喜欢谁。我们做出的决定可以识别我们的一些方面，能识别我们属于那些组。物以类聚，人以群分。

作者通过对购买了奥巴马的书以及反对奥巴马的书。以及书籍之前的联系关系就可以得出党群之间的敌对程度(两拨书之间联系的书没有了)。支持奥巴马的人不愿意买其他党派的书。仅仅花了 1 个小时的分析亚马逊的购书记录就得到了非常有力的数据。

第八章

美国众议员 6 届会议的投票数据得出政党之间的关系的变化。

总结：

• 做好准备，花费很多时间整理数据

• 尽可能自动化

• 想清楚如何表示时间

• 决定什么时候是足够好

• 以记者的方式记录数据(忠实度)

这里的数据处理方法是按照上一章的方法，图形显示用的 GraphViz 的Force-Directed 算法，将他们看成是正极电子，互斥力的大小来表示距离

---

转载请注明来源，欢迎对文章中的引用来源进行考证，欢迎指出任何有错误或不够清晰的表达。可以在下面评论区评论，也可以邮件至 981909093@qq.com