《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~
若有收获，就点个赞吧
0 人点赞
