图形生成器联合管理计划可以生成数十种类型的图表，但它总是以某种形式的点图开始。 这个想法是以最基本的表示形式显示数据，每行一个点。 除了具有两个连续变量的常见散点图形式之外，点图还适用于许多情况：连续变量和分类变量的任意组合、单变量数据、多元数据以及中小型数据集。
然而，在一种情况下，点图总是被条形图取代，即使以模糊或扭曲数据为代价：当存在一个连续变量时，一个分类变量每个组合有一个数据值。 在看到另一个截断的条形图后，我想知道为什么在 Twitter 上发现了来自数据可视化教育家和顾问 Nick Desbarats 的类似想法。实用报告。 我们决定合作撰写这篇文章，在下一节中，尼克根据他的教学经验来阐述这个问题。
什么情节？
我 [Nick] 在教授 Stephen Few 时介绍的图表类型之一显示数字课程是克利夫兰点图（以数据可视化先驱研究员 William S. Cleveland 的名字命名）：
不过，如果您像我的研讨会的大多数参与者一样，您将认不出这种图表类型。 当我询问参与者是否以前见过这种情况时，通常有 0% 到 10% 的人举手。 在少数几只手抬起之后，更多的眉毛总是会向下。 参与者脸上的主要情绪是显而易见的：困惑。
如果您也感到困惑，让我解释一下：上面的图表本质上是一个带有七个条形的水平条形图，但每个条形的末尾用一个点表示，并且条形被删除。 为什么我要使用点而不是条？ 因为，如果我使用条形图，我的图表将如下所示：
像这样的条形图可能会产生误导，因为它看起来像是巴西的记录大约是印度尼西亚的两倍，因为它的条形图大约是印度尼西亚的两倍长。 然而，查看条形下方的价值范围告诉我们，这甚至不接近真实情况。 这种感知问题就是为什么具有不包含零的定量刻度的条形图是最佳实践禁忌。解决这个问题的一种方法是从零开始：
这在感觉上更安全，但是对于这些特定的数据，很难看出这些值之间的差异，因为它们彼此非常接近。 但是，如果我们比较跳远记录，微小的差异非常重要，因此该图并不是可视化该数据的非常有效的方法。 我们如何才能以一种既能清楚地看到这些价值观之间的差异，又能避免人们在视觉上误解它们的风险来可视化这些价值观？ 克利夫兰点图：
由于点图中没有可比较的条形长度，因此观众错误地认为巴西的记录是印度尼西亚的两倍的风险要低得多，但他们也可以更清楚地看到值之间的微小差异而且很容易。 就像我说的，有用。
是的，我的研讨会参与者所经历的困惑是短暂的。 经过 30 秒的解释后，人们的眉毛又抬起来，房间里响起了一声轻柔的“哦……”。 是的，即使没有我的解释，大多数参与者最终都会弄清楚，尽管我想知道有多少人愿意在没有帮助的情况下完成这一旅程。 参与者经常（羞涩地）告诉我，尽管他们现在了解点图的工作原理以及它们的有用性，但他们不会使用它们，因为他们的观众不会费心去弄清楚它们。
造成混乱的潜在原因
对于我们这些熟悉点图的人来说，这似乎很奇怪。 为什么这么多人在掌握点图方面遇到困难，而这些人却可以毫无问题地掌握条形图和折线图，以及其他可能不太直观的图表类型（例如散点图）？ 在观察了成千上万的人第一次看到点图的反应后，现在看来有以下因素的结合：
- 看起来像散点图：许多人最初似乎认为他们正在寻找一个散点图，可能是因为他们见过的几乎所有其他以二维空间中排列的点为特征的图表都是散点图。 然后他们会感到困惑，因为两个轴都不是定量的，因此他们必须意识到他们的散点图假设是错误的，然后才能开始理解他们所看到的内容。 如果他们没有意识到他们的散点图假设是错误的，他们就会得出结论，该图表是一个拙劣的散点图，并且图表设计者不知道他们在做什么。
- 看起来应该是一个条形图：如果观看者正确掌握了点图的工作原理，他们可能会怀疑自己的理解，因为他们不明白为什么图表创建者使用点而不是条形。 他们可能会质疑自己的“这就像条形图”的解释，即使它是正确的，并且想知道他们错过了什么，即使他们没有遗漏任何东西。
- “测量方向”并不明显：目前尚不清楚，在上面的示例图表中，只有每个点的水平位置代表定量值，而其垂直位置则不代表定量值。 这可能与点的圆形形状有关，它没有给出任何关于其“测量方向”是水平、垂直还是两者的视觉线索。
- 指导方针违反预期：我们怀疑上例中的细水平引导线可能会导致观众最初感到困惑。 虽然这些线条可以更轻松且不易出错地将每个点与其相应的类别名称相关联，但尼克研讨会参与者的评论和问题表明，这些线条也可能向那些遇到点图的人传达其他意想不到的视觉信息。第一次：
- 在参与者之前可能见过的几乎所有其他图表中，细水平线的存在意味着垂直的每个标记（点、条等）的位置编码其数量值，即图表上较高或较低的标记代表较大或较小的数量。 不过，上面的点图示例违反了该期望，因为它包含水平线，但它是水平的每个点的位置指示其数量值，而不是其垂直位置，正如线条可能向许多人暗示的那样。
- 有些人最初似乎认为这些线“走错了路”，因为在他们看来，这些线总是与图表中的定量尺度相关，而不是与分类尺度相关。 看到与分类尺度相关的线条似乎会让一些人感到困惑，可能是因为他们无法理解图表，直到他们意识到他们对网格线工作原理的理解是错误的，或者至少是太狭窄了。
- 看起来像时间序列点图：当第一次遇到垂直点图时，有些人似乎最初认为他们正在查看时间序列点图，但当他们看到水平轴不是时间时会感到困惑。 然后，他们必须意识到他们的时间序列点图假设是错误的，然后才能理解他们所看到的内容。
有什么办法吗？
请注意，这些问题都不是由上图是点图这一事实引起的，而是由个体引起的设计元素这种特定点图设计的（点形状、网格线的存在/方向等），这是点图的传统设计。 那么，通过改变设计元素，我们是否能够使点图对于那些第一次遇到它们的人来说“更友好”呢？ 甚至，可能，足够友好以至于他们根本不需要解释？ 我的最近关于点图替代方案的推文与尼克的想法相吻合，我们决定合作撰写这篇文章，努力设计一个更友好的点图。 那么，我们重新设计的主要目标是：
- 为了更明显地表明该图表不是散点图或时间序列点图，并且对于不懂点图的观众来说，这是一种新的图表类型，因此他们需要放慢速度并弄清楚如何有用。
- 使测量方向更加明显（水平点图为水平方向，垂直点图为垂直方向，而不是像散点图那样同时具有水平和垂直方向）。
- 更明显的是，该图表的工作原理与条形图类似。
那么，我们如何修改克利夫兰点图的设计元素来实现这些重新设计目标并使点图更加友好呢？ 首先广泛思考，我们可以想象以下变化：
- 替换类别指南看起来不太像定量网格线的东西。 也许是更粗但更细的线条、斑马线阴影，或者什么都不做。
- 替换圆点标记具有在视觉上暗示测量方向的形状（水平或垂直，但不能两者兼有）。 也许是烟斗标记（“|”）、褪色的条形末端或三角旗。
- 添加定量尺度指南。 也许网格线、阴影或更多填充的行为与大多数其他图表中的相同，即垂直于测量方向，并用于使用户能够更精确地直观地估计图表中标记的定量值。
探索替代方案
设计元素的可能组合会快速增加（或者，我们应该说，快速“相乘”），并且上述选项尚不包括图表大小、方向和边框等非数据变量，这些变量也会影响理解。 下面的画廊仅展示了我们广泛的选项中的一些组合。 数据来自维基百科的列表全国跳远纪录。 为了控制类别数量并仍然提供合理的值分布，我们仅显示人口最多的国家。 结果，跳远记录优秀的小国并没有出现。
当类别数量较多时，在视觉上将标记与其相应的类别标签关联起来就变得更加困难，因此最适合类别数量较少的图表的设计选择可能与类别数量较多的图表的设计选择不同。 下面的画廊展示了一些具有大量类别的设计元素组合：
就好像我们还没有足够的设计选择组合来考虑一样，还需要考虑方向（水平或垂直）：
由于我们无法展示所有可能的设计元素组合，并且我们希望鼓励实验，因此我们制作了一个很酷的交互式可观察的笔记本任何人都可以尝试设计元素的不同组合。 在该页面上，您可以使用控制面板（请参见下面的屏幕截图）立即查看示例图表中不同的设计组合的外观，每次更改设计元素时都会重新生成该示例图表。
有希望的重新设计
在我们自己尝试了各种组合并牢记我们的重新设计目标之后，我们假设下面的组合对于不懂点图的用户来说效果最好，或者至少比传统设计表现得更好。
对于少于八个类别的数据集：
我们青睐这些设计有几个原因：
- 管道和褪色条标记形状支持我们的几个重新设计目标：
- 它们使图表不是散点图或时间序列点图变得更加明显，因为这些标记形状对于这些图表类型来说是非常规的选择。 对于以前从未见过点图的用户来说，这些标记可能对他们来说很陌生，这表明他们需要学习一种新的图表类型。
- 它们使测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，这一点更加明显。 褪色的条形标记使得更明显的是，更靠右侧的标记代表更大的绝对量（与更小的绝对量相反，如果值全部为负，则可能是这种情况）。
- 它们直观地暗示了条形的末端，这表明了解释图表的正确方法。 “褪色条”标记使这一点更加明显。
- 没有可能被误认为定量网格线的类别指南。 如果用户需要以非常高的精度直观地估计值，则可以添加定量网格线而不会引入任何混乱（事实上，定量网格线甚至可能有助于初步理解，因为它们会进一步在视觉上强化测量方向）。
- 这些设计保留了克利夫兰点图的一个关键优点，因为这些值仍然表示为具有不同二维位置的标记，而不是不同长度的标记（如条形图中），这降低了当定量比例不正确时用户错误比较数量的风险。不包括零。 如果我们使用“条”形状或“针”类别指南，我们就会失去这个好处。
如果要可视化的数据具有超过大约八个类别，则将标记与其类别标签相关联会变得更加费力且容易出错，因此某种形式的类别指南变得必要。 在我们看来，厚而轻的类别指南最适合处理管道标记，而细分隔线最适合处理褪色的条标记：
然而，我们还没有针对传统设计在不懂点图的用户身上测试这些设计，因此目前这些只是假设。 不过，出于上述原因，我们怀疑它们的性能比传统的点图设计更好。 请在评论中告诉我们您的想法，或者您是否认为其他设计元素组合可能会产生更友好的点图。
这很棒， @XanGregg 。 正如我所期望的，这是一部非常深思熟虑的作品。 可观察笔记本对于人们进行实验来说是一种非常有用的机制。 FWIW，我认为点和针对于少量和大量类别都非常有效。
