CS5346 - Visualization Design Process

Stage 1: Preparatory Stage（准备阶段）

关键词：动机、好奇心、目标受众

你需要问自己：

“我为什么做这个项目？”（动机）

“我想搞清楚什么？”（核心好奇心）

“谁会用我的可视化，目的是什么？”（用户需求）

✅ 举例：

你热爱电影，对某些演员的“昙花一现”很感兴趣。于是你想探索“演员的走红与沉寂之间有没有规律？”

又比如，如果你是一个电影公司选角导演，你的任务是找一位30-45岁、女演员、从未出演过科幻片、片酬低于$200万的 rising star，那你就会基于职业需求来筛选数据。

• 这个阶段像是在制定一个“研究问题”，并弄清楚“谁在乎这个问题”。

Stage 2: Working with Data（数据处理阶段）

关键词：获取、理解、清洗、转换、探索

两种表格数据集（Two types of Tabulated Datasets）

• 标准格式的表格数据（normalized）
• 聚合的表格数据集（cross-tabulated）

Normalized Tabulated Datasets

• 特点：一行(row) 是一个记录（实体），每一列(column) 是属性或变量。
  

  • 每一行代表一个电影。

  • 每一列是某种属性（变量）。

  • 数据适合做过滤、分组、计算等操作。

Cross-tabulated Data（交叉跨表数据 / 聚合数据）

• 特点：表格已经 聚合 过，行和列通常是 类别组合，表中内容是统计值。
  
  • 行：电影类型
  • 列：年份
  • 单元格：该类型在该年份上映的电影数量（不是原始数据，而是汇总后的统计结果）

如何快速区分：

两种数据类型（定量数据 - Quantitative 和定性数据 - Qualitative）

这两大类数据类型包含 4 种子类型：

Qualitative (定性数据)

• Nominal：只表示不同 类别，比如「男/女」、「苹果/香蕉」，不能比较大小。

• Ordinal：表示 等级，有顺序，但没法做加减法，比如「喜欢程度：喜欢/一般/不喜欢」。酒店类型 1 - 5 星，但是 1星 + 2星的酒店不等于 3 星的酒店

Quantitative (定量数据)

• Interval：无绝对零点，并且不可比较倍数。 可以比较两个温度从 20℃ 到 30℃ 是 10℃差，但不能说“30℃ 是 20℃ 的 1.5 倍”，因为没有 “零度是起点” 的概念。
  

• Ratio：年龄、收入就有“0”这个起点，可以说“60岁是30岁的2倍”。
  
  

其他数据类型 （Other types of Data）

Textual (文本型)

• ✅ 可用于情感分析、关键词提取、词频统计

• ✅ 可从中派生出“Noninal”（e.g. 情感类型）或“Quantitative Variable”（e.g. 字数、字符数、情感分数等）
  
  

• 📊 可视化：词云、关键词柱状图、文本注解图

Temporal（时间型）

时间型数据指的是与时间点、时间段或时间顺序有关的变量。
它可以是单独一个时间戳，也可以是范围、周期，甚至文字表达的时间概念。

Temporal 类型可以被转换/派生为以下变量类型：

• norminal:
  
• ordinal:
  
• quantitative:
  
  

Discrete （离散型）

• 只能取有限或可数的数值，通常是整数，没有中间状态。
  

Continuous (连续型)

• 可以取无限多个值，理论上可以精确到任意小数点。
  

Working with Data 的四个阶段

Acquisition（获取）

📌 核心问题：

我需要哪些数据？

数据从哪里来？如何获取？

是自己收集，还是别人提供？

📌 数据来源包括：

自己测量（primary collection）

手动整理（data foraging）——例如从 PDF 抽取历史资料

网络爬虫（web scraping）——自动提取网页内容

开放数据库/API（由他人整理好的）

直接由客户/公司/团队提供

Examination（检查）

👉 获取数据后，下一步是“了解这份数据到底长什么样、好不好用”。
📌 关键任务：

查看数据的 字段、类型、单位、格式

检查数据是否有：

    缺失值（missing values）

    异常值/错误值（如“性别”列中出现年龄）

    格式不统一（比如日期格式混乱）

    重复值或无效值

📌 可查看内容：

每列数据的类型（Nominal, Ordinal, Ratio...）

值的范围、分布、最大最小值、平均值

文本字段的长度、是否有乱码

是否有不一致的单位（e.g. cm vs inches）

🧠 举例：

检查“收入”列有没有负数

检查“出生日期”有没有空白或格式混乱（如 dd/mm/yy vs mm/dd/yy）

Transformation（转换）

👉 有了数据、也检查完了问题，现在就要“清洗和改造”数据，让它更适合分析与可视化。

📌 包含三类操作：

Clean（清洗）

修复格式、纠正拼写、统一值（e.g. 男/Male → Male）

删除重复值或无用字段

清除无效字符或空格

Create or Convert（创造或转换）

衍生新字段（如“出生年份” → “年龄段”）

分解字段（如“2023-04-12” → 年、月、日）

创建计算值（如 “收入/人口” → 人均收入）

Consolidate（整合）

合并来自多个数据源的数据

添加辅助字段（如添加“国家所属洲”列）

把文本变成分类变量或关键词

🧠 举例：

把“Male”/“Female” → 1/0

把“Release Date” 拆成 “Year” 和 “Month”

从“文本评论”中提取关键词、字数、情绪分数等

Exploration（探索）

👉 这一阶段的任务是“理解数据能告诉你什么”，是为可视化和分析做铺垫。

📌 两种方式：

Deductive（演绎式探索）

你已经有一个明确的好奇心/假设
→ 检查数据是否支持你的想法

Inductive（归纳式探索）

你没有明确方向，只是观察数据，看有没有模式
→ 比如：“点开看看这个变量和那个变量有没有关系？”

📊 常见探索方式：

可视化初步分布（直方图、散点图）

算基本统计量（均值、中位数、标准差）

查看缺口、分布偏态、聚类情况

🧠 举例：

看电影票房分布，发现大多数票房集中在“100-300万”之间

看马拉松成绩分布，发现很多人在3h、4h整点冲线（目标性行为）

Knowledge State in Four Quadrants

这个模型使用了 两个维度 来划分你的知识状态：

横轴：Acquired（是否已获取）

    Known：我们已经拥有的信息

    Unknown：我们还没有的信息

纵轴：Awareness（是否意识到）

    Known：我们意识到了

    Unknown：我们尚未意识到

于是形成了四种情形：

Known knowns（我们知道我们知道的）

📍 左上角

你清楚地知道自己掌握了什么

属于“已知的知识 + 有意识”

✅ 好处：基础牢固

⚠️ 风险：容易自满（Beware complacency）

📌 举例：

你知道某个字段是“收入”，你也知道它是 ratio 数据，这是你的专业知识。

Known unknowns（我们知道自己不知道的）

📍 右下角

你意识到自己缺少某些知识

例如：知道“这张图看起来有模式，但不知道为什么”

• 用 Deductive Reasoning（演绎推理） 去验证猜想

📌 举例：

你知道“性别变量可能影响购买偏好”，但你不确定数据里是否支持这种关系 → 可以通过可视化或分析来检验。

Unknown knowns（我们不知道我们知道的）

📍 左下角

被遗忘、忽视、习以为常的知识

需要 回忆/挖掘/正视自己已有的隐性知识

📌 举例：

你做项目时本来会写 SQL，但因为平时没用就忘了，这也是“你知道但没意识到你知道”。

Unknown unknowns（我们不知道我们不知道的）

📍 右下角

最难察觉的盲区：既没掌握、也没意识到

适合用 探索性可视化 来“打开思路”

• 需要通过 Inductive Reasoning（归纳探索） 来发现新的知识线索

📌 举例：

你在探索电影数据时，无意中发现“90后导演拍科幻片更容易大卖”，这是之前从未预料到的模式。

Summary of Stage 2

• 这部分我们理解了两种主要不同类型的表格数据
  
• 同时，掌握了 4 个不同的阶段分别要做什么
  

Stage 3: Preparatory stage （筹备阶段）

• ✅ Editorial Thinking（编辑思维阶段）也就是在准备好数据之后，决定如何呈现这些数据给你的目标观众。

• 🎯 这个阶段的 核心目标：

  明确你想讲什么故事、突出什么重点、用什么方式组织与展现信息。

• 📦 三个关键词 构成这个阶段的核心框架：Angle, Framing, and Focus
  

Angle（角度）

• 你从什么视角来分析/展示数据

  • 是想看时间变化？地域分布？类别之间的差异？

  • 是按总量？还是增长率？

  • 是从“用户”视角？还是“政策制定者”视角？

📌 举例，在展示收入不平等时，你可能选择的角度是：

比较 top 1% vs bottom 90% 的收入随时间的变化

或者按地区显示高收入者的分布

• 呈现数据的角度决定了最终使用的图表类型和呈现方法
  

Framing（取舍）

• 你决定展示哪些数据，排除哪些数据

  • 限定时间范围？（例如只展示2000年以后的数据）

  • 限定类别？（只关注5个国家）

  • 排除异常值或稀有项？

📌 举例：
只选取 2010–2020 年的数据 + 仅限美国数据，来讨论大学学费变化。

Focus（聚焦）

• 你希望观众重点注意什么？视觉重点在哪里？

  • 用颜色、大小、注解、动画去突出重点

  • 减少“图像噪音”，避免一切都抢眼、观众看不到重点

📌 举例：

用高亮色标出今年的数据 vs 历年平均

给某个极端值加上箭头与解释文字

使用渐进加载，让观众逐步理解数据含义

Summarization of Stage 3

• 在编辑思维阶段 editorial thinking，你不是处理数据，而是在思考如何构建数据故事、打动观众、让重点被看到。
  

Stage 4: Visual manifestation of preparatory work (准备工作的视觉体现)

• 数据的可视化呈现 —— 包括图形编码（visual encoding）、通道（channels）、标记（marks）、交互、注解、色彩和构图等内容。

Marks and Channels (标记和通道)

• Marks（标记）：

  表示数据点的可视元素：如点（point）、线（line）、面（area）

  每个 Mark 通常表示一个数据记录
  

📌 例子：

每个“电影”可以是一个点，每个月的“账单”可以是一条线

• Channels（通道）：

  用来编码数据属性的视觉变化方式

  表示数据属性值的变化，比如大小、颜色、位置

📦 常见通道类型：

Examples

• 逆向想象表示上述数据的 table 应该长什么样子，应该包含下面两列：

  • 时间（Time）：沿 x 轴，是**有序型（Ordinal）或间隔型（Interval）**数据
  • 股票价格（Price）：沿 y 轴，是比率型（Ratio）数据，有绝对零点

• 这个 figure 的 mark 应该是 line 每个点以及下一个点之间的 line

• 而 channles 应该是：
  

• 数据类型：

• 可能的表结构：
  

• Marks：

  • Line marks（线）：
    一条线表示进口金额（Line of Imports）
    一条线表示出口金额（Line of Exports）

• Area marks（面积）：

  • Exports 与 Imports 之间的区域用颜色填充，表示贸易盈余或赤字
    粉红色区间（Exports < Imports）→ “Balance Against”
    黄色区间（Exports > Imports）→ “Balance in Favour of England”

• Channels：

Channels Ranking （通道排序）

• 在图表中，你看到的颜色、位置、大小、形状、角度等都是 channels（通道），它们是我们用来表达数据数值或类别的“视觉语言”。

• 通道决定了 marks（标记） 的外观，比如一个点的颜色或一个条形图的高度。

🧠 为什么要排 Channel 的优劣？

因为我们人类的视觉系统对某些通道更敏感、更容易分辨，使用效果也更好。所以在可视化设计中，要优先使用“效果好的通道”去表达重要数据。

🔢 Channel Ranking 是如何评判的？

为什么这四个指标最关键？

• 因为这四个指标分别对应人类在看图表时的四种核心感知任务；能做到这四点，就能被人类的感知系统很快接受，反之则会给人类造成混乱。可以看后面的 Channel Effectiveness 章节

Selective（选择性）

Associative（关联性）

Quantitative（定量性）

Order（顺序性）

Channles Ranking Summary

• Magnitude channels（适合表示“多少”）
• Identity channels（适合表示“是什么” / 区分不同的类别）

Color Knowledge

Visual Encoding（视觉编码）

• 这是《星际迷航：下一代》中每集 IMDb 评分的可视化。每个点表示一集，通过不同的位置和颜色来编码多个变量。
  
• 图表本身展示了视觉编码的效果

  • 使用 marks（点） 表示每一集。

  • 使用 channels 表达不同变量， 例如：

    • x轴位置 (position)：Episode Number（集数）

    • y轴位置(position)：IMDB rating（评分）

    • 颜色 (color)：Season（季）

• 除了选择 marks 和 channels，我们编码过程中还可以传达：

  用了哪些 scales（比如轴范围、对数 vs 线性）

  是否用了 冗余编码（比如用颜色和大小同时表示一个变量）及其原因

  有没有进行排序（ordering）或分组（grouping）

  是否添加了额外视觉元素用于高亮某些模式

Visual Encoding Design Principles

Principle of Expressiveness （表现力原则）

• 编码要真实准确地表达数据的本质

• 有序的数据 → 用有顺序感的 channel（如位置、长度）

• 无序的数据 → 不要用会误导顺序的 channel（如亮度或渐变）

• 例子：不要用颜色深浅表达类别，会误导“高低”含义

Principle of Effectiveness（有效性原则）

• 重要的数据 → 要用最突出、最易感知的 channel 表达

• 最重要的变量 → 用人眼最敏感的通道（如位置）

• 不重要的变量 → 可以用颜色或形状等次级通道
  

Channel Effectiveness （通道有效性）

Channel effectiveness 是指用于可视化数据的视觉通道在 **“传达数据价值”**上的表现能力，它包括多个维度，如感知准确性、可区分性、可分离性和视觉突出性等。

Accuracy（准确性）

Discriminability（可区分性）

• 在这个图中：

  线宽是用来表示“通话时间”这一连续数值变量的。

  但人类对 “线宽” 的感知能力是有限的，大约只能分辨 3–5 个等级（bins）。

  如果你用太多等级的线宽来表示不同的通话时长，人眼很难区分它们之间的细微差别。

Separability（可分离性）

✅ 左边：Position + Hue（位置 + 色相）

示例：每个点的 位置 和 颜色 都编码了不同变量。

位置和颜色所表示的信息几乎不干扰，完全可分离

👉 假设左图用来表示不同行业的收入，（e.g., 收入 vs 行业）收入用位置来表示，而颜色则表示不同行业

🟡 中间：Size + Hue（大小 + 色相）

点的大小表示一个变量（如人数），颜色表示另一个变量（如性别）

用户可能会被大的图形吸引注意力，忽视颜色

或在看颜色时，被图形的大小分散注意力

👉 存在一定干扰，但还算能接受

🔴 右边：Width + Height（宽度 + 高度）

同时编码一个对象的宽和高

人眼很难分别感知宽度和高度的变化，容易直接把它看作面积或形状

👉 如果你只是想表达 一个变量，这种“整合通道（integral channel）”反而更合适（比如面积 = 宽 × 高）

Visual Popout（视觉突出）

Popout 效应指的是：当一个图形元素在视觉特征上明显不同于周围其他元素时，人眼可以在极短时间内迅速捕捉到它。
![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/c430253d271146d09e178f0ade7e04e9.png

Other factors affects accuracy（其他影响 accuracy 的因素）

• 人们的 “相对判断” 能力和准确度都要高于 “绝对判断” 因为人类的大脑会做一些主动的边缘填充工作