《華爾街日報》最近發表了一篇精彩的互動圖文，名為“ 20 世紀與傳染病作鬥爭：疫苗的影響”，其中包含一系列圖表，按州和年份顯示選定傳染病的發病率。這是治療麻疹的。
我的第一印像是，“哇，看起來這個國家有麻疹，疫苗把它清除了。”在視覺化應該傳達一個觀點的程度上，這個視覺化成功地展示了疫苗的廣泛影響。然而，我又仔細看了看，有幾個細節讓我感到困擾。
- 需要很多細節才能形成一個點（數據/墨水比率較差）。
- 彩虹般的配色方案使得很難快速比較數值。也就是說，藍色、綠色和黃色沒有感知順序。
- 各州按郵遞區號排序，但顯示標準縮寫，這就是為什麼阿拉斯加位於阿拉巴馬州之前。
- 該數據截止於 2002 年，當時的疫苗接種率出現上升，成為新聞的首要內容。
羅伯特艾利森（「 如何讓傳染病看起來更好」）和安迪柯克（「 這是視覺化還是我們喜歡的數據」）也對這種視覺化進行了批判性的審視。我更感興趣的是獲取數據並嘗試在 JMP 中將其視覺化的其他方法。
取得數據
我從Project Tycho下載了 CSV 文件，這比我預想的要麻煩。顯然，有一個更簡單的批量下載，但我沒有找到。經過 100 多次手動下載後，我得到了原始資料檔案。拿到數據後，我遇到了兩個驚喜：
- 整個過程中都缺少數據——不僅僅是《華爾街日報》圖表所示的地方。
我喜歡製作一些快速的探索性圖表，以確保數據看起來合理。這是每週的發病率之一。儘管我降低了透明度，但仍然不足以表明大部分數據低於每 10 萬人每週 10 例。不過，您可以看到異常值，我標記了其中一些。我對這個主題不太了解，無法知道這些異常值是否可疑。
處理缺失資料
在開始製作真實的圖表之前，我需要一個處理遺失資料的計劃。 WSJ 圖表本質上將所有缺失值視為 0，除非整年都缺失——然後它們將年份顯示為略有不同的顏色（白色而不是淺藍色）。我決定採取一種不同但仍然人為的方法。我認為早年缺少的數據很可能是未知的，但在後來的幾年裡，數據似乎更有可能真的是0，只是沒有報告，因為當時這種疾病非常罕見。因此，我將缺失值保留到某一年（1975 年），並在該日期之後將缺失值視為 0。這至少可以避免圖表右側的斑點。
再現原作
在深入探索之前，我決定嘗試在 JMP 中重現 WSJ 圖表。我必須：
結果非常接近。州的排序略有不同，因為我沒有按郵政編碼而不是顯示的縮寫對州進行排序。由於我沒有仔細複製顏色，顏色可能會有所不同。當然，缺失資料處理會將一些缺失年份改為 0。
重新建立顏色主題後，我可以看到其中的一些邏輯。彩虹顏色主題通常不利於連續值，因為不同的色調會被明確地感知，而不是連續地感知。 《華爾街日報》的配色本質上是三種不同的方案：
我認為綠色是最困擾我的感知的，所以我想我會在沒有綠色的情況下嘗試同樣的想法。
我們仍然必須選擇一些任意的截止值，但我更喜歡沒有綠色，因為需要整理的類別較少。這種顏色還將範圍限制為 3000。
改變顏色
真正連續的顏色主題怎麼樣？羅伯特·艾利森使用了白到紅的方案，似乎很合理。單一連續範圍的問題在於數據是傾斜的，因此線性顏色應用程式只會突出顯示刻度一端的差異。我們可以透過使用分段線性比例並自訂顏色主題來解決這個問題。
奇怪的是，鑑於顏色範圍的減少，1945 年全國範圍內的下降更容易看到。
我們還可以嘗試按平均發生率而不是按字母順序對各州進行排序。這使得我們更容易看出各州並沒有像看起來那樣受到一致影響。
到目前為止，我一直在展示每年的發病率，就像《華爾街日報》的原文一樣。然而，考慮到缺失資料的數量，像艾莉森一樣顯示每週平均值是有意義的，這樣我們就只對我們擁有的資料進行平均。顯示年費率就像將缺失週的值視為 0。
差異是微妙的。一個例子是 1934 年的喬治亞州，那裡只有 27 週有數據，而且這些週的值相當高。在最初的版本中，1934 年的喬治亞州看起來只是平均水平，因為它被所有被視為零的缺失值沖淡了，但在這裡它看起來很高。事實可能介於兩者之間——缺失值不太可能為 0 或與非缺失值一樣高。
嚴格的「缺失即缺失」方法並非沒有缺陷。為了進行比較，以下是艾莉森的版本，顯示了每週平均值。請注意 1997 年佛蒙特州麻疹病例明顯激增。所有其他週的數據均遺失。所以看起來這是糟糕的一年，但也許這只是糟糕的一周。
我不知道解決可變數量的丟失資料的最佳方法。當資料遺失時，我嘗試讓方塊縮小。這是更真實的表示，但我不確定額外的複雜性是否值得。此外，大多數時候你幾乎無法辨別尺寸差異。
探索其他觀點
我最初的想法是隨著時間的推移製作一個全國範圍的長條圖。事實證明，這比我想像的要複雜，因為我需要每年的人口值才能正確地總結各州的發病率。原始數據僅包括每 10 萬人的計數和比率。我想我可以根據計數除以比率來估計州人口（方法 1），但當比率為 0 或非常小時，這種方法會失敗。我的另一種方法（方法 2）是根據我在人口普查局網站上找到的一些歷史人口值進行插值。在嘗試了兩者之後，我將它們與情節進行了比較：
10（百萬）處的水平線來自計數為 1、比率為 0.01 的年份。費率僅提供至小數點後兩位。類似的問題導致異常值達到 70：那一年，德州有幾週計數為 1，比率為 0.00。我最終使用了一個混合兩種估計的公式，僅考慮計算出的比率，那麼比率並不是很小。
這是全國發病率條形圖，它很好地表達了原始點，並且更容易看到逐年變化，包括安靜的 1945 年。
我不喜歡尖銳的線圖，但這裡是為下一張圖提供上下文的線圖。每行都是一個狀態。 
我更喜歡光滑者帶來的「少即是多」的哲學。在這種情況下，您會失去範圍，但您可以更好地了解整體趨勢和一些異常狀態。
結束語
在這項研究中，我本著可重複研究的精神，分享了我所採取的所有處理和繪圖步驟的腳本。 Measles Study.ZIP附在我在 JMP 用戶社群的「情節變厚」上發表的這篇文章的原始版本中。擁有腳本還可以輕鬆嘗試不同的缺失值策略。 ZIP 檔案包含來源 CSV 檔案以及我的 JSL 腳本和最終的 JMP 資料表，該資料表本身包含圖形腳本。執行名為「Measles Study」的腳本來重新建立檔案。您可以將「缺失值為零」變數變更為 1975 年以外的其他年份，以嘗試不同的缺失值截止值，或完全不截止。
儘管到目前為止需要做一些工作，但我認為為了更好的分析還需要做更多的工作。例如，案例存在季節性模式，可用於估算某些缺失值。尋找狀態集群或爆發模式可能會很有趣。從視覺上看，範圍帶可能比線條更好。我想探討安迪柯克（Andy Kirk）的想法，即在數據上嘗試配色方案，而不會出現如此急劇的下降。使用2002年以後的國家數據怎麼樣？ ……
然而，我必須在某個地方停下來。此外，親愛的讀者，附上所有數據後，也許您會繼續探索。
克里斯‧格隆寫道：
年復一年顯示您的資料的動態美國地理地圖怎麼樣？它將顯示疾病如何傳播、熱點是什麼以及它們如何演變。
寫得真有趣！但傳統的直方圖或長條圖仍然是最好的嗎？ 
數據視覺化新聞 [82] | Visualoop寫道:
[â ▪] 圖表改造：麻疹熱圖 | JMP 部落格 [â]
麗莎寫道：
這是一篇很棒的文章，非常感謝您的工作！
我想每個讀者都從這篇文章中學到了很多東西，包括我。
再次感謝！
