多元数据的可视化一直是研究和应用的热点。常用的方法包括散点图平行坐标系。在实际中,两者有广泛的应用,和不同的演变甚至结合。Jarry H.T. Claessen和Jarke J.van Wijk在今年的Infovis会议上,发表了名为“Flexible Linked Axes for Multivariate Data Visualization”的论文。文章介绍了他们新开发的FLINAView系统:针对多元数据,该系统可以让用户方便的定义不同的可视化,并且进行交互操作(比如鼠标选择)和数据统计(比如直方图)。系统基于一个很简洁的想法:让用户自己画数据轴,然后选择可视化成散点图还是平行坐标系,如下图所示。

基于上述的基本功能,系统将重点放在数据轴的操作上,提供了一系列功能,允许用户用鼠标直观的添加删除数据轴,改变位置,长度,角度,选择数据范围,等等。这种类似画图板的功能,就允许用户创建出更复杂的可视化,比如下面这些类型。

文章以著名的汽车数据为例,显示了用户使用该系统制作的可视化。比如,下面这张可视化里结合了散点图和平行坐标系。左边的图中,美国的车表示为黄色,欧洲为蓝色,日本为红色。我们很容易看出不同属性间的一些关系,比如从origin-weight-mpg的平行坐标来看,美国车比较重,油耗高;从horsepower-weight的散点图来看,日本车相对比较轻,马力小。中间的图,只选择了加速比较快和mpg高的车(一般消费者最喜欢的车),可以看出这些车重量(weight)都比较轻,而且基本上都是近年生产(year靠后)。右边的图显示了直方图,文章好像没有介绍两者颜色代表的属性,但是从图中,我们还是很容易看出,加速比较快和mpg高的车所对应的直方图组合,文章解释到日本提供了更多的性能好,价格便宜的车。

下面是该系统演示(或者这里)。文章中还提到了其他有趣的例子,同学们如果想了解细节的话,可以找原文读一下。

 

[ Javascript required to view QuickTime movie, please turn it on and refresh this page ]

 

© 2011, 视物 | 致知. All rights reserved.

Related Posts:

  1. 说实话,这个可视化轻易的是不会让人明白的,失去了简单易记的这个最基本的功能

    • 汽车这个例子还是挺通俗易懂的,但是中间那些例子就有点太绣花枕头了
      我感觉这个FLinA的好处就是可以完全让用户自定义一张图,但是劣势也在这里,一般用户可能拼不出这么好的可视化结果,使用这个工具的话还需要比较多的前期训练
      再做出一套带suggestion性质的设计流程导航,就是偏VAST的研究了