Bubble Treemap
这是一篇InfoVis 2017转投TVCG，发表于2018年的文章。这篇文章基于现有的树图，提出了一种新的视图Bubble Treemap。
树图和气泡图都是我们所熟悉的视图，作者将两者的优势结合，并加入一些针对不确定性的设计，就形成了Bubble Treemap。那么，什么是不确定性呢？不确定性指的是，当事物的存在状态或所能产生的结果不能被精确地描述，数据的测量值仅仅表述了事物在某些特定假设下的特征。要使可视化成为一种有效的决策支持工具，直观地呈现数据中的不确定性是不可或缺的。在这篇文章中，提出了平均值和标准差这两大表示不确定性的特征变量，讨论了不确定性如何在层次结构中传播，并通过轮廓来进行视觉编码。在布局算法上，使用了基于力的方法。
Bubble Treemap的基本实现步骤如下图所示：
在第一张图片中，呈现的是标普500指数（S&P 500 index）的分解到了领域和公司的级别的Bubble Treemap。每个圆都代表了一支股票，面积的大小代表了2016年11月某个星期的平均收盘价，而轮廓线描述了标准差。通过查看轮廓的波纹度，可以相对容易地识别变化最大的股票。(a)标识的是带有低不确定性中等大小的领域，(b)标识的是带有高不确定性的领域。
具体的实现过程和算法等，可以参考下面的相关链接。
by #彭第
图的三种可视化方式
提到图的三种可视化方式，18年 TVCG 有一篇通过用户实验对比 node-link graph 和 adjacency matrix 的论文，Node-link or Adjacency Matrices: Old Question, New Insights
该文设计了一系列图探索任务，通过网络征集了大量在线用户，在两个节点数量分别是 258 和 336 的数据上做实验。最后统计和分析用户探索在点线图和邻接矩阵的精确度和花费时间。通常我们可能直观认为点线图的表现会更好，但该文实验结果发现，总体而言，结果并不完全符合我们的常规认知。该文章总共统计了 14 种用户任务，这里举例三种：
（注：浅灰色 bar 代表 AM，即 Adjacency Matrix；深灰色 bar 代表 NL，即 node-link diagram）
- 给定两个高亮节点，指出它们的共同邻居点（结论：点线图在 Ingredients 数据集上精确度低，耗时长；在Airports 数据集上，精确度高，耗时长）：
- 计算有多少个聚类（结论：点线图精确度低，耗时与邻接矩阵差不多）
- 给定两个被高亮的节点的聚类，并限制时间，估计哪个聚类更大（结论：两种可视化差不多）
另外，该文章还通过用户反馈做了一系列统计，有趣的是用户在邻接矩阵上更喜欢进行缩放和平移操作（Zoom/Pan etdious），他们认为点线图的操作更难（Difficult），但邻接矩阵容易让人疑惑（Confusing），点线图更有趣（Fun/Interesting）。。。
通过用户实验，我们也许会发现很多与开发者、或我们周遭类似群体与其他用户的思维差异，点线图和邻接矩阵在各种任务上的表现各有优劣。不能因为点线图更为流行，就完全放弃邻接矩阵这种表达方式，要因地制宜。同时，也说明了用户任务是可视化设计第一指导标准。
by @十吾(shiwu-5wap2)
How many high school stars make it in the NBA?
每年都会对顶级的高中篮球新星大肆渲染，但他们中究竟有多少最终能够进入NBA，并成长为超级明星呢？
还会有人记得Donnell Harvey吗？应该没多少人有影响了，他可是2000年全美排名第一的高中生，预示着即将成为超级明星，但进入NBA后，场均只有5分。另一个全美排名第一的高中生，LeBron James，带着天选之子的光环进入NBA，至今还是联盟第一人。
这种差别就很容易让人好奇，全美高中篮球排名中靠前的高中生是否能够适应NBA，更不用说成为超级明星了。
Level Reached of Top 100 High School Players
从1998年到2013年，能够达到全美高中排名前100的1563多名球员中，进入NBA后的成就如下图所示：
1563名球员中，只有27%进入了NBA，并且只有25%的球员在NBA中度过了他们的新秀合同。最终只有2%（31名）达到了超级巨星的级别。
Level Reached of Top 10 High School Players
全美高中篮球排名前100可能过于宽泛，我们可以看一下全美排名前10的高中生进入NBA的情况：
全美排名前10的最终有84%的人进入到NBA，而最终达到超级巨星级别的也只有9%。
Level Reached of Drafted Top & Unranked HS Players
这个时候，也许大家就会好奇，那排名没有进入到全美前100名的，最终有多少进入NBA，并取得怎样的成就呢，我们一起来对比下排名前100和未进入前100的情况：
很明显，排名前100的无论是进入NBA的比例，还是最终的成就都远超未排进前100的球员，但也有例外情况，如斯蒂夫-库里，马克-加索尔等。
by @聚则(moyee-bzn)
凶恶之舞的信息可视化作品
今天分享的是《火鸟》组曲——凶恶之舞的信息可视化作品。（《火鸟》是俄罗斯作曲家伊戈尔·斯特拉文斯基的代表作与成名作。）
比较惊艳的是，这幅作品使用 Tableau 制作的。Tableau 作为一个商业智能可视化分析工具，除了做好本分任务以外，其能力已经可以拓展到交互信息图领域。
by @步茗Neo(neowang)
Circle of Nations
用简单的图形构筑出细腻新奇的数据故事。《Circles of Nations》以clustering的视角来重新审视世界各主要行政区呈现出来的协作模式。作品首先呈现了各行政区在地理上的分布，鼠标hover到代表行政区的dot时，将会连线到与该行政区在同一国际组织，并列出与其最具共性的国家。接着，以国际组织为指标将各行政区进行聚类，形成新的“大洲”。从中可以清晰的看出，发达国家和大国倾向于聚集在一起，地缘因素对这一类集簇影响微乎其微。前苏联的成员国相对集中，可能同时受地缘、政治及历史的因素。非洲分裂为两个相互独立的集簇，太平洋岛国、南亚&东南亚、拉丁美洲和加勒比也各自呈现出比较清晰的地缘聚集性。
by @sakuya(liuye-szvim)
歌曲的信息可视化
如何通过可视化对个人的作品进行描述，Adam McCann 给了我们一个绝佳的范例，他对 Bruce Springsteen 的每首歌都进行了可视化，根据 Spotify 和 其他来源的描述，对每首歌和专辑按照流行程度排序，使用种子、叶子、花朵等我们熟悉的植物材料，奏出一曲非凡的乐章。
by @萧庆(xiaoqing)
六种可视化图表展现二战后德国的人口流动
第二次世界大战之后，德国经历了从分裂到统一，也经历了从大萧条到经济起飞，这些巨大的转变历来都是政治、社会、经济各界专家研究的热点。1990 年两德统一后，人口迁移引发的相应社会问题一直没有得到应用的重视。针对这个问题，德国新闻网站 Zeit Online 最近推出一项数据新闻专题，从数据入手，带读者了解这几十年来德国人口结构发生的巨变。
战后德国国内人口流动的情况，是需要大量并且多样的数据来支撑的一个复杂的故事。而这则报道的出色之处在于，面对门类如此多样的数据，设计者们为每一种数据都精准地选择了它最合适的方式来呈现。地图上的光点图、可缩放的折线图、小多组图组、动态的点阵图……在这则数据新闻中，一共用到了六种不同的信息图表。你每一次向下拖动页面，都会看到不一样的视觉元素，这就在保证整个叙事脉络透彻简洁的同时，使得你在不知不觉中读完整篇故事，而不产生疲劳感。
by @ThinkGIS(xiaofengcanyue)
若有收获，就点个赞吧
0 人点赞
