Bei JSM 2019, Ich nehme an einer Sitzung zum Thema teil Dynamische interaktive Datenvisualisierung . Als ich zum ersten Mal vom Sitzungsleiter Blanton Godfrey eingeladen wurde, einen Vortrag beizutragen, war mein erster Gedanke: „Klar, JMP verfügt über viele dynamische und interaktive Datenvisualisierungen.“ Doch schnell folgte ein zweiter Gedanke: „Was bedeutet das wirklich?“ Heutzutage ist alles interaktiv.“
Das brachte mich dazu, zu versuchen, verschiedene Methoden der Interaktivität zu kategorisieren. Das hohe Ziel besteht darin, eine Klassifizierung der Interaktivität der Datenvisualisierung zu definieren, die beim Vergleich von Produkten oder bei der Diskussion einzelner Implementierungen nützlich wäre. In diesem ersten Versuch habe ich neun Techniken klassifiziert, zusammen mit Beispielvideos der darin enthaltenen Interaktionen JMP .
- Diagrammerstellung
- Auswahlverknüpfung
- Zeilenfilterung
- Hover-Details
- Modelltuning
- Ästhetische Kartierung
- Spaltenumschaltung
- Volumen-Slicing
- Achsenskalierung
Ich verwende in meinen Beispielvideos den gleichen Datensatz. Es enthält mehr als 60 Spalten mit demografischen, wirtschaftlichen und Wahldaten für mehr als 3.000 US-Bezirke. Nun zu den Methoden!
Diagrammerstellung
Unter interaktiver Diagrammerstellung versteht man die Erstellung oder Umstrukturierung eines Diagramms mit sofortiger Aktualisierung der Ansicht. In JMP finden die Interaktionen direkt an der Oberfläche statt. Andere Implementierungen können weiterhin interaktiv sein, mit Drop-Zones seitlich vom Diagramm.
Das Video beleuchtet einige Herausforderungen. Als die zweite Y-Variable „Rep Pct“ hinzugefügt wurde, gab es mehr Y-Drop-Zones als zuvor, sodass wir angeben konnten, wo sie in Bezug auf die vorhandene Y-Variable platziert werden sollte. Und die Drop-Zonen „Farbe“ und „Größe“ sind insofern künstlich, als sie nicht die gleiche natürliche Position haben wie die Variablen der X- und Y-Achse.
Dieses Enddiagramm ähnelt einem in a Artikel der New York Times mit dem Titel „Die konservativsten Landkreise sind diejenigen, die die meiste staatliche Unterstützung erhalten.“ Es gab welche Diskussion auf Twitter über die Regressionslinie und andere Funktionen. Das veranlasste mich, die Daten selbst zu sammeln und zu untersuchen ( Büro für Wirtschaftsanalyse Und Tony McGoverns Wahlergebnisse ). Als mir klar wurde, wie viele Interaktivitätsmethoden ich im Verlauf meiner Erkundung ausprobierte, dachte ich, dass dies ein geeigneter Demonstrationsdatensatz wäre.
Auswahlverknüpfung
Wenn mehrere Ansichten dieselbe Datentabelle verwenden, bedeutet die Auswahlverknüpfung, dass Elemente, die in einer Ansicht hervorgehoben sind, auch in den anderen Ansichten entsprechend hervorgehoben werden. In JMP ist die Auswahlverknüpfung ständig aktiviert, was bedeutet, dass sie auch bei Millionen von Zeilen schnell sein muss. Um dies zu erreichen, ist die Auswahl ein zentraler Bestandteil jeder Datentabelle.
Die größte Herausforderung besteht darin, dass Diagrammelemente keine Eins-zu-eins-Entsprechung zueinander haben, wie etwa die Punkte auf Kreisebene und die Formen auf Landesebene im Beispiel. Die klare Darstellung einer Teilauswahl für jeden Diagrammtyp ist eine offene Herausforderung. Auf der Karte hebt JMP die Form eines gesamten Bundesstaats hervor, wenn einer seiner Landkreise an anderer Stelle ausgewählt wird. Bei Diagrammelementen, deren Größe sich nach der Anzahl richtet, wie z. B. Histogrammbalken, verwendet JMP eine teilweise Hervorhebung, um eine teilweise Auswahl widerzuspiegeln.
Zeilenfilterung
Zeilenfilterung ist eine der häufigsten Arten der Datenvisualisierungsinteraktion. Die Idee besteht darin, dass die Visualisierung nur eine Teilmenge der Zeilen der Datentabelle verwendet, basierend auf den Einschränkungen der Filter, die neben der Visualisierung angezeigt werden.
Es gibt eine Option namens „Skalen sperren“, die ich im Video verwendet habe, um die Achsen beim Filtern festzuhalten. Andernfalls würden sie für jede gefilterte Teilmenge angepasst.
Hover-Details
Eine passive Art der Interaktion besteht darin, den Mauszeiger über ein grafisches Element zu bewegen und ein schwebendes Fenster mit weiteren Details anzuzeigen. Manchmal werden diese „Tooltips“ genannt, da sie ursprünglich für Symbolleistensymbole verwendet wurden. In einer Datenvisualisierung ist die Hover-Detaillierung eine Möglichkeit, sowohl genauere Werte für die Diagrammvariablen als auch zusätzliche zugehörige Variablen anzuzeigen.
Beachten Sie, dass im Beispiel der Name des Landkreises in den Hover-Details für das Streudiagramm enthalten war, obwohl diese Variable nicht im Diagramm enthalten ist. Das liegt daran, dass die Variable in der Datentabelle mit einem Attribut markiert ist, das bewirkt, dass sie standardmäßig in allen Hover-Details angezeigt wird.
Modelltuning
Modelloptimierung bedeutet, dass sich die visuelle Darstellung ändert, wenn ein Modellparameter geändert wird. Im Beispiel handelt es sich bei dem Modell um einen Spline-Glätter und der Modellparameter ist der Steifigkeitsparameter Lambda.
Obwohl viele Modelle für eine solche interaktive Abstimmung zu langsam sind, sind Computer schnell genug, um mehr zu leisten, als uns oft bewusst ist. Dieses schlicht aussehende Modell hat einiges zu bieten. Es gibt vier separate Glättungsfunktionen, und jeder hat ein 250-faches Bootstrap-Konfidenzintervall, sodass jedes Mal, wenn sich der Steifigkeitsparameter ändert, 1.000 Spline-Modelle angepasst werden.
Ästhetische Kartierung
Die Zuordnung ästhetischer Attribute zu Diagrammelementen ist eine einfache, aber wichtige Interaktion. Bei Ästhetiken wie Farben und Linienstilen muss man oft erst sehen, wie gut sie funktionieren.
Einfache Attribute können per Rechtsklick geändert werden, komplexere Attribute wie die Verlaufsfarbzuordnung erfordern einen Einstellungsdialog und haben somit einen Grad an Interaktivität weniger.
Spaltenumschaltung
Beim Spaltenwechsel ersetzen Sie eine oder mehrere Datenspalten durch eine andere Spalte aus einem Satz. Hier wird die Y-Variable eine nach der anderen durch die Spalten im linken Bereich ersetzt.
Das Wechseln der Spalten kann eine gute Möglichkeit sein, einen neuen Datensatz schnell durchzugehen.
Volumen-Slicing
Volume Slicing ist eine Möglichkeit, einen mehrdimensionalen Datenraum durch die grafische Darstellung einer Reihe zweidimensionaler Slices zu erkunden. Der Profiler in JMP verwendet Slicing, um mehrdimensionale Modelle zu untersuchen. In diesem Beispiel modellieren wir Rep Pct auf dem Y anhand der drei Faktoren „Persönliches Einkommen“, „Persönlicher Transfer“ und „Wählerquote“, was zu einer vierdimensionalen Oberfläche führt. Jeder Frame zeigt einen Schnitt über ein X, während die anderen X fixiert bleiben.
Persönlicher Transfer scheint nur geringe Auswirkungen zu haben (zumindest in diesem Abschnitt handelt es sich größtenteils um eine flache Linie), aber wenn wir mit ihm interagieren und seinen festen Wert ändern, der von den anderen Frames verwendet wird, sehen wir eine Interaktion mit persönlichem Einkommen. Das persönliche Einkommen hat eine lockere positive Steigung für hohe persönliche Transferwerte und eine starke negative Steigung für niedrige persönliche Transferwerte.
Achsenskalierung
Eine Skala definiert, wie Datenwerte auf Bildschirmkoordinaten abgebildet werden, und wird selbst als Achse visualisiert. Die Achsenskalierungsinteraktion ist die Möglichkeit, diese Zuordnung durch direkte Manipulation der Achse zu ändern. Zu den Interaktionen gehören Schwenken, Strecken und Zoomen.
Bei der Achsenskalierung geht es nicht immer nur darum, Elemente an verschiedenen Stellen neu zu zeichnen. Beachten Sie, dass das Punktdiagramm auf der rechten Seite sein Markierungsausweichlayout für die neuen Maßstäbe anpassen muss und die Achsen selbst manchmal Dinge wie Teilstrichintervalle neu berechnen müssen. Bei Fall- oder geografischen Visualisierungen ist es sogar sinnvoll, die Projektionen je nach Maßstab zu wechseln.
Für JMP verwendet die regionale Skala eine Albers Flächengleiche Projektion, und die Weltskala verwendet a Kavrayskiy VII Kompromissprojektion.
Mehr Interaktionen?
Angesichts dieser neun Interaktionsmethoden zur Datenvisualisierung können wir weitere Fragen besser berücksichtigen:
- Welche anderen allgemeinen Interaktionsmethoden sind bei der Datenvisualisierung nützlich? Ich spreche von „allgemeinen“ Methoden, da ich mir vorstellen kann, dass die Anzahl der Spezialinteraktionen, die auf eine bestimmte Art von Diagramm ausgerichtet sind, unbegrenzt ist. JMP verfügt beispielsweise über eine Möglichkeit, die Bin-Größen von Histogrammen interaktiv zu ändern, die ich hier nicht als allgemeine Methode aufgeführt habe.
- Sollten einige dieser Methoden in mehrere Methoden aufgeteilt werden? Möglicherweise unterscheidet sich das Volume-Slicing bei der Datenexploration von der Modellexploration. Ich denke über die interaktive Größenänderung von Diagrammen als eine Art Achsenskalierung nach, aber vielleicht lohnt es sich, eine eigene Kategorie zu haben.
- Sollten einige dieser Methoden als Varianten derselben Methode kombiniert werden? Möglicherweise sind Zeilenfilterung und Spaltenwechsel zwei Varianten einer größeren Teilmengeninteraktion.
- Gibt es bessere Namen für diese Methoden, entweder bereits vorhandene oder neue? Einige dieser Namen stammen aus der JMP-Terminologie, andere sind meine eigene Erfindung für diese Diskussion.
- Sollten unterschiedliche Ebenen der einzelnen Methoden anerkannt werden? Sollten wir beispielsweise zwischen der Diagrammerstellung mit oder ohne Live-Vorschau unterscheiden?
Ich hoffe, Feedback zu diesen und anderen Fragen zu hören, entweder hier, bei JSM oder auf Twitter.
