UpSet 图是一种数据可视化方法,用于比较多个集合之间交集的大小与组成。它用点阵表示元素对各集合的归属组合,并为每种组合配上对齐的条形,以展示其大小。UpSet 图是作为重叠区域图的替代方案而开发的,尤其适用于集合数量较多、导致文氏图难以辨读的情况。常规的 UpSet 图着重展示精确的归属组合,例如,区分仅属于两个指定集合的元素与除这两个集合外还属于其他集合的元素。
视觉结构
典型的 UpSet 图由三个相互配合的部分组成:
- **归属矩阵:**每一行代表一个集合,每一列代表一种归属组合。实心点或深色点表示该组合包含的集合;浅色点或空白位置表示该组合不包含的集合。
- **交集大小条形:**与矩阵各列对齐的条形表示相应组合中的元素数量。在常见的布局中,这些条形位于矩阵上方。
- **集合大小条形:**另设一个条形图,通常位于矩阵旁边,展示每个集合的元素总数。
同一列中的实心点通常用线连接,以便读者辨认组合。这些连线不表示路径、层级,也不表示单个元素之间的关系。
图形也可以旋转布局,让列表示集合、行表示组合。其关键特征在于归属模式与定量条形之间的对齐关系,而不在于某一种特定的方向。
与通过重叠面积编码数量的图形不同,UpSet 图使用共同尺度下的条形长度表示数量。这样既便于比较交集大小的差异,又将归属关系的表示与数量的表示分开。
数学基础
设 是有限全集 中的集合。元素 的归属情况可用一个二元向量描述:
其中,示性函数 在 时等于 1,否则等于 0。
对于指标集 ,定义精确归属组:
该组包含的元素属于每一个选定的集合,且不属于任何未选定的集合。相应的条形通常表示其基数,即 。
非空的精确归属组构成所展示集合之并集的一个集合划分。因此,
将所有包含某个集合的精确归属组的大小相加,即可求得该集合的总大小:
这就解释了为什么集合大小条形通常不同于仅属于该集合的元素所对应的条形。
精确交集与包含式交集
包含式交集,例如 ,包含的元素也可能属于其他集合。精确交集则排除了属于任何未指定集合的元素。
对于三个集合 、 和 ,
右侧的两组互不相交。因此,
在常规的精确交集图中,标记了 和 、但未标记 的列表示 ,而不是整个包含式交集 。
一些实现支持包含式交集、并集或其他查询。其计数所对应的组不一定构成互不相交的划分,因此必须在图中标签或随附说明中明确其含义。
示例解读
假设三个集合的精确归属计数如下:
| 归属组合 | 元素数量 |
|---|---|
| 仅属于 | 12 |
| 仅属于 | 9 |
| 仅属于 | 7 |
| 属于 和 ,但不属于 | 5 |
| 属于 和 ,但不属于 | 3 |
| 属于 和 ,但不属于 | 4 |
| 属于 、 和 | 2 |
如果展示所有这些组合,UpSet 图将有七列。其中, 和 的位置为实心点、 的位置未填充的那一列,对应的条形高度为 5。标记全部三个集合的那一列,对应的条形高度为 2。
集合大小条形将显示:
并集包含 42 个不同的元素,而包含式交集 包含 个元素。若直接将三个集合的大小相加,共有元素就会被重复计数。
排序、筛选与属性
UpSet 图通常按以下方式排列组合:
- **大小:**各组中的元素数量。
- **度数:**一种组合所包含的集合数量。
- **归属模式:**将相关组合排列在一起。
这里的度数指参与组合的集合数量,并不衡量关联的强度或显著性。
对于 个集合,可能的二元归属模式共有 种,其中包括不属于任何集合的情况。因此,在这些集合的并集内,最多会出现 种组合。这一关系源于集合指标集的幂集大小。许多组合可能为空,但可能的组合数量仍会呈指数增长。
因此,各种实现往往会省略大小为零的组、仅展示最大的交集,或限制允许的度数。筛选让图形更易于阅读,但也会改变读者能够从中作出的推断:被省略的列可能代表隐藏的组,而不一定是空组。
扩展形式的图形可以将交集与元素属性关联起来,例如测量值、类别或日期。联动面板可以展示选定交集内的属性分布,高亮显示则可以标出满足查询条件的元素。这些功能使图表的用途从比较数量扩展到探索重叠群组的特征。
历史与实现
UpSet 最早由 Alexander Lex、Nils Gehlenborg、Hendrik Strobelt、Romain Vuillemot 和 Hanspeter Pfister 在 2014 年的论文《UpSet:相交集合的可视化》(UpSet: Visualization of Intersecting Sets)中提出。原始工作提出了一种交互式可视分析方法,将集合交集、归属模式、元素属性和查询结合起来。
如今,UpSet 这一名称也用于指采用其核心矩阵与条形设计的静态图表。相关实现包括 R 包 UpSetR 和 ComplexUpset,以及 Python 包 UpSetPlot。这些实现的筛选选项、查询功能、布局以及所支持的交集语义各不相同。
应用与局限
UpSet 图用于比较相互重叠的列表、类别和筛选结果。应用场景包括比较不同实验得到的基因列表、考察不同分析方法共同检出的对象,以及展示多选问卷中的作答组合。
其有效性取决于如何定义归属关系。例如,通过设定阈值将连续测量值转化为集合,可能会大幅改变观察到的重叠情况。图中展示的是由此得到的归属结构,而不是这些阈值背后的不确定性或设定依据。
主要局限包括:
- **组合数量增长:**集合较多时,可能产生过多非空组合,导致图形难以阅读。
- **缺失个体细节:**计数条形无法指出组内具体有哪些元素,除非标签、表格或交互式视图提供这些信息。
- **依赖集合选择:**精确交集是相对于图中展示的集合定义的。添加另一个集合,可能会将现有的一组拆分为更小的组。
- **依赖全集定义:**不属于任何集合的元素通常会被省略。要确定这些元素的数量,必须先定义全集 。
- **统计解释有限:**重叠较大本身并不能证明统计显著性、相似性或统计依赖性。较大的集合可能仅仅因为元素较多,就产生大量重叠。
当只有两个或三个集合时,文氏图可能更直观地传达归属关系。如果准确比较众多交集的数量比用空间区域描绘重叠关系更重要,UpSet 图就尤其有用。