各国参加国会的女性比例可视化
下图第一幅可视化中每个点代表了一个国家，x 轴代表年份，y 轴代表比例值。每个年份使用了 box plot 展示该年各国女性参与国会比例的统计值。全局来看，国会女性比例值是逐步增长的；从 2009 年开始，才有国家的国会女性比例超过 50%；直到 2019 年，大部分国家的国会还是主要以男性为主。
第二幅可视化展示了卢旺达和越南从 1997 到 2009 国会女性比例的增长曲线。卢旺达增长迅速，而越南几乎没有改变。
下图是世界各国男性（灰色节点）与女性（紫色节点）每天参加有偿/无偿工作时长可视化。无偿工作包括家务、照顾、志愿工作。可以发现全世界女性每天有偿工作时长较短、无偿工作时间较长；男性反之。
用 Tableau 制作的海龟生存威胁分析图
Jonni Walker 是一位常驻英国的数据可视化艺术家，目前加入了 Mapbox 成为一名制图师。他推出了一系列名为 “Painting With Mapbox Studio” 的文章，与大家分享他的 Mapbox 制图心得。
例如用 Tableau 制作的海龟生存威胁分析图，使用了 Mapbox 卫星地形图作为底图。
DEMO：https://public.tableau.com/views/TheTurtle/Tester?:embed=y&:display_count=yes&publish=yes&:origin=viz_share_link&:showVizHome=no#1
沧东
**
Egocentric Analysis of Dynamic Networks with Egolines
动态网络，其结构随着时间不断发生变化，是个应用领域相当广泛的数据结构，比如社交媒体交流网络，学者之间的合作网络等。相关的研究相当的丰富。
基本的展示形式有两种，点边形式（Node-link Diagram）和矩阵形式 (Matrix Diagram)。时间映射方式主要有两大类，基于时间轴的映射和基于动画的映射。这些方法，关注的往往是整个网络。另一种重要的动态图研究方法，是自我网络分析（egocentric analysis）。相比于关注整个网络的分析，自我网络分析关注的是中心点（ego）及其相关联的节点（alters）构建的子图。
可视分析自我网络的动态变化，对探索中心节点与周边节点之间的相互影响，有重要作用。为更好地分析、总结自我网络相关的可视分析任务，作者们采访了三个网络分析专家，并将相关问题总结整理成三大类，如下所示：
- 动态网络的自我演变；
- 特定时间步的自我网络分析；
- 自我网络。
为更好地可视分析这些问题，结合地铁图中得到的启发，他们设计了EgoLines 展示动态自我网络。
聚则
Why do cats & dogs …?
这个项目是Nadieh Bremer与Google Trands合作开发的数据可视化项目。整体采用了很可爱的手绘风，利用Rough.js完成风格化渲染。数据来自Google Trands以及人们对猫和狗的搜索，调查了大约4400个关于猫和狗的最常见问题。观者可以浏览在Google上提出的最受欢迎的问题，这些问题以“为什么/是/是我/猫/狗”开头。人们最想知道这两种宠物的什么？人们经常问什么“奇怪”的行为，例如：猫和黄瓜怎么了，为什么狗对便便很着迷。并且对web端和移动端都进行了适配。
圈子的大小取决于问题的受欢迎程度，颜色是随机的。句子树中的最后“叶子”是实心全彩色的，而仍然具有分支的那些彩色的空心圈。将鼠标悬停在圆圈上不仅可以显示到该点为止的句子，还可以显示相关的所有变体。如果对特定内容感兴趣，可以使用顶部的搜索框进行查找。点击之后可以链接到谷歌的相关问题。
为了确保所以的问题集能放在一起，且不占用过多的空间，作者将所有问题都被分组以创建“句子树”。句子树结合以相同单词开头的句子，并在句子中的下一个单词具有多个选项时创建新的分支。
比如所有以 “knead” 这个词开头的问题，意思是任何 ‘why do/does/are (my/a) cat(s)’ 变体之后出现的第一个单词：
Why does a cat / Why do cats / Why does my cat knead, Why do cats knead & suck, Why do cats knead and bite blankets, Why do cats knead and hump, Why do cats knead and suckle, Why do cats knead blankets, Why does a cat / Why does my cat knead me, Why do cats knead on blankets, Why do cats knead on humans, Why does my cat knead on me, Why do cats knead on soft things, Why does my cat knead the bed, Why do cats knead their paws, Why do cats knead things, Why do cats knead you with their paws.
以上有四个句子，所有的词都在 ‘knead” 这个词之后紧跟着：“knead on blankets, knead on humans, knead on me and knead on soft things”。因此，可以将这四个句子更深一层地结合起来，只将它们与开始不同的单词分开；“blankets, humans, me, soft”. 最终将得到以下句子树：
然后用圆的大小代表问题的受欢迎程度，缩短所有线条并使其分布在第一个 “knead” 的圆上，那么将得到以下所有以 “knead” 开头的问题的子集：
当对 “why do/does/are (my/a) cat(s)” 之后所有约370个唯一单词重复此过程，就会得到猫和狗两个以非常大的句子树。
我们可以从猫数据集中发现一些出乎意料的问题：比如为什么吃假的圣诞树… 但很多事情与以下四个一般主题有关：猫的喜好，发出的声音，其他用嘴做的事情，以及为什么他们移动（或不移动）的方式。
比如猫对盒子的热爱可能与它们为猫提供的安全而狭窄的空间有关。由于猫既是猎物又是捕食者，所以盒子为它们提供了躲避捕食者的地方。一个盒子可以将猫的许多侧面封闭起来，使得猫可以感到平静和受到保护。
最后，作者根据每个国家与猫狗有关的问题受欢迎程度，分析对比了猫狗在各国的受欢迎度：
该图显示了2013年至2018年之间，在±115个国家地区中，猫和狗在Google搜索中的流行程度。每个圆圈代表猫还是狗的搜索受欢迎程度，放置的圆圈越远，其搜索受欢迎度越高。
如果感兴趣的话推荐看下作者的 blog，详细记录了这个项目从最开始的想法，数据处理，图像呈现，设计，选色的一系列过程。思考方式很有意思，值得借鉴。
缨缨
Pathfinder: Visual Analysis of Paths in Graphs
在关系型数据的分析中，很多任务都和路径分析高度相关。通常情况下，使用节点-链接图能有效展示和探索图中的路径，但图的布局往往不能扩展到许多现实世界网络的大小。此外，许多网络数据是多变量的，即节点和边具有丰富和高维度的属性集。这些属性往往是筛选和判断路径的关键，但难以在传统的图布局中体现出来。
这篇论文提出了专门针对大型、多变量图中路径相关任务的可视化分析解决方案：Pathfinder, 结合路径列表和节点链接图，通过采用增量查询结果等策略来支持具有数万个节点和边的图的分析。
用户在进行路径查询后，Pathfinder将查询所得到的路径集可以根据拓扑属性（如路径长度或平均节点度）和属性数据得出的分数进行排名，转换成列表形式进行展示。对于列表中的路径，可以显示与节点和边相关的丰富的属性数据。
路径列表通过支持(a) 所有路径围绕选定的枢轴节点对齐，(b) 布局力求将重复出现的节点放在同一水平位置，这种对齐和节点排列方式支持路径比较。
如下图展示了路径比较和排序的案例，第二条路径（紫色高亮显示）是参考路径。所有路径中的节点和组旁边的图标表示的是是否与参考路径共享。例如，第三条路径共享两篇CHI论文、一篇TVCG论文和四位作者。右侧rank列显示了路径的不同得分，路径按是否有它们包含Krzysztof Z. Gajos，路径长度和平均节点度排序。
羽然
若有收获，就点个赞吧
0 人点赞
