圖形產生器聯合管理計劃可以產生數十種類型的圖表，但它總是以某種形式的點圖開始。 這個想法是以最基本的表示形式顯示數據，每行一個點。 除了具有兩個連續變數的常見散點圖形式之外，點圖也適用於許多情況：連續變數和分類變數的任意組合、單變數資料、多元資料以及中小型資料集。
然而，在一種情況下，點圖總是被條形圖取代，即使以模糊或扭曲資料為代價：當存在一個連續變數時，一個分類變數每個組合都有一個資料值。 在看到另一個截斷的條形圖後，我想知道為什麼在 Twitter 上發現了來自數據視覺化教育家和顧問 Nick Desbarats 的類似想法。實用報告。 我們決定合作撰寫這篇文章，在下一節中，尼克根據他的教學經驗來闡述這個問題。
什麼情節？
我 [Nick] 在教授 Stephen Few 時介紹的圖表類型之一顯示數字課程是克里夫蘭點圖（以資料視覺化先驅研究員 William S. Cleveland 的名字命名）：
不過，如果您像我的研討會的大多數參與者一樣，您將認不出這種圖表類型。 當我詢問參與者是否以前見過這種情況時，通常有 0% 到 10% 的人舉手。 在少數幾隻手抬起之後，更多的眉毛總是會向下。 參與者臉上的主要情緒是顯而易見的：困惑。
如果您也感到困惑，讓我解釋一下：上面的圖表本質上是一個帶有七個條形的水平條形圖，但每個條形的末尾用一個點表示，並且條形被刪除。 為什麼我要用點而不是條？ 因為，如果我使用長條圖，我的圖表將如下所示：
像這樣的長條圖可能會產生誤導，因為它看起來像是巴西的記錄大約是印尼的兩倍，因為它的長條圖大約是印尼的兩倍長。 然而，查看條形下方的價值範圍告訴我們，這甚至不接近真實情況。 這種感知問題就是為什麼具有不包含零的定量刻度的長條圖是最佳實踐禁忌。解決這個問題的一種方法是從零開始：
這在感覺上更安全，但是對於這些特定的數據，很難看出這些值之間的差異，因為它們彼此非常接近。 但是，如果我們比較跳遠記錄，微小的差異非常重要，因此該圖並不是可視化該數據的非常有效的方法。 我們如何以一種既能清楚地看到這些價值觀之間的差異，又能避免人們在視覺上誤解它們的風險來視覺化這些價值觀？ 克利夫蘭點圖：
由於點圖中沒有可比較的條形長度，因此觀眾錯誤地認為巴西的記錄是印度尼西亞的兩倍的風險要低得多，但他們也可以更清楚地看到值之間的微小差異而且很容易。 就像我說的，有用。
是的，我的研討會參與者所經歷的困惑是短暫的。 經過 30 秒的解釋後，人們的眉毛又抬起來，房間裡響起了一聲輕柔的「喔…」。 是的，即使沒有我的解釋，大多數參與者最終都會弄清楚，儘管我想知道有多少人願意在沒有幫助的情況下完成這趟旅程。 參與者經常（羞澀地）告訴我，儘管他們現在了解點圖的工作原理以及它們的有用性，但他們不會使用它們，因為他們的觀眾不會費心去弄清楚它們。
造成混亂的潛在原因
對於我們這些熟悉點圖的人來說，這似乎很奇怪。 為什麼這麼多人在掌握點圖方面遇到困難，而這些人卻可以毫無問題地掌握長條圖和折線圖，以及其他可能不太直觀的圖表類型（例如散點圖）？ 在觀察了成千上萬的人第一次看到點圖的反應後，現在看來有以下因素的結合：
- 看起來像散佈圖：許多人最初似乎認為他們正在尋找一個散點圖，可能是因為他們見過的幾乎所有其他以二維空間中排列的點為特徵的圖表都是散點圖。 然後他們會感到困惑，因為兩個軸都不是定量的，因此他們必須意識到他們的散點圖假設是錯誤的，然後才能開始理解他們所看到的內容。 如果他們沒有意識到他們的散點圖假設是錯誤的，他們就會得出結論，該圖表是一個拙劣的散點圖，而圖表設計者不知道他們在做什麼。
- 看起來應該是長條圖：如果觀看者正確掌握了點圖的工作原理，他們可能會懷疑自己的理解，因為他們不明白為什麼圖表創建者使用點而不是條形。 他們可能會質疑自己的「這就像條形圖」的解釋，即使它是正確的，並且想知道他們錯過了什麼，即使他們沒有遺漏任何東西。
- 「測量方向」並不明顯：目前尚不清楚，在上面的範例圖表中，只有每個點的水平位置代表定量值，而其垂直位置則不代表定量值。 這可能與點的圓形形狀有關，它沒有給出任何關於其「測量方向」是水平、垂直還是兩者的視覺線索。
- 指導方針違反預期：我們懷疑上例中的細水平引導線可能會導致觀眾最初感到困惑。 雖然這些線條可以更輕鬆且不易出錯地將每個點與其相應的類別名稱相關聯，但尼克研討會參與者的評論和問題表明，這些線條也可能向那些遇到點圖的人傳達其他意想不到的視覺訊息。第一次：
- 在參與者之前可能見過的幾乎所有其他圖表中，細水平線的存在意味著垂直的每個標記（點、條等）的位置編碼其數量值，即圖表上較高或較低的標記代表較大或較小的數量。 不過，上面的點圖範例違反了該期望，因為它包含水平線，但它是水平的每個點的位置指示其數量值，而不是其垂直位置，正如線條可能向許多人暗示的那樣。
- 有些人最初似乎認為這些線“走錯了路”，因為在他們看來，這些線總是與圖表中的定量尺度相關，而不是與分類尺度相關。 看到與分類尺度相關的線條似乎會讓一些人感到困惑，可能是因為他們無法理解圖表，直到他們意識到他們對網格線工作原理的理解是錯誤的，或者至少是太狹窄了。
- 看起來像時間序列點圖：當第一次遇到垂直點圖時，有些人似乎最初認為他們正在查看時間序列點圖，但當他們看到水平軸不是時間時會感到困惑。 然後，他們必須意識到他們的時間序列點圖假設是錯誤的，然後才能理解他們所看到的內容。
有什麼辦法嗎？
請注意，這些問題都不是由上圖是點圖這一事實引起的，而是由個體引起的設計元素這種特定點圖設計的（點形狀、網格線的存在/方向等），這是點圖的傳統設計。 那麼，透過改變設計元素，我們是否能夠使點圖對於第一次遇到它們的人來說「更友善」呢？ 甚至，可能，足夠友好以至於他們根本不需要解釋？ 我的最近關於點圖替代方案的推文與尼克的想法相吻合，我們決定合作撰寫這篇文章，努力設計一個更友善的點圖。 那麼，我們重新設計的主要目標是：
- 為了更明顯地表明該圖表不是散點圖或時間序列點圖，並且對於不懂點圖的觀眾來說，這是一種新的圖表類型，因此他們需要放慢速度並弄清楚如何有用。
- 使測量方向更加明顯（水平點圖為水平方向，垂直點圖為垂直方向，而不是像散佈圖那樣同時具有水平和垂直方向）。
- 更明顯的是，該圖表的工作原理與長條圖類似。
那麼，我們如何修改克里夫蘭點圖的設計元素來實現這些重新設計目標並使點圖更加友善呢？ 首先廣泛思考，我們可以想像以下變化：
- 替換類別指南看起來不太像定量網格線的東西。 也許是更粗但更細的線條、斑馬線陰影，或是什麼都不做。
- 替換圓點標記具有在視覺上暗示測量方向的形狀（水平或垂直，但不能兩者兼有）。 也許是煙鬥標記（“|”）、褪色的條狀末端或三角旗。
- 添加定量尺度指南。 也許網格線、陰影或更多填充的行為與大多數其他圖表中的相同，即垂直於測量方向，並用於使用戶能夠更精確地直觀地估計圖表中標記的定量值。
探索替代方案
設計元素的可能組合會快速增加（或者，我們應該說，快速「相乘」），而上述選項尚不包括圖表大小、方向和邊框等非數據變量，這些變量也會影響理解。 下面的圖庫僅展示了我們廣泛的選項中的一些組合。 數據來自維基百科的列表全國跳遠紀錄。 為了控制類別數量並仍然提供合理的值分佈，我們僅顯示人口最多的國家。 結果，跳遠記錄優秀的小國並沒有出現。
當類別數量較多時，在視覺上將標記與其相應的類別標籤關聯起來就變得更加困難，因此最適合類別數量較少的圖表的設計選擇可能與類別數量較多的圖表的設計選擇不同。 下面的畫廊展示了一些具有大量類別的設計元素組合：
就好像我們還沒有足夠的設計選擇組合來考慮一樣，還需要考慮方向（水平或垂直）：
由於我們無法展示所有可能的設計元素組合，並且我們希望鼓勵實驗，因此我們製作了一個很酷的互動式可觀察的筆記本任何人都可以嘗試設計元素的不同組合。 在該頁面上，您可以使用控制面板（請參閱下面的螢幕截圖）立即查看範例圖表中不同的設計組合的外觀，每次變更設計元素時都會重新產生該範例圖表。
有希望的重新設計
在我們自己嘗試了各種組合併牢記我們的重新設計目標之後，我們假設下面的組合對於不懂點圖的用戶來說效果最好，或者至少比傳統設計表現得更好。
對於少於八個類別的資料集：
我們青睞這些設計有幾個原因：
- 管道和褪色條標記形狀支持我們的幾個重新設計目標：
- 它們使圖表不是散點圖或時間序列點圖變得更加明顯，因為這些標記形狀對於這些圖表類型來說是非常規的選擇。 對於以前從未見過點圖的用戶來說，這些標記可能對他們來說很陌生，這表明他們需要學習一種新的圖表類型。
- 它們使測量方向完全是水平的，而不是垂直的，或者既是水平又是垂直的，這一點更加明顯。 褪色的條狀標記使得更明顯的是，更靠右側的標記代表更大的絕對量（與更小的絕對量相反，如果值全部為負，則可能是這種情況）。
- 它們直觀地暗示了條形的末端，這表明了解釋圖表的正確方法。 「褪色條」標記使這一點更加明顯。
- 沒有可能被誤認為定量網格線的類別指南。 如果使用者需要以非常高的精度直觀地估計值，則可以添加定量網格線而不會引入任何混亂（事實上，定量網格線甚至可能有助於初步理解，因為它們會進一步在視覺上強化測量方向）。
- 這些設計保留了克利夫蘭點圖的一個關鍵優點，因為這些值仍然表示為具有不同二維位置的標記，而不是不同長度的標記（如條形圖中），這降低了當定量比例不正確時用戶錯誤比較數量的風險。不包括零。 如果我們使用「條」形狀或「針」類別指南，我們就會失去這個好處。
如果要視覺化的資料具有超過大約八個類別，則將標記與其類別標籤相關聯會變得更加費力且容易出錯，因此某種形式的類別指南變得必要。 在我們看來，厚而輕的類別指南最適合處理管道標記，而細分隔線最適合處理褪色的條標記：
然而，我們還沒有針對傳統設計在不懂點圖的使用者身上測試這些設計，因此目前這些只是假設。 不過，基於上述原因，我們懷疑它們的性能比傳統的點圖設計更好。 請在評論中告訴我們您的想法，或者您是否認為其他設計元素組合可能會產生更友善的點圖。
這很棒， @XanGregg 。 正如我所期望的，這是一部非常深思熟慮的作品。 可觀察筆記本對於人們進行實驗來說是一種非常有用的機制。 FWIW，我認為點和針對於少量和大量類別都非常有效。
