[译] 数据可视化：从数据到图形元素

原文地址：Visualizing data: Mapping data onto aesthetics

当咱们谈论数据可视化时，咱们实际谈论的是将数据经过系统化、有逻辑的方式转化为最终的视觉呈现。数据可视化图形有不少种类：初看散点图（scatter plot）、饼图（pie）和热力图（heatmap）并无什么共同点，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，咱们将其称为图形元素（aesthetics）。

1. 图形元素

图片 1.1：图形元素一般包含的信息有 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。 有些信息是能够同时是连续型（continuous） 或离散型（discrete） ，好比 position，size，line-width，color ，而其余一般只能是离散型的。

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。一般在 标准 2D 空间中，用 x, y 来描述位置信息，固然在 1 维 或者 3 维空间有其余的位置描述方式。 而后，全部的图形元素有 形状（shape）, 尺寸（size），颜色（color） 等信息，即便咱们只是绘制黑白元素，咱们也要给图形元素设置合适的颜色用于展现，譬如在白色背景上能够绘制黑色图形，可是白色图形就不行了。最后，咱们在有些场景下会应用不一样宽度的线段和不一样类型的线段（实线、虚线等）。

在上图以外，咱们还会遇到更多的图形元素，譬如展现字体是须要考虑字体系列（font family），字体大小（font size），若是要处理图形相互覆盖，还须要考虑到图形透明度变化。

图形元素能够分为两大类：连续型和离散型。连续型含义是任意两个数据之间均可以存在中间状态，好比时间就是连续型的，50s 和 51s 之间还能够存在 50.5s，50.51s 甚至更多。相互在一个房间可人数是离散的，房间能够容纳 5 人或者 6 人，但不能是 5.5 人。图上 position、size、line width，color 能够是连续型的，而 shape 和 line type 一般只能是离散型。

接下来咱们来看下须要展现的数据的种类。一般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。以下表所示，除了连续型和离散型数字以外，还能够经过离散型类别（cetegory）、日期或者时间形式（date/time）和文本（text）形式呈现。若是数据类型是数字，咱们称之为定量（quantitative），若是数据类型是其余类型，咱们称之为定性（qualitative）。定性的变量被称为因子（factor），不一样类别（category） 称为级别（level）。因子的级别一般是无序的（dog, cat, fish），不过也能够是有序列表（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，能够是整数，也能够是小数
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能够是连续型数据
文本	个人名字	无 or 离散型	普通文本

表格 2.1

下面咱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，首先须要指定哪些数据类别对应到图形元素哪些特征。举个例子，若是图形上有 x 轴，那咱们就须要考虑指定哪些数据分布在坐标轴上的不一样位置（position），相似的，咱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经过比例尺（scale） 来建立的。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，对于每个数据集，都只能是一个图形元素特征，反之亦然。若是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：比例尺链接数据集到图形元素。图上数字 1 到 4 分别创建了和位置（position）、形状（shape）、颜色（color）的映射关系。在每一个比例尺上，每一个数据都对应一个惟一的图形特征，反之亦然。

咱们再来看实际一点的，以 表格2.2 数据为例，咱们能够分别将 month 和 temperature 映射到 x 轴和 y 轴上。而 location 则做为颜色分类，并生成实线线段。最终生成的效果就是标准的折线图，展现 4 个城市在一年不一样月份的温度趋势图。

图 2.3：4个城市的温度趋势折线图，x 轴表明月份，y 轴表明温度，而颜色用来区分不一样城市

图 2.3 是很是常见的用于展现温度趋势的折线图，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，咱们也能够指定不一样变量来生成不一样比例尺。举例来讲，相比于将 temperature 映射到 y 轴，location 映射为颜色，咱们能够反着来。此时咱们关心的关键变量（temperature）就经过颜色来呈现，咱们须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，下图我按照每个月的平均温度进行对色块的着色。

图 2.4：此时 x 轴仍是月份，可是 y 轴变成了城市，而颜色经过温度来区分

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，且二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，二者都是离散型比例尺。离散型数据的因子一般在坐标轴上等间距分布，若是是有序的（好比 Month），则会按照适当的顺序分布，若是是无序的（好比 Location），那么能够按照需求自由分布。图 2.4，我按照从冷（Chicago）到热（Death Valley）生成一个渐变效果，固然我也能够采用其余的排序方式。

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，这是可视化图形的经常使用比例尺数量，固然咱们也能够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，每一个比例尺都表明了数据的不一样维度。

图 2.5: 汽车燃油效率与排量之比。图上应用了 5 个维度来展现数据。(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能够认为是离散型数字，或是定性有序类型。