[譯] 數據可視化：從數據到圖形元素

原文地址：Visualizing data: Mapping data onto aesthetics

當咱們談論數據可視化時，咱們實際談論的是將數據經過系統化、有邏輯的方式轉化爲最終的視覺呈現。數據可視化圖形有不少種類：初看散點圖（scatter plot）、餅圖（pie）和熱力圖（heatmap）並無什麼共同點，實際上這些圖形背後都有一套基礎圖形語言：捕獲數據，並將數據轉化爲紙上的墨點，或是屏幕上的像素。其內在本質在於：數據可視化將原始數據映射爲直觀可量化的視覺特徵，咱們將其稱爲圖形元素（aesthetics）。

1. 圖形元素

圖片 1.1：圖形元素一般包含的信息有 位置（position）, 形狀（shape）, 尺寸（size）, 顏色（color）, 線段寬度（line width）, 線段類型（line type) 等。 有些信息是能夠同時是連續型（continuous） 或離散型（discrete） ，好比 position，size，line-width，color ，而其餘一般只能是離散型的。

上圖包含了一些基礎的圖形元素。圖形元素有一些關鍵特徵，首先是位置（position），用來描述元素的位置信息。一般在 標準 2D 空間中，用 x, y 來描述位置信息，固然在 1 維 或者 3 維空間有其餘的位置描述方式。 而後，全部的圖形元素有 形狀（shape）, 尺寸（size），顏色（color） 等信息，即便咱們只是繪製黑白元素，咱們也要給圖形元素設置合適的顏色用於展現，譬如在白色背景上能夠繪製黑色圖形，可是白色圖形就不行了。最後，咱們在有些場景下會應用不一樣寬度的線段和不一樣類型的線段（實線、虛線等）。

在上圖以外，咱們還會遇到更多的圖形元素，譬如展現字體是須要考慮字體系列（font family），字體大小（font size），若是要處理圖形相互覆蓋，還須要考慮到圖形透明度變化。

圖形元素能夠分爲兩大類：連續型和離散型。連續型含義是任意兩個數據之間均可以存在中間狀態，好比時間就是連續型的，50s 和 51s 之間還能夠存在 50.5s，50.51s 甚至更多。相互在一個房間可人數是離散的，房間能夠容納 5 人或者 6 人，但不能是 5.5 人。圖上 position、size、line width，color 能夠是連續型的，而 shape 和 line type 一般只能是離散型。

接下來咱們來看下須要展現的數據的種類。一般你可能會覺數據應該是數字類型的，但其實數字只是可視化數據中的兩個類別而已。以下表所示，除了連續型和離散型數字以外，還能夠經過離散型類別（cetegory）、日期或者時間形式（date/time）和文本（text）形式呈現。若是數據類型是數字，咱們稱之爲定量（quantitative），若是數據類型是其餘類型，咱們稱之爲定性（qualitative）。定性的變量被稱爲因子（factor），不一樣類別（category） 稱爲級別（level）。因子的級別一般是無序的（dog, cat, fish），不過也能夠是有序列表（good，fair，pool）。

變量類型	示例	變量分佈	描述
連續數字	1.3, 5.7, 83	連續型	連續的數字類型，能夠是整數，也能夠是小數
離散數據	[1, 2, 3]	離散型	離散的數字單元
無序類別	dog, cat, fish	離散型	類別之間無順序關係，也被稱爲因子
有序類別	good，fair，pool	離散型	類別之間有順序關係，也被稱爲有序因子
日期或時間	Jan. 5 2018, 8:03am	離散型 or 連續型	查看一段連續時間時能夠是連續型數據
文本	個人名字	無 or 離散型	普通文本

表格 2.1

下面咱們來看一組具體數據，來自美國 4 個城市的天氣數據。數據包含了 5 列信息：Month，Day，Location，Station ID， Temperature。其中 Month 是有序因子（ordered factor），Day 是離散的數字類型，location 和 Station ID 是無序因子(unordered factor)，而 Temperature 則是連續的數字值。

表格 2.2 一組真實天氣數據

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：將數據映射到圖形元素

想實現將數據映射到圖形元素，首先須要指定哪些數據類別對應到圖形元素哪些特徵。舉個例子，若是圖形上有 x 軸，那咱們就須要考慮指定哪些數據分佈在座標軸上的不一樣位置（position），相似的，咱們還要考慮哪些數據來對應到特定的形狀（shape）和顏色（color），這種數據和圖形元素之間的對應關係就是經過比例尺（scale） 來建立的。比例尺定義了數據和圖形元素之間一一映射關係。也就是說，比例尺是一對一的，對於每個數據集，都只能是一個圖形元素特徵，反之亦然。若是比例尺不是一一對應的，數據可視化就會變得模糊不清。

圖片 2.2：比例尺鏈接數據集到圖形元素。圖上數字 1 到 4 分別創建了和位置（position）、形狀（shape）、顏色（color）的映射關係。在每一個比例尺上，每一個數據都對應一個惟一的圖形特徵，反之亦然。

咱們再來看實際一點的，以 表格2.2 數據爲例，咱們能夠分別將 month 和 temperature 映射到 x 軸和 y 軸上。而 location 則做爲顏色分類，並生成實線線段。最終生成的效果就是標準的折線圖，展現 4 個城市在一年不一樣月份的溫度趨勢圖。

圖 2.3：4個城市的溫度趨勢折線圖，x 軸表明月份，y 軸表明溫度，而顏色用來區分不一樣城市

圖 2.3 是很是常見的用於展現溫度趨勢的折線圖，也是大部分數據科學家憑直覺就會選擇的可視化實現。然而，咱們也能夠指定不一樣變量來生成不一樣比例尺。舉例來講，相比於將 temperature 映射到 y 軸，location 映射爲顏色，咱們能夠反着來。此時咱們關心的關鍵變量（temperature）就經過顏色來呈現，咱們須要定義更大的顏色範圍來傳遞更有價值的信息。此時，我會選擇用正方塊來替換折線，一個色塊對應一個城市和月份，下圖我按照每個月的平均溫度進行對色塊的着色。

圖 2.4：此時 x 軸仍是月份，可是 y 軸變成了城市，而顏色經過溫度來區分

我要強調一下，圖 2.4 上有兩種基於位置的比例尺，分別是基於 x 軸分佈的 month，和基於 y 軸分佈的 location，且二者都不是連續型變量。其中 Month 是有序因子幷包含 12 個級別（level）, 而 Location 是 4 個層級的無序因子，二者都是離散型比例尺。離散型數據的因子一般在座標軸上等間距分佈，若是是有序的（好比 Month），則會按照適當的順序分佈，若是是無序的（好比 Location），那麼能夠按照需求自由分佈。圖 2.4，我按照從冷（Chicago）到熱（Death Valley）生成一個漸變效果，固然我也能夠採用其餘的排序方式。

圖 2.3 和圖 2.4 都應用了 3 個比例尺 —— 2 個基於位置的比例尺和 1 個基於顏色的比例尺，這是可視化圖形的經常使用比例尺數量，固然咱們也能夠應用更多的比例尺數量。圖 2.5 上就應用了 5 個比例尺 —— 2 個位置比例尺，1 個 顏色比例尺，1 個尺寸比例尺和 1 個形狀比例尺，每一個比例尺都表明了數據的不一樣維度。

圖 2.5: 汽車燃油效率與排量之比。圖上應用了 5 個維度來展現數據。(i) x軸(發動機排量); (ii) y 軸(燃油機效率); (iii) 點顏色(功率); (iv) 點尺寸(汽車重量); (v) 點的形狀(氣缸數量); 4/5 的維度（排量、效率、功率、重量）是連續型數據，只有剩下的氣缸數量字段能夠認爲是離散型數字，或是定性有序類型。