
用数据讲述最好的故事:如何做出赏心悦目的数据可视化
当设计地图时,我会想:我想让观看者如何阅读地图上的信息?我想让他们一目了然地看出地理区域的测量结果变化吗?我想要显示出特定地区的多样性吗?或者我想要标明某个区域内的高频率活动或者相对的体积/密度?
有多种方法可以在地图中快速而集中的呈现出可视化数据。我常用的几个是:
·Dot density (点密度图)——使用点或其他符号展示特征或现象的集体情况(密度)的地图样式。例如,显示区域内的交集或高/低活动量。
·Choropleth (分级统计图)——这是一种主题地图样式,它根据地图上显示的数据强度,对应的展现在阴影颜色或图案纹理上。例如,显示人口密度或人均收入。
· Hexagonal binning / hexbin (六边形图)——这种地图的风格适合显示地理上的一般主题。在choropleth地图中,它的颗粒比 dot density密度小,不受边界约束。
· Heatmap (热度图)——这种地图使看地图的人能够在缩放因子中独立地感知点密度。也是最不受约束的,因为它不符合地理范围。
举例
当对点数据进行可视化时,点密度图是有效的,通常用于展现活动,特征和其他地理现象中的体积或模式。单个数据点不应该被计算在内,而是显示一个区域的情况和密度。简单但有效,可以快速给你的地图带来展现力。
Eurovision Shazam - 优雅的点密度图
分级统计图基于先前定义区域的统计数据。典型的例子是由选举区域划分的选举地图; 在这里,分级统计图是首选。一般来说,分级统计图代表两种类型的数据:空间的广泛度,比如人口,以及空间的密集,比如比例,密度和比例。
DirectRelief - 分级统计图表示的乌干达的疟疾发病率
对聚合数据进行可视化时,六边形图擅于用更含蓄但更结构化的形式来展现。例如,表示一般分布情况时,不是渲染出数万个点的散点图,而可以将点数填充为几百个六边形。
热点图本质上使用颜色作为数据可视化工具。该应用可以很好的处理多个变量,并可以在数据中显示类似的模式和相关性。
纽约市交通事故热点图 - 混合热点图与六边形图
设计中的考虑
点密度图依赖聚类方法,因此分割数据时必须确定适当的值。我通常使用Jenks优化方法来计算和组合最佳值,从而切换颜色或比例。在点密度图中,具有较多点的区域表示高浓度值,具有较少点的区域表示较低浓度值。我会使用范围,不透明度或颜色对这些变化进行可视化。
在设计分级统计图,六边形图以及热度图时,需要记住重要的两点:
1)较暗的颜色数值更高;
2)虽然有数以百万计种不同颜色,但是人眼只能轻易区分有限的颜色。因此一般来说,我只使用五到七种颜色类别。
有好几种制图时可选择的不同类型颜色种类。以下是我最喜欢的几个:
· 单色系列:颜色由所选颜色的暗色渐变到相同色调的浅色或白色。最暗的颜色代表数据集中最大的数字,最浅的色调代表最小的数字。
单色渐变
· 双极渐变:通常使用两个相反的色调来显示从负到中心到正的值变化。这些类型的地图显示了彼此相关值的大小。
双极渐变
· 部分光谱色调渐变:用于混合映射两组不同数据。这种技术融合了相邻的两种对手色调,并显示了混合数据类别的大小。
部分光谱色调渐变
对于色彩浓重的地图风格,我总会考虑最终成品的可行性。会是纯数字的还是可以打印或复印?颜色和混合是否面对色盲的问题?颜色可以大大增强制图者与看图者之间的交流,但失败的配色可能导致图既不有效也不吸引人。记住,往往越简洁越好!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
基于 SPSS 的 ROC 曲线平滑调整方法与实践指南 摘要 受试者工作特征曲线(ROC 曲线)是评估诊断模型或预测指标效能的核心工具, ...
2025-08-25神经网络隐藏层神经元个数的确定方法与实践 摘要 在神经网络模型设计中,隐藏层神经元个数的确定是影响模型性能、训练效率与泛 ...
2025-08-25CDA 数据分析师与数据思维:驱动企业管理升级的核心力量 在数字化浪潮席卷全球的当下,数据已成为企业继人力、物力、财力之后的 ...
2025-08-25CDA数据分析师与数据指标:基础概念与协同逻辑 一、CDA 数据分析师:数据驱动时代的核心角色 1.1 定义与行业价值 CDA(Certified ...
2025-08-22Power Query 移动加权平均计算 Power Query 移动加权平均设置全解析:从原理到实战 一、移动加权平均法的核心逻辑 移动加权平均 ...
2025-08-22描述性统计:CDA数据分析师的基础核心与实践应用 一、描述性统计的定位:CDA 认证的 “入门基石” 在 CDA(Certified Data Analy ...
2025-08-22基于 Python response.text 的科技新闻数据清洗去噪实践 在通过 Python requests 库的 response.text 获取 API 数据后,原始数据 ...
2025-08-21基于 Python response.text 的科技新闻综述 在 Python 网络爬虫与 API 调用场景中,response.text 是 requests 库发起请求后获取 ...
2025-08-21数据治理新浪潮:CDA 数据分析师的战略价值与驱动逻辑 一、数据治理的多维驱动引擎 在数字经济与人工智能深度融合的时代,数据治 ...
2025-08-21Power BI 热力地图制作指南:从数据准备到实战分析 在数据可视化领域,热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势 ...
2025-08-20PyTorch 矩阵运算加速库:从原理到实践的全面解析 在深度学习领域,矩阵运算堪称 “计算基石”。无论是卷积神经网络(CNN)中的 ...
2025-08-20数据建模:CDA 数据分析师的核心驱动力 在数字经济浪潮中,数据已成为企业决策的核心资产。CDA(Certified Data Analyst)数据分 ...
2025-08-20KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-20偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15