{ "id": "data-visualization", "title": "数据可视化", "lang": "zh-Hans", "source_lang": "en", "summary": "数据可视化指以图形化方式呈现数据，用于支持探索、分析、解释与信息传达。", "category": "computer-science", "subcategory": "software", "type": "concept", "aliases": [ "资料视觉化", "数据视觉化" ], "generated_at": "2026-10-25", "model": "pro/gpt-6.1-sol", "url": "https://aiwiki.page/zh/data-visualization/", "translations": { "en": { "url": "https://aiwiki.page/en/data-visualization/", "json": "https://aiwiki.page/en/data-visualization.json" } }, "sections": [ { "heading": "", "text": "数据可视化是指借助图表、地图、示意图及交互式界面等图形化形式来表现数据的方法。它将数值、类别和相互关系映射为位置、长度、大小与颜色等视觉属性，便于人们观察在表格或纯文本中难以辨识的模式。该领域与统计学、计算机科学及视觉设计紧密相连，既能辅助探索性分析，也能用于成果传达与沟通。可视化可以揭示数据的分布特征、演变趋势、关联性以及异常值，但其本身并不能直接证明因果关系，也无法保证底层数据的真实可靠。\n\n这一领域继承了统计图表、地图学与科学插画的悠久传统，并随着计算技术的发展进一步拓展为交互式可视化和可视分析学。其表现手段丰富多样，既包括常见的柱状图和时间序列图，也涵盖地理空间分布图、网络关系图以及科学数据三维呈现等。高质量的可视化取决于数据本身的属性、所探讨的核心问题、人类的感知认知特征以及具体应用场景。因此，可视化实践囊括了数据预处理、视觉编码、交互设计、软件实现、效果评估、无障碍支持，以及对不确定性与证据的审慎呈现。" }, { "heading": "研究范围及与其他领域的关系", "text": "数据可视化是将数据属性及其相互关系系统地映射为视觉表征的过程，用以支持观察、推理或沟通。其中包含三个截然不同的要素：数据（如月降雨量测量值）；表征（如一条横坐标编码月份、纵坐标编码降雨量的折线）；以及解释（即观察者识别模式或回答问题的认知活动）。这种映射确立了视觉差异与数据差异之间的对应关系。改变坐标轴比例尺，或将每日测量值汇总为月度总量，都会改变这种对应关系，即便底层数据记录并未发生改变。因此，可见的视觉模式是“被表征的数据”所具有的特性，而非所测现象未经中介的直接呈现。\n\n该领域包含若干相互重叠的传统。统计图表与统计学密切相关，侧重于分布、变量间关系以及对统计模型的检验。身高与体重的散点图即属于这一传统。信息可视化通常处理缺乏固有空间布局的抽象数据，包括组织层级、引文网络以及商业交易表格。其设计者必须建立有意义的空间布局，而不能仅仅复现物理坐标。科学可视化往往涉及处于物理空间中的测量数据或仿真模拟，例如大气模型中的温度场或流体流动仿真中的速度场。这些区分描述的是习惯上的侧重点，而非互斥的类别：例如一项环境分析可能会在同一个界面中同时结合地理场、统计分布和监测站网络。\n\n可视化还与插图、艺术和平面设计存在交叉，但这些活动不可相互替代。一幅插图可以描绘机器的结构，却未对观测数据进行系统性编码；装饰性图像可以营造氛围，却根本不表征任何数据。反之，只要图表中的视觉标记编码了所记录的实体与关系，哪怕它不包含任何数值坐标轴，也可以算作数据可视化。“信息图”（infographic）一词通常指代一种外延更广的传播性排版作品，其中可能综合了图表、地图、说明文字、图标、照片和示意性插图。这些构件中只有一部分必然编码了数据。关键的区别不在于图像是否美观或具象，而在于是否存在可识别的规则，将可见的视觉特征与其所表征的信息联系起来。\n\n可视分析将交互式视觉界面与计算分析融为一体。詹姆斯·J·托马斯（James J. Thomas）与克里斯汀·A·库克（Kristin A. Cook）在2005年的研究规划《照亮路径》（Illuminating the Path）中，将其定义为由交互式视觉界面促进的分析推理。在一个典型的工作流中，算法可以根据文本相似度对数千篇文档进行分组；随后分析人员检查这些分组、按日期过滤、查看具体记录并调整分析方案。计算方法提供了搜索、聚合与聚类分析等操作，而可视化则将其输出呈现出来，以供深入审视及由人主导的探索。单纯的交互式图表并不一定构成可视分析：该术语强调的是一个完整的综合分析过程，而非孤立的界面交互特性。\n\n图表、表格与数值摘要具有互补的功用。表格支持精确查询并保留明确的数值；数值摘要将观测值压缩为均值与标准差等统计量；图形则能揭示这些统计量可能掩盖的结构分布。弗朗西斯·安斯库姆（Francis Anscombe）于1973年通过四组数据集展示了这种区别：每组数据均包含11对观测值，且均值、方差、相关关系与拟合的线性回归方程几乎完全相同。然而，它们的散点图却呈现出截然不同的结构，包括曲线关系和显著的影响点。这一范例并非说明图形能够取代数值分析，而是证明了为何完全相同的摘要统计量并不意味着等价的数据结构，同时也说明了为何将视觉模式与数值、定义及统计计算相互核对始终是解释过程中不可或缺的一环。" }, { "heading": "历史发展", "text": "数据可视化的先驱包括地图学、天体运行图、测绘以及对运动和时间的图形记录。这些传统虽然并未构成一门单独的学科，但确立了将平面上的位置与空间地点、序列或测量量关联起来的方法。14世纪，尼科尔·奥里斯姆使用几何图表，以图形的长度表示时间等延展量，以其高度表示某种性质的强度（如速度）。勒内·笛卡尔的《几何学》（La Géométrie，1637年）推动了几何学的代数化处理，随后为基于坐标的图形学奠定了基础。约瑟夫·普利斯特里的《传记图表》（A Chart of Biography，1765年）将人物生平置于统一的时间尺度上，使同时代关系与历史跨度在视觉上具备了可比性。\n\n威廉·普莱费尔将定量比较置于商业发行的统计图形的核心地位。他的《商业与政治图集》（Commercial and Political Atlas，1786年）使用折线图展示随时间变化的经济指标，并包含一张比较苏格兰与不同贸易伙伴进出口额的条形图。与地理地图不同，该条形图将位置分配给不同类别而非物理空间地点；条形的长度则代表金额。在《统计摘要》（The Statistical Breviary，1801年）中，普莱费尔引入了圆形统计图表，其中包括通常被认为是最早的饼图。他的图表将数值刻度、标签和解释性文字与关于贸易和国家资源的论述相结合，证明了经济关系可以通过经过设计的视觉比较来传达，而不仅限于表格。\n\n19世纪的公共卫生图表将地理分布特征与死亡率统计数据结合起来，用于实地调查与行政改革。约翰·斯诺关于1854年伦敦索豪区霍乱爆发死亡情况的地图，在各地址处用短条标记死亡人数，并标出了公共水泵的位置。该图发表于其增订版《霍乱传递方式研究》（On the Mode of Communication of Cholera，1855年）中，支持了他关于霍乱通过受污染水源（尤其是宽街水泵）传播的论述。这张为人熟知的地图本身并不是导致1854年9月8日拆除水泵手柄的唯一证据：斯诺还调查了各家住户、用水情况及明显的例外案例，且当时疫情其实已在减退。弗罗伦斯·南丁格尔于1858年发表的死亡率图表，采用极区图来比较克里米亚战争期间英军士兵各月的死亡情况。扇区面积而非半径对应死亡人数，不同颜色则用于区分死因。这些图表与统计表格、报告以及体制层面的呼吁一道，支持了她对卫生改革的倡导。\n\n夏尔·约瑟夫·米纳尔1869年绘制的拿破仑征俄图在一幅构图中融合了多种数量关系。一条宽带描绘了军队在1812至1813年战役中的进军路线，其宽度与兵力成正比，对比鲜明的颜色则区分了进攻与撤退。地名与地理位置提供了空间背景，撤退路线下方的气温图则记录了列氏温标下的气温及相应日期。主宽带从战役初期的42.2万人逐渐收缩，至回师渡过涅曼河时仅余1万人。这些是米纳尔图中所展示的数字，并非对每一次军事行动或减员原因的完整核算。该图将兵力损耗、行军与天气并置呈现，但并未独立证明它们之间的因果关系。\n\n20世纪的研究日益将可视化视为一种系统的表征与分析方法。雅克·贝尔坦的《图形符号学》（Sémiologie graphique，1967年）探讨了平面位置以及视觉变量——包括尺寸、明度、纹理、色彩、方向和形状——如何表征不同类型的信息。约翰·图基的《探索性数据分析》（Exploratory Data Analysis，1977年）巩固了此前发展起来的一种方法：在将分析局限于验证性程序之前，图形检验应有助于识别模式、异常观测值以及潜在的模型。茎叶图和箱形图正体现了这种揭示数据分布结构的侧重点。\n\n数字计算机图形学改变了可视化的生成与使用方式。伊万·萨瑟兰的Sketchpad（1963年）展示了图形对象的交互式操作，随后的统计系统则实现了刷选、联动视图与动态探索。1987年的报告《科学计算中的可视化》（Visualization in Scientific Computing）推动了科学可视化成为一项独立的研究课题。自20世纪90年代起，万维网将图形传播拓展到了本地安装的应用程序之外；随后的浏览器技术使文档内嵌入交互式图形成为可能。2011年推出的D3使数据驱动的网页文档元素操作成为一种广泛应用的方法，将可视化与JavaScript及成熟的Web标准紧密联系在一起。" }, { "heading": "数据类型、结构与准备", "text": "属性的类型决定了其取值所支持的区分方式与运算操作。分类属性用于标识分组；标称分类（如国家名称）没有内在顺序，而有序分类（如低、中、高）具有先后顺序，但间隔并不一定相等。定量属性表示数值大小，但其解读取决于测量尺度。在 S·S·史蒂文斯（S. S. Stevens）1946 年的分类中，定距尺度具有有意义的差值，但零点是人为设定的：20 °C 比 10 °C 高出 10 度，但并不代表热度是其两倍。定比尺度（如时长和质量）则同样支持具有实际意义的比率。以数值存储并不等同于具有定量意义：邮政编码本质上仍是标识符。时间属性包括时刻、时段以及循环出现的日历分类；各月份的天数并不等长，且在时钟回拨（如夏令时结束）时，本地时间戳可能会出现重复。空间属性描述位置、范围或空间关系；坐标需要参照系，因为经纬度的度数并不是地面距离的均匀度量单位。\n\n数据结构与属性类型不同。表格将记录组织为行、将属性组织为列，由键（key）标识记录并在数据库中关联相关表格。多维数组沿多个维度索引数值：一个按时间、高度、纬度和经度索引的温度数组，在进行许多可视化展示时都需要进行选择、切片或降维。层次结构用于编码父子关系，而网络则支持更普遍的连接关系，在数学上可通过图论进行表征。严格的树结构中，每个非根节点仅有一个父节点；而交通网络则可以包含环路和多条路径。场（field）将数值赋予定义域中的各个位置，例如在网格上采样的温度场。几何数据显式表示点、线、面和体等几何对象。这些结构对呈现方式构成了约束：若用线段连接无序的表格行，会引入数据本身并不存在的先后次序；而将场绘制为连续曲面，则会对采样点之间的数值引入额外的假设。\n\n数据准备改变的是所呈现的数据本身，而不仅仅是其格式。数据清洗可以规范分类拼写、解析日期、处理重复项，并将无效值与合理的极端值区分开来。连接（join）通过匹配键来合并记录，但连接的对应基数至关重要。若某表中同一地点有 2 条记录，而另一表中有 3 条，仅凭地点连接就会生成 6 行匹配结果，从而可能使总数成倍虚增。将数据从宽格式（每年一列）重塑为长格式（包含年份列和数值列），可以在不改变观测值的前提下使时间成为一个显式属性。聚合则确实会改变观测细节：将每小时读数缩减为每日均值后，便不再能体现日内峰值。单位统一同样具有实质性影响。将华氏度转换为摄氏度需要使用公式 \\(C=(F-32)\\times5/9\\)，而非简单的数值缩放；而货币序列可能需要区分名义金额与经通胀调整后的实际价值。\n\n观测单位明确了单条记录所代表的对象：一个人、一个家庭、一笔交易、一次传感器读数，或是某个区域的年度总量。一个包含单人多次就诊记录的表格，无法直接通过统计行数来得出人数。分母同样决定了所展示量的含义。在一个假设的对比中，1000 次观测中发生 50 次事件占比为 5%，而 10000 次观测中发生 100 次事件占比为 1%；因此，绝对计数与所占比例会产生完全相反的排序。合并子组百分比需要依赖各自的分母：合并后的总比例为 \\(\\sum_i x_i/\\sum_i n_i\\)，通常并不等于各组 \\(x_i/n_i\\) 的未加权均值。元数据记录了变量定义、单位、分类代码、地理参照系、采集周期以及覆盖范围。数据溯源记录了数据来源和处理步骤（包括筛选、连接与聚合规则），这不仅有助于保证可复现性，也能解释不同衍生数据集之间的差异。\n\n记录为零、缺失以及低于检出限的值代表着截然不同的状态。零记录的是在变量定义下的“观测到的无”或测得的零值；缺失数据则表示没有任何可用数值。若某浓度报告为低于 0.1 mg/L，则属于左删失：其确切数值无法确定，而非已知为零。若将这三种状态全部替换为零，会改变数据的分布与均值。直接剔除缺失记录会改变分母，而在时间序列中跨越缺失区间直接连线，则可能会暗示观测从未中断。数据插补提供的是估算值而非恢复的真实测量值；其状态标识及所采用的插补方法均应记录在元数据与溯源信息中。" }, { "heading": "分析任务与设计过程", "text": "分析任务描述的是读者或分析人员需要达成的目标，而非应当绘制哪种具体的图表。查找（lookup）检索特定数值；比较（comparison）考察不同观测值或群体间的差异；排序（ranking）则根据某一属性对数据项进行排列。分布评估关注数据的离散程度、集中趋势、偏斜度或多峰分布。关联检测探究属性之间如何协同变化，而异常识别则旨在找出偏离预期模式的观测值。对变化的考察关注跨时间的差异，包括趋势、突变和循环周期。这些任务往往构成工作序列：分析人员可能会先识别出一个异常月份，将其与先前的月份进行比较，进而检查导致异常的各个类别构成。罗伯特·阿马尔（Robert Amar）、詹姆斯·伊根（James Eagan）与约翰·斯塔斯科（John Stasko）在 2005 年提出的分类法规范了十种低阶分析任务，包括数值检索、过滤、极值查找、排序、特征化分布以及查找异常。\n\n任务抽象将领域问题转化为可视化界面必须支持的数据操作和对比。例如，“在 2020 年至 2024 年间，哪些工厂的用电量减少最多？”这一问题，要求将工厂识别为实体、选取两个时间点、计算各工厂的用电变化量，并对结果进行排序。绝对变化量 \\(E_{2024}-E_{2020}\\) 与相对变化率 \\((E_{2024}-E_{2020})/E_{2020}\\) 所解答的问题并不相同；且基准值为零时后者无定义。若要比较能源利用效率，还需要引入恰当的产量作为分母。因此，任务抽象能揭示出仅凭字面表述容易掩盖的设计决策。它还将分析目的与实现该目的所用的交互手段区分开来：过滤有助于定位某个工厂，但过滤本身并非实质性的分析问题。\n\n任务描述必须考虑目标对象及其所在位置是否已知。查找某家已知名称的工厂，与在数千家工厂中发现减幅异乎寻常的工厂，是截然不同的任务。马修·布雷默（Matthew Brehmer）与塔玛拉·芒兹纳（Tamara Munzner）在 2013 年提出的多层次任务分类法，将任务拆分为为何进行（why）、如何进行（how）以及其输入和输出是什么（what）。该分类体系中的搜索类别根据分析人员对目标及其位置的知晓程度，区分了查找（lookup）、定位（locate）、浏览（browse）和探索（explore）。这使得在过早确定图表形式或界面之前描述分析工作流成为可能。例如，检测关联可能涉及视觉对比与相关性估算，但其本身并不足以确立因果关系。\n\n设计通常沿着调研、需求分析、方案备选、原型制作和修改这一过程迭代进行。访谈和实地观察可确立用户的职责分工、现有业务实践、专业术语以及操作限制。需求分析随后将这些调研结果转化为具体的功能指标：比较指定时间段、在跨视图操作中保留选定实体，或检索精确数值以供报告使用。设计草图允许在系统实现之前对多种布局方案进行推敲；原型制作则让有关导航逻辑、数据可用性和响应时间的假设具备可测试性。撰写月度报告的工厂分析师可能需要稳定的对照基准和可导出的表格，而调查当前异常偏差的现场操作员则更看重最新的观测数据和快速过滤能力。在原型试用之后重新审视需求，常常会发现表面上的图表选型问题，本质上其实是可用数据或任务定义之间的脱节。\n\n塔玛拉·芒兹纳于 2009 年提出的可视化设计与验证的嵌套模型划分了四个层次：领域问题与数据表征、数据与操作抽象、视觉编码与交互设计，以及算法设计。各层次之间层层依存，而非相互替代。一个系统即便渲染迅速，也可能编码了错误的比较关系；系统即便支持了精确的比较，也可能并未切中用户的真实问题。因此，各个层面的验证检验的问题各不相同：领域问题是否已被充分理解、抽象过程是否保留了相关的核心含义、视觉与交互的选择是否支持所需的任务，以及底层实现算法是否满足计算性能要求。内层所发现的问题往往会促成外层的修改，而不仅仅是对现有实现进行局部的进一步优化。" }, { "heading": "视觉感知与认知", "text": "选择性注意决定了显示界面的哪些部分会受到精细加工。灰色散点中的一个红点能迅速吸引注意力；而在红色圆圈和蓝色三角形中寻找特定的特征组合（例如红色三角形），通常需要更刻意的搜索。安妮·特里斯曼（Anne Treisman）与加里·格拉德（Garry Gelade）在1980年提出的特征整合理论，区分了基本视觉特征的登记与将这些特征绑定为物体所需的注意过程。通常被称为“前注意”（preattentive）的特征包括颜色、方向、大小和运动等差异，但它们并不能构成脱离具体情境的通用清单。能否检出取决于对比度、干扰项相似度、拥挤程度、观察者的目标以及竞争特征。一个高亮的数据点在稀疏的散点图中可能格外显眼，但在密集且色彩繁杂的散点图中可能难以寻觅；迅速检出也并不意味着能进行准确的数值解读。\n\n与格式塔心理学相关的群化原则解释了为何观察者感知到的结构会超越孤立的图元标记。邻近性促使邻近的点或标签被一并解读；相似性使颜色或形状相同的标记聚集在一起；封闭性使处于边界内的项目看似构成一个集合。连接可以让相连的点显得彼此相关，即使其他未相连的点物理距离更近；而良好连续性则促使观察者沿着平滑的路径越过交叉点。这些效应对数据关系的呈现既可能起到强化作用，也可能产生冲突。例如，将多行数据以间距划分为区块，即使没有表头也会暗示类别划分；将观测值连线则暗示了有序序列而非无序集合。在折线图中，观察者追随连续轨迹往往比辨认哪些线段共享某种特定颜色要容易得多。因此，感知到的分组部分取决于图形的组织方式，而不仅仅由数值本身决定。\n\n威廉·S·克利夫兰（William S. Cleveland）与罗伯特·麦吉尔（Robert McGill）在1984年对图形感知的研究考察了统计图表背后的基础判断任务。他们的实验要求观察者估算由各种图形形式编码的相对量值，并比较由此产生的误差。沿共同标尺的位置通常比要求在非直接对齐情况下进行比较的编码能支持更准确的判断；角度和面积判断通常不如表现最优的位置编码准确。这有助于解释为何两个邻近的数据点位置比两个大小相似的饼图扇区能够支持更精细的比较。该研究将图表细分为判断位置、长度、角度和面积等任务，而非将图表视为不可分割的整体对象。其结论支持的是经验性的倾向，并非适用于所有数据集、显示尺寸或分析任务的绝对排序。\n\n工作记忆限制了在比较显示界面的不同部分时能够保持的信息量。纳尔逊·考恩（Nelson Cowan）在2001年的综述中指出，在限制复述及其他记忆辅助手段的条件下，工作记忆容量约为四个组块；但这并非指四个图表标记的固定限制。专业知识与有意义的群化能够改变组块的构成。跨越不同屏幕比较数值时，需要记住先前的数值、其类别以及可能的度量单位。让相关面板同时保持可见可以将部分这类信息外化，但密集的布局也会带来额外的视觉搜索需求。当目标与干扰项相似，或者必须反复将标签与远处的图例进行比对时，搜索难度便会增加。\n\n变化盲视进一步限制了跨时间的比较。在1997年发表的实验中，罗纳德·伦辛克（Ronald Rensink）、J·凯文·奥里根（J. Kevin O'Regan）和詹姆斯·克拉克（James Clark）在交替呈现的场景图像间插入短暂的空白间隔，结果表明观察者可能会漏掉极大的变化。这种阻断通常能吸引注意的视觉瞬变的做法，使变化检出更加依赖于定向搜索。因此在仪表板中，将一个视图替换为另一个视图可能会使发生改变的数据点或类别被忽视，尤其是该位置此前未受到注意时。运动可以吸引注意力，但多个位置同时发生的运动可能会彼此竞争，而无法让每处变化都清晰显现。\n\n先验知识既影响识别也影响解释。对常见图表惯例的熟悉可以减少解码所需的心力，而领域专业知识则提供了有关合理取值范围和关系的预期。预期也可能导致认知偏差：证实偏差可能会引导注意力偏向支持已有解释的观测结果，而锚定效应可能会影响相对于最初看到的值所作出的判断。这些影响与感官精度截然不同：观察者完全可以准确读出一个位置的值，但仍可能挑选不具代表性的证据，或将显现的关联误读为因果关系。" }, { "heading": "视觉编码与图表构图", "text": "视觉编码将数据属性映射为图形标记的视觉特征。点用于标识位置或单个观测值；线用于连接位置或指示边界；面则通过其范围大小来表示区域或数量。其视觉通道包括位置、长度、方向、尺寸、形状、亮度和色相。这些通道可以协同发挥作用：一个点可以通过水平和垂直位置编码两个度量值，通过形状编码一个分类，再通过面积编码另一个数量。映射关系与标记本身是分离的。一条线的位置可以表示测量值，其色相可以标识数据系列，而粗细则能代表另一个独立的数量。\n\n表达性关注的是表示方式能否在不引入无依据关系的前提下完整保留数据的结构。不同的形状可用于标识无序的分类，而由浅至深的明暗序列则暗示了某种顺序。若将这种明暗序列赋予无序的部门分类，就可能传达出数据本身并不包含的排级关系。有效性关注的是具备表达性的编码在支持特定任务时的表现如何。通过统一的位置标尺来比较数值，通常比通过面积进行比较能做出更精确的判断，不过具体适用性仍取决于任务、展示介质与目标受众。约克·麦金利（Jock Mackinlay）在 1986 年关于自动化图形呈现的研究中，正式将表达性与有效性确立为选取图表设计的评估准则。将每一个可用的属性都进行编码并不一定有效：额外的通道可能会争夺注意力，或导致图例难以解读。\n\n标度负责将数据值转换为视觉通道值。线性位置标度的形式为 \\(p(x)=ax+b\\)，相等的数值差会产生相等的距离差。而对数标度则采用 \\(p(x)=a\\log(x)+b\\)：1、10 和 100 之间的间距相等，因为它们的比值相等。普通的对数标度无法表示零或负值；平方根变换与对称对数变换提供了不同的映射方式，其具体定义必须保持清晰明确。除变换本身外，还涉及若干独立的设计决策。坐标轴范围决定了展示区间；刻度间距决定了参考标记的疏密程度；位置基准线则提供了读取范围或长度的起点。柱状图通过脱离基准线（通常为零）的长度来编码数量，而点的位置则可以在受限的数值范围内直接进行比较。宽高比会改变视觉上的斜率感知，而不会改变实际观测值。直角坐标系与极坐标系也会产生不同的几何形态：在极坐标系中，相等的角度间隔在距离中心越远的位置所对应的弧长越大。\n\n配色方案应与数据属性的结构相契合。定性配色用于区分不同类别，且不暗示任何先后次序。顺序配色通过符合知觉顺序的递进渐变来表示递增的数值，通常更强调明度的变化而非仅仅是色相的变化。发散配色则围绕一个有实际意义的参考基准（如零变化、目标值或长期平均值）结合了两种渐变方向；其中心点并不一定是观测范围的算术中点。彩虹色阶可能会引入虚假的视觉边界和不均匀的视觉强调，因为相等的数值步长并不一定会产生均等的知觉变化。尺寸映射也需要类似的审慎处理。对于表示正数量 \\(v\\) 的圆形符号，面积成比例要求 \\(\\pi r^2=kv\\)，因此 \\(r=\\sqrt{kv/\\pi}\\)。因此，数值翻倍应使半径乘以 \\(\\sqrt{2}\\)，而不是乘以二；将半径翻倍会导致面积扩大为原来的四倍。\n\n图表构图决定了这些编码如何被组合解读。图例用于解释映射关系，而坐标轴标题用于标明变量名称、单位及所用的变换。在不遮挡观测数据的前提下，直接数据标签可以减少视线在图例与图形标记之间的反复移动。对齐提供了共同的参考位置；留白无需增加额外标记即可分隔不同组别；视觉层级则能有效区分主体数据、注释说明和辅助参考线。过粗过深的网格线会干扰对编码数值的辨识，而过浅过淡的参考标记又会增加数值估算的难度。标题和附注能够提供背景上下文，但不能替代明确的单位或刻度定义。\n\n小多组图在不同的数据子集之间重复使用相同的图形设计，例如按地区或年份各绘制一个分面图板。一致的刻度标尺便于直接比较数量级之间的差异；各分面独立缩放虽然突出了单个图板内部的变化，但可能使原本大小悬殊的量级显得彼此相似。分面板的排列顺序、尺寸、间距以及重复出现的参考线，都会影响比较是局限于局部还是能贯穿整个图组。共享图例以及有针对性地重复坐标轴标签，既能减少视觉杂乱，又能保留解读每个分面所需的充足信息。" }, { "heading": "用于比较、分布与时间的图表", "text": "柱状图通过自共同基线延伸的长度来比较各类别间的数量；点图则在不填充中间空间的情况下通过位置对相同数量进行编码。柱状图的基线通常从零开始，因为其长度代表数值大小；而点图在明确标注的前提下可以使用受限的坐标范围。按数值对类别进行排序可以突显排名和极值，但在某些情况下，按字母顺序或特定领域的规则排序可能更便于检索查阅。分组柱状图将子类别并排排列，便于开展组内与组间的双重比较。堆叠柱状图强调总量与构成：其中只有第一段能够共享统一的基线，这使得中间各段的对比变得更加困难。百分比堆叠图可以比较比例关系，但会掩盖总量大小的差异；例如，完全相同的半数比例既可能代表 10 个观测值中的 5 个，也可能代表 1000 个中的 500 个。\n\n直方图将定量变量划分为若干区间，并表示落入每个箱（bin）内的观测值数量。箱宽与边界的划分方式既可能揭示也可能掩盖数据中的断层、偏度以及多峰现象。在箱宽不相等的情况下，必须用条形面积而非单纯的高度来表示频数或概率；概率密度直方图的高度采用 \\(n_j/(nw_j)\\)，其中 \\(n_j\\) 为该箱内的计数值，\\(n\\) 为样本量，\\(w_j\\) 为箱宽。密度图通过平滑估计来代替离散的分箱，通常采用核密度估计。其带宽决定了平滑程度：较小的带宽可能产生虚假的峰值，而较大的带宽则可能将截然不同的群组融为一体。除非估计器考虑到边界约束，否则平滑处理还可能会延伸到物理上不可能存在的取值范围之外。\n\n箱形图通过中位数、四分位数和须线（whiskers）对分布进行紧凑的概括。在约翰·图基（John Tukey）的《探索性数据分析》（1977 年）普及的通用规范中，箱体跨越第一与第三四分位数；须线延伸至箱体外 \\(1.5\\) 倍四分位距以内的最极端观测值，更远处的观测值则作为单独的点标出。这些点并不一定就是错误数据。其他规范有时会采用最小值与最大值，或是特定的百分位数，因此须线的具体定义至关重要。小提琴图展示了镜像对称的密度估计，有时还会嵌入箱形图；其轮廓形状取决于平滑方式，且宽度并不一定反映样本量的大小。经验累积分布函数绘制了小于或等于各个数值的观测值比例，使得人们无需进行分箱或选择带宽即可直接读取中位数、百分位数以及阈值超越情况。\n\n散点图将成对的定量测量值置于坐标 \\((x_i,y_i)\\) 上，保留了同一观测对象各项数值之间的归属关系。散点图能够揭示非线性关系、变动的数据分散度、聚类以及异常点，而这些特征往往会被单一的相关系数所掩盖。若观测点发生重叠，可能需要引入透明度、微调散布（jittering）或聚合处理，同时应将人为散布与真实的测量变异区分开来。叠加的回归线或平滑趋势线是对拟合关系的总结，并不能取代原始观测数据。孤立的数据点可能反映了测量误差、罕见的有效个案，或是被遗漏的分组变量。无论是靠近拟合线还是存在强关联，都不能直接确立因果关系；共同影响因素、选择偏差以及时间先后顺序均需要单独加以分析。\n\n折线图通常以水平轴表示时间并连接连续的观测值，便于考察趋势、周期和变动。直线段意味着在各测量时间点之间进行了插值，而非连续观测。因此，非规则间隔的采样需要使各点间距与经过的时间成正比；缺失的区间不应被默认为平稳连续的观测事实。阶梯图用于表示在特定事件发生前保持不变的数值（如公布的商品价格），阶梯突变的位置指示新数值生效的时点。连线散点图则采用两个测量变量作为坐标轴，并按时间顺序将各观测值连接起来；通常借助箭头或日期标注来指明演进方向。地平线图（horizon chart）通过将数值幅度划分为若干区间带、将这些区间带重叠放置，并利用颜色深浅对幅度进行编码（同时区分正负值），从而对有正负符号的时间序列进行空间压缩。这种方法节省了纵向空间，但精确读取数值则依赖于区间刻度与图例。\n\n饼图通过扇形的角度和面积来编码整体中的各个组成部分。其分母必须具有实际意义，且互斥的各类别应当完整覆盖所声明的总体；不能将存在重叠的调查问卷多选回答当作单一人群的普通扇区来处理。相似大小的扇区很难进行精确比较，尤其是分属不同饼图、缺乏共同基线时更是如此。柱状图能够提供更直观的比较，而堆叠柱状图和矩形部分-整体图表则更强调构成比例。若省略部分类别或仅对显示的子集重新归一化，都会改变所呈现的整体基准，对此必须作出明确说明。" }, { "heading": "多变量与高维数据可视化", "text": "散点图矩阵将多个定量变量的两两散点图排列在网格中，用以揭示关联、异常值以及组间差异。对于 \\(p\\) 个变量，存在 \\(p(p-1)/2\\) 个不同的变量对；完整的矩阵通常沿对角线对称重复这些子图，并在对角线上放置变量名称或单变量分布。罗纳德·费希尔（Ronald Fisher）于 1936 年分析的经典鸢尾花数据集包含 150 朵花、3 个物种以及花萼和花瓣尺寸的 4 项测量指标。其 6 个各不相同的成对散点图表明，不同物种能否被区分取决于所对比的具体测量指标。这类矩阵无法直接揭示同时依赖于 3 个或更多变量的关系。\n\n平行坐标将每个观测值表示为穿过若干平行坐标轴的折线，其在每条轴上的交点编码一个属性。线束可以揭示共同的特征模式，而相邻轴之间的交叉则反映了相对次序的颠倒。坐标轴的排列顺序决定了哪些关系能被直接观察到：含有 \\(p\\) 条轴的可视化一次只能直接呈现 \\(p-1\\) 个相邻轴对。轴的标度缩放也至关重要，因为归一化可能会突出相对特征轮廓，却掩盖了绝对量级的大小。热图则通过颜色来编码矩阵中的数值，通常以行代表观测值、列代表变量。按行或按列标准化会改变比较的侧重点；例如，按基因标准化的基因表达热图强调的是跨样本的相对变化，而非不同基因之间的绝对表达水平。基于图符的可视化将多个属性映射到重复符号的各个部件上（例如星形图符中的辐条长度），但不同图形特征之间的相互干扰以及有限的展示空间使精确对比变得十分困难。\n\n分面与条件切片根据分类属性或定量属性的区间将观测值拆分到不同的面板中。例如，按地区在不同面板中分别绘制收入与年龄的关系图，可以在不给单个拥挤图表增加额外视觉通道的情况下，比较各地区内部的规律。共享坐标轴便于比较量级大小，而独立缩放的坐标轴虽然能揭示局部变化，却削弱了跨面板的直接可比性。对行、列、坐标轴或面板进行排序能够揭示梯度和块状结构；根据层次聚类对热图进行排序所呈现的视角，便与按时间顺序或字母顺序排序大不相同。协同联动的多面板为同一批记录保留了互补的表征形式，使得在一个视图中圈定出的子群体可以在其他视图中进一步被检验。\n\n降维通过较少的一组坐标来替代原本的众多属性。主成分分析（PCA）构建正交的线性方向，并依次使方差最大化。在常见的欧氏空间表述下，将数据投影到前几个主成分上，也使得在相同维度的线性子空间中的平方重构误差最小化。因此，包含两个主成分的散点图保留的是挑选出的高方差模式，并不一定能保留罕见特征或已知类别之间的界线。中心化与标准化处理会带来重大影响：如果直接对分别以千克和毫米为单位的变量进行 PCA，依赖于单位选择的方差可能会主导最终结果。报告解释方差比例可以指明所展示的主成分保留了多少总方差，但并不能证明它们保留了每一个在分析上具有重要意义的关系。\n\n由劳伦斯·范德马滕（Laurens van der Maaten）与杰弗里·辛顿（Geoffrey Hinton）于 2008 年提出的 t-SNE 将高维相似度转化为概率分布，并尽量缩小其与低维布局中相似度之间的散度。其非对称的目标函数对拆散原始空间中临近观测值的做法施加严厉惩罚；困惑度控制着有效的邻域尺度。利兰·麦金尼斯（Leland McInnes）、约翰·希利（John Healy）和詹姆斯·梅尔维尔（James Melville）于 2018 年提出的均匀流形近似与投影（UMAP）构建一个加权邻域图，并优化该图的低维表征。其邻域大小参数影响局部与更宏观结构之间的平衡，而最小距离设置则决定了嵌入结果的紧凑程度。这两种方法都无法保证忠实保留所有的原始距离、密度分布或全局几何结构。\n\n因此，投影图中孤立的“岛屿”本身并不能作为存在离散总体的证据，岛屿之间的空白区域也不能作为经过校准的不相似度度量。在 t-SNE 中，表面上的聚类簇大小和簇间距离尤其容易产生误导。这两种非线性方法都会随着随机初始化、距离度量、预处理和参数设置的不同而发生改变。通过在多次运行之间进行对比、检查原始变量的分布，以及验证邻域保持情况，有助于确认哪些模式是真正稳定存在的。拥挤问题依然是根本性的：许多高维邻域关系无法在不发生失真的情况下同时压缩到二维空间中，正如密集的散点图矩阵与平行坐标图最终都会超出可用屏幕空间一样。" }, { "heading": "地理与时空可视化", "text": "地理可视化将观测数据与地图上的位置、路径或区域相关联。分级统计图通过地理单元的填充颜色或明暗阴影来编码数值。它们通常用于表示比率、比例或密度；例如人口密度为 \\(D_i=P_i/A_i\\)，其中 \\(P_i\\) 为人口，\\(A_i\\) 为面积。若以此种方式直接绘制原始人口总数，可能会将人口数量与行政区划的面积大小相混淆。比例符号图则将符号面积与数量大小成比例缩放；若使用圆形，其半径必须与数值的平方根成比例变化。点密度图为每个点分配固定的数量（例如 1000 名居民），但普查区内分布的点通常仅表示在该区域内的总体分配，而非具体的个体地址。变形地图根据人口或其他变量调整地理区域的尺寸，在一定程度上牺牲了形状、距离和邻接关系的准确性，以支持量化比较。\n\n地图投影将地球曲面上的位置变换到平面上；没有任何投影能够在所有地方同时保持面积、形状、距离和方向不变。等面积投影能保持相对地理面积不变，而墨卡托投影则会随着纬度向两极升高而越来越夸大区域面积。因此，在墨卡托投影上绘制分级统计图时，即使数值编码完全正确，高纬度地区也会在视觉上获得不成比例的显著性。地理范围同样会影响数据解读：更改显示的区域会改变表观背景，而自动重新计算颜色分级可能使相同数值在不同画板或视图中呈现出差异。地广人稀的辖区比面积狭小、人口稠密的辖区占据更多屏幕空间，因此某种颜色的视觉显著性并不一定对应经历该制图状况的人口比例。\n\n空间聚合会同时改变呈现的模式以及从中计算出的统计数据。可塑性面积单元问题包括尺度效应（由观测数据聚合为更大或更小的单元所引起）和分区效应（在相似的聚合尺度下因边界划分改变所引起）。斯坦·奥彭肖（Stan Openshaw）在 1984 年的专著为空间分析确立了这一区分。在街区数据中清晰可见的集中现象可能会在县级平均值中消失，而更换行政区划边界可能会改变制图变量之间的相关性。生態謬誤则是另一类推断错误：区域层面的关联性并不一定代表其内部个体层面的关系。威廉·S·罗宾逊（William S. Robinson）于 1950 年利用美国识字率与外国出生人口之间的聚合及个体关系证明了这一问题。单纯依靠划分更精细的边界或使用更详尽的底图并不能解决这类推断局限。\n\n动态移动的可视化在“将什么视为可观测对象”上存在差异。流动图连接起点与终点，通常根据客运量、货运量或迁移人数来缩放连线的线宽；但连线并不一定代表实际走过的路径。轨迹图连接单个对象相继记录的连续位置。其精度取决于采样频率：两小时位置点之间的直线段可能会掩盖中途的停留或迂回绕行。在时空立方体中，两个轴表示地理位置，第三个轴表示时间，将移动和持续时间呈现为三维路径，但也引入了遮挡和透视效应。时间序列地图与小型多组图保留了人们熟悉的平面地理形态；固定的范围、分类分级和图例使得跨日期的对比成为可能。动画能够传达动态移动过程，而并排呈现的多画板则允许在不依赖记忆的情况下直接审视早期状态。\n\n插值与空间密度估计都能从离散观测中生成连续曲面，但它们回答的是不同的问题。反距离加权通过对附近测量值进行加权来估算未测量位置的数值，通常采用公式 \\(w_i=d_i^{-p}\\)；指数 \\(p\\) 控制着邻近观测值的主导程度。克里金法利用空间协方差模型来计算预测值及其伴随的预测不确定性。两者都依赖于有关空间连续性、抽样分布以及地理阻隔的假设。核密度估计则将每个事件的权重分散到邻域内以估算空间集中程度。其带宽决定了平滑程度：较小的带宽会展现局部峰值，而较大的带宽则会将它们平滑融合。犯罪事件密度曲面表示单位面积内记录的案件数量，并不直接等同于个体风险，后者还需要适当的人口或暴露度分母。因此，实测点位与推断曲面代表了截然不同的证据类型。" }, { "heading": "网络、树与关系型数据", "text": "关系可视化利用图论形式化的结构来表示实体及其连接。在节点—链接图中，标记代表顶点，连线代表边；箭头用于区分方向，线条宽度则可编码权重。这种形式有助于追踪较短的路径和识别分支结构，但交叉线可能会导致难以追踪单独的连接。而邻接矩阵则将顶点分别置于行和列中，每个单元格指示其对应的一对顶点是否存在连接或连接强度有多大。当两个轴采用相同的排序时，无向网络会产生一个对称矩阵。矩阵避免了边交叉问题，并能在适当重排后将密集群组呈现为块状，但追踪多步路径需要在行列之间来回穿梭。节点—链接图通常适用于稀疏网络和路径追踪任务；矩阵则更适合用来考察密集连接，尽管其有效性取决于排序方式和具体任务。\n\n网络布局决定了哪些结构在视觉上更为突出。力导向方法对沿边的引力和顶点之间的斥力进行建模；Thomas Fruchterman 与 Edward Reingold 于 1991 年提出的算法就是一个广泛应用的范例。这类方法可以产生空间分组，但表观上的接近只是优化过程的结果，并不一定代表实际测量的物理距离或对关系强度的直接度量。分层布局将顶点排列在连续的层级中，非常适合用于展示依赖关系和其他有向图。Kozo Sugiyama、Shojiro Tagawa 和 Mitsuhiko Toda 于 1981 年提出的框架将该问题划分为若干阶段，包括分层分配、减少交叉和坐标分配。环形布局强调沿环周的次序或连接，而地理布局则将顶点固定在已知地理位置上。每种布局方式对位置意义的解读施加了不同的约束。\n\n层级结构可视化区分了显式的父子连接与空间包含关系。节点—链接树通过连接边来展示继承关系，深度通常由水平或垂直位置编码。层次聚类中使用的树状图显示了连续的合并或拆分；当分支高度代表连接距离时，该尺度承载了成员归属之外的信息。叶节点的顺序通常不是唯一的，因为分支可以在不改变层级关系的情况下旋转。矩形树图由 Ben Shneiderman 于 1991 年引入，它通过递归方式将矩形分割为嵌套区域。叶节点的面积可以表示可相加的物理量（如文件大小），而外围区域则代表目录。旭日图使用同心圆环表示深度，使用扇形区域表示分支。这两种基于包含关系的方法对空间的利用都很紧凑，但微小区域可能难以添加标签或进行比较。等面积叶节点与按量加权的叶节点回答的是不同的问题，需要明确区分。\n\n桑基图通过宽度与数值成比例的流带，展示在源头、处理环节或终点之间流动的数量。在能量平衡图中，转换阶段可将输入的能量划分为有效输出和损耗；若要在图表中保持收支平衡，损耗就必须保留展示。因此，守恒性是底层物理量和系统边界所固有的属性，并非可视化形式本身所能保证的。冲击图连接了连续阶段中的类别从属关系，例如追踪同一批学生在连续几年间的学籍注册状态。将这些带状区域解读为状态转移，需要有关联的观测数据或其他合理的分配方法：仅凭各个类别各自的总数无法确定个体的具体流动情况。类别定义、分母以及对进入者、退出者和缺失记录的处理方式必须保持一致，或进行明确核对。\n\n关系可视化面临的挑战不仅限于布局的选择。边交叉会破坏连续性，重叠的顶点会遮挡实体，而过大的节点或粗线条则可能掩盖较弱的连接。边捆绑通过将连线聚拢路由来减少杂乱，但可能导致个别连接的端点变得含糊不清。群组包络线和颜色可以标识社群，尽管空间上的聚集本身并不能作为经形式化算法检测到的社群的证据。在跨时间比较网络时，布局的不稳定性影响尤为显著：重新运行优化过程可能会移动那些未发生变化的顶点，从而造成结构发生改变的假象。固定坐标、共享初始状态或对顶点移动施加约束可以保持对应关系，但这会以降低对各个独立视图进行最优化的自由度为代价。" }, { "heading": "科学场与三维数据", "text": "科学数据集通常描述分布在物理空间和时间中的物理量。标量场为每个空间位置赋予一个数值，例如燃烧模拟中的温度或计算机断层扫描重建出的 X 射线衰减率。向量场则赋予每个位置一个大小和方向，例如测得的流体速度或模拟的磁场。张量场表示更复杂的局部关系：三维应力张量描述具有方向性的机械应力，而弥散张量成像研究则利用对称 \\(3 \\times 3\\) 张量对水分子的弥散进行建模。张量图符（glyph）可利用椭球体的各轴来展示特征向量的方向，并以轴长编码特征值或其变换；因此，其外观取决于编码方式，而非单纯源自直接观测到的物体。这些场可以在规则体素网格、不规则网格或离散的测量点上进行采样。\n\n切片、等值线和等值面可以展现场数据的不同子集。切片在平面或曲面上对数值进行采样；横断面、冠状面和矢状面是体解剖图像的标准切面朝向。等值线在二维空间中连接标量值相同的点，而等值面则代表三维集合 \\(f(x,y,z)=c\\)。威廉·洛伦森（William Lorensen）和哈维·克莱恩（Harvey Cline）于 1987 年发表的移动立方体算法（marching cubes），通过检查网格单元八个顶点的值来构建等值面的三角形近似表示。选定的阈值决定了哪些结构会显现，且生成的表面并不会显示体数据中的所有数值。直接体绘制则沿着视线光线累加各处贡献。传递函数将采样值（有时结合梯度幅值）映射为颜色和不透明度。较低的不透明度能显露更深层的结构，但会混合来自不同深度的贡献；较高的不透明度则可能遮挡深层结构。因此，传递函数的设置属于实质性表现手法的一部分，绝非单纯的外观修饰。\n\n向量场需要同时表示方向与大小。箭头图符通过朝向编码方向，并可通过长度或颜色编码速率，但密集放置会导致互相重叠，稀疏放置又可能遗漏微小特征。流线沿固定时刻 \\(t_0\\) 场的瞬时方向延伸，满足 \\(d\\mathbf{x}/ds=\\mathbf{v}(\\mathbf{x},t_0)\\)。迹线则跟踪粒子在时变场中的运动轨迹，满足 \\(d\\mathbf{x}/dt=\\mathbf{v}(\\mathbf{x},t)\\)。在定常流动中两者的几何轨迹完全重合，但在非定常流动中通常各不相同。粒子跟踪从种子点出发对这些轨迹进行数值积分；种子点的布置、积分步长、插值算法以及终止条件都会影响最终呈现的结果。动态示踪物动画可以展现传输过程，但其视觉上的疏密程度也受粒子投放方式的影响，并不一定代表流体本身的密度。\n\n空间离散化与渲染带来了额外的解释性抉择。网格单元定义了数值的存储位置以及采样点之间数值的重构方式：三线性插值在规则网格单元中十分常用，而四面体网格则多采用分段线性插值。插值只是估算中间值，并不能恢复未被解析的物理细节。坐标变换必须保持几何构型和方向物理量的物理意义：仅旋转位置坐标而未一致地变换向量或张量，会导致产生不协调且错误的表达。透视、着色阴影、轮廓线和基于深度的衰减有助于建立立体感，但光照可能引入与测量值无关的明暗差异。不透明表面会遮挡内部结构，而半透明表面则可能导致深度前后关系的认知模糊。裁剪面和剖视图可以揭示原本隐蔽的区域，但同时也会消除周围的上下文信息。\n\n当任务是在已知位置比对数值、检查边界或测量截面时，二维剖面往往比交互式三维场景更为有效。它消除了前景遮挡，并允许在匹配的坐标下进行稳定的并排比对。投影可以压缩整个体数据，但需要明确的降维规则：最大密度投影沿每条光线保留最大的采样值，而平均值投影或总和投影则用于解答不同的分析问题。在任何投影中，处于不同深度的结构都可能发生重叠。三维视图有助于理解空间关系，但旋转需要观察者在大脑中整合连续的视角变化；联动切片与全局概览视图可辅助定位，而不必让每次比对都依赖于对三维场景的交互操作。" }, { "heading": "统计推断与不确定性", "text": "观测值之间的变异性与根据这些观测推断出的某个量的不确定性截然不同。记录的温度分布描述了不同观测之间的差异；而关于其总体均值的不确定性则取决于抽样设计、样本量以及其他假设。对于具有相同有限方差的独立观测值，均值的估计标准误为 \\(s/\\sqrt{n}\\)，而标准差 \\(s\\) 描述的是观测值本身的分散程度。增大样本量可以降低抽样不确定性，但无法消除校准偏差或各个观测值所共有的测量不确定度。模型选择、缺失值填补、分类以及聚合还会引入额外的不确定性，而基于抽样的区间往往无法涵盖这些因素。\n\n误差线是一种图形表现形式，而非统计学定义：它们可能表示标准差、标准误、置信区间或其他某种范围，因此图注必须注明其含义与覆盖范围。95% 置信区间来自这样一种计算程序：在其假设成立的前提下，重复抽样中有 95% 的区间会覆盖该固定参数；它并不赋予该参数落在某个特定观测区间内的概率为 95%。在给定的似然和先验条件下，95% 可信区间包含 95% 的后验概率。预测区间关注的是未来的观测值，通常同时涵盖拟合均值的不确定性与观测层面的变异，因而比对应的均值区间更宽。这些统计解释不可混为一谈。\n\n不确定性带将区间延展至整条曲线、曲面或时间序列上。逐点 95% 带分别提供每个固定位置上的覆盖率，并不代表整条真实曲线落在其内部的概率为 95%。同时置信带解决的是在整个指定区域上的联合覆盖问题，通常需要更宽的界限。阴影带还可能掩盖概率分布中的不对称性、多峰性或极端尾部特征。集成展示则呈现多条合理的曲线或模型实现，从而展示其他可能的轨迹，不过线条重叠可能会模糊密度的分布。集成的离散度并不一定代表经过校准的概率，在模型共享某些假设时尤为如此。分位数点图将相等的概率质量分配给各个点：若使用 20 个等权重点，每个点代表所展示分布的 5%。假设结局图由杰西卡·赫尔曼（Jessica Hullman）、保罗·雷斯尼克（Paul Resnick）和埃坦·阿达尔（Eytan Adar）于 2015 年以此名称引入，它通过动画形式动态展示从分布中连续抽取样本的过程。联合抽样能够保留各个量之间的依赖关系，而独立的误差线往往会掩盖这种关联。\n\n图形诊断用于检验拟合模型是否重现了观测数据的相关特征。在线性回归中，绘制残差 \\(e_i=y_i-\\hat y_i\\) 对拟合值的散点图，可以揭示与线性均值函数不符的弯曲趋势，或是与常数误差方差不符的发散趋势。按观测顺序绘制的残差可以暴露时间上的依赖性。分位数-分位数图（Q-Q 图）将排序后的观测值或残差与理论分位数（或来自另一样本的分位数）进行对比；系统性偏离参考线表明分布存在差异，而尾部的偏离与极值假设尤为相关。后验预测检验展示将观测数据与根据拟合贝叶斯模型生成的复制数据进行对比。在零值计数、极大值或群组间变异上的差异能够揭示模型未能重现的特征，但这并不意味着通过这些检验的模型就是正确的。\n\n肉眼可见的模式有时可能纯粹由随机变异产生，在检查大量面板、变量或亚组比较时尤其如此。在相互独立的条件下，在 5% 显著性水平下进行 20 次检验，若所有原假设均成立，则产生至少一次错误拒绝的概率为 \\(1-0.95^{20}\\approx0.64\\)。相关性会改变这一计算结果，但该例说明了为何在图形探索中必须考虑多重检验问题。混杂可以在缺乏所提出的因果机制的情况下产生关联。在爱德华·H·辛普森（Edward H. Simpson）于 1951 年讨论的辛普森悖论中，由于各群组的构成与基线结局不同，群组合并后关联方向可能会发生逆转。同时展示亚组估计值、样本量及聚合权重，有助于审视这种逆转现象；单独使用汇总图或分层图都无法直接确定合理的因果解释。" }, { "heading": "交互与探索式界面", "text": "交互式可视化将用户的操作与视觉呈现的变化、查询结果的变更或两者的联动紧密结合。选择（selection）用于标出记录或标记符以便执行后续操作，且未必会移除任何内容；过滤（filtering）则限制纳入呈现的数据记录。排序（sorting）改变数据的排列次序，可在保留原有观测值的同时揭示排名或分组。缩放（zooming）改变可见的比例尺或视域范围，而平移（panning）则在不改变比例尺的前提下移动视口。按需提供细节（details-on-demand）用于展开总览中略去的信息，例如记录的精确数值、元数据或关联文档。这些操作在分析上具有不同的效应：例如将销售展示过滤至某个地区会改变所呈现的数据总体，而缩放至某个地理区域可能仅仅是改变了视口范围。本·施奈德曼（Ben Shneiderman）于1996年提出的准则——“总览优先，缩放与过滤，随后按需提供细节”（Overview first, zoom and filter, then details-on-demand）——描述了一种实用的交互范式，而非每个界面都必须死板遵循的绝对次序。\n\n刷选与链接用于协调多视图之间的选择状态。例如，用户可以在收入与支出的散点图中拖拽矩形选框（刷选）选中部分数据点，对应的记录随后便会在年龄直方图和地理空间视图中高亮显示。视图之间的链接通常依赖于共享的记录标识符或数据集之间的显式关联，而非取决于标记符在屏幕上是否占据相似位置。在聚合视图中，选中的数据集可能表现为各条形柱中的高亮部分，而非单个可识别的标记符。交互界面必须明确区分当前选择是替换、扩展还是与先前的选择取交集，以及未选中的记录是否保持可见。以较暗淡的形式保留未选记录，可以维系用作对比的参照基准；若将其彻底隐藏，则实质上将“选择”转化成了“过滤”。\n\n动态查询将滑块、复选框和范围选择器等控件与快速更新的可视化结果直接耦合。克里斯托弗·阿尔伯格（Christopher Ahlberg）、克里斯托弗·威廉姆森（Christopher Williamson）和本·施奈德曼于1992年开发的 HomeFinder 原型展示了这种方法，用户可以通过调整价格和卧室数量等约束条件来动态探索房源。即时的视觉反馈让用户能通过拖动控件直观权衡利弊，无需反复编写并提交查询。相比之下，下钻（drill-down）则是沿着预设的细节层级层层递进——例如从年度营收下钻至季度、月度乃至单笔交易明细。对下钻结果的解析取决于聚合规则：营收总额可以通过求和来向下分解，而百分比指标通常需要重新计算其底层的分子与分母。\n\n“焦点+上下文”（Focus-plus-context）技术在保留外围结构的同时，为用户感兴趣的区域分配更多的视觉空间或细节。乔治·弗纳斯（George Furnas）在1986年提出的广义鱼眼框架将“兴趣度”方法形式化，把数据项的内在重要性与它到当前焦点的距离结合起来评估。畸变视图与“总览+细节”（overview-plus-detail）布局解决了在观察局部信息时不失全局方位的难题，尽管视觉变形可能会干扰用户对距离和大小的判断。语义缩放随着尺度的改变而直接改变其呈现方式本身：例如文献集合在远景视图中可能只显示类别标签，拉近后显示文献标题，在更高放大倍率下则显示文本摘录。与单纯的几何放大不同，语义缩放需要由专门的规则来决定各个层级应呈现何种信息。\n\n探索性分析工作还需要对“分析状态”进行有效管理。交互历史用于记录操作行为或经历过的状态；撤销功能可以回退误操作；书签则能保存具有分析价值的配置，而无需重新回放每一步中间操作。一个有价值的保存状态通常包括过滤器设置、选择集、排序规则、视口参数、数据变换以及数据集版本。当协作者重新审视某一异常发现时，这些要素至关重要：仅保存静态图像只能记录外观，却无法提供重建该视图所需的查询语句或底层数据。分支历史机制能够保存多条备选探索路径，而非将探索局限为单一的线性过程。\n\n反馈及其时效性决定了这些控件的操作是否易于理解。高亮的标记符、已生效过滤条件的摘要、加载状态指示器以及明确的空结果提示，有助于用户区分操作成功、执行失败还是计算尚未完成。延迟过长的查询可能导致返回过时的响应，除非系统能主动取消已被取代的请求，或者将返回结果与发起该请求时的界面状态精确绑定。高可发现性的控件会直观展示可能的操作，避免完全依赖缺乏提示的隐性手势。动画过渡可以维持对象的认知同一性，展现重新排序或重新分组后的标记符如何在不同状态间平滑位移；但过多的并发运动、突然消失的标记符以及拖沓的过渡时长都会阻碍视觉追踪。当动画本身不足以合理解释画面变化时，稳定的布局、一致的视觉编码和明确的端点状态有助于维护用户的心智模型。" }, { "heading": "解释性图表、仪表盘与数据叙事", "text": "探索性界面支持在分析过程中可能发生改变的提问；解释性图表则围绕特定的问题、受众和预期解读来组织证据。两者的区别在于目的，而非展示形式是否具备交互性：静态散点图同样可以支持探索，而交互式文章则能引导读者走向经过审慎界定的发现。解释性设计会筛选相关变量、对比关系和细节，而未必展示每一个分析步骤。例如在科研传播中，一张对比处理组的图表可能会展示观测值、估计差异和置信区间，而图题与说明文字则指明总体并解释区间的含义。解释性主张必须始终与支撑它的观测数据和统计假设区分开来。\n\n注释将可见的模式与其意义联系起来。直接标签无需读者反复查阅图例即可识别数据序列；参考线标示阈值或基准线；引线标注则将特定观测值与具体事件或方法学层面的限制说明联系起来。语境化对比能够确立某个数值相对于历史区间、对标群体或明确目标而言是否异常。这些对比不可相互混淆：超过上一年的数值并不必然意味着达到了政策目标。编排顺序可以先展现总体分布，再突出显示某一子群体，或者先确立基准，再展示变化。在新闻业中，这便构建了一种视觉叙事，其展开次序决定了读者在何时接触到证据与限定条件。爱德华·塞格尔（Edward Segel）与杰弗里·希尔（Jeffrey Heer）在2010年关于叙事可视化的研究中描述了包括“马提尼酒杯”（martini glass）在内的多种结构：首先是由作者引导的引入阶段，随后是更具开放性的交互阶段。\n\n仪表盘汇集了多项指标，以支持对系统的持续或定期观测。各部分的协调需要统一的单位、时间范围、类别定义和筛选状态，而绝非仅仅将多张图表拼凑在同一屏幕上。每个指标都需要有汇报周期，并区分所测算的时间周期与最新更新的时间。例如，一个假想的每周服务仪表盘可能会汇报48小时内完成请求的百分比（对标90%的目标）；其定义必须明确何为合格请求、周末是否计入，以及未结案件如何纳入分母。否则，相同的标签可能会掩盖不同的测算口径。监控用于发现偏离预期状态的异常；诊断则用于探究其原因。完成率下降可以触发调查，但要确定是人员配备、需求波动还是记录方式的改变导致了这一结果，则需要更多证据。联动细分下钻可以辅助这一调查，但其本身并不能确立因果关系。\n\n交互式文章将作者预设的解释与读者自主控制的审视结合在一起。滚动叙事利用页面滚动来推进解释的阶段，通常在保留图表框架的同时，动态更改其注释、高亮的子集或比例尺。循序渐进的叙述序列可以在呈现复杂对比之前先引入读者不熟悉的视觉编码方式，而筛选器和按需获取的细节则允许读者探查主线叙述之外的个案。这些交互控制重新分配了把控权：作者设定初始框架，而读者决定后续探索的部分问题。动画式解释则为这种组织方式增添了时间维度上的编排。汉斯·罗斯林（Hans Rosling）在2006年的TED演讲中利用国家级别的气泡动画，将收入、预期寿命、人口和历史变迁关联起来。这种动画能使发展轨迹格外清晰，但要在跨度较大的不同时刻之间进行精确对比，仍可能需要静态画面或常驻的参考标记。\n\n图题说明和发布语境使得图表在脱离其原始版面后依然易于解读。一张自成一体的独立图表应明确测算对象、总体与地理范围、单位、相关日期以及符号或区间的含义。数据源附注要区分原始数据提供者与后续的计算衍生，并说明关键的数据转换（如通胀调整或季节性调整）。定义应厘清所谓“增长”是指绝对增量、百分比变化还是百分点的变化。发布日期和修订日期对于高频更新的指标尤为重要：否则在底层数据集发生变动后，旧截图仍可能被误认为反映最新情况。大标题、邻近正文和图表说明在陈述范围上也须保持一致，避免将针对某个子群体或特定汇报周期的结论表述为适用于全体人群的主张。" }, { "heading": "可访问性与可视化素养", "text": "可访问性关注的是人们是否能够通过自身可用的交互界面来感知、操作和解读可视化。色觉差异可能导致类别型或发散型色阶难以区分，尤其是当色相是唯一的区分特征时。低视力人群可能无法看清微小的标签、细线和浅淡的网格线；全盲则会导致用户无法获取仅通过空间位置编码的关系。运动障碍可能导致精细的指向、拖拽或排列紧密的控件难以操作。认知负担则源自陌生的符号、密集的图例、分散的注意力，以及在不同视图间记忆数值的需要。这些障碍往往相互交织：放大图表或许能提高标签的可见度，但同时也可能将图例或对比基准线移出视口之外。\n\n具有良好可访问性的视觉编码通常采用冗余区分手段，例如在运用颜色的同时，结合使用不同虚线样式、符号，或直接在折线上进行标注。2023 年作为 W3C 推荐标准发布的《Web内容可访问性指南》（WCAG）2.2 规定，在 AA 级别下，常规文本的最低对比度须达到 4.5:1，大号文本须达到 3:1（含特定例外情况）。用于识别界面组件或状态的必要图形对象及视觉信息，通常要求与相邻颜色之间保持至少 3:1 的对比度。然而，这些阈值并不能保证密集图表中的每一个标记都清晰可辨。可缩放文本、充足的间距以及在放大状态下仍保持可用的布局，有助于消除更多障碍。键盘用户需要合理的导航顺序、可见的焦点指示，以及脱离鼠标进行选择、筛选和查看详情的方式。通过悬停在数据点上展示的信息也需要提供替代方案，例如键盘焦点或常驻的详细信息面板；包含数千个数据点的图表并不需要将每个点都纳入 Tab 键遍历顺序中。\n\n非视觉访问不仅限于说出图表的类型。简短的替代文本可以指明图表的主题和核心发现，而较长的详细描述则进一步阐释坐标轴、度量单位、数据覆盖范围、主要模式及相关特例。例如，月度失业率图表的描述可以说明所展示的时间范围、峰值出现的时段与大小，以及该序列后续是否出现回落。带有正确关联行列标题的结构化数据表支持通过屏幕阅读器导航查询精确数值，但无法直接传达折线图中一目了然的变化趋势。声音化将数据映射为声音——例如，随着音频播放时间的推进，用逐渐升高的音调来编码递增的数值。触觉图形则利用凸起的线条、纹理、符号和盲文标签来传递空间关系。这两种方法都需要明确的映射规则；若将每个视觉细节机械地直接转化为声音或触觉，往往会造成信息混乱，反而无法实现对等的无障碍访问。\n\n可视化素养包括识读、解读、质疑和构建图形化表征的能力。它涵盖识别视觉编码、比较数量关系、理解数据变换与不确定性，以及对分母选取或缺失观测值提出质疑。对图表形式的不熟悉与缺乏领域知识是两回事：一位经验丰富的临床医生可能完全理解平行坐标图中的测量指标，却不知道其中交叉的折线是如何编码单条记录的。反之，能看懂熟悉的柱状图并不代表能够理解其背后的总体或抽样方法。诸如 2017 年推出的可视化素养评估测试等测评工具，通过基于图表的问题来考查用户的解读技能。在此类任务中的表现衡量的是特定的读图能力，而非批判性判断或图形构建的全部维度。\n\n本地化不仅影响界面文本，还会影响对图表的理解。例如，日期“03/04/2025”既可表示 4 月 3 日也可表示 3 月 4 日，且小数点与千位分隔符在不同地区也有所不同。翻译后的标签可能需要更大的排版空间；度量单位、货币符号、历法习惯和时区都需要明确处理。从右到左书写的界面需要关注导航流程与标签位置，但不能机械地翻转那些顺序具有实质含义的坐标轴。因此，可访问性测试需要将标准合规性检查与目标用户的实操任务相结合，受测群体应涵盖使用屏幕阅读器、屏幕放大镜、替代输入设备以及采用不同语言设置的用户。此类测试能够发现单纯对比度测量或自动化检查所遗漏的缺陷，例如无法访问的筛选状态，或是遗漏了用户所需对比信息的图表描述。" }, { "heading": "软件、规范与渲染", "text": "电子表格软件将单元格计算、表格查看和图表生成结合在一起，使图形高度依赖于工作表区域、公式及刷新机制。R 和 Python 等统计计算环境将可视化与数据转换、模型拟合和脚本化分析融为一体。商业智能系统（包括 Tableau 和 Microsoft Power BI）则将报表连接到数据源及共享语义模型，后者定义了度量值、关联关系和聚合规则。地理信息系统（如 QGIS 或 ArcGIS）还额外管理坐标参考系、空间连接和地理图层。专用的科学计算工具则用于处理网格、场和体数据：ParaView 提供了基于 VTK（Visualization Toolkit）构建的应用程序接口与处理流水线。这些软件类别互有重叠；它们之间的差异主要体现在所支持的数据模型、工作流和部署方式上，而非互斥的图表类型。\n\n图形语法通过可组合的元素来描述图表，而不是为每种具名图表单独编写独立的绘制过程。哈德利·威克姆（Hadley Wickham）于 2007 年首次发布的 ggplot2 在 R 中实现了一种分层图形语法：数据变量映射到美学属性，几何对象绘制标记，统计变换派生衍生量，标度则将数值转换为视觉属性。例如，同一组分类和度量映射既可用于绘制原始数据点，也可用于添加一层分组汇总。Vega 将可视化表示为声明式的 JSON 规范，其中包含数据转换、标度、标记和交互信号。Vega-Lite 则采用更高层次的规范（定义字段、数据类型、标记和编码通道），并能编译为 Vega；其 2017 年发表的研究论文描述了一种支持交互式图形的语法。声明式规范阐明了数据关系与预期行为，而具体的执行细节则由运行时环境处理。\n\n显式编程的方法展现了不同的实现选择。约翰·亨特（John Hunter）于 2003 年发起的 Matplotlib 围绕图形（figure）、坐标轴（axes）和绘图元素（artist）等对象组织 Python 绘图接口，同时还提供了高级便捷函数。迈克尔·博斯托克（Michael Bostock）、瓦季姆·奥吉耶韦茨基（Vadim Ogievetsky）和杰弗里·希尔（Jeffrey Heer）于 2011 年推出的 D3 则利用 JavaScript 将数据绑定到文档元素上，并计算其属性、样式与过渡动画。D3 的数据连接（data join）可以通过稳定的键将数据记录与图形元素关联起来，区分进入（entering）、更新（updating）和退出（exiting）的记录。这两类库都不意味着必须进行不受约束的底层编程：它们都支持可重用的抽象。反过来，声明式系统通常也会暴露出应用程序编程接口，用于嵌入图形、提供数据以及响应选择交互。\n\n输出格式决定了图形信息的存储方式。栅格图像由固定的像素网格表示；将 PNG 放大超过其原始尺寸就会暴露其有限的分辨率。矢量格式则表示形状、路径和文本，使许多图表元素在缩放时仍能保持清晰。PDF 和可缩放矢量图形（SVG）能够保留此类几何信息，不过文件中也可能包含嵌入的栅格图像。矢量输出并不一定体积更小：包含数十万个独立标记的散点图可能会生成非常庞大的文件。导出效果还取决于字体、裁剪、透明度以及色彩管理；屏幕上显示无误的视觉效果并不能保证在打印时呈现出完全一致的外观。\n\n在网页浏览器中，SVG 会创建可单独接收样式和事件的文档元素。相比之下，Canvas 提供的是一个绘图表面：应用程序发出绘图指令，通常需要自行维护对象的内部表示以便重绘和命中测试。WebGL 则提供了利用图形处理器的图形接口，支持基于着色器的二维和三维场景渲染。这些是渲染机制，而非图表设计方法。SVG 通常支持对单个标记进行直接检查，而 Canvas 和 WebGL 则可以避免为每个标记都维护一个文档元素。它们在实际应用中的性能取决于几何复杂度、更新频率、交互逻辑与具体实现。除非应用程序单独重建了矢量几何结构，否则导出 Canvas 或 WebGL 图像时通常只能截取像素。\n\n可靠的生产级交付还需要可重用的组件和显式的依赖关系。通用的坐标轴、图例和格式化组件有助于在各种报表之间保持行为一致，而带版本控制的模式（schema）与接口则有助于防止对字段含义的无感知更改。测试环节可以检验转换后的数值、标度定义域、类别排序、交互状态以及渲染生成的图像；图像对比测试需要为因平台而异的字体渲染设置容差。可重现的生成流程会记录输入版本、转换代码、软件依赖与配置项。随机布局算法需要设置受控的随机数种子，而交互式发布内容可能还需要保存筛选条件与选择状态，以准确重现所显示的结果。" }, { "heading": "大规模、流式与分布式数据", "text": "大规模数据集在将其记录呈现给用户之前，会遭遇若干相互独立的物理与计算限制。一块 1920 × 1080 分辨率的屏幕仅包含 2,073,600 个像素，因此即便不考虑坐标轴和标签，绘制 1000 万个数据点也必然会导致极其严重的重叠遮挡。内存开销不仅涵盖原始数据，还包括索引、中间结果和渲染缓冲区：仅 1000 万对 64 位坐标就需占用 1.6 亿字节（约 153 MiB）。查询执行、网络传输、布局计算以及图形绘制各自带来不可忽略的开销。一个高速的渲染引擎无法弥补每次交互后都需要扫描数十亿条记录的低效查询；反之，即便查询速度极快，维护数百万个独立可交互的图形对象也依然代价高昂。\n\n数据缩减方法从不同维度应对这一挑战。随机抽样能减少记录数量，但可能遗漏稀有事件或较小的子群体；分层抽样可保留特定群体，但据此计算总体层面的汇总指标时需要进行适当加权。分箱用区间或空间单元格内的计数或统计量来替代单个观测值，这会隐藏分箱内部的变异，且使得分箱边界的选择变得至关重要。聚合操作可保留频数、总和与极值，但仅凭均值会掩盖分布形态。细节层次方法随缩放尺度改变数据的呈现形态——例如在放大之前仅展示区域总数，放大后再展现具体位置。多分辨率金字塔则提前存储了若干此类尺度的视图。2013 年推出的 imMens 和 Nanocubes 系统展现了互补的解决方案：imMens 利用预先计算的分箱数据瓦片与 GPU 处理来实现交互式视图，而 Nanocubes 则利用紧凑的分层索引来查询大规模时空数据集。然而，这两种方法都无法在所有尺度上令每个原始观测值单独可见。\n\n基于数据库的可视化将过滤与聚合计算下推至数据存储端，而非将完整数据表传输至客户端。空间索引可剪除无关区域，列式存储能减少对未使用属性的访问，而查询结果缓存可避免重复劳动。预取机制可提前准备用户可能查看的后续视图，但预测本身会消耗资源，且数据变更时必须使缓存失效。并行计算将扫描或聚合任务分配给多个处理器；分布式计算进一步将计算扩展至多台机器，但也引入了通信、协调和数据分区的开销。GPU 可以加速数值计算与图形渲染，在大量记录执行相同操作时尤为显著；然而，主内存与显存之间的数据传输往往会成为性能瓶颈。因此，系统的综合性能取决于整个交互管线，而不仅仅是每秒绘制的标记数量。\n\n持续更新的显示界面引入了时间与先后顺序的约束。流处理通常采用互不重叠的翻转窗口或彼此重叠的滑动窗口：例如，一个每分钟刷新一次的 10 分钟窗口会复用 9 分钟的历史观测数据。增量计算通过更新已保存的汇总值而非从头重新计算来提高效率；例如，仅需维护总和与计数即可计算滑动均值。事件时间记录观测发生的时刻，而处理时间则记录系统处理该数据的时刻。因此，迟到的数据可能会修正已展示的总计值。水位线依据系统的延迟策略跟踪事件时间的预估进度，但它并不能确保早于该时间点的所有事件均已到达。当管线下游阶段无法跟上处理节奏时，背压机制会迫使上游减缓生产速率。缓冲、合并更新或直接丢弃记录是应对该问题的其他替代方案，但各自会对延迟和完整性产生不同影响。\n\n渐进式可视化在计算进行的同时呈现有价值的中间结果，使用户在完整查询结束前即可展开探索。部分扫描、连续采样或逐步提高的空间分辨率均可提供早期反馈，但它们的统计学含义各异：最先扫描的分区可能在地理或时间上存在偏差，而概率抽样则支持特定的统计推断。界面可通过已处理记录数、数据时间戳、逐步细化指示器以及清晰标示的近似值来区分这些状态。在估计量理论成立的前提下，置信区间可以传达抽样不确定性，但无法自动涵盖缺失数据源或系统性偏差。排序、聚类以及看似离群的点都可能在逐步细化过程中发生变化；在交互中保留用户的选中状态并标明已被修正的数值，有助于防止中间结果被误当作稳定的最终结论。" }, { "heading": "评估与研究方法", "text": "评估涵盖了多种不同的结果维度，而非单一的可视化质量指标。编码准确性关注人们估算所表示数量的忠实程度；任务绩效关注完成诸如寻找异常值或比较群组等活动的成功率。可用性包括易学性、交互障碍以及错误恢复能力。对分析推理的评估需要考察人们如何形成、检验和修正解释，而不仅是统计正确答案的数量。采纳率用于衡量持续使用的情况，而组织层面的实用性则关注减少汇报工作量或改善协作等实际成效。这些结果维度可能会发生分歧：一个被频繁使用的仪表板可能只是管理层的硬性要求，而一张感知准确的图表却未必能回答工作流程中真正关键的问题。海蒂·拉姆（Heidi Lam）及其合作者在2012年发表的论文《信息可视化中的实证研究：七种场景》（Empirical Studies in Information Visualization: Seven Scenarios）中，围绕不同的目的对评估进行了梳理，包括用户绩效、用户体验以及视觉数据分析与推理等。\n\n对照实验通过在特定任务下比较不同条件，从而分离并考察具体的设计选择。例如，一项研究可能会在保持底层分布、测试问题和屏幕尺寸不变的情况下，比较两种不确定性展示方式。测量指标包括回答准确率、完成时间、数值估计误差以及特定错误模式（如始终将分布的离散程度与均值的不确定性相混淆）。被试内设计让每名受试者接触多种条件，但需要通过平衡顺序来控制顺序效应和学习效应；被试间设计减少了残留效应，却引入了不同受试者群体之间的个体差异。实验设计还必须将受试者与其重复试验区分开来：来自少数几个人的数百次反应并不等于数百名独立受试者。效应量和置信区间有助于刻画差异特征，其作用超越了统计检验是否跨越显著性阈值这一单一标准。\n\n受试者的专业背景和任务的选择决定了这些实验结果能支持何种结论。找出最高的柱子所测试的能力，与调查业务数据集中突发异常变化所测试的能力大相径庭。领域专家可以运用新手所不具备的专业术语和背景知识，而经验丰富的可视化用户则能更容易地识别不熟悉的视觉编码。杰弗里·希尔（Jeffrey Heer）与迈克尔·博斯托克（Michael Bostock）在2010年的研究《图形感知的众包研究》（Crowdsourcing Graphical Perception）中，展示了如何利用亚马逊网络劳工（Amazon Mechanical Turk）进行图形感知实验，包括复现早期的实验室研究结果。这确立了一种实用的受试者招募途径，但并不能保证在线样本能代表所有目标受众。设备特性、观看条件、受试者筛选以及数据质量检查依然至关重要。\n\n定性研究考察了固定答案类任务容易遗漏的活动。观察法记录可视化如何融入会议、交接环节和现有的软件工作流程；访谈法能够挖掘用户的目标、理解方式及主观感受到的局限性。出声思考研究要求受试者在使用过程中说出自己的推理过程，从而揭示被误解的标签或意料之外的交互策略，不过言语化本身可能会改变用户的操作节奏和行为。纵向现场研究可以展示在数周或数月内，学习过程、信任度以及使用习惯如何发生变化。交互日志记录了用户操作，但仅凭日志本身无法确立操作背后的原因，也无法判断它是否带来了理解。将日志、观察、访谈和分析产物相结合，能够提供相辅相成的证据。\n\n设计研究通过围绕具体领域问题开展持续合作来探索可视化。迈克尔·塞德尔迈尔（Michael Sedlmair）、米莉亚·迈耶（Miriah Meyer）与塔玛拉·芒兹纳（Tamara Munzner）在2012年的方法论论文中提出了一个涵盖九个阶段的框架，从准备和问题表征一直延伸到部署与反思。这类研究不仅能交付可运行的系统，还能提供具有迁移价值的问题抽象模型与设计经验教训。基准数据集则服务于另一种目的：共享的输入与任务允许在统一条件下进行比较，尽管基准的覆盖范围会限制结论的适用度。可复现性材料可包括数据溯源信息、预处理脚本、软件版本、刺激材料、任务指令、匿名化应答数据以及分析代码。\n\n在此过程中处处存在对有效性的威胁。练习效应、疲劳以及条件顺序都可能导致比较失真；样本量小或缺乏代表性会限制估计精度和结论的泛化能力。人工设定的任务可能偏向于对快速查阅能力的测试，却排除了实际分析中处于核心地位的模糊性探索问题。新奇感可能会暂时提高用户的参与度，而实际部署的效果可能反映的是培训、人员变动或政策调整，而非可视化本身的作用。预注册假设、透明的数据排除标准、平衡的实验条件以及跨实验室和现场环境的综合评估能够应对不同的缺陷；但单凭其中任何一种手段，都无法证明某项研究发现能够直接迁移到其他用户、数据集或组织之中。" }, { "heading": "诚信、伦理与数据治理", "text": "可视化作品即便所用的数值在技术上完全准确，也可能因图形呈现方式不当而产生误导。例如将柱状图的坐标轴截断至95，会使数值98和100的高度比呈现为3:5，尽管两者的实际数值比为0.98；柱形长度编码的是量值大小，改变基准线会歪曲这种对比。折线图中非零基准线在用于观察微小波动且标尺明确时，并不必然具有误导性。三维挤出在不增加任何数据信息的情况下，可能引入透视畸变和遮挡。有选择地截取时间窗口，会使短暂的上升看起来像持续的趋势；而省略分母，则可能将人口规模的差异转化为表面上的风险差异。计数、比率以及绝对变化与相对变化所回答的问题各不相同。这些特征构成了批评某种图示表达的依据，但它们本身并不足以证明制作者存在蓄意欺骗。\n\n分类与排除规则决定了谁的经历能够被看见。行政记录描述的是与特定机构产生接触的人群，未必涵盖目标群体的所有人：例如，服务使用记录就遗漏了那些需要该服务却无法获得的人。标为“其他”的类别可能将结果截然不同的群体合并在一起，而完全病例分析则可能排除缺失信息水平较高的人群。机构给出的定义也会随时间发生变化。美国2000年人口普查首次允许受访者选择多个种族，使得与早期单一种族统计结果的直接比较变得复杂。跨越此类变化的图形连续性，可能会掩盖测量口径本身的不连续性。因此，定义、覆盖范围、排除项以及分类修订不仅是说明文档的一部分，更构成了图形实质性含义的有机组成部分。\n\n当图表暴露精确位置、罕见的属性组合或极小群体时，就会引发数据隐私风险。隐去姓名并不一定能防止身份识别：2008年，阿尔温德·纳拉亚南与维塔利·什马季科夫证明了如何利用背景知识（包括公开的IMDb评分）识别出Netflix Prize匿名电影评分数据集中的用户。交互式筛选器也会产生类似漏洞，因为用户可以通过连续查询来孤立出特定个体，或通过差额推断出被隐藏的数值。地理聚合、数值隐匿、舍入以及限制查询访问可以降低特定的泄露风险，但也可能掩盖局部变异或降低小群体的可见度。如果被隐藏的单元格数值可以根据已发布的总计反推重构，那么单纯隐匿单个单元格往往徒劳无功。\n\n差分隐私形式化了另一种思路：通过随机化发布机制，限制在添加或移除单个个体的数据时输出分布可能发生的变化程度。其隐私参数控制的是一个数学界限，而非保证所展示的每项统计量都绝对准确。美国人口普查局在生成2020年人口普查选区重划数据时采用了差分隐私技术。此类信息泄露控制在隐私性、准确性、地理细节以及跨表一致性之间造成了权衡取舍。小区域图形对引入的误差尤为敏感。针对受保护数据的描述，需要在不泄露受保护记录的前提下，区分公开发布的估计值与未修改的原始观测值，并指明相关的局限性。\n\n数据治理确立了在数据采集、转换、授权、发布和修正等环节的权责归属。来源标注指明了数据出处；著作权和许可协议则决定了特定复用行为是否获准。无论来源标注还是许可协议，都无法单凭自身确立数据质量。数据来源与溯源记录了输出结果如何由输入派生而来，涵盖数据集版本、表连接、排除项、计算步骤及责任主体。万维网联盟（W3C）2013年的PROV规范提供了一种围绕实体、活动和代理主体构建的模型。对于已发布的图表，可审查的溯源信息可包括检索日期、转换代码、计量单位、分母定义以及修订历史。若能在更正说明中明确指出修改了什么、修改时间以及解读是否随之改变，而不是悄悄替换图片，数据更正将具有更高的可追溯性。\n\n基于证据的解读与具有说服力的框架建构并非互相对立：选择对比项、标题或批注不可避免地会引导受众的注意力。伦理层面的区别在于最终得出的论断是否有证据支撑，以及带来实质影响的设计抉择是否保持可审查性。一张显示某项指标较选定基准线有所改善的图表，或许足以支持该对比本身，却不足以证明是某项政策促成了改善；混杂因素和替代性解释依然不容忽视。公开底层数值、说明基准选择依据、披露生效的筛选条件，并区分观测值与预测值，能让读者充分审视证据与论断之间的关系。" }, { "heading": "应用与新兴研究", "text": "在科学研究中，可视化将测量数据和模拟结果与关于结构、变异及模型拟合的科学问题联系起来：天文学家借此审视巡天观测，分子研究人员借此探查空间构型，气候科学家则将模拟场与观测结果进行比对。环境分析结合了遥感、监测站以及地理信息系统，用以考察植被变化、大气污染和洪水风险敞口。商业应用包括库存监控、过程控制、销售预测以及交易异常排查；仪表盘可以揭示某种偏差，却未必能直接指明其根源。官方统计利用人口金字塔、区域地图和交互式表格来传达人口普查与经济数据。在教育领域，联动图表与模拟程序让学习者能够操纵参数并直观观察其结果。新闻业将图表与报道及注解相结合；而在公共卫生监测中，流行曲线和地理图示被用于追踪报告病例。约翰斯·霍普金斯大学于2020年1月推出的COVID-19仪表盘，是持续更新的地理信息报告的突出范例；其统计数字反映的是已报告的观测值，而非对感染情况的完备普查。\n\n在机器学习工作流中，可视化有助于检查训练数据、类别失衡、缺失值、错误标注的样本，以及开发环境与部署环境样本群体之间的差异。混淆矩阵将不同类型的分类错误区分开来，精确率-召回率曲线展现了依赖于阈值的权衡取舍，而校准图则用于比对预测概率与观测频率。交互式系统可以将汇总的错误模式关联至单条记录，使分析人员能够调查失效案例是否集中在特定条件或子群体中。与可解释人工智能相关的技术（包括特征归因展示和偏依赖图）呈现了模型行为的特定方面。然而，它们并不能确立模型的可靠性：存在相关性的预测变量会使归因复杂化，偏依赖分析可能会评估不切实际的特征组合，而投影中在视觉上连贯的聚类也不一定对应于稳定的类别。因此，可靠性评估仍然依赖于验证数据、恰当的性能指标以及对实际部署条件的考查。\n\n自动化可视化研究既探讨图表选型，也研究如何将分析意图转化为可执行的规格说明。Kanit Wongsuphasawat及其同事于2015年提出的Voyager，将手动指定规格与探索替代视图的推荐机制相结合。Dominik Moritz等人于2018年提出的Draco，通过约束来表达可视化设计知识，将禁止的组合与在可接受设计之中的偏好区分开来。自然语言系统还带来了如何解释诸如“增幅最大”等表述的难题——该短语可能指代绝对变化、百分比变化，或是跨越某个未指明时间区间的对比。生成式人工智能系统能够生成数据库查询、分析代码和图表规格；Victor Dibia于2023年提出的LIDA，展现了一种基于语言模型生成可视化的流程范例。其失效模式包括不存在的字段名、错误的连接或聚合、能执行但回答了错误问题的查询，以及编码方式无法支持所要求对比的图表。句法层面的验证只能检测出其中一部分错误；要检验语义正确性，则需要对照数据模式、分析意图以及计算出的结果进行比对。\n\n沉浸式分析探讨了虚拟现实、增强现实、空间交互和共享环境如何影响分析工作。三维散点图可将观测点分布在观察者周围，而配备追踪功能的控制器则允许通过指向或空间框选来进行数据选择。增强现实显示可以将测量数据与物理设备或现实地点对齐匹配。协同研究考察了团队如何分工、如何保持对他人所选内容的感知，以及如何协调公共显示界面与私人工作区。具身方法还包括数据实体化：即利用其几何结构或材质属性来对数据进行编码的物理对象。Yvonne Jansen及其同事于2015年提出的研究议程促成了这一术语的确立。有形实体布局允许用户进行动手操作和触觉检验，但更新实体数据、呈现精确数值以及提供平等的访问权限，仍是截然不同的设计难题。\n\n目前尚未解决的问题涉及分析责任如何在人与自动化系统之间分配。推荐机制在加速探索的同时，也可能将注意力窄化至易于生成的模式上。评估这种权衡取舍不仅需要统计图表数量或测量完成时间：相关研究必须区分纯粹的表象观测与有充分依据的发现，并评估这些发现是否能有效支持后续决策。构建值得信赖的自动化系统，还需要具有可检查的数据转换过程、可恢复的交互历史，以及对不确定解释的显式处理。跨领域迁移依然困难，因为相同的图形操作可能会依赖于不同的观测单元、抽样过程和行业惯例；在基准数据集上的成功，并不能证明其在新的机构工作流中同样切实可用。" } ], "links": [ "statistics", "computer-science", "causation", "accessibility", "art", "algorithm", "cluster-analysis", "standard-deviation", "correlation", "linear-regression", "map", "world-wide-web", "javascript", "latitude-and-longitude", "database", "graph-theory", "reproducibility", "time-series", "cognitive-bias", "density-estimation", "cumulative-distribution-function", "dimensionality-reduction", "principal-component-analysis", "directed-graph", "vector-field", "standard-error", "measurement-uncertainty", "confidence-interval", "credible-interval", "probability-distribution", "posterior-predictive-checking", "multiple-testing", "confounding", "journalism", "narrative", "geographic-information-system", "application-programming-interface", "web-browser", "graphics-processing-unit", "parallel-computing", "distributed-computing", "experiment", "experimental-design", "qualitative-research", "population-census", "data-privacy", "data-governance", "copyright", "remote-sensing", "education", "public-health-surveillance", "machine-learning", "training-data", "explainable-artificial-intelligence", "generative-artificial-intelligence", "virtual-reality" ], "sources": [], "license": "https://creativecommons.org/licenses/by/4.0/" }