创新的常州网站建设环保部网站建设项目

创新的常州网站建设,环保部网站建设项目,怎么才能让自己做的网站上传到百度搜关键字可以搜到,专业网站建设市场原文#xff1a;towardsdatascience.com/information-at-a-glance-do-your-charts-suck-8b4167a18b88 让我们面对现实#xff1a;你辛苦工作的那份报告——没有人真的会去读它。 在最佳情况下#xff0c;人们可能会快速浏览#xff0c;在色彩鲜艳的图表的吸引下短暂停留。…原文towardsdatascience.com/information-at-a-glance-do-your-charts-suck-8b4167a18b88让我们面对现实你辛苦工作的那份报告——没有人真的会去读它。在最佳情况下人们可能会快速浏览在色彩鲜艳的图表的吸引下短暂停留。但如果你正确地设计了图表那么只需一眼人们就应该能够理解数据在说什么——至少在高级别上。快速传达信息的能力是将普通图表与优秀图表区分开来的关键。让我们看看心理学中的一些技巧我们可以利用这些技巧使我们的图表更容易解读。预注意特征预注意特征是图表的设计元素可以在不直接注意它们的情况下感知到。它们是我们第一次看某物时立即吸引我们注意力的特征。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/32bd312954731e3372ecfeb38df02dd2.png我们的眼睛自然会被这些特征吸引使它们容易识别。因此它们可以用来引导观众的注意力到我们希望它去的地方。考虑这个例子——在这个数字网格中有多少个 2https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/6f4b9b75c6c47565f6ffaa9fd4e0c0b3.png现在怎么样https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/7fce9bf81f978de1b074b903dfb3de7d.png通过额外的突出显示识别 2 的速度要快得多。我们不再是一行一行地扫描我们的眼睛会快速跳转到突出显示的数字之间。通过清晰展示重要信息我们可以更好地表达我们想要传达的内容。这使我们能够更加简洁而富有表现力。例如我们可以在条形图中使用颜色来表示关注的类别。按大小排序条形有助于使图表更容易导航。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/2fe6bccbcbe7d48b76fe1ef089a20f02.png我们还可以使用粗体文本和方框来指明哪些内容是重要的以及哪些事物是相互关联的。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/068b15c939d79e34910904f680e2808c.png由 DALL-EOpenAI 生成的图像注意上述信息图是使用 AI 生成的几乎未提供指导但它仍然展示了使用粗体文本和清晰部分突出重要信息的良好原则——即使文本和信息是无意义的。如果 ChatGPT 可以使用这些原则那么我们还有什么借口令人惊讶的是ChatGPT 在太阳系统计数据的 99.86%上是正确的尽管它在上面的例子中犯了错误我们还应该记住如果过度使用这些特征可能会分散注意力因为我们的注意力会被同时拉向许多不同的方向。在下面的例子中很难知道应该按什么顺序阅读而且确定关键要点也不是很快就能做到的。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/73bc3fb2d7f29cb0bb831aef512217fd.png由 DALL-EOpenAI 生成的图像视觉数据编码数据可以以不同的方式进行视觉编码。用视觉元素来表示数字而不是用数字表会使它更容易消化。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/bf61a97630fe2fb7c55a221d89ca98db.png然而不同的编码技术更适合不同类型的数据。定量定量数据包括测量值可能包括诸如高度、重量或文章上的掌声数量这里有一个非常微妙的提示。对于这类数据位置、长度、角度和面积都相当有效。而使用饱和度、密度和形状来表示数值你可能会很难展示出任何有意义的含义。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/9b12753c0d9867c56c3fc1cd1ab35b32.pnghttps://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/92b33ee9ce7c8d7c8e5bcb8afa7645a5.png你可能可以看出从饼图中黄色C是这里最大的类别。但如果我们尝试找到第二高的类别我们可能会遇到困难。然而在柱状图中这些类别的排名顺序立即显而易见。另一方面如果我们询问包含在类别 A 中的总比例是多少使用面积来编码数据的饼图将是完成这项工作的更好工具。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/47f2d3cf4670f4820ff1b59c718e3594.pnghttps://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/56c4cb861ad32131c76df991ae2272cb.png数据编码方法并不平等——如果你没有选择正确的数据就不会讲述你原本想要讲述的故事。位置是编码多种不同类型数据的一个非常有效的工具。看看这个散点图…https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/a7f2e9db77a0bb442fd1f2e03ad9e9db.png我们可以在数据点中看到一种趋势。可以使用数据编码的第二种方法在这种情况下是斜率来加强这一点使趋势更加立即明显并表明这是图表的关键要点。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/b340d682d3499f70d360559b24c8ca4b.png名义数据名义数据指的是命名的数据点。这通常在图表的标签上找到。选择正确的方法将决定读者理解类别和标签之间关系有多容易。两种常见的方法是连接和色调https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/8449a13b32c562ad5435abc1af415b3d.pnghttps://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/045382e835116b017f17d95207527c14.png数据标签的连接和色调有时连接对于读者理解哪个类别是哪个类别可能更清晰但过度使用时它可能会使图表显得相当杂乱。另一方面如果你有多个可以使用相同色彩方案的图表色调是一个强大的工具。随着读者的阅读进程他们可以根据颜色来发展对哪个类别是哪个类别的直觉。序数数据序数数据由具有自然顺序或等级的分类数据组成。在这里位置、饱和度和色调将是编码数据的最有效工具。话虽如此饼图或条形图对于这类数据仍然可以是一个有效的工具我们只需结合一些其他编码方法来帮助理解。仅使用形状、面积或体积来表示数据将使其难以解释。让我们可视化这个数据集https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/d7b686a1afb55fb67251e9045a8cb50b.pnghttps://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/0900156619a30411e8e563212c795a4b.png希望到现在为止我们可以看到为什么这不是一个有用的可视化。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/bb2fd1f85f05b3b57c865abfaa6683bb.pnghttps://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/8e070d4c3582a0969f848eb96364a4b5.png这张世界地图结合了位置国家位置和色调来快速展示各国之间的比较。如果我们想了解更多关于某个国家的信息我们可以悬停在它上面。这确实意味着我们将我们的可视化限制在数据的仅一列销售额。如果我们仍然想展示两者我们可以这样做https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/254a50fd174dfdb07a0c01583429fc4a.png在这里我们使用色调来表示销售额位置表示国家大小表示客户满意度评分。也许大小比例有点误导因为南非上方的小点代表 3.8/5但经过一些小的调整我们得到了一个能够提供对复杂数据集直观理解的图表。格式塔理论格式塔理论描述了视觉元素如何被人类大脑解释和理解以及元素之间的关系是如何推断的。我们在这里不会深入探讨其历史或背景但如果你感兴趣也许可以看看这篇文章非关联。格式塔理论可以通过一系列原则来概括。让我们看看一些例子https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/69016bdd41f4e371ddefc3d641fedb37.pnghttps://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/523e13df97bbeaeb66d1debb02f9eca3.pngen.wikipedia.org/wiki/Olympic_symbols#Olympic_rings右图由作者编辑原则 #1. 图形与背景通常粗体、高饱和度和深色被认为是前景图形而浅色、低饱和度的特征被认为是背景背景。在上面的例子中这一点很明显我们可以看出我们不是在观察一个带有环形切口的白纸。深色区域显然位于白色区域之上——至少看起来是这样。当我们想要将一个群体与整个人群进行比较时我们可以使用这个原则来设计图表。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/6a10b3dc94ae7468e775cd77c3ebb6fb.png与代表更广泛人群的微妙灰色条带相比粗体蓝色显得突出并吸引注意力。这一原则也体现在图表背景中出现的网格线上。让我们回顾一下奥运五环以了解原则 2…原则 #2. 完整性简单性https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/c8002ca7ffdbec9a2df0cab47d036b20.pngen.wikipedia.org/wiki/Olympic_symbols#Olympic_ringshttps://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/18e9432b6ad31512d0511521fe01cd7c.pngen.wikipedia.org/wiki/Olympic_symbols#Olympic_rings作者编辑的图片在上述示例中我们将图像解释为 5 个相互连接的环。我们也可以将这个标志解释为一系列波浪线段甚至是一条大型的环状曲线。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/1b9aada260aa6c70323a68060848d296.pngen.wikipedia.org/wiki/Olympic_symbols#Olympic_rings作者编辑的图片原则 #2 表示我们寻求对我们呈现的最简单解释——在这种情况下是环。那么我们如何利用这一点来帮助我们设计更好的图表呢简单为上。无论你把什么放在读者面前他们很可能会按字面意思理解。试图表现得聪明并不是加分项——这可能会让它变得没有必要地复杂。我们想要传达的信息应该是最容易获取的我们希望坚持读者熟悉的图表类型。原则 #3. 近因近因效应原则指出彼此靠近的物体被视为相关或有共同之处。散点图是这一点的绝佳例子。人脑擅长识别簇和分组。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/49f59c09e7824a053bad9ae3a81a1136.pnghttps://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/6a9a15c3797f3c79dffb0befabf81f0f.png近端点和条形图的簇似乎有共同之处对于数据设计这意味着我们应该将标题和标题安排在相应的图表附近在条形图上使用相关条形的簇使用负空间来强调其他元素之间的近距离。原则 #4. 公共区域原则 #4 表示被同一区域包围的物体被视为彼此相关。这是维恩图图表所依赖的原则https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/e24f35f3018d432710df519abb4acecb.png原则 #3 和 #4 结合起来是设计图表布局和结构化信息图的实用工具。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/0a4393fac35762db2cbddfd6cd832f12.png我们可以使用边框框、标题、负空间并将相关事物放置在一起使我们的报告更容易导航。原则 #5. 相似性相似性原则表明具有某些共同属性或视觉上相似的对象被认为是相关的。对于数据设计这有几个后果一致的色彩编码以将类别联系起来不同页面之间的一致布局——相同的组件应位于相同的位置以便读者知道在哪里找到它在图表和图中一致地使用形状、线条样式或标记来表示相同类型的数据或类别。这一原则还指导我们应该首先选择使用哪些类型的图表应该始终使用相同类型的图表来展示相同类型的数据使用读者可能之前见过的类似图表。这些指南提高了用户理解你的图表如何工作的可能性。结论设计有效的数据展示不仅仅是关于美学——清晰度和理解力对于成功至关重要。通过我们讨论的技术我们可以设计出能够瞬间且轻松传达洞察力的可视化。当涉及到帮助读者关注重要内容并使数据的故事对所有人都易于理解时每个选择都很重要。*除非另有说明所有图像均为作者所有。*本文使用了 AI 生成一些数据集和图形。