《几何原本》
几何学的不朽巨著,欧几里得《几何原本》!这本书很多人都知道,甚至都学习过,不是什么新闻。但是,骚的是这本书彩绘版的设计,让我非常痴迷。放两张图大家感受下:
几何本身是可视化学习的基础,非常重要的部分。而可视化设计本身又可以辅助几何学的学习有没有?赏心悦目!但这还不是最骚的,让我们来感受一下老书的 TeX 重编版本:
很想自己去写一段实现以下有木有?但是这还不是最骚的。让我直接产生 shup up and take my money 的付费欲望的是下面的这张定制版海报,推荐给大家!
by @步茗Neo(neowang)
Time Curve
Time Curve是一种侧重于表现时态演化模式的时序数据展示方式,相对于普通时间轴强调各时间点之间的time diffrence,Time Curve采用MDS(multi dimensional scaling)算法将时间点映射至二维空间(要求用户事先计算好distance matrix),使时间轴本身发生“折叠”,从而使具有相似意义的时间点在空间上相互靠近。空间表现similarity,时间点的颜色映射表现time sequence,在一个轴上将相似性和时序性合为一体。
by @sakuya(liuye-szvim)
Washington Post’s Electoral Maps: How we built it
来自 Mapbox 的 Medium 开发者博客:「Washington Post’s Electoral Maps: How we built it」。
有趣的是作者在 2016 年就使用了 Mapbox 制作大选的交互式展示地图,文中也总结了两年后实践的一些心得:
- Mapbox v0.46 加入的 Feature State API 🔗配合 Expression 🔗让数据可以做到实时更新,数据方只需要为每个要素分配唯一的 GeoJSON ID。
- 华盛顿邮报对于美国地图使用 Albers 投影 🔗(上右图),在这种投影下阿拉斯加和夏威夷按一定比例缩放后置于左下角,而 Mapbox 或者其他地图方都使用墨卡托投影,如何解决这个问题呢?作者使用了 Dirty Projection 🔗技巧(下左图)。
- Cartogram(下右图)忽略了地理信息的准确性,但是对于每个州的人口数据展示效果更加直观。
THE LITTLE OF VISUALISATION DESIGN
Gus Wezerek的一篇名为“Which 2020 Candidates Have The Most In Common … On Twitter?”的文章,使用了维恩图表矩阵,探索了每对民主党候选人的Twitter追随者比例。
我们只关注沿矩阵巧妙使用色彩的方式,以便告诉读者哪个维恩图表与哪个候选人有关。我们通常可能会认为,要显示这么多不同的组合,会涉及到许多不同的颜色分类。尽管有十个候选人,但每个图表案例中最重要的只有两部分:圆的左侧和右侧,按照这种模式,重新设计后的效果如下图所示。
by @聚则(moyee-bzn)
皇氏星图 Royal Constellation
这里是一个跨越千年的庞大的欧洲皇室家族关系图谱,大家可以方便的通过这张图发现两个皇室成员间最近的血缘关系。
在可视化上可以看到这个图的几个点:
- 布局考虑了时间、家族谱系、成员当前所处的位置重要性等很多的属性
- 血缘关系路径的展示,是非常典型的图论里经典的应用
- 良好的交互,hover和点击都用的很恰当,使用起来很方便
- 提供了良好的视觉设计
How Every Member Got to Congress
美国众议院议员是怎么进入国会的?从下图中可以看到美国第116届众议院每个议员进入国会的路径。这是一个图可视化的例子。蓝色线条代表民主党议员,红色线条代表共和党议员,圆圈代表议员主要的教育、工作和政治生涯的里程碑。分别从本科、研究生、工作、政府部门四个阶段去展示议员成为国会议员之前的路径。超过70%的议员之前都是律师、商人和医生,而这些都是美国高收入行业。只有5%的议员没有学士学位,大约一半的议员毕业于公立大学,但是超过10%的议员本科毕业于精英和私立大学。大约70%的议员都是研究生毕业。超过1/3的议员拥有法律专业学位。蓝领或从事服务行业的议员少于5%.
下图是视频,鼠标hover上去可以看到每个议员的路径:
by @长哲(changzhe)
多维数据可视化艺术
The Art of Effective Visualization of Multi-dimensional Data
文章按步骤讲解了如何对一份数据集进行可视化探索分析,分析期间逐步升维,总结了一些多维数据可视化中的常用手段。
- 第0步:目的是查阅各数据列的基本信息——平均值、标准差、最小值、最大值等,使用“表格”
- 第1步(1维):目的是查看每一维的数据的大致数据分布,使用“直方图”
- 第2步(2维):
- 目的是查看维度两两之间的相关性,使用“热力图”、“矩阵散点图”及“平行坐标系”
- 目的是具体分析某两个维度之间的数据,根据数据类型可以使用“joint plot”,分面/拆分的“直方图”,“箱形图”,“小提琴图”
- 第3步(3维~6维):
- 基本目的同上,只是使用分面或更多的通道来展示数据,例如加入颜色通道的“矩阵散点图”,带分面的“小提琴图”
- 随着升维,依次使用颜色、大小、形状的视觉通道
- 开始使用“三维散点图”,虽然我不是很能欣赏~