冰与火之歌最终季口碑滑铁卢可视化

冰与火之歌最终季遭遇口碑滑铁卢，各大媒体都纷纷进行了可视化展示报道，比如纽约时报的： Is the Last Season of ‘Game of Thrones’ Bad? We Charted Fans’ Ratings，以及经济学人的 How unprecedented is the decline of “Game of Thrones”?
如果将冰与火之歌每一集的 imdb 评分映射出来，明显可以看出最终季与以往的评分相差很大。以下是纽约时报的可视化作品：

以下是同一份数据，经济学人的可视化作品：

两张图都很好的展示出了最后一季与前面几季评分上的巨大差异。纽约时报的图表更写实的体现了每一集的评分，并且列出了评分最高的几个单集。而经济学人将单集评分以散点的形式展示，每一季拟合出了一条平滑曲线，更关注趋势变化。唯一感觉不足的地方就是散点以两种颜色展示，并且没有相关图例，让人很困惑。我仔细看了其余几张图猜测这只是想区分每一季的评分点而已。。感觉有清晰的网格划分，以及最后一集的区域高亮，这个有点没必要。
by @青湳(qingnan)

当 Fashion 遇到可视化

来自Pudding的作品，研究时尚和肤色之间的关系。搜集了19年以来的《VOGUE》杂志封面，识别面部并裁剪图片，进行皮肤识别，提取颜色和亮度值，人工校准数据后进行颜色分析，并将数据的整体趋势和特殊值分析转化为可视化图表，并将最终结论落脚到社会问题的反思与批判。比较值得一提的是，pudding将整个链路，从思考到数据的搜集和处理都当做了故事的一部分，使故事本身更加有可信度和说服力。
by @sakuya(liuye-szvim)

Making the NYC Subway User-Friendly Through Effective Visuals

曾经的地铁线路图也承担着地图的功能，因此左图（1939年）中甚至可以看到一些醒目的地标。
右图（1972年）从今天的眼光来看其实是很好的设计，牺牲了地理位置的精确性，将观者的注意力集中在点到点上。但是当时很多人并不买账：

They saw it as a misrepresentation of their city. Tourists struggled to relate Vignelli’s design to what they found above ground. After much pressure, the MTA replaced the Vignelli diagrammatic map with a geographical one in 1979.

文中还结合 Storytelling with Data 介绍了地铁路线图中为了高效传达信息使用的一些可视化原则。
by @沧东(cangdong)

Github 图可视化

用KeyLines图可视化工具分析过去10天内Github仓库Neo4j的代码提交情况，能够让我们看到一些传统数据可视化工具发现不了的洞见。首先图建模，每个代码贡献者和文件都是图上的节点，如果贡献者修改文件，在贡献者和文件这两个节点之间有一条边。同时对边的颜色进行视觉映射。如果是对文件添加行，那么边的颜色是绿色；如果是删除行，那么边的颜色是红色；如果添加的行数与删除的行数相等，边的颜色是黄色。因为代码提交都有时间，所以通过KeyLines的Time bar，可以看到关系图随着时间的演化情况。

从关系图上首先可以看到哪些是重要文件（经常被修改的文件），以及是谁在修改：

其次还可以发现团队的结构，比如Java团队修改Java文件，Scala团队修改Scala文件，前端团队修改JavaScript文件：

最后还可以发现团队成员时间随着时间变化，从独立开发，走向合作开发（修改同一个文件）：

by @长哲(changzhe)

七种引人注目的地图可视化人类的足迹

在很短的时间内，人类改变了地球的面貌。事实上，我们的影响是如此深远，以至于科学家已经宣布了人类时代的曙光，或人类影响的时代。从许多不同的角度看待这个人类的足迹。 以下是我们发现最有趣的一些内容：

• 人类脚印、人口密度图、城市群、船舶航线、飞机航线、海底光缆、世界道路

by @ThinkGIS(xiaofengcanyue)

Standust：基于 GPU 的可视化（WebGL）库

by @步茗Neo(neowang)

potrace 算法

从位图勾勒矢量图轮廓的算法，步骤如上图所示，首先从位图处理得到黑白图片，所有黑色像素边界得到多个多边形。然后合并多边形并优化，调整边、检测边界点（转折点），并平滑化。最后转化成曲线并优化，得到最终结果。这个算法运行效率非常高，可以用在很多场景里。位图转矢量图、字体锐化、渲染优化等等。它是03年的算法，其效果比它的前辈好很多，尤其是边界检测方面（下图中间是 AutoTrace 算法的结果，右边是 potrace 的结果）。感兴趣的同学可以看看这篇论文： http://potrace.sourceforge.net/potrace.pdf

by @绝云(leungwensen)