数据被称作是最新的商业原材料「21世纪的石油」。商业领域、研究领域、技术发展领域使用的数据总量非常巨大，并持续增长。就Elsevier而言，每年从ScienceDirect下载的文章有7亿篇，Scopus 上的机构档案有8万个、研究人员档案有 1 千 3 百万，Mendeley上的研究人员档案有 3 百万。对于用户来说，从这个数据海洋中抓到关键信息越来越难。
许多先进的可视化方式(如：网络图、3D 建模、堆叠地图)被用于特定用途，例如 3D 医疗影像、模拟城市交通、救灾监督。但无论一个可视化项目有多复杂，可视化的目的是帮助读者识别所分析的数据中的一种模式或趋势，而不是仅仅给他们提供冗长的描述，诸如：“ 2000 年 A 的利润比 B 高出 2.9 % ，尽管 2001 年 A 的利润增长了 25 % ，但 2001 年利润比 B低 3.5 % ”。出色的可视化项目应该总结信息，并把信息组织起来，让读者的注意力集中于关键点。
对于 Elsevier’s Analytical Services 的项目而言，我们一直在寻找提升数据分析和可视化的方式。例如，在我们对于研究表现的分析中有大量关于研究合作的数据;我们为 Science Europe 提供的报告(Comparative Benchmarking of European and US Research Collaborationand Researcher Mobility) 包含跨州合作以及国际合作的数据，这些数据不适合直接用二维表和X-Y图展示。为了探索数据背后的故事，我们使用了网络关系图来识别国家间的合作，并了解每个合作关系的影响。想了解我们的团队如何为政府部门、出资者、大学、研究者提供基于数据的材料，为研究方面的策略决定提供信息，可参阅 Telling stories with big data 一文。
本文提供一份包含五个步骤的数据可视化指南，为想用表格、图形来传播观察结果、解读分析结果的人士提供帮助。要记住，建立好的可视化项目是一个反复迭代的过程。
第1步 明确问题
开始创建一个可视化项目时，第一步是明确要回答的问题，又或者试着回答下面的问题“这个可视化项目会怎样帮助读者?”
表 1–数据集中的三条记录
图1-槽糕的可视化项目并不澄清事实，而是引人困惑。此图中包含太多变量。
清晰的问题可以有助于避免数据可视化的一个常见毛病：把不相干的事物放在一起比较。假设我们有这样一个数据集(见表 1 )，其中包含一个机构的作者总数、出版物总数、引用总数和它们特定一年的增长率。图1是一个糟糕的可视化案例，所有的变量都被包含在一张表格中。在同一张图中绘制出不同类型的多个变量，通常不是个好主意。注意力分散的读者会被诱导着去比较不相干的变量。比如，观察出所有机构的作者总数都少于出版物总数，这没有任何意义，又或者发现 Athena University、Bravo University、Delta Institution 三个研究机构的出版物总数依次增长，也没有意义。拥挤的图表难以阅读、难以处理。在有多个 Y 轴时就是如此，哪个变量对应哪个轴通常不清晰。简而言之，槽糕的可视化项目并不澄清事实而是引人困惑。
第2步 从基本的可视化着手
确定可视化项目的目标后，下一步是建立一个基本的图形。它可能是饼图、线图、流程图、散点图、表面图、地图、网络图等等，取决于手头的数据是什么样子。在明确图表该传达的核心信息时，需要明确以下几件事：
我们试图绘制什么变量?
X 轴和轴代表什么?
数据点的大小有什么含义吗?
颜色有什么含义吗?
我们试图确定与时间有关趋势，还是变量之间的关系?
有些人使用不同类型的图表实现相同目标，但并不推荐这样做。不同类型的数据各自有其最适合的图表类型。比如，线形图最适合表现与时间有关的趋势，亦或是两个变量的潜在关系。当数据集中的数据点过多时，使用散点图进行可视化会比较容易。此外，直方图展示数据的分布。直方图的形状可能会根据不同组距改变，见图 2 。(在绘制直方图时，本质是在绘制柱状图来展示特定范围内有多少数据点。这个范围叫做组距。)
图2-当组距变化，直方图的形状也发生变化
组距太窄会导致起伏过多，让读者只盯着树木却看不到整个森林。此外，你会发现，在完成下一个步骤以后，你可能会想要修改或更换图表类型。
第3步 确定最能提供信息指标
假设我们有另一个关于某研究机构出版物数量的数据库(见表 2 )。可视化过程中最关键的步骤是充分了解数据库以及每个变量的含义。从表格中可以看出，在 A 领域(Subject A)，此机构出版了 633 篇文章，占此机构全部文章的 39% ;相同时间内全球此领域共出版了 27738 篇文章，占全球总量的 44% 。 注意，B 列中的百分比累计超过 100% ，因为有些文章被标记为属于多个领域。
在这个例子中，我们想了解此机构在各个领域发表了多少文章。出版数量是一个有用的指标，不仅如此，与下面这些指标对照会呈现出更多信息：
此领域的研究成果总量( B 列)
此领域的全球活跃程度
由此，我们可以确定一个相对活跃指标，1.0 代表全球平均活跃程度。高于 1.0 代表高于全球水平，低于 1.0 代表低于全球水平。用 B 列的数据除以 D 列，得到这个新的指标，见表 2 。
表2-用B列的数据除以D列，得到新的指标：相对活跃程度(E栏)
第4步 选择正确的图表类型
现在我们可以用雷达图来比较相对活跃指数，并着重观察指数最高/最低的研究领域。例如，此机构在 G 领域的相对活跃指数最高( 1.8 )，但是，此领域的全球总量远远小于其他领域(见图 3 )。雷达图的另一个局限是，它暗示各轴之间存在关系，而在本案例中这关系并不存在(各领域并不相互关联)。
图3-相对活跃指数雷达图
数据的规范化(如本例中的相对活跃指数)是一个很常见也很有效的数据转换方法，但需要基于帮助读者得出正确结论的目的使用。如在此例中，仅仅发现目标机构对某个小领域非常重视没太大意义。
我们可以把出版量和活跃程度在同一个图表中展示，以理解各领域的活跃程度。使用图 4 的玫瑰图，各块的面积表示文章数量，半径长短表示相对活跃指数。注意在此例中，半径轴是二次的(而图 3 中是典型线性的)。图中可以看出，B 领域十分突出，拥有最大的数量(由面积表示)和最高的相对活跃程度(由半径长度表示)。
图4-玫瑰图。此图中各块面积表示文章数量，半径长短表示相对活跃指数(E列)。
第5步 将注意力引向关键信息
用肉眼衡量半径长度可能并不容易。由于在本例中，相对活跃指数的 1.0 代表此领域的全球活跃程度，我们可以通过给出 1.0 的参照值来引导读者，见图 5 。这样很容易看出哪些领域的半径超出参考线。
图5-带有相对活跃指数参考线的玫瑰图
我们还可以使用颜色帮助读者识别出版物最多的领域。如图例所示，一块的颜色深浅由出版物数量决定。为了便于识别，我们还可以把各领域名称作为标签(见图 6 )。
图6-玫瑰图中的颜色深浅代表出版物数量(颜色越亮，出版物越多)
结论
数据可视化的方法有很多。新的工具和图表类型不断出现，每种都试图创造出比之前更有吸引力、更有利于传播信息的图表。我们的建议是记住以下原则：可视化项目应该去总结关键信息并使之更清晰直白，而不应该令人困惑，或用大量的信息让读者的大脑超载。
讲完数据可视化的五个步骤，下面来再来看一下数据可视化的制图规则。
可视化有许多“规则”。有的是实际的规则，有的则是帮助你做出选择的建议。如果是出于数据的要求，而且你也知道该怎么做，那么许多实际的规则也不必遵守。
但是，的确有一些规则不应该违背。这些规则通常是用于一些特定种类、几乎只能用特定方式阅读的图表。当这些规则被打破，阅读过程中，数据有可能被误读。这会有点棘手。
条形图的基线必须从零开始
条形图依赖长度来呈现数据。短的条块代表较低的值，长一些的则表示较高的值。条形图的原理就是通过比较条块的长度来比较值的大小。
当基线被改变了，视觉效果也就扭曲了。
举例来说，请看上图。左边第一幅条形图比较了两个值：50和100，它有一条并且它有一条以零为起点的基线。很好。代表数值100的条块长度正好是数值50的两倍长，为100正好也是50的两倍大小。
但当你把基线变为一个更高的、非零的值时，第一个条形的长度变短了，而另外一个条形的长度却没有变。此时值为100的条形不再是值为50的条形的两倍长。以此类推，当最后左边代表数值50的条形彻底消失了，意味着100无限地大于50了。
条形图的基线必须从零开始。
例：这张条形图是经福克斯新闻准许使用的。
3月31日目标的值为7,066,000，比6,000,000高17.8%，然而第二个条形几乎是第一个条形长度的三倍。
有人也许会反驳说，这张图的重点在于两个值的差而非这两个值本身。即便如此，用条形图来表示本身就是一个错误的选择。使用时间序列来呈现月累积数也许会更好。
不要过分热衷于饼图
有些人认为，应该完全避免饼图。他们也许是对的，也许又不是。有些人也许会说，使用饼图完全是一种不可原谅的错误。对此，我不同意。不管怎样，事实情况是人们仍然使用饼图，所以我们至少可以争取正确地使用它们。
避免过度切割饼图，否则最终对它的阅读将难以为继。
那么多少是“太多”？这是一个判断力的问题。不过，如果已经很难从图中看出其中一块扇形是另一块两倍大，或者好几个较小的扇形区域看起来差不多大时，在扇形切割上面就该收手了。此时可以考虑把较小的类目归入一个更大的：“其他”。圆环图也是一样。
同时也考虑一下用其他种类的图表来表示比例。
不要太依赖于饼图。
例：这张饼图来自维基百科，它展示了国家的不同区域。
左边这张饼图中已经切割了许多块，但旁边另分离出一张饼图，显示了左图中看不清楚的更小国家的情况，以此来提供更多的信息。有许多方式可以展示这组数据，比如树状图、按照数据比例制作的图标，或者就用普通的地图。单薄的饼图只适用于显示只有几组值的数据。
尊重部分所占整体的比例
相较于呈现数值，有些图更着重于表现部分与整体的关系，它们表现的数据是部分所占整体比例。比如，堆积式条形图，堆积区域图，树状图，马赛克图，圆环图以及饼图。在这些图表中，每一个部分都表示一个独立的、不重叠的比例。
关于这一条，最常见的错误发生在调查问题允许多选时。比如说：“你上周使用了哪一种交通工具？可以多选。”这样的话，在人们多选的问题上就会出现比例的重叠，不同选项的百分比之和大于一。为了避免这种情况，你不能直接把比例做成统计图。
例：这张饼图来自福克斯新闻下属机构，它表现了三个不属于同一个整体的百分比。
每一个值都是一个单独的整体，因此在这一例中，用三个堆积式条块（或普通的条块）会更直观地表现每个值的比例。
展示数据
让读者看到数据，这是可视化的重点。如果数据的呈现不够清晰，就违背了做图表的初衷。这常常是因为一张图里的数据太多，于是读者的兴趣就被分散了。
这是一个经典的“绘图过度”的问题，相关的研究有很多。但是对于基本的图表，也有一些简单的解决方式。
首先是可以改变符号的大小，这样上图中的小圆点（或者是其他的符号）就不会占据太多空间。为了让数据直观清晰，主要要增加空白。
调节透明度，多层次的图案就不会被覆盖。
通过取样或者把对数据进行分类的方式，把总体分成几个更小的子群。从中，你可以采取小而多的方式，这样每张表里的信息就会少一些。
数据进行再统计及分门别类。
总而言之，更好地呈现数据。
例：这张图展示了金州勇士队在2008-09赛季的每个投篮。
这张图最终形成了一个球场的形状，并得出了对于球员们投篮最多的地点的一个小结论——近框，中距离，以及三分球。但是它们之间的差距是很小的，读者并不能看清真正量级上的差距。
数据聚合法将有助于解决此类问题。
解释编码
通过一定的形状、颜色和几何图形的结合，将数据呈现出来。为了让读者能读清楚，图表设计者就要把这些图形解码回数据值。经典的例子是没有标注的坐标轴。
有时编码不需要解释。比如说，读者也许知道怎样读条形图，就不必解释条的长度表示的是值的大小了。但是设计者的确应该解释数据，也就是图表的单位和主题。
所以标明坐标轴代表的含义。要给读者提供线索或图例，解释图表。
例：这个错误标注的图表来自温尼伯太阳报：
我们要是能知道这是统计关于什么的问题就好了。
大功告成
搞定了。最后一件事就是确保你没有违反最基础的可视化规则——这都是关于理解数据转换可视化图形的过程。如果能弄明白怎数据是如何转换成几何图形的，你就可以创作自己的可视化作品了。但对于特定的几种只能用特定方式来读取的图表，是没有什么改变的余地的。
总之，一定要学会把数据转换成可视化图形。然后真正理解可视化制图中“规则”和“建议”的不同之处。
文章来源：36大数据
