でJSM2019、のセッションに参加しています動的インタラクティブなデータ視覚化。 セッション議長の Blanton Godfrey から講演に参加するように初めて招待されたとき、私の最初の考えは、「確かに、JMP には動的でインタラクティブなデータ視覚化がたくさんあるな」ということでした。しかし、すぐに次の考えが浮かびました。「それは実際にはどういう意味ですか？」 最近ではすべてがインタラクティブになっています。」
それが私を、インタラクティブ性のさまざまな方法を分類しようとする道に導きました。 高い目標は、製品を比較したり、個々の実装について議論したりする際に役立つ、データ視覚化の対話性の分類を定義できるようにすることです。 この最初の取り組みでは、9 つのテクニックを分類し、その中でのやり取りのサンプルビデオを紹介しました。 JMP 。
- グラフの構築
- 選択範囲のリンク
- 行フィルタリング
- ホバーディテール
- モデルのチューニング
- 美的マッピング
- カラム切り替え
- ボリュームスライス
- 軸のスケーリング
サンプルビデオ全体で同じデータセットを使用しています。 これには、米国の 3,000 以上の郡の人口統計、経済、選挙データの 60 以上の列が含まれています。 それではメソッドの説明に移ります！
グラフの構築
インタラクティブなグラフ構築とは、ビューを即座に更新してグラフを構築または再構築することを意味します。 JMP では、相互作用は直接表面上にあります。 他の実装でも、グラフの横にあるドロップ ゾーンを使用して対話型にすることができます。
このビデオでは、いくつかの課題を取り上げています。 2 番目の Y 変数「Rep Pct」が追加されたとき、以前よりも多くの Y ドロップ ゾーンがあったため、既存の Y 変数に対してそれを配置する場所を指定できました。 また、[カラー] ドロップ ゾーンと [サイズ] ドロップ ゾーンは、X 軸変数と Y 軸変数のような自然な位置を持たないという点で人工的です。
このエンディングチャートは、ニューヨークタイムズの記事タイトルは「最も保守的な郡は最も多くの政府援助を受けている郡である」。いくつかありましたTwitterでの議論回帰直線とその他の特徴について。 そのため、私は自分でデータを収集して調査することにしました (経済分析局とトニー・マクガヴァンの選挙結果）。 探索の過程でどれだけ多くの対話型メソッドを実行していたかに気付いたとき、これは適切なデモンストレーション データ セットになると思いました。
選択範囲のリンク
同じデータ テーブルを使用する複数のビューがある場合、選択リンクとは、1 つのビューで強調表示されている要素が、他のビューでも強調表示されている対応する要素を持つことを意味します。 JMP では、選択リンクは常にオンになっているため、数百万行であっても高速である必要があります。 これを実現するために、選択はすべてのデータ テーブルの中核部分として組み込まれます。
最大の課題は、例の郡レベルのドットや州レベルの形状など、グラフ要素が相互に 1 対 1 対応していない場合です。 どの種類のグラフでも、部分的な選択を明確な方法で表示することは、未解決の課題です。 地図の場合、JMP は、郡のいずれかが他の場所で選択されると、州の形状全体を強調表示します。 ヒストグラムバーなど、カウントによってサイズが調整されるグラフ要素の場合、JMP は部分的な選択を反映するために部分的な強調表示を使用します。
行フィルタリング
行フィルタリングは、データ視覚化インタラクションの最も一般的なタイプの 1 つです。 この考え方は、ビジュアルの隣に表示されるフィルターの制約に基づいて、ビジュアルがデータ テーブルの行のサブセットのみを使用するというものです。
フィルタリング中に軸を固定しておくためにビデオで使用した「スケールのロック」と呼ばれるオプションがあります。 それ以外の場合は、フィルタリングされたサブセットごとに調整されます。
ホバーディテール
受動的な種類のインタラクションは、グラフィック要素の上にマウスを移動すると、フローティング ウィンドウが表示され、詳細が表示されます。 これらは元々ツールバーのアイコンに使用されていたため、「ツールチップ」と呼ばれることもあります。 データ視覚化では、ホバー詳細表示は、グラフ化された変数のより正確な値と追加の関連変数の両方を表示する方法です。
この例では、変数がグラフに含まれていないにもかかわらず、散布図のホバー詳細に郡名が含まれていることに注目してください。 これは、データ テーブル内の変数が、デフォルトですべてのホバー詳細に表示される属性でマークされているためです。
モデルのチューニング
モデルのチューニングとは、モデルのパラメーターが変更されると視覚的表現が変化することを意味します。 この例では、モデルはスプライン スムーザーであり、モデル パラメーターは剛性パラメーター ラムダです。
多くのモデルはこのような対話型チューニングには遅すぎますが、コンピューターは私たちが思っているよりも十分に高速です。 このシンプルに見えるモデルには多くの機能が備わっています。 4 つの個別のスムーザーがあり、それぞれに 250 倍のブートストラップ信頼区間があるため、剛性パラメーターが変化するたびに 1,000 のスプライン モデルが適合されます。
美的マッピング
美的属性をグラフ要素にマッピングすることは、単純ですが重要な操作です。 色や線のスタイルなどの美学に関しては、それがどのように機能するかを知るために実際に見る必要があることがよくあります。
単純な属性は右クリックで変更できますが、グラデーション カラー マッピングなどのより複雑な属性には設定ダイアログが必要なため、対話性が 1 つ低くなります。
カラム切り替え
列の切り替えでは、1 つ以上のデータ列をセット内の別の列に置き換えます。 ここでは、Y 変数が左側のパネルの列に 1 つずつ置き換えられます。
列の切り替えは、新しいデータ セットをすばやく確認するのに適した方法です。
ボリュームスライス
ボリューム スライスは、一連の 2 次元スライスをグラフ化することにより、多次元データ空間を探索する方法です。 のプロファイラーJMP では、スライスを使用して多次元モデルを探索します。 この例では、個人所得、個人移転、投票率の 3 つの要素に対して Y 上の代表者割合をモデル化しており、結果として 4 次元曲面が得られます。 各フレームには 1 つの X にわたるスライスが表示されますが、他の X は固定されています。
Personal Transfer はほとんど効果がないようですが (少なくともこのスライスではほとんど平らな線です)、これを操作して他のフレームで使用される固定値を変更すると、Personal Income との相互作用が見られます。 個人所得は、個人移転額が高い場合は緩やかな正の傾きを持ち、個人移転額が低い場合は強い負の傾きを持ちます。
軸のスケーリング
スケールは、データ値を画面座標にマッピングする方法を定義し、それ自体が軸として視覚化されます。 軸のスケーリング相互作用は、軸を直接操作してマッピングを変更する機能です。 インタラクションには、パン、ストレッチ、ズームが含まれます。
軸のスケーリングは、必ずしも要素を別の場所に再描画するだけの問題ではありません。 右側のドット プロットでは、新しいスケールに合わせてマーカーの覆い焼きレイアウトを調整する必要があり、軸自体も目盛り間隔などを再計算する必要がある場合があることに注意してください。 地理的なビジュアライゼーションの場合、縮尺に応じて投影法を切り替えるとさらに便利です。
JMP の場合、地域スケールはアルバース等積図法であり、世界スケールはカヴライスキー 7 世妥協投影。
さらなるインタラクション?
これら 9 つのデータ視覚化インタラクション方法を考慮すると、さらに次の質問をより適切に検討できます。
- データ視覚化に役立つ他の一般的な対話方法は何ですか? 私が「一般的な」方法と言っているのは、特定の種類のグラフに向けた特殊な対話の数に制限はないと考えられるからです。 たとえば、JMP にはヒストグラムのビン サイズを対話的に変更する方法がありますが、一般的な方法としてここには含めませんでした。
- これらのメソッドの一部を複数のメソッドに分割する必要がありますか? ボリューム スライスは、データ探索とモデル探索では異なる可能性があります。 インタラクティブなグラフのサイズ変更を軸のスケーリングの一種として検討していますが、独自のカテゴリを持つ価値があるかもしれません。
- これらのメソッドのいくつかを同じメソッドのバリエーションとして組み合わせる必要がありますか? おそらく、行フィルタリングと列切り替えは、より大きなサブセット化相互作用の 2 つの種類です。
- 既存または新規のこれらのメソッドにもっと良い名前はありますか? これらの名前の一部は JMP 用語に由来しており、一部はこの説明のために私が独自に考案したものです。
- 各メソッドの異なるレベルを認識する必要がありますか? たとえば、ライブ プレビューを使用してグラフを構築するかどうかを区別する必要があります。
これらの質問やその他の質問について、ここ、JSM、または Twitter でフィードバックをいただければ幸いです。
JMP と対話する方法がどれほどたくさんあるのか、まったく考えたこともありませんでした。 特にあなたが強調したすべての複雑な課題を考慮すると、これは本当に注目に値します。 いつものように素晴らしい投稿。 ありがとう、ザン。
