遇见大数据可视化 : 图表的视觉系统感知

在上篇两篇文章里《遇见大数据可视化:基础研究》《遇见大数据可视化 :来做一个数据可视化报表》,简单的介绍了下可视化的基础和制作流程。我们也发现将数据进行可视化的好处,可以清晰有效的传达数据信息,以实现“用视觉的方式去思考”。相比数据的公平,视觉的方式会带有一定的引导性。

如上图所示,我们能快速的发现图形上的不同之处。NSF的图形和图像处理小组称之为“可视化感知”,人眼的启动时间至少需要200毫秒,在启动时间内能感知到区别的存在(*见附录) 。上图就是一种简单的预先处理感知实例,目标对象具有视觉属性“圆形”,“长条形”干扰物对象没有(所有非目标对象都被认为是干扰物)。观察者一眼就能知道目标对象是否存在还是不存在。

这种“可视化感知”实际上是运用人眼低层视觉系统(Preattentive Processing)的引发的快速感知特征。能够迅速的引发预设在图形中的潜在目标对象的注意。所以我们在可视化设计中可以运用这一特点,快速的迁移观察者的注意点。

按照Anne Treisman在早期提出特征理论(Feature integration theory人类视觉注意力最有影响力的心理模型之一),我们可以继续去寻找影响【个体特征】的视觉属性点。

通过去预设目标对象和干扰对象的颜色、大小、对比和方向的不同特征属性。观察者也可以快速的通过这种“特征搜索” 迁移注意点。

之所以很快就能找到这些注意点,因为它们跟其干扰项相比,最多只相差了一种视觉元素。比如,红色线条和黑色线条,长线条和短线条。当只有一种视觉元素的时候,我们的视觉系统中的低层视觉系统(Preattentive Processing) 就起作用了,它可以平行处理所有在图中出现的点,然后很快找到特征点。我们再来看下反例

跟上面的例子相比,我们要花相对长的时间找到那个注意点。原因很简单,因为图中使用了两种视觉元素来区分特殊点,颜色和大小,方向和对比。在这种情况下,我们的低层视觉系统(Preattentive Processing)就不行了,视觉系统需要一个一个的处理每个点,识别两种元素,做仔细的区分。

理论说了这么多,那在我们做可视化图表的时候有什么作用呢?在可视化中,我们希望想让用户注意到重要的数据,可以用单一特征去引导用户的注意点。

上图图表,展示一个国内云厂商的用户占比情况之类的数据,大致如上。那作为本厂的产品腾讯云,我们希望观察者关注到腾讯云的数据,占比【50%】。但是上图的使用了多个视觉元素,没用突出目标项,这样就很难引导观察者的注意点。

修改上图图表,减少视觉元素的使用,我们再来看一个图。

从这个图表来看,只使用一个目标项和一个干扰项作为视觉元素的差异,我们就可以去引导观察者的注意点。引导到我们想要重点说明的数据上面去。

但是对于数据可视化来说,引导注意点,其目的是为了让观察者快速的去了解数据,而非刻意诱导,造成观察者的误解。

我们来看一个例子,上图是一个销售财年的报表,2015年销售额100万,2016年到达200万,从上图图表展示出来给观察者的信息就是,2016年比2015年销售额增长了1倍的样子。

但是我们把所有数据拉出来看,却发现出完全不同的事实,2013年销售额400万,2014年300万,2015年100万。2016年虽然比2015年增长了,但是和前几年相比有着明显的下滑,这就是一种图表展示的错误诱导的方式。

这种在Y轴上诱导的方式很常见,经常【某额宝】上展示近几日收益的时候,通过图表好像3月15号的时候收益非常高,但是仔细去看Y轴上的数值,会发现其实3月15号比3月10号的收益增长只有0.6%的,但是感观上给观察者非常夸张的展示。

而按照坐标轴为0%来展示的情况,实际只是一个非常稳定的状态。

数据可视化的真正价值在于,让观察者轻松的理解数据的价值。“可视化感知”低层视觉系统(Preattentive Processing)是让观察者快速的找到重点数据所在,而非孤立数据导致传递给观察者错误的理解。

附录:

我们将图形的展示时间设置为200毫秒,只设置一个视觉元素(形状) 。“圆形”作为目标对象,“长条形”作为干扰对象。测试观察“可视化感知”的低层视觉系统(Preattentive Processing)的实际作用。

除了上述列举的【形状】、【颜色】、【大小】、【对比】、【方向】。还列举出一下视觉元素的对比【密度】、【闭环】、【曲率】、【整体方向】、【投影方向】和【投影深度】。

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

编辑于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏IT派

可视化图表10个错误的表达方式,你犯了几个

饼图的设计应该直观而清晰,理论上,一个饼图不应该分割超过5块。下面就是两种可以让读者的注意力瞬间集中到你要表述的重点的方法。

12220
来自专栏大数据文摘

从自然语言处理到人工智能的两条路径(附64页PPT)

29840
来自专栏机器之心

深度 | 谷歌I/O走进TensorFlow开源模型世界:从图像识别到语义理解

机器之心原创 参与:吴攀、QW 一年一度的谷歌开发者大会 Google I/O 在山景城成功举行,在首日的 Keynote 中,谷歌宣布了一系列新的硬件、应用...

59360
来自专栏AI科技评论

学界 | François Chollet谈深度学习的局限性和未来(下)

AI 科技评论按:本篇是 Keras 作者 François Chollet 撰写的一篇博客,文中作者结合自己丰富的开发经验分享一些自己对深度学习未来发展方向的...

10120
来自专栏计算机视觉战队

CVPR 2018论文解读 | 学习在黑暗中看世界(Learning to See in the Dark)

今天和大家来说的这个技术很有意思,因为大家都在夜晚拍照过,拍出来的效果要不是模糊要不是曝光时间短带来噪点。

60620
来自专栏机器之心

这个GAN生成的指纹,可以破解半数手机的指纹锁

GAN 生成的指纹究竟可以多逼真?研究人员尝试使用 DeepMasterPrints 去攻击手机的指纹解锁,破解成功率为 22-78%(成功率取决于手机指纹传感...

12120
来自专栏大数据文摘

Yann LeCun说是时候放弃概率论了,因果关系才是理解世界的基石

21840
来自专栏MixLab科技+设计实验室

让机器预测平面设计作品的视觉焦点

这是一篇论文的解读,原文标题: Learning Visual Importance for Graphic Designs and Data Visualiz...

35150
来自专栏算法+

大话音频变声原理 附简单示例代码

在当今的主流采集卡上,采样频率一般共分为22.05KHz、44.1KHz、48KHz三个等级,

50820
来自专栏游戏杂谈

《Unity3D 实战核心技术详解》书中关于矩阵的错误

最近一直在学习实时渲染,不免要接触线性代数。而渲染中,一定会用到矩阵,当我再次去复习我之前看的书时,发现《Unity3D 实战核心技术详解》关于矩阵就有几处错误...

25530

扫码关注云+社区

领取腾讯云代金券