关于“数据可视化思考者”的8条军规

文：数据观 https://www.shujuguan.cn/?from=imooc

经常在网络上看到这样的问题：“从零开始学习数据可视化，需要怎么开始？”《Data at Work》一书的作者Jorge Camoes在一次演讲中，提出了“数据可视化思考者”这一概念，并分享了他的12个想法。我们从中选取了最具价值的8个，进行了编译。

1、有数无形少直观，有形无数难入微

1973年，统计学家F.J. Anscombe提出了四组奇妙的数据。它们x值的平均数都是9.0，y值的平均数都是7.5；x值的方差都是10.0，y值的方差都是3.75；它们的相关度都是0.816，线性回归线都是y=3+0.5x。但是，经过可视化之后，人们发现这四组数据有着天壤之别。

第一组数据是最“正常”的；第二组数据所反映的是一个精确的二次函数关系，只是在错误地应用了线性模型后，各项统计数字与第一组数据恰好都相同；第三组数据描述的是一个精确的线性关系，只是这里面有一个异常值，它导致了上述各个统计数字，尤其是相关度值的偏差；第四组数据则是一个更极端的例子，其异常值导致了平均数、方差、相关度、线性回归线等所有统计数字全部发生偏差。“有数无形少直观，有形无数难入微”。这个日后被称为“安斯科比四重奏”的例子告诉我们，在分析中， 数据可视化与统计指标缺一不可，相辅相成。

2、“七三原则”

“数据可视化”这一表达，很容易让人觉得这是一个把70%的时间与精力花在“可视化”上的过程。但实际上，如果你真的用了大部分时间来保障图表炫酷，那么最后的成果只有30%的可能性是好的。真正的“数据可视化”，我们会把70%的时间花在减少错误、构建数据、确保概念正确等工作上。

（在线ETL功能，可以帮助您更顺利地完成那70%的“幕后”工作。）

3、可视化是门“杂学”

如今，从内部机制（如人脑认知系统）到外部机制（如社交规则，企业文化，同辈压力，受众画像等），都在影响着我们的可视化沟通方式。因此，有追求的数据可视化思考者应当追求成为“杂学家“，而不是局限于对可视化技巧与技能的学习。

俄国新闻机构TASS重新演绎了著名的《拿破仑远征图》。左边是随着故事线不断自动演绎变化的地图，右边是故事＋信息图。像一本可以动的“小说”一样，利用叙事、色彩、动画等多种技巧，在可读性方面，完美致敬并超越了经典原作。

FRANCES CAALBREZZI对泰坦尼克号悲剧的数据可视化作品。她认为有千百种方法可以对数据进行可视化，但最终选择了冲积图。除了这种图表可以表现分类数据之间的流量与相关性之外，如水波暗涌一般的可视化效果，也更能让人回想起那一夜海上的惊心动魄。

4、数据是诠释

从你开始收集数据，到你阅读其它人的图表，这一切都是在诠释。你可以尽情地“折磨”数据，以压榨出各种各样的解释与观点。一个好的图表，会把数据想要说的话，尽善尽美地表达出来。也就是说，一个好的数据可视化作品，会是一个优秀的数据预处理系统，可以让人脑专注于更高层次的目标。但是光有数据可视化还不够：你必须拥有相关的知识，以识破和解读隐藏在可视化作品中的模式。

（优秀的可视化作品，可以让人拥有“数据视觉”，一眼看穿数据背后隐藏的模式、问题或机遇。将复杂的数据解读过程，变成简单的“比大小”、“看长短”、“辨深浅”、“明趋势”。）

5、数据可视化是一个提问与回答的过程

请注意自己所提的问题。它们通常不仅透露你想要知道的内容，还透露你实际知道的内容。更好的问题意味着更佳的理解。将问题分门别类，与各种图表类型配对，是个非常有趣的过程。一个有50个切片的饼图并不一定是坏的：通常，可视化失败并不是因为数据点太多，而是因为作者本身不理解数据，或是不关心数据传达出的信息。

（选择什么图表背后，隐藏着一个重要的问题——你想展示什么？）

6、注意简化

删除不相关的内容，最小化辅助的内容，调整必要的内容，添加有用的内容。

7、妙用色彩

把色彩当作是数据可视化作品的促进因素，思考它们的强度，功能，还有背后的象征意义。对于非专业设计师来说，可以先考虑 数据可视化整体，再考虑配色。但请使用专业设计的配色模版，而不是默认的色板。

8、超越单图

尝试结构化或图表矩阵，多使用“看板”或“信息图”等表现形式，用图表与文字对数据进行连贯的叙述。在进行探索性分析的时候，“焦点+上下文”的表现形式，往往比“单图＋过滤”更好。