“When you consider the ultimate purpose of data visualization—helping users understand data—simplicity is one of the most important features of an effective visualization.”( “数据可视化的最终目标——是帮助用户理解数据，从这个意义上说，‘简洁’是有效数据可视化的最重要的特征之一。” )

基本图表 [注释1-2]

Bar Chart柱状图适用场合是二维数据集（每个数据点包括两个值x和y），但只有一个维度需要比较。柱状图利用柱子的高度，反映资料的差异。肉眼对高度差异很敏感，辨识效果非常好。柱状图的局限在于只适用中小规模的数据集。通常来说，柱状图的X轴是时间维，用户习惯性认为存在时间趋势（图1a）。如果遇到X轴不是时间维的情况，建议用颜色区分每根柱子，改变用户对时间趋势的关注。图1b是英国足球联赛某个年度各队的赢球场数，X轴代表不同球队，Y轴代表赢球数。

图1 柱状图 [注释1]

Line Chart折线图适合二维的大数据集，尤其是那些趋势比单个数据点更重要的场合。还适合多个二维数据集的比较。图2是两个二维数据集（大气CO2，地表平均气温）的折线图。

图2 折线图 [注释1]

Pie Chart饼图是一种应该避免使用的图表，因为肉眼对面积大小不敏感。一般情况下，总是应该用柱状图替代饼图。左侧饼图的五个色块的面积排序，不容易看出来（图3a)。换成柱状图就容易多了（图3b)。一般情况下，总是应该用柱状图替代饼图。但是有一个例外，就是反映某个部分占整体的比重，比如贫穷人口占总人口的百分比（图3c）。

图3 饼图 [注释1]

Scatter Chart散点图适用于三维数据集，但其中只有两维需要比较。图4a是各国的医疗支出与预期寿命，三个维度分别为国家、医疗支出、预期寿命，只有后两个维度需要比较。为了识别第三维，可以为每个点加上文字标示，或者不同颜色（图4b）。

图4 散点图 [注释1]

Bubble Chart气泡图是散点图的一种变体，通过每个点的面积大小，反映第三维。因为肉眼对面积大小不敏感。气泡图只适用不要求精确辨识第三维的场合。图5a是卡特里娜飓风的路径，三个维度分别为经度、纬度、强度。点的面积越大，就代表强度越大。如果为气泡加上不同颜色（或文字卷标），气泡图就可用来表达四维数据。比如图5b就是通过颜色，表示每个点的风力等级。

图5 气泡图 [注释1]

我们前面讲了二维、三维、四维，那么如果更高维度呢？下面是迈阿密热火队首发的五名篮球选手的数据。除了姓名，每个数据点有五个维度，分别是得分、篮板、助攻、抢断、封盖。 如何可视化成图？

Radar Chart雷达图适用于多维数据（四维以上），且每个维度必须可以排序（国籍就不可以排序）。面积越大的数据点，就表示越重要（图6）。但是，它有一个局限，就是数据点不宜过多，否则无法辨别，因此适用场合有限。

图6 雷达图 [注释1]

下表是对基本图表的一个总结。接下来介绍高级图表。
表1 基本图表小结 [注释2]

高级图表 [注释3]

Tree map树图使用方块的大小和颜色表达每一个entity的至少两个属性的数据。比如图7中就显示了美国各个州的人口数量和人口增长率。可以发现加州、德州都是人口大州。

图7 Tree map [注释4]

Scatterplot Matrix散点阵列图可以表达多个变量之间的关系。这里展出的图8可以表达4个变量两两之间的关系。

图8 Scatterplot Matrix [注释4]

Parallel Coordinates。与Scatterplot Matrix的功能类似，Parallel Coordinates可以用来可视化多变量之间的关系。图9则表示了7个变量之间的关系，图中的每一条线代表了数据表中的一行数据（a single observation）。显然，如果在两个变量之间的连线相互交叉的情况很多，则表明这两个变量是负相关的关系。

图9 Parallel Coordinates [注释5]

Sankey diagrams桑基图可以可视化网络中节点之间的各种“流”。图10就表达了2050年英国能量生产和能力消耗的模拟结果。图左边是能量供给，右边是能量需求，中间的节点则表达了能量在最终消耗之前是如何被转化和传输的。每个条带的厚度表示了能量“流”的大小。

图10 Sankey diagrams [注释4]

Circos Chart圆圈上各个文字指的是美国的各种political action committee，为所支持的国会公职候选人筹集资金的政治行动委员会（图11）。圆圈内的各个圆圈则是国会的议员，面积大小表现所募集资金的多少，颜色表示党派。外围圆圈以及圈外的文字则表示募集资金的来源。

图11 Calendar chart [注释4]

Arc Diagrams。Arc Diagram使用弧线连接一维直线上不同节点来表达信息。比如图12就表达了美国因为枪杀而造成的损失。图中每一条线代表一个人，橙色部分表示这个人活着的时间，灰色部分表示这个人因为被枪杀而失去的“岁月”。换句话说，如果没有被枪杀，这个人可以继续活灰色部分所表示的时间。

图12 Calendar chart [注释6]

Force-directed graph。图13表达了悲惨世界中各个角色共同出现的次数，这样可以立即定位主角或者核心人物。

图13 Force-directed graph [注释4]

Calendar chart日历图。图14表示的道琼斯指数的日际、月际、年际变化。一般的折线图只能表示单一时间尺度的数据，比如日际、月际、或者年际变化。但这个日历图则把不同时间尺度的变化放到一起，并且以一种我们日常所常见的日历的格式表现出来。

图14 Calendar chart [注释4]

这一期对数据可视化类型的介绍到这里就基本讲完了。数据可视化在城市科学中还有很多其他有趣的话题，有机会将在以后的文章中与大家分享。

来源注释：
1. Thomas, S. A. (2015). Data Visualization with JavaScript. No Starch press.
2. 此部分内容原始来源为注释1, 后经阮一峰博客文章“数据可视化：基本图表” (url: http://www.ruanyifeng.com/blog/2014/11/basic-charts.html)翻译。
3. 编者曾经在香港大学建筑学院城市规划与设计系的“Peer Talk @ New Urban Researcher Seminar Series”2015年系列讲座中讲过本期文摘的内容。
4. Bostock, M. D3 Gallery. https://bost.ocks.org/mike/sankey/
5. Heer, J., Bostock, M., Ogievetsky, V. A tour through the visualization zoo. http://homes.cs.washington.edu/~jheer/files/zoo/.
6. Periscopic. http://guns.periscopic.com/?year=2013.

此版本为文章的最新版本，其他如微信、微博、Facebook以及其他授权发布的文章如有差异，以此最新版本为准。

分享到

Categories: 文章 洞见

Tagged as: 可视化

刘建政

香港大学城市规划与设计系博士后研究员、剑桥大学土地经济系访问学者。本科毕业于华东师范大学地理信息系统专业；硕士毕业于北京大学城市与区域规划专业；博士毕业于香港大学城市规划与设计系。他的个人网站是http://www.jzliu.net/。