Data Visualization

数据可视化 / 统计图 / 科研数据表达

---

🧭 Overview｜领域概述

数据可视化（Data Visualization）是将数据转换为**图形化表达（图表、图像、空间结构）**的过程，用于揭示模式、趋势与关系。 (TechTarget)

其核心目标包括：

• 提高数据理解效率
• 揭示隐藏结构（patterns / trends / outliers）
• 支持分析与决策

📌 本质定义（学术表达）：

Data → Visual Mapping → Cognition Amplification

即：

利用视觉系统增强人类对数据的认知能力 (PMC)

---

🧱 I. 核心分类体系（Core Taxonomy）

数据可视化在学术上主要分为两大分支：

---

1. 信息可视化（Information Visualization）

• 对象：

  • 抽象数据（表格 / 统计 / 社会数据）

• 特征：

  • 无空间结构
  • 强调关系与统计

📌 典型：

• 折线图 / 柱状图 / 饼图
• 网络图 / 关系图

---

2. 科学可视化（Scientific Visualization）

• 对象：

  • 具有空间属性的数据

• 特征：

  • 强调物理意义
  • 多维空间表达

📌 典型：

• 流体场
• 医学影像
• 气候模型

📌 二者本质区别：

InfoVis → 抽象关系  
SciVis  → 物理空间

(PMC)

---

⚙️ II. 数据可视化流程（Visualization Pipeline）

这是科研中最关键的一条主线：

Data → Processing → Mapping → Rendering → Interpretation

展开为：

---

1. 数据获取（Data Acquisition）

• 实验数据
• 观测数据
• 模拟数据

---

2. 数据处理（Data Processing）

• 清洗（Cleaning）
• 归一化（Normalization）
• 降维（Dimensionality Reduction）

---

3. 映射（Visual Encoding）

核心步骤：
👉 将数据映射为视觉变量

• 位置（Position）
• 颜色（Color）
• 大小（Size）
• 形状（Shape）

---

4. 渲染（Rendering）

• 2D 图表
• 3D 场景
• 交互式界面

---

5. 认知与解释（Interpretation）

• 模式识别
• 关系理解
• 决策支持

📌 可视化本质是“认知外包”：
让视觉系统替代大脑计算 (约翰霍普金斯图书馆指南)

---

📊 III. 统计图体系（Statistical Graphics）

---

1. 基础图表（Basic Charts）

• Line Chart（趋势）
• Bar Chart（比较）
• Pie Chart（比例）

---

2. 分布表达（Distribution）

• Histogram
• Box Plot
• Density Plot

---

3. 关系表达（Relationship）

• Scatter Plot
• Correlation Matrix

---

4. 多维数据（Multivariate）

• Heatmap
• Parallel Coordinates
• PCA / t-SNE

---

📌 图表选择本质是：

Data Type → Visual Form

---

🧠 IV. 设计原则（Design Principles）

---

1. 准确性（Accuracy）

• 不扭曲数据
• 比例正确

---

2. 可读性（Clarity）

• 信息层级清晰
• 避免视觉噪声

---

3. 效率（Efficiency）

• 快速传达信息
• 降低认知负担

---

4. 表达性（Expressiveness）

• 图形能表达数据结构

---

📌 关键思想：

可视化不仅是“画图”，而是“信息编码”

---

🔬 V. 科研表达结构（Scientific Expression）

这是你最关键的部分 👇

---

1. 数据层（Data Layer）

• 原始数据
• 统计结果

---

2. 结构层（Structure Layer）

• 分布
• 网络
• 空间结构

---

3. 叙事层（Narrative Layer）

• 结论
• 逻辑关系

---

📌 科研图的本质：

Data → Structure → Insight → Story

(Coursera)

---

🧩 VI. 可视化范式（Visualization Paradigms）

---

1. 探索型（Exploratory）

• 用于发现规律
• 面向研究者

---

2. 解释型（Explanatory）

• 用于表达结论
• 面向读者

---

3. 交互型（Interactive）

• 可动态分析数据
• Dashboard / 可视分析

---

📌 现代趋势：

• 数据故事（Data Storytelling）
• AI辅助可视化
• 实时可视分析

---

🌍 VII. 应用场景（Applications）

---

1. 科研

• 论文图表
• 模型结果表达

---

2. 工业 / 商业

• BI Dashboard
• 数据分析

---

3. 医学 / 科学

• 医学影像
• 气候模拟

---

📌 数据可视化是跨领域通用语言

---

📊 VIII. Summary｜结构总结

数据可视化可以抽象为：

① 数据处理：采集 / 清洗 / 分析  
② 视觉映射：位置 / 颜色 / 形状  
③ 表达目标：理解 / 分析 / 决策  

统一逻辑：

Data → Visual → Insight → Decision

---

📚 Note｜栏目说明

本栏目将围绕以下方向展开：

• 统计图设计（Statistical Graphics）
• 科研图表达（Scientific Figures）
• 高维数据可视化（High-dimensional Visualization）
• 3D / 交互式可视化

重点关注：

• 图形语言（Visual Encoding）
• 认知效率（Cognitive Efficiency）
• 科研表达（Scientific Communication）