數(shù)據(jù)可視化的五個(gè)步驟

數(shù)據(jù)被稱作是最新的商業(yè)原材料「21世紀(jì)的石油」。商業(yè)領(lǐng)域、研究領(lǐng)域、技術(shù)發(fā)展領(lǐng)域使用的數(shù)據(jù)(數(shù)據(jù)分析師認(rèn)證)總量非常巨大，并持續(xù)增長(zhǎng)。就Elsevier而言，每年從ScienceDirect下載的文章有7億篇，Scopus 上的機(jī)構(gòu)檔案有8萬(wàn)個(gè)、研究人員檔案有 1 千 3 百萬(wàn)，Mendeley上的研究人員檔案有 3 百萬(wàn)。對(duì)于用戶來(lái)說(shuō)，從這個(gè)數(shù)據(jù)海洋中抓到關(guān)鍵信息越來(lái)越難。

許多先進(jìn)的可視化方式(如：網(wǎng)絡(luò)圖、3D 建模、堆疊地圖)被用于特定用途，例如 3D 醫(yī)療影像、模擬城市交通、救災(zāi)監(jiān)督。但無(wú)論一個(gè)可視化項(xiàng)目有多復(fù)雜，可視化的目的是幫助讀者識(shí)別所分析的數(shù)據(jù)中的一種模式或趨勢(shì)，而不是僅僅給他們提供冗長(zhǎng)的描述，諸如：“ 2000 年 A 的利潤(rùn)比 B 高出 2.9 % ，盡管 2001 年 A 的利潤(rùn)增長(zhǎng)了 25 % ，但 2001 年利潤(rùn)比 B 低 3.5 % ”。出色的可視化項(xiàng)目應(yīng)該總結(jié)信息，并把信息組織起來(lái)，讓讀者的注意力集中于關(guān)鍵點(diǎn)。

對(duì)于 Elsevier’s Analytical Services 的項(xiàng)目而言，我們一直在尋找提升數(shù)據(jù)分析和可視化的方式。例如，在我們對(duì)于研究表現(xiàn)的分析中有大量關(guān)于研究合作的數(shù)據(jù);我們?yōu)?Science Europe 提供的報(bào)告(Comparative Benchmarking of European and US Research Collaboration and Researcher Mobility) 包含跨州合作以及國(guó)際合作的數(shù)據(jù)，這些數(shù)據(jù)不適合直接用二維表和X-Y圖展示。為了探索數(shù)據(jù)背后的故事，我們使用了網(wǎng)絡(luò)關(guān)系圖來(lái)識(shí)別國(guó)家間的合作，并了解每個(gè)合作關(guān)系的影響。想了解我們的團(tuán)隊(duì)如何為政府部門、出資者、大學(xué)、研究者提供基于數(shù)據(jù)的材料，為研究方面的策略決定提供信息，可參閱 Telling stories with big data 一文。

本文提供一份包含五個(gè)步驟的數(shù)據(jù)可視化指南，為想用表格、圖形來(lái)傳播觀察結(jié)果、解讀分析結(jié)果的人士提供幫助。要記住，建立好的可視化項(xiàng)目是一個(gè)反復(fù)迭代的過(guò)程。

第1步-明確問(wèn)題

開(kāi)始創(chuàng)建一個(gè)可視化項(xiàng)目時(shí)，第一步是明確要回答的問(wèn)題，又或者試著回答下面的問(wèn)題“這個(gè)可視化項(xiàng)目會(huì)怎樣幫助讀者?”

表 1–數(shù)據(jù)集中的三條記錄

圖1-槽糕的可視化項(xiàng)目并不澄清事實(shí)，而是引人困惑。此圖中包含太多變量。

清晰的問(wèn)題可以有助于避免數(shù)據(jù)可視化的一個(gè)常見(jiàn)毛病：把不相干的事物放在一起比較。假設(shè)我們有這樣一個(gè)數(shù)據(jù)集(見(jiàn)表 1 )，其中包含一個(gè)機(jī)構(gòu)的作者總數(shù)、出版物總數(shù)、引用總數(shù)和它們特定一年的增長(zhǎng)率。圖1是一個(gè)糟糕的可視化案例，所有的變量都被包含在一張表格中。在同一張圖中繪制出不同類型的多個(gè)變量，通常不是個(gè)好主意。注意力分散的讀者會(huì)被誘導(dǎo)著去比較不相干的變量。比如，觀察出所有機(jī)構(gòu)的作者總數(shù)都少于出版物總數(shù)，這沒(méi)有任何意義，又或者發(fā)現(xiàn) Athena University、Bravo University、Delta Institution 三個(gè)研究機(jī)構(gòu)的出版物總數(shù)依次增長(zhǎng)，也沒(méi)有意義。擁擠的圖表難以閱讀、難以處理。在有多個(gè) Y 軸時(shí)就是如此，哪個(gè)變量對(duì)應(yīng)哪個(gè)軸通常不清晰。簡(jiǎn)而言之，槽糕的可視化項(xiàng)目并不澄清事實(shí)而是引人困惑。

第2步-從基本的可視化著手

確定可視化項(xiàng)目的目標(biāo)后，下一步是建立一個(gè)基本的圖形。它可能是餅圖、線圖、流程圖、散點(diǎn)圖、表面圖、地圖、網(wǎng)絡(luò)圖等等，(數(shù)據(jù)分析師培訓(xùn))取決于手頭的數(shù)據(jù)是什么樣子。在明確圖表該傳達(dá)的核心信息時(shí)，需要明確以下幾件事：

我們?cè)噲D繪制什么變量?

X 軸和軸代表什么?

數(shù)據(jù)點(diǎn)的大小有什么含義嗎?

顏色有什么含義嗎?

我們?cè)噲D確定與時(shí)間有關(guān)趨勢(shì)，還是變量之間的關(guān)系?

有些人使用不同類型的圖表實(shí)現(xiàn)相同目標(biāo)，但并不推薦這樣做。不同類型的數(shù)據(jù)各自有其最適合的圖表類型。比如，線形圖最適合表現(xiàn)與時(shí)間有關(guān)的趨勢(shì)，亦或是兩個(gè)變量的潛在關(guān)系。當(dāng)數(shù)據(jù)集中的數(shù)據(jù)點(diǎn)過(guò)多時(shí)，使用散點(diǎn)圖進(jìn)行可視化會(huì)比較容易。此外，直方圖展示數(shù)據(jù)的分布。直方圖的形狀可能會(huì)根據(jù)不同組距改變，見(jiàn)圖 2 。(在繪制直方圖時(shí)，本質(zhì)是在繪制柱狀圖來(lái)展示特定范圍內(nèi)有多少數(shù)據(jù)點(diǎn)。這個(gè)范圍叫做組距。)

圖2-當(dāng)組距變化，直方圖的形狀也發(fā)生變化。

組距太窄會(huì)導(dǎo)致起伏過(guò)多，讓讀者只盯著樹木卻看不到整個(gè)森林。此外，你會(huì)發(fā)現(xiàn)，在完成下一個(gè)步驟以后，你可能會(huì)想要修改或更換圖表類型。

第3步-確定最能提供信息指標(biāo)

假設(shè)我們有另一個(gè)關(guān)于某研究機(jī)構(gòu)出版物數(shù)量的數(shù)據(jù)庫(kù)(見(jiàn)表 2 )?？梢暬^(guò)程中最關(guān)鍵的步驟是充分了解數(shù)據(jù)庫(kù)以及每個(gè)變量的含義。從表格中可以看出，在 A 領(lǐng)域(Subject A)，此機(jī)構(gòu)出版了 633 篇文章，占此機(jī)構(gòu)全部文章的 39% ;相同時(shí)間內(nèi)全球此領(lǐng)域共出版了 27738 篇文章，占全球總量的 44% 。 注意，B 列中的百分比累計(jì)超過(guò) 100% ，因?yàn)橛行┪恼卤粯?biāo)記為屬于多個(gè)領(lǐng)域。

在這個(gè)例子中，我們想了解此機(jī)構(gòu)在各個(gè)領(lǐng)域發(fā)表了多少文章。出版數(shù)量是一個(gè)有用的指標(biāo)，不僅如此，與下面這些指標(biāo)對(duì)照會(huì)呈現(xiàn)出更多信息：

• 此領(lǐng)域的研究成果總量( B 列)
• 此領(lǐng)域的全球活躍程度

由此，我們可以確定一個(gè)相對(duì)活躍指標(biāo)，1.0 代表全球平均活躍程度。高于 1.0 代表高于全球水平，低于 1.0 代表低于全球水平。用 B 列的數(shù)據(jù)除以 D 列，得到這個(gè)新的指標(biāo)，見(jiàn)表 2 。

表2-用B列的數(shù)據(jù)除以D列，得到新的指標(biāo)：相對(duì)活躍程度(E欄)。

第4步-選擇正確的圖表類型

現(xiàn)在我們可以用雷達(dá)圖來(lái)比較相對(duì)活躍指數(shù)，并著重觀察指數(shù)最高/最低的研究領(lǐng)域。例如，此機(jī)構(gòu)在 G 領(lǐng)域的相對(duì)活躍指數(shù)最高( 1.8 )，但是，此領(lǐng)域的全球總量遠(yuǎn)遠(yuǎn)小于其他領(lǐng)域(見(jiàn)圖 3 )。雷達(dá)圖的另一個(gè)局限是，它暗示各軸之間存在關(guān)系，而在本案例中這關(guān)系并不存在(各領(lǐng)域并不相互關(guān)聯(lián))。

圖3-相對(duì)活躍指數(shù)雷達(dá)圖

數(shù)據(jù)的規(guī)范化(如本例中的相對(duì)活躍指數(shù))是一個(gè)很常見(jiàn)也很有效的數(shù)據(jù)轉(zhuǎn)換方法，但需要基于幫助讀者得出正確結(jié)論的目的使用。如在此例中，僅僅發(fā)現(xiàn)目標(biāo)機(jī)構(gòu)對(duì)某個(gè)小領(lǐng)域非常重視沒(méi)太大意義。

我們可以把出版量和活躍程度在同一個(gè)圖表中展示，以理解各領(lǐng)域的活躍程度。使用圖 4 的玫瑰圖，各塊的面積表示文章數(shù)量，半徑長(zhǎng)短表示相對(duì)活躍指數(shù)。注意在此例中，半徑軸是二次的(而圖 3 中是典型線性的)。圖中可以看出，B 領(lǐng)域十分突出，擁有最大的數(shù)量(由面積表示)和最高的相對(duì)活躍程度(由半徑長(zhǎng)度表示)。

圖4-玫瑰圖。此圖中各塊面積表示文章數(shù)量，半徑長(zhǎng)短表示相對(duì)活躍指數(shù)(E列)。

第5步-將注意力引向關(guān)鍵信息

用肉眼衡量半徑長(zhǎng)度可能并不容易。由于在本例中，相對(duì)活躍指數(shù)的 1.0 代表此領(lǐng)域的全球活躍程度，我們可以通過(guò)給出 1.0 的參照值來(lái)引導(dǎo)讀者，見(jiàn)圖 5 。這樣很容易看出哪些領(lǐng)域的半徑超出參考線。

圖5-帶有相對(duì)活躍指數(shù)參考線的玫瑰圖

我們還可以使用顏色幫助讀者識(shí)別出版物最多的領(lǐng)域。如圖例所示，一塊的顏色深淺由出版物數(shù)量決定。為了便于識(shí)別，我們還可以把各領(lǐng)域名稱作為標(biāo)簽(見(jiàn)圖 6 )。

圖6-玫瑰圖中的顏色深淺代表出版物數(shù)量(顏色越亮，出版物越多)

結(jié)論

數(shù)據(jù)可視化(數(shù)據(jù)分析培訓(xùn))的方法有很多。新的工具和圖表類型不斷出現(xiàn)，每種都試圖創(chuàng)造出比之前更有吸引力、更有利于傳播信息的圖表。我們的建議是記住以下原則：可視化項(xiàng)目應(yīng)該去總結(jié)關(guān)鍵信息并使之更清晰直白，而不應(yīng)該令人困惑，或用大量的信息讓讀者的大腦超載。