Visualizing the World’s Top Plastic Emitting Rivers

这是一个全球塑料主要排放河流的可视化作品。每年大约有 800 万吨塑料进入海洋——相当于每分钟一垃圾车的废塑料。有的掩埋在地下的塑料会流入河流，有一些通过水循环从城市进入大洋。塑料排放在大型河流的大型人口中心尤其明显，特别是在中国，印度尼西亚和尼日利亚等快速城市化的地区。

中国最大的河流长江养育着超过4亿人口，是地球上最多产的塑料废物排放河。中国政府已经认识到这个问题，要求在近 50 个城市进行垃圾分类回收，并制定到 2020 年回收率提升到 35% 的目标。
by @青湳(qingnan)

WHEN THE TOO-EARLY BIRD SINGS

国家地理发布了一个作品，将的是光污染对鸟类的影响。通过非常巧妙、美观而又直观的可视化设计，传达了在有人工光照干预的情况下，部分鸟类会在一年中叫早的时间开始频繁鸣叫。大家可以感受一下这种既科学又美观的信息图表设计。国家地理到底是国家地理啊！

by @步茗Neo(neowang)

Rappid-Powerful Visual Tools

Rappid是一款强大的可视化工具，可以定制界面上的每一部分，并且可嵌入任何页面中，支持通过Ajax和JSON与后端通信。我们先来直观的感受一下：

使用Rappid可以做什么呢，下图就完整的展示了它的能力。

你是不是觉得以上这些工作都只能在PC上面完成，No，No，No，Rappid支持PC、平板及手机端，所以，我们可以随时随地完成上面的工作。

除此之外，它还兼容主流的前端框架及类库，支持jQuery、AngularJS、React及Backbone.js。最后，Rappid还支持Plugin机制，通过Plugin，可以极大地丰富Rappid的能力。
by @聚则(moyee-bzn)

解决文本避让的聚类算法比较

Deck.gl 中解决点要素文本避让问题时，使用到了一种聚合算法 HDBSCAN（Hierarchical Density-Based Spatial Clustering of Applications with Noise）。「Comparing Python Clustering Algorithms」一文详细介绍了为什么要使用「HDBSCAN」这种聚合算法。

sklearn.cluster 中包含了十几种不同的聚合算法，如何选择合适的算法呢？如果我们了解数据集的详细信息，那就很方便选择了，如果我们想聚合文本数据，那就应该选择文本聚合算法。但如果我们无法获悉数据的详情呢？例如在做探索性数据分析 exploratory data analysis (EDA) 时，该如何选择呢？

首先要了解 EDA 场景下一个好的聚合算法应该满足哪些条件：

1. 不能错误聚合。既然是探索性数据分析，聚合应当是谨慎的，没有结果好过错误的聚合结果，因为这会误导后续的研究方向。而大多数聚合算法并不是这样考虑的。
2. 聚合的参数应当是直观的。既然我们对数据知之甚少，在选取聚合的参数上就不能和数据详情强相关。
3. 聚合结果是稳定的。如果在调整参数过程中发现聚合结果差别巨大，显然就是不稳定的。
4. 高性能。用大数据集中的小样本运算是无意义的。

接下来比较了几种不同的聚合算法的结果，按照上述 4 条标准评估，很明显 HDBSCAN 效果最好。

算法名	是否满足探索性分析场景	聚合效果
原始数据集	未聚合
K-Means 常见的分类算法	1. 无法指定聚合范围，全局范围内聚合效果不佳 1. 严格意义上是分类而非聚合算法。需要传入聚合结果集数量（例子中为 6） 1. 稳定 1. 算法本身简单，因此性能高
Affinity Propagation 基于图方法，让每个点投票决定加入哪个集合	1. 无法指定聚合范围，全局范围内聚合效果不佳 1. 相比 K-Means 中需要预先知道结果集数目，参数更加直观一些 1. 稳定 1. 性能低下
Mean shift

|
1. 结果不准确，需要订正（图中的黑色区域）。
1. 参数相对直观
1. 不稳定，多次运行结果可能不同
1. 性能低下
| | | Spectral clustering
k-NN 图 |
1. 存在噪音数据
1. 和 K-Means 一样，需要预先知道集合数目
1. 较稳定
1. 性能较低
| | | Agglomerative clustering |
1. 较好的正确性
1. 和 K-Means 一样，需要预先知道集合数目
1. 很稳定
1. 性能较高
| | | DBSCAN
density based。低密度区域的点会被忽略 |
1. 第一个满足正确性的算法。不假设每个点都一定属于某个集合。
1. 不直观。参数 eps 需要调试
1. 很稳定
1. 性能很高
| | | HDBSCAN
基于 DBSCAN 改进 |
1. 继承 DBSCAN 的优点
1. 很直观。聚合阈值
1. 很稳定
1. 性能很高
| |

by @沧东(cangdong)

Notabilia - 对争论的可视化

Notabilia选取了wiki上最长的100条讨论，而这些讨论导致了对应wiki词条内容的删除和保持，将争论的阶段性发展及结果进行可视化之后，得到的是一个典型的L-System。每条讨论都从一个根节点开始，每一个争论的阶段，其长势和颜色表示了争论的暂时结果— 绿色+向左表示保留内容，而红色+向右代表内容的删除。随着时间的发展，每个阶段表示图形的长度和生长倾角逐渐衰减。
by @sakuya(liuye-szvim)

那些久远美妙的可视化作品

一个非常有历史年代感的可视化作品集，这里收录了很多50年、60年甚至100多年前的可视化作品，比如这些：

• Diagram of the US Federal Government and American Union，1862

• The Penguin Atlas of World History，1974

• Traffic Census (of London)，1911

by @广知(guangzhi-le8e5)

超市购物小票上的可视化

我们正常看到的小票是这样的：

Netflix 数据可视化工程师重新设计并优化了超市小票，变成下面的：

只是将简单的气泡图和条形图移植到小票上，就带来了不一样的用户体验效果。
by @逍为(hustcc)