这次，我们的故事要从大约五年前说起，或许更久一点。那时我女儿正迷火车模型，所以我和她经常用木制小火车套装搭建轨道。有时候，我们甚至会把厨房地板都占满。
她以前常常让我给她读《托马斯小火车》的故事，作为睡前故事，她最喜欢的节目是BBC的《托马斯和朋友们》。这跟JMP有什么关系呢？嗯，当时一点关系都没有。那时候我甚至都没在JMP工作过。不过，自从我没怎么旅行（因为世界现在乱成一团）之后，我就开始重拾平面设计，学习数据可视化。这真的很有趣。
我一直在观看我们自己的 Xan Gregg（ @XanGregg ）的视频演讲，复习我之前其他演讲的笔记，还读了一些 Edward Tufte 和 Stephen Few 的作品。我甚至还上了 Nick Desbarats 的几节课。
在过去的几个月里，我突然顿悟，意识到所有这些数据可视化专家都在朝着同一个方向努力（请原谅我提前开个玩笑）。如果要把数据可视化专家们所说的一切都归结为一个简单的想法，那简直就像是从《托马斯和朋友》绘本里摘出来的一样：可视化的目的就是为了有用。
炫酷列车 vs. 实用列车
在我女儿那些（版权保护非常严格的）书中，拟人化的火车们通常都努力做好事。但它们也各有各的个性：有的喜欢干净整洁，有的不介意有点粗犷，有的则喜欢炫耀。形形色色的人都有，对吧？但归根结底，人类能给予这些火车的最高评价就是它们“真的很有用”。不是因为它们漂亮、炫目或者粗犷，而是因为它们真的很有用。
如果我们把图表拟人化，它可能也会有类似的感觉。那么，图表如何才能发挥作用呢？首先，我们需要一个问题陈述、一个信息或一个发现，图表正是要传达这些信息。让我们来看几个例子，将它们与既定目标进行比较，然后探讨一些改进方法，使它们更加实用。
前段时间我的信息流里出现了这张图表。图表的公开目的是“根据文章中定义的四个因素，展示各项活动在新冠病毒风险方面的对比情况”。
那么，这张图表在多大程度上达到了可视化练习的目的呢？我的答案是：“做得还行，但本可以做得更好。”我们稍后会详细讨论原因，但核心在于，很难一眼看出哪些活动风险较高，也很难比较不同活动之间的风险等级。
在接下来的例子中，我将以身作则，使用我为2020年万圣节文章制作的可视化图表。我分析了奥逊·威尔斯广播剧《世界大战》的文本。您可以在这里查看我的分析。这个可视化图表的目的是总结广播稿中的所有术语，并突出显示重要的主题或术语。
我做得怎么样？我觉得糟透了。为什么呢？嗯，我们稍后再详细讨论，但像词云这类东西更像是数据艺术。你会看到词云被用作标志、营销材料、T恤等等，因为它们有趣或视觉效果惊艳。但作为一种传达洞察的工具——即使加上一些有用的高亮显示——它们也相当糟糕。
啊，蜘蛛图……我的老冤家。抱歉，我得承认我对它们有点偏见。不过，让我试着解释一下它们为什么这么让我反感（不好意思，用了个双关）。以下是一篇期刊文章中蜘蛛图的说明：“图中展示了14种啤酒五种感官属性的蜘蛛图。不同的样品各有其独特的感官特征，其中8、10、14、11、9和2号样品分别具有最强的酸味、苦味、甜味、羊膻味、酸涩味以及其他‘味道’。” 图如下：
是的，情况很糟糕。但这种情况在这些图表中相当常见。
学习数据可视化的一大弊端在于，一旦你发现了问题，就很难再视而不见。而我们当今世界的问题在于，每天都有大量的图表被生成。从疫情到美国大选，我们被各种图表淹没。这些可视化图表有的精美华丽，有的则粗糙简陋，但大多数都毫无用处。因此，我们面对的是一个充斥着令人沮丧、毫无价值的图表的世界。（这真令人沮丧，不是吗？）好吧，现在是假期，让我们来解决这个问题。首先，我们需要找到问题的根源。
漂亮未必实用，但实用永远漂亮。
为什么市面上充斥着这么多无用的图表？（我不会称它们为糟糕的图表；它们没用并非它们的错——只是绘制方式如此。）我认为，归根结底，人们忽略了一个关键概念：事物可以很漂亮，但未必有用；而真正有用的东西，其本身就具有美感。我所说的“美”，指的是事物完美地实现了其预期用途，从而展现出一种形式上的优雅。
尼克·德斯巴拉茨用希腊语“telos” （目的论）来描述这个概念。我们很多人（包括我自己）在这个行业里，常常过于执着于突破可视化的界限，以至于忘记了数据可视化的本质是沟通。一旦我们为了可视化而可视化，失去了沟通这一核心要素，我们的图表就可能变得毫无用处。当然，这并不是说那些无用的图表不美观，而是说它们并非最佳的沟通工具。
走简单的路线
那么，我们该怎么办？我给你们展示了一堆图表，但它们其实并没有发挥应有的作用。正因为它们不够好用，所以这些图表显得很鸡肋。我们当然不希望看到这样的图表，对吧？当然不！所以，让我们来改进一下。
在最初的几个例子中，问题在于作者没有充分利用大脑视觉处理系统的优势。如果我们遵循丹尼尔·卡尼曼在《思考，快与慢》一书中提出的逻辑，我们可以说我们有两种信息处理系统：一种是无意识运作且效率极高（系统1）；另一种是专为处理复杂问题而设计的，但需要更谨慎的思考（系统2）。使用系统2也更耗费精力，因此如果我们使用它，就有可能让观众感到疲劳。所以，当人们需要费力思考图表时，这些图表就失去了意义（即，令人沮丧的图表），而且我们的大脑也会感到疲惫（令人沮丧的大脑）！要解决这个问题，诀窍在于使用第一个更本能的处理系统。
系统1专为快速模式识别、判断线性距离等任务而设计。不妨这样想：如果几千年前需要用到它来进行生死攸关的瞬间决策，那么它肯定会由系统1来处理。这就是为什么数据可视化专家一直强调使用条形图更佳的原因。我们更擅长判断线性距离（直线），而不是曲线或面积。我们通常使用系统1来处理条形图。换句话说，人类天生就擅长快速阅读和处理条形图中的信息。两点之间的最短距离是直线，而我们大脑中最快的路径恰好也是直线！
回到第一个图表，根本问题在于我们创建的可视化图表需要使用系统 2。我们必须创建一些任意的刻度，根据该刻度量化每个活动在每个方格中的风险，并将每个方格的值相加。这一切仅仅是为了得到一个总风险评分。如果我们想要比较不同的活动，就必须重复这个过程。（光是写这些就让我累了！）那么，为什么不直接在图表中完成所有这些操作呢？以下是一些替代方案（两个是我用 JMP 创建的，一个来自德克萨斯州医学协会），它们都旨在使用系统 1：
你看，这些书是不是更容易读懂？
让功能驱动形式
让我们再回想一下引发这一切思考的那辆蒸汽机车。你有没有想过为什么机车会是现在这个样子？我的祖父是个火车模型爱好者，所以我猜我对这个话题的思考或许是遗传的。也可能是因为我小时候经常在夏天去看他的火车模型，或者去商店买他新添置的模型。不管怎样，我一直觉得蒸汽机车的外观有一种独特的优雅。
Source: https://en.wikipedia.org/wiki/Steam_locomotive_components来源：https://en.wikipedia.org/wiki/Steam_locomotive_components
即使他们决定对外观进行现代化改造，功能仍然是形式的主要驱动力：
Source: https://en.wikipedia.org/wiki/Steam_locomotive#/media/File:Number_4468_Mallard_in_York.jpg来源：https://en.wikipedia.org/wiki/Steam_locomotive#/media/File:Number_4468_Mallard_in_York.jpg
同样，我们在开始绘制图表之前，应该始终先明确一个目的。记住，图表要想有用，就必须有目的。如果我们进行的是探索性分析，那么这个目的甚至可以是一个驱动调查的问题。
就我使用的词云而言，目标是展示剧本中最重要的主题。但词云在这方面表现不佳。正如我所说，它更像是“数据艺术”而非“数据可视化”。词云容易误导视觉感知，因为较长的词语仅仅因为其长度，在词云中就会“显得”更重要。在下面的示例中，我对数据进行了一些处理，并将可视化方式改为平行线图。追踪每个角色或角色组与不同主题的关联性会更好，这样可以提供更具洞察力的视角，也更不容易误导观众。（顺便一提，这是交互式的，您可以随意点击左侧的“本地数据筛选器”进行查看。）
关键在于，美观固然重要，但一个有用的可视化的基础是对目的的清晰陈述以及对该目的的坚持。
别被轴缠住了
人们让图表变得“性感”（没错，我就是说图表“性感”；别在意）最简单的方法可能就是把一个笛卡尔坐标系（有 x 轴和 y 轴）的图表围绕一个中心轴展开。这样就得到了饼图、雷达图、蜘蛛图等等。它们确实很“性感”……但它们真的像人们想象的那样实用吗？
这个问题的答案通常是“否”。人类的思维模式并非基于径向系统来比较距离或大小（饼图如果使用得当，则是一个例外）。此外，图表很容易变得杂乱无章。不幸的是，数据可视化领域很多人都会陷入这个陷阱，包括一些专家。
哦！与其一次又一次地攻击蜘蛛图，不如我们都同意 Xan Gregg 的观点，即蜘蛛图并不特别有用，然后看看这个问题的其他一些例子。
“北极死亡螺旋” （没错，它的名字就该用首字母大写）就是一个典型的例子。这个名字确实营造了一种戏剧性的效果，或许这正是视觉效果最终想要达到的效果。
该可视化图表的直接目标是传达海冰体积并未逐年恢复，事实上，情况正在恶化。问题在于，通过将数据转换为径向坐标系，我们现在使用的是系统2认知，这意味着我们的大脑需要付出更多努力才能理解其含义。那么，为什么不直接采用系统1的解决方案，比如像这样的呢？
从这张图表可以很清楚地看出：a) 存在下降趋势；b) 我们目前的水平远低于过去40年来的任何水平。此外，由于我们使用了柱状图，因此我们使用的是系统1，这意味着您可能比使用第一张图表更快地得出这些结论。
第二张图是阿尔贝托·开罗用来衡量六个尺度可视化效果的图表。他最初在他的第一本书《信息图表2.0》中提出了这个图表，后来又在《功能艺术》一书中再次讨论了它。
该图表的目的是从六个维度展现图形在复杂性和易懂性方面的表现。在我们的第一个例子中，它（从概念上讲）评估图形对系统1和系统2的使用程度。这些维度以成对的设计概念形式呈现（抽象与具象、功能与装饰、密度与轻盈、单维性与多维性、原创性与熟悉性、新颖性与冗余性）。但是，由于这些维度围绕中心轴呈扇形展开，读者必须横扫整个图表才能看到每对概念的得分。（此外，将这些得分连接起来会得到一个非常像蜘蛛图的图形，但我们暂且忽略这一点。）为什么不直接这样做呢？
传递的信息相同，而且依赖于系统1的快速认知过程！因此，你能更快地获取信息。
我想表达的观点是，除非有非常充分的理由，否则对于真正有用的图表来说，避免使用径向图可能是一个更好的选择。
永远要诚实。
这可能是一个敏感话题，我并不想指责任何人故意误导他人。数据分析中真实性的问题在于，当我们让个人偏见渗透到我们的工作成果中时。数据分析和数据可视化本身就带有主观性。任何你创建的可视化图表中都包含着观点，或者至少是数据解读。我曾听人说过（Xan 在探索峰会和JMP On Air 上都说过几次），所有图表都带有偏见，有些图表是有用的（这有点像是对乔治·博克斯那句名言的改编）。制作真实可视化图表的关键在于，我们在图表构建和数据解读过程中所做的选择都必须是透明的。这可以很简单，比如把重点放在图表标题中：
或者提供有用的注释：
重要的是，我们的图表需要坦诚面对它们的假设和结论，而不是试图掩盖它们。
总结一下
这篇文章里还有很多内容我没有提到。说实话，就我想表达的观点而言，这些都只是创建实用图表的不同策略。如果我们坚持创建真正有用的图表这个目标，其他的一切自然水到渠成。
径向图通常不如线性图实用；我们的大脑构造并非如此。如果不明确指出你的假设和解释，图表的效用就会降低，因为读者无法理解你的思考过程或无意识的偏见。最重要的是，如果图表缺少问题陈述或论点，就很难制作出有用的图表。
所以，归根结底，我们都要记住，有用的图表就是令人愉悦的图表。我们都应该尽力让我们的图表尽可能地有用且令人愉悦。愿你们所有的图表（以及你们的假期）都令人愉悦。现在，托加泉这里开始下雪了，所以我要去喝杯热可可，好好思考一下。2021年再见！
