- 中国的垃圾分类回收">中国的垃圾分类回收
- How Americans Get to Work">How Americans Get to Work
- alternatives to diagonal axis labels">alternatives to diagonal axis labels
- Uncertainty Visualization">Uncertainty Visualization
- P4: GPU Accelerated InfoVis">P4: GPU Accelerated InfoVis
- Maps of science">Maps of science
- Annotation">Annotation
中国的垃圾分类回收
通过鼠标滚动触发地图和文案联动描述中国 2017 年城市垃圾现状:
- 北京、上海、杭州等十地是 2017 年产生城市生活垃圾最多的城市,其中有 2170 万人口的北京位居榜首;
- 上述十个城市中有七个位居中国十大 GDP 城市榜;
- 上述十个城市中有六个位居中国十大垃圾处理费用城市榜。
西安的一个垃圾掩埋场垃圾堆砌高度远超自由女神像。
几个城市的垃圾填埋处理与焚烧处理的比例关系:
垃圾填埋处理:垃圾平铺和压缩 - HDPE 覆盖和压缩 - 新一层垃圾 - 新一层 HDPE…..-最上层(从下到上包括排气层、压实的粘土屏障、HDPE、HDPE土工膜层、支持植被的土壤层、提供营养的土壤层)
How Americans Get to Work
众所众知,美国🇺🇸是一个生活在汽车🚗轮子上的国家,2019 年美国人均汽车拥有量 0.837辆,是世界上拥有私家车最多的国家。国外知名的数据可视化大神 邱南森(Nathan Yau) 据此绘制了美国人上班方式的县级分布图,上班方式大致划分为两大类、七小类:
- 机动方式: 单独驾驶🚘、共享拼车、公共交通🚌、出租车🚖及其他
- 非机动方式: 步行🚶、自行车🚲、在家工作👩💻
可以看到,整个美国除阿拉斯加外,全都被绿色覆盖,足见 单独驾驶
是美国人民最主要也是最普遍的上班方式。而绿色的深浅程度,则表示 单独驾驶
在当地所占的比例大小,绝大多数县都落在 80% 左右的范围内。
但是,也有一些例外。在少数几个区域, 单独驾驶
并不是上班的主要方式。比如,有许多人在纽约市区以及华盛顿特区主要是乘坐公共交通工具上班;在科罗拉多州的圣胡安县,拼车似乎更普遍;而在阿拉斯加的几个县,越来越多的人则是使用非汽车、货车🚚或卡车等其他类型的交通工具,比如雪地摩托🏍、雪橇🛷等。
同样地,如果将地图单独映射为其他的出行模式,则地图将另一种颜色为主,比如 拼车上班
:
而目前在美国备受推崇的 在家工作
,也有相当的流行程度:
alternatives to diagonal axis labels
在各种图表中,当X轴数据标签发生遮挡上,大部分工具和库会提供轴标签旋转的策略。当轴标签旋转是一个好的做法吗,可能不是。首先旋转的轴标签看起来并不整齐、另外主要的是旋转后的文本读起来是更慢的。那有没有更好的方法呢?
第一,对离散分类字段,可是考虑把X轴变成Y轴,即比如柱形图变成条形图,在水平方向上,就会有更多的空间来显示轴标签,这里注意需要右对齐轴标签文本,让轴标签和轴线和刻度更容易对应:
第二、是时序数据,轴标签发生遮挡,实际上因为因为对时间的格式化没有选择好,比如每个轴标签都同时显示了年和月,当这里并不需要每个轴标签都显示年;这里就可以把年抽出来显示:
by @翎刀(zqlu)
Uncertainty Visualization
加州大学Merced分校的Space实验室在”不确定性可视化”方向上做了很多专业的研究 链接。不确定性广泛存在于数据分析的测量、建模、预测等多个阶段,对数据的不确定性进行准确、易理解的可视化,对建立有效的信息沟通非常重要。
本文将对不确定进行可视化的手法抽象为视觉符号标注、视觉通道编码两类,而视觉符号和视觉编码又可以结合起来以创建混合方法。
文章进而提出,对不确定性进行可视化的两个难点是如何在视觉感知上有效的体现”区间”(interval)及”频率”(frequency),并对一些不确定性可视化的常用图表及方案结合视知觉理论进行了evaluation。
P4: GPU Accelerated InfoVis
发表在:IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS, VOL. 26, NO. 3, MARCH 2020
作者针对海量数据分析场景开发了 P4 & P5 两个项目。
P4 渲染和 data transform 都通过 WebGL 实现。声明式语法的风格很像 G2,特别之处就在于 operations
中的过滤、聚合都在 GPU 中完成,因此可以保证海量数据下的交互流畅性。
作为 P4 的改良版 P5,提出了渐进式可视化模型。不同于传统的串行管线,用户需要等待全量数据处理并渲染完成才能进行交互,在该模型下,渐进式数据加载模块从数据源获得数据块并载入 GPU 中。积累着色器负责将数据块处理的结果与之前的中间结果进行累积,并将中间结果存入 GPU 中。
Maps of science
利用 2004 年 Thomson-Reuters 期刊引文报告中的数据,本文将 6128 份由 6434916 条引文连接的期刊划分为88 个模块。为了直观简单,只显示最重要的链接,即随机浏览者每 5000 步至少遍历一次的链接,以及通过这些链接连接的模块。
社会和社会科学
自然与社会科学等级图
by @聚则(moyee-bzn)
Annotation
Annotation是可视化中常用一个辅助小工具,能够帮助使用者快速了解图中所要呈现的信息或者快速查看异常信息。今天介绍一个专注做Annotation的工具 d3-annotation (该作者还实现 了一个React版本)。这个工具把annotation过程分成Note, Connector, Subject三部分,Subject是待标注的对象,通常是图中的一个位置点,Note是标注内容,Connector链接。
by @佛肚