film flowers
作者 Susie Wu 将夏季顶级大片以花瓣的形式进行可视化> 作品地址:http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/
可视化元素说明:
花瓣形状 电影分级(G - 一般观众,PG - 建议家长指导,PG-13 - 家长需要特别注意,R - 限制级),维基百科
花瓣颜色 电影类型
花瓣密度 电影 iMDb 评分
花瓣大小 10分制评分
作品预览: ——by @新茗(kasmine)
文本可视化技术概览
文本可视化已成为信息可视化的一个越来越重要的子领域。PacificVis 2015这篇short paper基于对已有文本可视化技术的调查和整理,制作了文本可视化相关技术的资料库Text Visualization Browser,可用于搜索相关工作,深入了解研究趋势。
——by @步茗Neo(neowang)
中国的需求是如何影响世界的
这个项目通过交互可视化的方案直观的呈现了各个国家受到中国进口规模的影响情况。
项目比较精彩的地方在于:
- Node的扩展,进口额出口额与GDP的对比;
下拉的交互与受影响国家影响幅度的表现。
——by [@镜曦(jingxi.lp)](/jingxi.lp)
实时从声音和音乐中提取可视化
通过神经发生的过程,这些专门化的细胞从简单的不成熟的体细胞生长到复杂的成熟神经元,就像我们在这里看到的那样,其分支随机地分布在中体中。如果我们可以模拟这种增长,在非常笼统的意义上,并且不涉及数学细节,每个增长分支b在步骤t + 1的位置p是随机选择的。真正的随机游走会生成非常复杂的树突状网(没有方向性梯度),因此基于概率方法更改方向是明智的,其中,只有在超过给定阈值的情况下,分支模式中的所有新位置才会改变。更重要的是,树突或轴突离中央躯体越远,它变得越薄,分支图案就越复杂。我们还可以用概率取值再次复制这一点,在传递一定的轴突/树突宽度后,我们将生成一个新的分支。
通过实时音频流更新的唯一参数。首先,让我们在运行模拟时根据该流更改躯干和树突分支的直径和透明度。输入的声音越大,神经元越大。另外,让我们跟踪绘图,以便我们可以实时查看神经元如何分支。最终我们就得出了,将声音这样的感性认知转化为另一种数据额感觉认知。
——by @明多牧(mingduomu)
朋克乐队 Fugazi 的历史可视化
DC 朋克乐队 Fugazi 首先是作为新闻纸的杂志出版,然后是大型展览的纸品。这些可视化收集了乐队在其 15 年职业生涯(1988-2003 年)中数据,显示了他们与谁一起玩,在哪里玩,相关乐队的家谱,以及在这项研究中发现的新发现中,他们捐赠了哪些慈善机构。他们通过参加公益演唱会筹集的超过 25 万美元。
各幅完整图片:
[1] [2] [3] [4] [5] [6]
——by @十吾(shiwu-5wap2)
50 Years of Gaming History, by Revenue Stream
预计 2020 年,游戏行业将产生 1650 亿美元的收入。分解这个市场内不断变化的领域及其增长情况是很重要的一件事。虽然游戏行业汹涌的浪潮一直在翻滚,但是驱动它不断增长的细分领域已经发生了变化。从图中可以发现,游戏厅和掌机游戏的营收份额在不断被挤压,VR、云游戏和营收份额一直不算很大,而终端游戏、PC 游戏和手机游戏是目前营收份额占比靠前的三个领域。尤其是手机游戏,在 1997 年诺基亚开发了贪吃蛇之后,就开启了它的迅猛增长之旅,至今也未见颓势。
——by @珂甫(pddpd)
响应式可视化设计
可视化在数据新闻中如何有效地向公众传达重要信息方面起着至关重要的作用。因此当在手机或平板电脑上阅读内容时,无论使用何种设备,可视化作者都希望它可以调整布局以清晰显示信息。但是,现有工具几乎没有为响应式可视化设计提供支持。
为了解决创建响应式可视化以适应各种设备上的用户内容的挑战,Adobe Research的新工作Techniques for Flexible Responsive Visualization Design ,分析了231个响应式新闻可视化的语料库,并与五名记者讨论了关于响应式可视化设计的形成性采访。这些采访激发了四个主要的设计准则:允许同时进行跨设备编辑,易于进行特定于设备的定制,显示跨设备预览以及支持编辑传播。根据这些准则,设计和提供了一个原型系统,允许用户同时预览和编辑多个可视化版本。这项工作在CHI 2020会议上获得最佳论文奖。
——by @顾己(esora)
g-Miner:多变量图上的交互式分组挖掘
想象你是一个大型公司的人力资源部经理,你需要从几千名职员中挑选一群人组成一个项目团队。除了相互熟悉以外,他们也必须具备特定的能力。当有人退出时,你还需要快速地找到替代者,以保证团队的运营。在数据挖掘领域,类似的任务又被称作分组挖掘(Group Mining)。而事实上,每个职员都具备不同的能力,他们之间又有错综复杂的社会关系。你所面对的,其实是一张大规模的多变量图(Large-scale Multivariate Graph)。如何帮助用户在这种图上快速地进行分组数据挖掘,就是g-Miner这一工具所要解决的问题。
对于大规模数据,有必要进行层次化的数据分组,亦即层次化聚类(Hierarchical Clustering)。对于各个分组,需要概括描述其中的关系网络(Connections)与多变量特征(Attributes),并允许用户加以比较。为了发现符合要求的团队,还需要灵活的数据过滤与查询机制。而在团队成员发生变化时,应帮助用户快速定位到合适的替代着,并修改已有的分组。
作者们设计了三种不同的方式来表现这些不同的侧面。其中关系图(Relation Map)以邻接矩阵(Adjacency Matrix)的形式表达了组内的连接关系,特征图(Feature Map)则以数据表格的方式展示了组内成员的多变量分布。而图片段(Graph Snippet)形式则同时表现了组内网络(环中心的网络示意图)和变量情况(多种颜色的外环)。
以上设计满足了大规模多变量图的探索需求,但真正的交互式分组挖掘,是从数据查询机制开始的。g-Miner提供了两种查询机制,分别是个体查询和模板查询。
如果要修改已有的分组,类似于模板匹配的功能,只要将被替换的成员修改至理想状态,利用 TMR 算法就能找到一组相似的候选者。
简而言之,g-Miner 综合了两方面的可视分析方法:即大规模多变量网络的可视化,以及交互式分组挖掘方法,其主要亮点在于灵活的交互式模板查询能力。
——by @聚则(moyee-bzn)