<dl id="wmfe2"><ins id="wmfe2"></ins></dl>
  • <dl id="wmfe2"><ins id="wmfe2"></ins></dl><li id="wmfe2"></li>
  • <dl id="wmfe2"><ins id="wmfe2"><thead id="wmfe2"></thead></ins></dl>
  • <sup id="wmfe2"></sup>
  • 免费试用
    banner
    大数据平台>数据可视化>图表视觉系统感知

    遇见大数据可视化 : 图表的视觉系统感知

    作者: afenxi来源: afenxi时间:2017-04-08 14:10:400

    摘要:相比数据的公平,视觉的方式会带有一定的引导性。

    相比数据的公平,视觉的方式会带有一定的引导性。

    遇见大数据可视化 : 图表的视觉系统感知-数据分析网

    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”?#23548;?#19978;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。

    遇见大数据可视化 : 图表的视觉系统感知-数据分析网

    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。

    遇见大数据可视化 : 图表的视觉系统感知-数据分析网

    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?#19994;?#36825;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?#19994;教?#24449;点。我们再来看下反例

    遇见大数据可视化 : 图表的视觉系统感知-数据分析网

    跟上面的例子相比,我们要花相对长的时间?#19994;?#37027;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。

    遇见大数据可视化 : 图表的视觉系统感知-数据分析网

    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?#25945;?#35759;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。

    遇见大数据可视化 : 图表的视觉系统感知-数据分析网

    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。

    遇见大数据可视化 : 图表的视觉系统感知-数据分析网

    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。

    遇见大数据可视化 : 图表的视觉系统感知-数据分析网

    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?#25913;?#30456;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。

    遇见大数据可视化 : 图表的视觉系统感知-数据分析网

    这种在Y轴上诱导的方式很常见,经常【某额宝?#21487;?#23637;示近几日?#25214;?#30340;时候,通过图表好像3月15号的时候?#25214;?#38750;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?#25214;?#22686;长只有0.6%的,但是感观上给观察者非常夸张的展示。

    遇见大数据可视化 : 图表的视觉系统感知-数据分析网

    而按照坐标轴为0%来展示的情况,?#23548;?#21482;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?#19994;?#37325;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?#23548;首?#29992;。

    遇见大数据可视化 : 图表的视觉系统感知-数据分析网

    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】、?#23601;队?#26041;向】和?#23601;队?#28145;度】。

    遇见大数据可视化 : 图表的视觉系统感知-数据分析网

    关于作者

    杨凯,腾讯用户体验部成都设计中心高级交互设计师。负责腾讯云大数据相关设计,目?#30333;?#27880;大数据可视化方向的研究。

    转载文章,作者:腾讯大数据可视化设计团队,出处:https://www.qcloud.com/community/article/637808

    banner
    看过还想看
    可能还想看
    热点推荐
    Yonghong的价值观:以卓越的数据技术为客户创造价值,实现客户成功。