3 D-visualisering har med säkerhet en ledande position i betygen av de mest lovande informationsteknikerna. Varför stärker och utökar detta segment av lösningar sin position, vad är katalysatorn för efterfrågan, vilka nya trender dyker upp under dagens svåra förhållanden? Vi pratade om detta med Sergei Astakhov, chef för Interactive Data Visualization Platform-konsortiet (IDVP), finalist i tävlingen "Bästa informations- och analysverktyg - 2016".

Vilka är de drivande faktorerna på marknaden för interaktiv datavisualisering? är nyckeln idag? Vilka trender kan identifieras?

Drivkraften för efterfrågan på analytiska verktyg är paradoxalt nog den svåra ekonomiska situationen. Under en kris måste chefer snabbt få korrekt, objektiv information om verksamhetens tillstånd. En annan marknadsdrivkraft är den lavinartade tillväxten av datavolymen, vilket kräver nya tillvägagångssätt för att arbeta med information.

Idag finns ett behov av teknologier som har förmågan att bearbeta stora datamängder, interaktiv infografik och har ett interaktivt gränssnitt. Användare har insett att visualisering och interaktion med data bäst kan hjälpa dem att förstå data.

Den unika ryska utvecklingen av Interactive Data Visualization Platform (IDVP) är avsedd för dessa uppgifter - en teknisk plattform för operativ visualisering och dataanalys. Detta hanteringsverktyg är baserat på funktionella modelleringstekniker för att analysera situationer med hjälp av rumslig 3D-infografik. Plattformen används för att lösa administrativa, ekonomiska och finansiellt ekonomiska problem.

När analysleverantörer pratar om kunddata pratar de ofta om dataproblem. Men om vi tar det ideala fallet när kundens data är i exemplarisk ordning, hur kan vi skilja viktig data från oviktig data, som direkt påverkar hans affärsprocesser från oviktig?

De mest "viktiga" uppgifterna hämtas från system som använder sensorer och mätare, till exempel i automatiserade processtyrningssystem, rörledningssystem, energigenerering etc. eller från system som automatiserar operativ verksamhet - bank, betalning, logistiksystem etc. etc., där den mänskliga faktorns roll minimeras eller information är knuten till "riktiga" pengar.

I själva verket vet vi för närvarande två sätt att förbättra kvaliteten på data: antingen minimera den mänskliga faktorn - skaffa data genom objektiva tekniska medel, eller binda upp information för pengar.

Till exempel, i Medical Information System Monitoring Center, mäts tillgängligheten av läkare automatiskt när en patient bokar en tid, utan den mänskliga faktorn.

Fullständigheten av att lägga till resurser till systemet kontrolleras också helt enkelt - en läkare kommer inte att kunna få lön om han inte kommer in i systemet och inte arbetar i det varje dag. Medan redovisningsavdelningen existerade separat från Monitoring Center, var det fler anställda på klinikerna än det fanns tider. När de förenades återgick allt snabbt till det normala.

Därför är skapandet av en ny generations analytisk lösning praktiskt taget meningslöst isolerat från omorganisationen av systemet på lägre nivå, som regel, både ledning och information.

Hur känner du igen de svaga punkterna i din kunds affärsprocesser? Det är viktigt för VD:n att ha en förståelse för det förflutna, nuet och prognosen för utvecklingen av sin verksamhet, att vara medveten om nuvarande prestations- och effektivitetsindikatorer. Hur hanterar du detta?

I vårt arbete fokuserar vi på tre huvudprinciper.

1. Wow effekt- kvaliteten på grafiken, animationen och applikationens hastighet gör arbetet åtminstone inte tråkigt. Alla element är designade för högkvalitativ visning på "stora" skärmar och för chefer på mobila enheter eller datorer.
2. Situationsanalys- förmågan att snabbt lokalisera ett problem vid kontrollobjekt, till exempel med hjälp av trafikljusprincipen eller en specifik bild.
3. Möjligheten att inte bara lokalisera problemet, utan också att avslöja allt möjliga orsaker dess utseende, och därigenom driva mot att lösa problemet.

Utvecklingen av vilken analytisk lösning som helst - Monitoring Center, på IDVP-plattformen börjar med att definiera ett fall, liknande ett business case, som inkluderar olika indikatorer som kännetecknar problemet som löses och visar kundens sätt att lösa det.

Sedan, när fallet bildas och indikatorer väljs ut för att lösa problemet, uppfinner och utvecklar vi tredimensionella interaktiva visuella bilder som bildar "fenomenrummet". Ett speciellt program är direkt ansvarigt för datavisualisering - "3D-spelare", som monteras under kontroll av plattformen individuellt för varje användare.

IDVP stöder en ganska stor uppsättning interaktiva analysverktyg. De har förmågan att skala, ändra position i rymden för bättre visuell uppfattning, möjligheten att flera markera visade objekt eller värden med drill-down stöd direkt från ett diagram eller en graf.

Till exempel, för "Financial Organisations Monitoring Center" använde vi konceptet med ett visuellt grafiskt interaktivt gränssnitt för "molnet" av låntagare, vilket är lätt och bekvämt att arbeta med. Storleken på bollen i molnet kodar information om mängden lån som låntagaren fått, och färgen kodar information om antalet identifierade problem med låntagaren. En specialist kan klicka på den låntagare han är intresserad av och se ett diagram över hans ekonomiska relationer med motparter i olika avsnitt, relationer och typer.

Applikationen "Intelligent Warehouse" Monitoring Center använder en tredimensionell visuell representation av lagret och ett linjediagram med en interaktivt justerbar skala.

I själva verket är detta en digital ögonblicksbild av lagerverksamheten, där svaren på produktionsproblem presenteras på ett intuitivt sätt – varför uppstår till exempel långa köer av bilar på lagret för lastning och lossning?

Hur skiljer sig förhållningssättet till informationsanalys i klassiska analysverktyg från din lösning?

Trots den allmänt accepterade positioneringen av analytiska system är deras användare traditionellt en utbildad analytiker som snurrar "kuber" av data och letar efter mönster i dem. Den använder tabeller, grafer, diagram och mer för att analysera data.

Vi valde en annan användare för oss själva - det här är först och främst en toppchef, en företagsägare, en branschledare som ständigt har begränsade tidsbegränsningar. För honom är snabbheten att fatta ledningsbeslut ofta avgörande. Samtidigt vill en modern upptagen person allt mer uppfatta information i form av tredimensionell interaktiv infografik, vilket gör att han kan analysera maximala mängder information med ett minimum av tid, snabbt förstå problemets essens, olika trender av förändringar och bedöma möjliga risker. Han är van vid att existera i det tredimensionella rummet.

Därför fokuserar vi i vår utveckling på de områden som gör att vi snabbt och effektivt kan förmedla situationen i komplexa branschfall till chefer. med stora mängder källdata. Bland dem finns följande:

Nya tekniker för interaktivt visuellt arbete med stora mängder operativ och strategisk information – ger tekniken en tydlig uppfattning om befintliga problem och möjliga sätt att lösa dem genom visuella bilder. Skärmen undersöker samtidigt många aspekter som påverkar problemet, det är lättare att förstå information, förvaltning, finansiella och ekonomiska processer, och deras inbördes samband och ömsesidigt beroende är synliga.

Introduktion av gamification-elementär en ny nivå av användarinteraktion som gör processen för dataanalys intressant, lärorik och minnesvärd. Följaktligen ökar nivån och kvaliteten på informationsinnehavet.

Använder nya 3D-analysverktyg, används inte i traditionella BI-system på grund av omöjligheten att få normala resultat på webbläsarplattformar, till exempel Sankei-flödesdiagram, många-till-många relationsdiagram, etc.

Titta själv på exempel på gränssnitt för våra analyssystem. Jag tror att allt kommer att bli klart utan vidare.

FÖRETAGETS SPECIALPROJEKTIDVP

Antalet datakällor och verktyg för att bearbeta dem som finns tillgängliga idag visar tydligt att aldrig tidigare har så många människor försökt vänja sig vid datavisualiseringens värld. Och när det finns ett sådant antal material tillgängligt för studier, finns det bara en fråga "Var ska man starta?" kan vara skrämmande för varje nybörjare. Så, vilka bibliotek är de bästa och vad rekommenderar proffsen? Detta kommer att diskuteras i den här artikeln.

Att prata om datavisualisering och inte nämna det är som att prata om persondatorernas historia och inte säga ett ord om Steve Jobs. D3 (Data Driven Documents) är, utan överdrift, det viktigaste och marknadsdominerande JavaScript-biblioteket med öppen källkod som vanligtvis används för att skapa SVG-grafik. SVG (från engelska Scalable Vector Graphics) är i sin tur ett vektorbildformat som stöds av webbläsare, men tidigare lite använt.

D3-biblioteket har mycket av sin popularitet att tacka det plötsliga intresset för SVG bland webbdesigners, vilket till stor del beror på hur bra vektorgrafik ser ut på högupplösta skärmar (särskilt Retina-skärmarna som används i Apple-enheter), som blir mer och mer allmänning.

"Låt oss vara ärliga, om problemet är SVG-baserad datavisualisering, så är alla andra bibliotek inte ens i närheten av att lösa det", säger Moritz Stefaner, en oberoende expert på datavisualisering och företagsägare Sanning & Skönhet. “Det finns också många intressanta projekt skapade på basis av D3, som NVD3, som tillhandahåller standardgrafikkomponenter - färdiga att använda, men anpassningsbara; eller låt oss säga att Crossfilter helt enkelt är ett enastående datafiltreringsverktyg."

Processing.js är ett "syster"-projekt till Processing som låter dig visualisera data med hjälp av webbstandarder och eliminera behovet av plugins. "Du behöver inte kunna JavaScript för att komma igång med Processing eftersom Processing har sitt eget programmeringsspråk", förklarar den holländska datavisualiseringsexperten Jan Willem Tulp. Som användare skriver du helt enkelt kod i Processing, klistrar in den på din webbsida och låter Processing.js ta hand om resten.

"Nackdelen är när du börjar arbeta med mer komplexa projekt: IDE (Integrated Development Environment) kommer att verka lite begränsad", fortsätter Jan Willem Tulp.

Och trots detta, den inneboende enkelheten i Processing, såväl som en stor användargemenskap, redo att när som helst hjälpa dem som står inför ett problem, jämnar ut denna nackdel och gör Processing till ett av de mest tillgängliga verktygen för datavisualisering.

Medan D3 och Processing tillhandahåller vanliga verktyg för olika typer av visualisering, Gephi löser mer specifika problem. Gephi är ett gratis och öppen källkodsbibliotek för nätverksvisualisering. Men även inom denna snäva specificitet ger Gephi ett hav av möjligheter. Oavsett om du vill modellera medarbetarrelationer inom ett företag eller bollpassning under en fotbollsmatch, kan Gephi hjälpa dig att visualisera dessa relationer.

Precis som Processing är Gephi mycket lätt att installera. Omedelbart efter installationen importerar du omedelbart data, sorterar den och du kan börja visualisera. "De resulterande bilderna kan exporteras och klistras in i alla webbdokument så att din publik senare kan använda dem och dela dem över nätverk", säger Benjamin Wiederkehr.

Dygrafer

Dygraferär ett snabbt och flexibelt JavaScript-bibliotek med öppen källkod designat för att bygga interaktiva grafer och låter dig analysera och tolka mycket täta datamängder. Till skillnad från Vega erbjuder Dygraphs-biblioteket anpassade inställningar, men har samma fördel att fungera i alla större webbläsare. Dessutom är Dygraphs naturligt interaktivt, vilket innebär att vissa funktioner (som zoom, panorering eller mouseover) finns som standard, medan t.ex. "nypa för att zooma" på mobila enheter bara är en fin touch.

Var ska man starta?

Även med denna information kan en värld av datavisualisering verka som en mörk skog för en nybörjare. Så vad råder experterna?

"Det första jag skulle föreslå är att bekanta dig med så många verktyg som det finns idag för att snabbt skapa standardgrafer", säger Moritz Stefaner. "Särskilt i början av ett projekt är det mycket viktigt att snabbt kunna generera många diagram för att utforska volymen, djupet och "texturen" av datan. Personligen använder jag Tableau och Gephi, men utöver dem använder jag också CartoDB, som är oumbärligt för att arbeta med kartor, och på senare tid, öppen källkodsbiblioteket RAW, som är utmärkt för att snabbt skapa intressanta grafer.”

Du måste också se till att biblioteket du väljer passar bäst för den information du vill visa.

"Det är viktigt att från början fråga dig själv vilken typ av dataformat du kommer att arbeta med", säger Scott Murray. ”Uppgiften är att visualisera tidsperioden? Kan detta vara kategorisk data? Svaren på frågor som dessa kan påverka ditt beslut. Vissa bibliotek, som D3, är universella och kan arbeta med olika typer av data. Andra är mer specifika för datatyper, som Gephi eller Sigma.js, verktyg som är utformade för nätverksvisualisering. Om du vet vad du arbetar med från början, tänk på att välja från befintliga bibliotek det som bäst passar din datatyp."

Vilka är fördelarna med en onlinegemenskap?

För de som precis har börjat med datavisualisering är en viktig punkt i valet av bibliotek närvaron av ett lokalsamhälle vars medlemmar brinner för sitt arbete och är redo att hjälpa till.

"För nybörjare rekommenderar jag att biblioteken Processing eller D3 startar", säger Jan Willem Tulp. "De har båda stora användarbaser och ett gediget antal exempel att lära av."

Nätgemenskapen inom datavisualisering ger inte bara svar på många frågor utan visar också tydligt en av infografikens huvudparadoxer. Alla kommer till branschen med sin egen bakgrund och erfarenhet, så vissa datavisualiseringsproffs närmar sig problem ur ett estetiskt och konstnärligt perspektiv, medan andra fokuserar på den statistiska sidan av frågan. Statistiker är bra på att förstå stora mängder data, men måste lära sig grunderna i design. Designers vet mycket om att skapa estetiskt tilltalande bilder, men de har mycket att lära sig om statistiska metoder.

"I centrum för allt är en överenskommelse mellan parterna om typen av visualisering", säger programmeraren-designern

Men om du accepterar dessa funktioner öppnar sig stora möjligheter för dig. Du kommer att kunna göra grafik av typografisk kvalitet (eller åtminstone lika bra som de börjar), och du kommer att älska flexibiliteten hos R. Om du vill kan du skriva dina egna funktioner och paket för att skapa den grafik du vill ha . Eller så kan du använda de som andra har gjort tillgängliga i R-biblioteket.

R tillhandahåller alla grundläggande ritfunktioner, som i princip låter dig skapa nästan alla objekt du kan behöva. Med ett ritramverk kan du rita linjer, former och axlar, och återigen, som med andra programvarulösningar, begränsas du bara av din fantasi. Nästan alla typer av diagram är tillgängliga med olika R-paket.

Varför då använda något annat än R? Varför inte göra allt med det? Här är några anledningar. R körs på ditt skrivbord, så det är inte lämpligt för dynamiska webbsidor. Att spara och placera diagram och bilder på en webbsida är inget problem, men det görs inte automatiskt. Du kan skapa grafik i farten direkt på webben, men befintliga lösningar för detta är inte särskilt robusta i detta skede, särskilt jämfört med webbspecifika produkter som JavaScript.

R lämpar sig inte heller bra för interaktiv grafik och animering. Naturligtvis kan du göra detta med R, men det finns mer flexibla, mer eleganta sätt att utföra en liknande uppgift, som att använda Flash eller Processing.

Slutligen kan du ha märkt att de grafiska objekten som presenteras i Fig. 35 och 36, lite brist på glans. Det är osannolikt att du någonsin hittar grafik som denna i tidningar eller tidskrifter. Du kan skjuta designen i R till en viss nivå genom att aktivera olika alternativ eller skriva ytterligare kod, men jag själv använder vanligtvis en annan strategi: jag skapar grunden för grafiken i R, och sedan redigerar och förfinar den i någon dokumentlayoutapplikation , som Adobe Illustrator - vi kommer att prata om detta senare. För analys är den råa R-produkten jättebra, men för presentationer och berättande vore det bättre att jobba lite med estetiken.

Ledtråd. När du söker efter något som är relaterat till R på Internet, kanske sökmotorer ibland inte tar hänsyn till ett så kort namn och returnerar ett felmeddelande eller felaktigt resultat. Så försök att ange "r-project" i din fråga istället för bara "R". Sökresultat borde vara mer relevanta.

Kompromisser

Att lära sig ett nytt program innebär att lära sig ett nytt språk. Språket din dator talar är ett språk som består av bitar och har sin egen logik. När du till exempel arbetar med Excel eller Tableau arbetar du i huvudsak med en översättare. Gränssnittet talar till dig på ditt språk, och när du klickar på en knapp översätter programmet kommandot och skickar sedan översättningen till datorn. Därefter kör datorn det och gör något åt ​​dig, t.ex. skapar en graf eller bearbetar vissa data.

Det är här tiden definitivt blir ett stort hinder. Det tar tid att lära sig ett nytt språk. För många människor är ett sådant hinder överväldigande, och jag kan förstå dem. Du måste göra jobbet nu eftersom det finns ett berg av data framför dig och folk kan inte vänta på att se resultatet. Om detta är fallet för dig - du har en enda databearbetningsuppgift, och inga fler sådana uppgifter förutses i framtiden - så kan det faktiskt vara bättre att begränsa dig till färdiga visualiseringsverktyg.

Men om du vill förstå dina data och sannolikt kommer att fortsätta arbeta med olika datavetenskapliga projekt i framtiden, kan tid som ägnas åt att lära dig programmera idag resultera i tid som sparas i morgon på andra projekt som också kommer att ha mer imponerande resultat. Med varje nytt projekt kommer dina programmeringsfärdigheter att förbättras, och det kommer att bli enklare och lättare för dig. Som med vilket främmande språk som helst, börjar man inte direkt skriva romaner på det. Nej, du kommer att börja med grunderna och sedan gradvis utöka dina kunskaper.

Man kan se på allt detta annorlunda. Föreställ dig att bli utslängd i ett främmande land och du talar inte det lokala språket. Däremot har du en översättare. (Lyssna på mig till slutet, jag talar till punkten.) För att kommunicera med lokalbefolkningen måste du först uttrycka dina tankar, och sedan måste översättaren förmedla ditt budskap. Men vad händer om översättaren inte vet innebörden av ordet du just sa eller inte vet vilket ord han ska använda för att förmedla det du sa? Han kan helt enkelt utelämna detta ord eller, om han är smart nog, titta i ordboken.

Programmet för färdiga visuella lösningar är översättaren. Om hon inte vet hur man gör något, då är du i en återvändsgränd eller måste prova en annan väg. Till skillnad från en mänsklig översättare kan ett program inte lära sig nya ord i farten eller, som i vårt fall, nya typer av diagram och grafer eller nya databearbetningsverktyg. Ytterligare funktioner kommer till det i form av en programuppdatering, vars utseende du måste vänta på. Så varför lär du dig inte språket själv?

Återigen, jag säger inte till dig att undvika vanliga verktyg. Jag använder dem själv hela tiden. De gör många tråkiga uppgifter enkla och snabba att lösa, vilket är jättebra. Låt bara inte programvaran begränsa dig.

Som du kommer att se i följande kapitel kan programmering hjälpa dig att få mer arbete gjort på kortare tid och med mindre ansträngning än att göra allt för hand. Naturligtvis finns det vissa uppgifter som är bättre att göra manuellt, speciellt när du berättar historier med data. Och detta för oss till nästa punkt, som ligger i den motsatta änden av visualiseringsspektrat: illustration.

Illustration

Låt oss ta en titt på grafiska formgivares rike. Om du är analytiker eller har en mer teknisk bakgrund är detta förmodligen ett okänt område för dig. Du kan uppnå mycket genom att kombinera kod och färdiga visualiseringsverktyg, men grafiken du slutar med kommer nästan alltid att se lite grov ut – som något som genereras automatiskt. Kanske kommer bildtexterna inte att vara på exakt rätt plats, eller så blir legenden lite överbelastad. För analys är ett sådant resultat vanligtvis ganska lämpligt - du vet vad du tittar på.

Men när du gör ett diagram eller en graf för en presentation, för en rapport eller för en publikation, behöver du i allmänhet finslipa den så att folk tydligt kan förstå vilken historia du berättar för dem.

Till exempel, i fig. Figur 35 visar det råa resultatet av arbetet i R. Den visar antalet visningar och kommentarer på webbplatsen FlowingData för de 100 mest populära inläggen. Inlägg sorteras efter kategori. Ju ljusare grönt, desto fler kommentarer genererade ett visst inlägg, och ju större storleken på rektangeln, desto fler visningar fick den. Du skulle inte ha gissat det från den första versionen av trimapen, men när jag tittade på siffrorna visste jag exakt vad jag såg, eftersom jag skrev den här koden själv.

I fig. 38 visar en reviderad version av samma trimap. Namnen är placerade så att de syns; Jag har lagt till inledande text överst så att läsarna förstår vad detta är framför dem; Jag tog bort den röda delen av färglegenden helt, eftersom det är nonsens - ett inlägg med ett negativt antal kommentarer. Jag ändrade också bakgrunden från grå till vit helt enkelt för att jag tyckte det skulle vara bättre.

Ris. 38. Trimap skapad i R och redigerad i Adobe Illustrator

Jag kunde ha redigerat koden för att passa alla mina behov, men det var mycket lättare att klicka på ett objekt och dra det till Adobe Illustrator. Du kan skapa en graf eller ett diagram från grunden i ett illustrationsprogram, eller så kan du importera en grafik du designat i till exempel R till den och redigera den som du vill. I det första fallet är du begränsad i ditt val av alternativ, eftersom visualisering inte är den primära uppgiften för denna kategori av programvara. För allt mer komplicerat än ett stapeldiagram är det bättre att använda importer. Annars måste du göra mycket manuellt, och detta är fyllt med fel.

Det som är bra med att använda bildredigeringsprogram är att du har mer kontroll över enskilda element och kan göra allt med dra och släpp-metoden. Ändra färgen på kolumner eller en enskild kolumn, öka eller minska tjockleken på mittlinjerna och anteckna de viktigaste egenskaperna - allt med några få klick.

alternativ

Det finns många program för att arbeta med illustrationer, men bland dem finns det bara ett fåtal som skulle användas av de flesta, och det finns bara ett som används överallt. Troligtvis kommer den avgörande faktorn för dig att vara priset. Priserna varierar från ingenting (gratis och öppen källkod) till flera hundra dollar.

ADOBE ILLUSTRATOR

All grafik baserad på statistisk data som ser skräddarsydd ut eller förekommer i en större publikation har med största sannolikhet bearbetats i Adobe Illustrator i något skede. Detta program är industristandard. Varje grafik som visas på sidorna i New York Times har antingen skapats eller redigerats i Illustrator.

Illustrators popularitet inom typografi beror på att man i detta program arbetar med vektorer, inte pixlar. Det betyder att du kan skapa stor grafik utan att kompromissa med bildkvaliteten. Ett exempel på motsatsen är när du ska förstora ett lågupplöst foto och sluta med en bild uppdelad i färgade fyrkantiga pixlar.

Detta program utvecklades ursprungligen för att designa typsnitt, men blev senare populärt bland illustratörer som ett verktyg för att skapa logotyper och konstgrafik. Och det är precis vad Adobe Illustrator huvudsakligen används till denna dag.

Programmet ger dock tillgång till en del grundläggande datavisualiseringsfunktioner via grafverktyget. Med den kan du skapa nästan alla grundläggande typer av diagram och grafer, såsom histogram, cirkeldiagram och tidsseriediagram. Du måste ange siffror i en liten tabell, men det är ungefär allt datamanipulation kan göra.

Det bästa med Illustrator när det kommer till informationsgrafik är att det är flexibelt och lätt att använda, med massor av knappar och funktionalitet. Till en början kan deras överflöd förvirra dig lite, men du kan snabbt vänja dig vid dem, vilket du själv kommer att se genom att läsa det fjärde kapitlet ("Visualisera mönster över tiden"). Det är denna flexibilitet som gör att de bästa informationsgrafikdesignerna kan skapa objekt som är kortfattade och begripliga.

Illustrator finns i både Windows- och Mac-versioner. Men det här programmet har också en nackdel: det är inte billigt. Priset börjar verka särskilt högt när du tänker på hur mycket du kan göra med kod som i allmänhet är gratis (förutsatt att du redan har en maskin att ladda ner den på). Men om du jämför priset på detta program med andra färdiga lösningar kommer Illustrator inte att verka så dyrt.

I skrivande stund kostar den senaste versionen av Illustrator 599 USD på Adobes hemsida, och du kan få betydande rabatter någon annanstans (eller få en äldre version). Dessutom erbjuder Adobe betydande rabatter till studenter och andra medlemmar av det vetenskapliga samfundet, så du kanske kan få programmet för betydligt mindre. (Detta är det dyraste programmet jag någonsin har köpt, men jag använder det nästan dagligen.)

INKSCAPE

Inkscape är ett gratis (öppen källkod) alternativ till Adobe Illustrator. Om du vill undvika kostnaden är Inkscape ditt bästa val. Jag använder alltid Illustrator för när jag först började lära mig krångligheterna med informationsgrafik, använde alla det, och det verkade vara det smartaste att göra. Men jag har hört bra saker om Inkscape, och eftersom det är gratis är det ingen skada att prova det. Förvänta dig bara inte att hitta så många webbtutorials om detta ämne som det finns för Illustrator.

ÖVRIG

Illustrator och Inkscape är verkligen inte de enda programmen du kan använda för att skapa och polera dina diagram och grafer. Det är bara det att de flesta använder dem. Men det finns också specialister som föredrar Corel Draw. Det här programmet finns bara i en version för Windows och kostar ungefär lika mycket som Illustrator. Du kan hitta det lite billigare om du vet var du ska leta.

Det finns andra program, som Aviary's Raven och Lineform, men de erbjuder en mindre uppsättning verktyg. Kom ihåg att Illustrator och Inkscape är de viktigaste verktygen för grafiska designers och de har den rikaste funktionaliteten. Men om du bara vill finjustera ett par befintliga diagram kan du välja enklare (billigare) programvara.

Kompromisser

Program som Illustrator och Inkscape är endast utformade för en sak: illustration. De är inte utformade specifikt för att utveckla informationsgrafik. Deras huvudfokus är grafisk design, och därför är det många som inte utnyttjar all funktionalitet som Illustrator och Inkscape erbjuder. Båda är inte heller särskilt väl lämpade för att hantera stora datamängder och jämförs inte bra med program du själv skriver för specifika ändamål eller med andra verktyg som är speciellt utformade för datavisualisering. Med andra ord är grafikredigerare viktiga om du vill göra grafik som är tillräckligt hög för att publiceras. De hjälper inte bara till med estetiken, utan gör också föremålet mer läsbart och begripligt, vilket ofta är svårt att uppnå när man arbetar med automatiskt genererade resultat.

Kartläggning

Mappningsverktygens möjligheter sammanfaller delvis med kapaciteten hos visualiseringsverktyg som vi diskuterade ovan. De senaste åren har dock mängden geografiska data ökat avsevärt och med det har antalet sätt som kartor kan skapas på ökat. Mobila positioneringstjänster är på frammarsch, med allt större datamängder med latitud och longitud kopplade till dem. Dessutom är kartor ett otroligt intuitivt sätt att visualisera data och är värda en närmare titt. Under de första åren av webben var det inte lätt att skapa kartor. Och resultatet blev inte elegant. Kommer du ihåg dagarna när du var tvungen att gå till MapQuest, följa en massa instruktioner och sluta med en liten statisk karta? Vid något tillfälle hade Yahoo en sådan tjänst. Detta varade tills Google implementerade principen om en rörlig karta (fig. 39). Även om tekniken uppfanns tidigare kom den inte till användning förrän de flestas internethastigheter ökade tillräckligt för att ge kontinuerliga datauppdateringar. Idag är vi redan vana vid att flytta kartor. Vi kan rulla och zooma in på dem med lätthet, och i vissa fall behöver vi kartor för mer än att bara bestämma färdriktningen – de blir huvudgränssnittet för att se en datamängd.

Ris. 39. Du kan också få instruktioner på Google Maps

Notera: Rörliga kartor är en princip för att implementera kartografiska data som har blivit nästan universell idag. Stora kort som annars inte skulle få plats på skärmen delas upp i mindre bilder (eller brickor). Du ser bara de brickor som faller på ditt fönster, och resten är dolda. Men så fort du drar kartan med musen dyker det upp andra brickor och därmed verkar det som att du rör dig runt en stor karta. Du kan också se en liknande visningsprincip när du tittar på högupplösta fotografier.

alternativ

När geografiska data blir alltmer tillgängliga i det offentliga området, finns nya och mer mångsidiga verktyg tillgängliga för att göra kartor med dessa data. När det gäller några av dem krävs bara en liten del av programmeringskunskaper för att kunna skapa något med deras hjälp och köra det. Att arbeta med andra verktyg kräver en något större investering av arbete och tid, men det finns också lösningar som inte kräver programmeringskunskaper.

GOOGLE, YAHOO OCH MICROSOFT KARTOR

Det här är den enklaste onlinelösningen, men den kräver också att du har åtminstone lite kunskap om programmering. Ju bättre du är på att koda, desto mer kan du åstadkomma med kart-API:erna som erbjuds av Google, Yahoo och Microsoft.

Den grundläggande funktionaliteten i alla tre fallen är ganska lika, men om du bara tar dina första steg inom detta område rekommenderar jag att du börjar med Google. Jag tror att detta är det mest pålitliga alternativet. Google har API:er för att skapa kartor i både JavaScript och Flash, samt andra geografirelaterade tjänster som geokodning och vägbeskrivningar. Titta på handledningen för att komma igång med systemet, dyk sedan in i andra ämnen, som att markera, hitta optimala rutter och lägga till lager. Omfattande instruktioner med kodavsnitt och bästa praxis hjälper dig snabbt att komma igång.

Ris. 40. Taggning på Google Maps

Yahoo har också ett API för att skapa kartor med JavaScript och Flash, plus vissa geo-tjänster, men jag är inte säker på hur länge dessa kommer att vara tillgängliga med tanke på företagets nuvarande tillstånd. När den här boken skrevs hade Yahoo flyttat fokus från applikationsutveckling till innehållsleverans. Microsoft erbjuder också ett API för JavaScript (kallat Bing) och ett annat för Silverlight, plattformen som utvecklades som ett svar på Flash.

De online karttillverkningstjänster som nämns ovan är ganska enkla när det gäller vad de kan göra. Om du behöver skapa mer komplexa kartor måste du med största sannolikhet implementera funktionen själv. Men det finns också ArcGIS, som utvecklades som en skrivbordsapplikation för att skapa kartor. Det är ett rejält program som låter dig flytta en enorm mängd data till ett kort och göra en massa saker som utjämning och bearbetning. Du kan göra allt detta via användargränssnittet, så du behöver inte skriva någon kod.

Nästan alla grafiska tjänster och avdelningar som anställer kartproffs använder ArcGIS. Vissa människor är galna i henne. Så om du är intresserad av att skapa detaljerade kartor, kanske du vill ta en titt på ArcGIS.

Jag har använt ArcGIS i flera projekt eftersom jag föredrar att gå "mjukvaruvägen" och jag behövde helt enkelt inte all den funktionaliteten. En sådan rik verktygslåda har också en nackdel: du måste hantera samma stora antal knappar och menyer. Online- och serverbaserade lösningar finns också, men jämfört med andra lösningar verkar de lite klumpiga.

MODESTA KARTOR

Jag nämnde redan Modest Maps ovan när jag gav exemplet som visas i fig. 29. Det visade upp Walmarts tillväxt. Modest Maps är ett Flash- och ActionScript-bibliotek för kakelbaserade kartor och är även kompatibelt med Python. Biblioteket underhålls av en grupp människor som förstår kartläggning online och gör ett utmärkt arbete både för sina kunder och för sin egen nöje, vilket säger mycket om kvaliteten på biblioteket.

Det roliga är att Modest Maps är mer ett ramverk än ett API för att skapa kartor som de som erbjuds av Google. Det ger det absoluta minimum av vad som behövs för att skapa en onlinekarta, och stör då inte ditt arbete och ger dig möjlighet att implementera det du vill. Du kan använda brickor från olika leverantörer, eller så kan du anpassa kartan så att den passar din applikation. Till exempel, i fig. 29 visar kortet i blått och svart design, men du kan enkelt ändra det till vitt och rött, som visas i fig. 41.

Ris. 41. Karta i vit och röd design med Modest Maps

Modest Maps distribueras under en BSD-licens, så du kan göra vad du vill med den, helt gratis. Det är sant att du för detta måste lära dig hur du arbetar med Flash och ActionScript, men vi kommer att prata om dem i det åttonde kapitlet ("Visualisera rumsliga relationer").

POLYMAPS

Polymaps är en sorts JavaScript-version av Modest Maps-biblioteket. Den har utvecklats och underhållits av några av samma personer och erbjuder mycket av samma funktionalitet, men mycket mer att starta upp. Modest Maps tillhandahåller endast grundläggande karttillverkningsfunktioner, medan Polymaps har inbyggda funktioner som kartogram (Figur 42) och bubbeldiagram.

Ris. 42. Kartogram som visar arbetslösheten, implementerad i Polymaps

Eftersom det hela är JavaScript känns objektet lättare (eftersom det kräver färre rader kod) och fungerar i moderna webbläsare. Polymaps använder skalbar vektorgrafik (SVG) för att visa data och fungerar därför inte i äldre versioner av Internet Explorer, även om de flesta hänger med i tiden. Förresten, bara 5% av besökarna på FlowingData-webbplatsen använder föråldrade webbläsare, och jag misstänker att den siffran snart kommer att sjunka till noll.

Personligen, det jag uppskattar mest med bibliotek för att skapa kartor i JavaScript är att koden körs i webbläsare utan problem. Du behöver inte göra någonting - ingen kompilering, ingen Flash-export. Som ett resultat är allt enkelt att starta och enkelt att uppdatera.

I sin grunddistribution har R ingen mappningsfunktion, men det finns flera paket som låter dig göra mappning i R också. I fig. Figur 43 visar en liten karta som jag gjorde i R. Anteckningarna lades till senare, i Adobe Illustrator.

Ris. 43. USA-karta skapad i R

Kartor gjorda i R har begränsade möjligheter och dokumentationen är inte bra, så jag använder bara den här metoden för att skapa kartor om jag behöver göra något enkelt och råkar arbeta i R för tillfället. I andra fall föredrar jag att tillgripa till de verktyg som jag redan har nämnt ovan.

ONLINELÖSNINGAR

Det finns också flera kartlösningar online som gör det enkelt att visualisera geografiska data. I de flesta fall tar de de kort som folk använder oftast och tar bort alla onödiga saker från dem. Det visar sig något som liknar ett förenklat ArcGIS. Två av dessa resurser är fritt tillgängliga. Dessa är Many Eyes och GeoCommons. Den första av dem - vi pratade om det ovan - har bara grundläggande funktionalitet för att arbeta med data om länder eller amerikanska stater. Men GeoCommons ger större funktionalitet och rikare verktyg för interaktion. GeoCommons stöder också de vanligaste kartdatafilformaten, såsom shapefiler och KML.

Det finns också många betalda lösningar, de mest användbara är Indiemapper och SpatialKey. SpatialKey är mer lämplig för affärs- och beslutsfattande, medan Indiemapper är bra för kartografer och designers. I fig. Bild 44 visar ett exempel på ett kartogram som jag satte ihop i Indiemapper på bara några minuter.

Ris. 44. Kartogram skapat i Indiemapper

Kompromisser

Kartprogram finns i många olika typer och är designade för att möta olika behov. Det skulle vara fantastiskt att behärska ett enda program och kunna skapa alla tänkbara typer av kartor. Tyvärr kommer det inte att fungera så.

ArcGIS, till exempel, har många funktioner, men du kanske inte vill lägga tid på att lära dig det eller pengarna för att köpa det om du bara behöver skapa enkla kartor. Tvärtom kan gratis R med dess grundläggande funktionalitet vara för enkel för det du vill göra. Om ditt mål är interaktiva onlinekartor kan Modest Maps och Polymaps passa dig, men då behöver du mer seriösa programmeringskunskaper.

Utforska dina alternativ

Den här listan med verktyg uttömmer inte på något sätt alla alternativ som du kan använda för att visualisera data, men till en början borde det vara tillräckligt för dig. Det finns mycket att tänka på och mycket att leka med. Vilka verktyg du slutar använda beror till stor del på vad du vill uppnå, och det finns alltid flera metoder för att utföra en uppgift även inom ett enda program. Vill du skapa ett statiskt informationsdiagram? Jag kanske borde hålla mig till R eller Illustrator. Vill du bygga ett interaktivt verktyg för din webbapplikation? Prova sedan JavaScript eller Flash.

Jag genomförde en undersökning på webbplatsen FlowingData, för att försöka ta reda på vad människor främst använder för dataanalys och visualisering. Drygt 1 000 personer svarade. Resultaten presenteras i fig. 45.

Ris. 45. Vad FlowingData-läsare använder för att analysera och visualisera data

Bland svaren finns det flera uppenbara ledare, särskilt med tanke på ämnet FlowingData. Excel kommer på första plats, följt av R. Och sedan finns det en divergens i åsikter och preferenser när man väljer programvara. Mer än 200 personer valde kategorin "Övrigt". Många kommentatorer uppgav att de kombinerar verktyg för att möta olika behov – vilket vanligtvis är det mest effektiva tillvägagångssättet i längden.

Kombinera alternativ

Många människor gillar att arbeta med bara ett program - det är enkelt och bekvämt. Det finns ingen anledning att lära sig något nytt. Om detta är tillräckligt för att tillfredsställa dina visualiseringsbehov, så finns det ingen anledning att avvika från denna princip. Men efter att du har arbetat med data tillräckligt länge, kommer det att komma en punkt när du inser att programvarans möjligheter har uttömts. Du vet vad du behöver göra med data eller hur du visualiserar den, men programmet låter dig inte göra det eller kommer att göra processen mer tidskrävande än den borde vara.

Du kan acceptera den här situationen, eller så kan du börja använda andra program som tar tid att lära sig, men som hjälper dig att förverkliga din designvision. Jag föreslår att du tar den andra vägen. Att bemästra en mängd olika verktyg säkerställer att du inte blir överväldigad av data och att du har flexibiliteten att hantera en mängd olika visuella uppgifter och få verkliga resultat.

Avslutar

Kom ihåg: inget av dessa verktyg är ett universalmedel. I slutändan är dataanalys och design alltid upp till dig. Verktyg är trots allt bara verktyg. Bara för att du har en hammare betyder det inte att du kan bygga ett hus. På samma sätt kan du ha ett bra program och en superdator till ditt förfogande, men om du inte vet hur du använder dessa verktyg har du dem inte. Du bestämmer vilka frågor du ska ställa, vilken data du ska använda och vilka aspekter av den som ska lyftas fram, och att förstå detta kommer med erfarenhet.

Men du har tur! Det är trots allt vad resten av boken ägnas åt. I de följande kapitlen kommer du att bli bekant med de grundläggande begreppen informationsdesign och lära dig hur du omsätter teori i praktiken med hjälp av någon kombination av de verktyg vi diskuterade ovan. Du lär dig vad du ska leta efter i den information du har och hur du visualiserar den.

En streamgraph är en typ av staplade ytdiagram som är förskjutna runt en central axel, vilket resulterar i vackra, flytande former (särskilt när man arbetar med stora datamängder). Utvecklad av Lee Byron 2008. Generatorn kan laddas ner från GitHub. Notera körfält

Idag utforskar området visualisering metoder för att omvandla data till visuella bilder för att bättre förstå information. En av de vanligaste visuella representationerna, linjediagrammet, har använts i över tusen år. Och verktyg som stapeldiagram, cirkeldiagram, punktdiagram och histogram uppfanns för mer än två århundraden sedan.

Mycket tid har gått sedan dess, och framstegen har inte stått stilla. Nuförtiden har användare dussintals program till sitt förfogande som låter dem visualisera data. Samtidigt har visualisering länge "migrerat" till tredimensionell rymd: forskare använder den för att visuellt presentera forskningsresultat, meteorologer sammanställer väderkartor, chefer använder 3D-datamodeller för att fatta snabba och effektiva förvaltningsbeslut.

Men kommer utvecklingen av visualiseringstekniker att stanna där? Självklart inte. Hur ser framtiden ut för oss? Svaret på denna fråga kan hittas genom att spåra visualiseringens historia, för det är inte för inte som de säger: "Utan kunskap om det förflutna finns det ingen framtid."

En kort utflykt i historien

Eftersom vi pratar om visualisering, låt oss presentera dess historia i visuell form - så här avbildades den av Michael Friendly, författare till boken Handbook of Data Visualization:

Före 1600-talet – Tidiga kartor och sjökort

Det första fröet av visualisering började i geometriska diagram, tabeller över stjärnpositioner, illustrationer av kroppsdelar och sjökort.

Bland de tidiga visningarna av kvantitativ information finns en graf över stjärnkropparnas rörelse, som visar planeternas rörelse i ett tvådimensionellt koordinatsystem. Detta diagram ger en bra illustration av denna period:

1600-1699 – Mätningar och teorier

På 1600-talet var vetenskapsmän intresserade av hur man mäter tid, avstånd och rum. Huvudvikten låg på kartor och navigering.

Det var under denna period som ett koordinatsystem dök upp, teorin om trohet och demografisk statistik föddes.

En illustration av den tiden kan hittas i Christopher Scheiner, daterat 1630. Senare använde Edward Tufte termen "små uppsättningar" för det, vilket betyder upprepning av ett element många gånger för att visa dynamiken och förändringarna som inträffar.

Den här bilden visar solfläckarna som observerats under månaden:

1700-1799 – Nya grafiska former

1700-talet var en tid då man gick bortom det "uppenbara". Kartor försöker nu visa inte bara en punkt på en geografisk plats, utan konturer och isoliner visas.

Exempel på eran: tematiska kartor över geologiska förkastningar, ekonomiska beräkningar och medicinska illustrationer. Abstrakta visualiseringar blir allt vanligare. När mer information om politiska och ekonomiska händelser börjar ackumuleras, uppstår behovet av nya visuella former för att visa dem.

Nedan är ett av de första exemplen på överlagring av ytterligare data på en geografisk karta:

1850 – Början av modern grafik

Vid det här laget dök huvudtyperna av grafer upp: cirkel-, stapel- och ytdiagram. Utgångspunkten för modern grafik anses vara den berömda visualiseringen av kolera på Londons gator, gjord av John Snow:

1858 uppfann den brittiska sjuksköterskan och socialaktivisten Florence Nightingale det första cirkeldiagrammet, som hon använde under Krimkriget för att visa att många fler soldater dog av sjukdomar (blått) än på slagfältet (rött) eller av andra orsaker (svart). ):

1900-1950 – År av problem

Filosofiska resonemang och uppdelningen av människor i "mer visuellt" och "mer tabellformigt" började. Britterna ansåg sig vara mer tabellformade. Mottot för British Academy på den tiden var datainsamling ("samla vetekorn"), men enligt deras åsikt var visualisering redan från bageriserien.

1950 – 1975 – Renässans

Forskare och författare började aktivt popularisera idén om visualisering. Liknande verk kom ut bokstavligen en efter en. 1962 skrev John Tukey The Future of Data Analysis, som skilde matematik från statistik. Och om den första inte tolererar visualiseringar, får statistiken större betydelse och form tack vare dem.

Vid den här tiden dök de första interaktiva visualiseringarna upp. Ett exempel är denna visualisering av Richard Baker:

1973 använde den amerikanske forskaren Herman Chernov ansiktsbilder för att visualisera data. Chernov-ansikten är en visning av flerdimensionell data i form av ett mänskligt ansikte och dess individuella delar. Nedan är ett exempel på advokaters bedömning av 12 domare baserat på Chernovs personer:

1975 – nu – Interaktiv och dynamisk högupplöst visualisering

Idag har vi bred tillgång till verktyg för dataanalys och visualisering. De viktigaste ögonblicken som markerade eran av interaktiv och dynamisk visualisering kan betraktas som framväxten av interaktiva system, förmågan att interagera med modeller (inklusive 3D) och en ökning av datorkraft tillsammans med billigare teknik.

Naturligtvis spelade uppkomsten av Internet och, som en konsekvens, tillgång till stora mängder data en nyckelroll i denna process.

Ett slående exempel på visualisering av denna era är internetvisualiseringen gjord av Opte Project:

Som du lätt kan gissa från namnet är datavisualisering en grafisk representation av alla data. Samtidigt hittade jag på Internet många definitioner som relaterar till datavisualisering:

• Grafer och diagram,
• Infografik och diagram,
• Presentation och dataanalys,
• Interaktivt berättande,
• Affärsanalys och instrumentpaneler,
• Vetenskaplig och medicinsk bildbehandling,
• Kartor och kartogram.

Sedan bestämmer var och en själv vad de förstår med datavisualisering. I slutet av lappen kommer jag att berätta vad jag bestämde för mig själv. Under tiden, låt oss titta på var och en av typerna mer i detalj och hitta deras skillnader och funktioner.

Grafer och diagram

Förmodligen den mest välbekanta typen av datavisualisering för oss. Används för både datapresentation och analys. Du kan träffa dem på jobbet, i tidningar och i vetenskapliga rapporter. Vi brukar få kunskap om de befintliga typerna av diagram och grafer från skolan eller från en standarduppsättning i Excel. Men få människor vet att världen av grafer och diagram inte är begränsad till punktdiagram, stapeldiagram och cirkeldiagram. Det finns cirka 15 välkända typer av diagram, och det finns mer än 60 av dem totalt, och deras antal ökar varje dag - människor kommer på nya typer för att visualisera komplexa och ovanliga data. Vi kommer att titta på typerna av grafer och diagram i detalj i ett av följande inlägg.

Infografik och diagram

Infografik har blivit mycket populärt de senaste åren, även om det har funnits länge. Infografik hänvisar till datajournalistik, där grafer och diagram förklarar eventuella fakta om ett valt ämne. Vanligtvis är infografik statisk och består av ett långt "ark" med bilder och text. Ett utmärkande drag för infografik är att det ger färdiga slutsatser, det vill säga att läsaren leds av handen genom det valda ämnet och samtidigt peppras med siffror och bilder. En handritad eller tecknad stil används ofta. Vissa media släpper infografik dagligen, till exempel AiF. Boomen inom infografik har orsakat en nedgång i den övergripande nivån på infografikkvalitet. Det används ofta malplacerat eller "för skönhet", även om det naturligtvis finns underbara och intressanta exempel.

Infografiska exempel

Styrkan i Napoleons armé under det ryska fälttåget 1869

Befolkning i olika länder, 1912

10 budord för typografi

Vingar klaff

Vegetarianer i antal

Datapresentation och analys

Ett av de vanligaste sätten att använda datavisualisering är att presentera information i form av diagram eller infografik. Och om jag tror att allt är klart med detta, så används användningen av visualisering för informationsanalys huvudsakligen endast av affärsanalytiker och forskare. Vad är skillnaden?

När man analyserar data med hjälp av visualisering används så kallad rapid prototyping – det vill säga skapa ett stort antal olika visuella representationer av samma data. Detta görs för att göra det möjligt att hitta samband och beroenden som är dolda vid en första anblick, samt för att ge en första bedömning av datamängden för möjligheten att använda mer komplexa analysverktyg i framtiden. Detta tillvägagångssätt kallas för eploratorisk dataanalys (EDA), som kan översättas till ryska som utforskande dataanalys. Den största skillnaden mot datapresentation är att visualisering här kan vara "grov" och ful, men det görs snabbt och av en person eller en liten arbetsgrupp. För detta används oftast Excel, R eller Matlab.

EDA är ett av datautvinningsverktygen; det finns till och med handledningar om hur man gör det

Visualiseringsexempel för EDA

Interaktivt berättande

Storytelling eller skazatsievo på ryska (låter roligt) är presentationen av lite användbar information i form av en intressant berättelse. Av någon anledning kallas video ofta för interaktivt berättande, men det är det inte, det är bara en annan typ av informationsgrafik. Interaktivt berättande är en berättelse som lyssnaren kan interagera med. I sin kärna ligger den nära datajournalistik och infografik, men skiljer sig genom att användaren kan styra visningen av information och hitta de beroenden som författaren inte hittade. I denna mening ligger det nära utforskande dataanalys, men skiljer sig genom att data förbehandlas och presenteras i en form som är lämplig för analys, och det finns också tips eller förskrivna användningsscenarier. Därför kallas interaktivt berättande oftast för interaktiv infografik, men för att bli det räcker det inte med att bara lägga till popup-fönster till statisk infografik.
Interaktiva visualiseringar utvecklas aktivt nu för tiden. Starka exempel finns i stora medier eller i form av enskilda projekt.

Exempel på interaktivt berättande (gå till hemsidan när du klickar på bilden)

Affärsanalys och instrumentpaneler,

Visualisering används aktivt i näringslivet. Principen ”prata med data” hjälper företag att tjäna mer och kunder får bättre service. För engångsanalyser används vanligtvis Excel eller R. Detta är dock inte bekvämt om du behöver övervaka vissa indikatorer (KPI) löpande. För att spåra rutinmässiga KPI:er används dashboards - displayer som visar alla nödvändiga indikatorer på ett ställe i form av grafer, diagram och tabeller.

Att designa effektiva instrumentpaneler är en komplex och extraordinär uppgift. De är ofta överbelastade med onödig information eller försöker använda alla möjliga typer av malldiagram. Ofta, för att designa en bra instrumentpanel, är det nödvändigt att skapa nya typer av informationsvisualisering. Ämnet utvecklas aktivt på grund av den ökande användningen av analyser i näringslivet. Instrumentpaneler används också för personligt bruk (träningsspårare, analys av personliga utgifter, etc.)

Kartor är en av de äldsta visualiseringsmetoderna som skildrar den omgivande verkligheten. Ett kartogram är en karta med information tryckt på den i form av färg eller på annat sätt. Jag kanske inte ska vara exakt med termerna här, må kartograferna förlåta mig. Kartogram kan användas för att visa vilken information som helst - från befolkningstäthet till frekvensen av användning av svordomar i varje region i landet. De kan användas i någon av de typer av visualiseringar vi pratade om tidigare. Jag har markerat dem i ett separat stycke, eftersom deras implementering skiljer sig ganska mycket från andra typer av visualiseringar (vi väntar på en anteckning om detta).

Exempel på kartogram (gå till webbplatsen genom att klicka på bilden)

Summering

Sedeln visade sig vara oväntat stor. Kanske är det bra, du kan direkt se hur mycket det finns i en värld av datavisualisering. Vad förstår jag med detta koncept och vad kommer den här bloggen att handla om?
För mig handlar datapresentation framför allt om grafer och diagram, samt interaktiv infografik. Detta är vad huvuddelen av anteckningarna kommer att ägnas åt; det kommer också att vara intressant att fördjupa sig i kartor och instrumentpaneler.