番禺门户网站建设,权重查询,网站建设合同以及服务条款,建筑图纸怎么看懂的最快 施工图文章目录 #x1f4da;介绍可视化#x1f407;什么是可视化#x1f407;科学可视化#xff0c;信息可视化#xff0c;可视分析系统三者之间有什么区别#x1f525;#x1f407;可视化的基本流程#x1f407;可视化的两个基本设计原则#x1f407;数据属性#x1f407… 文章目录 介绍可视化什么是可视化科学可视化信息可视化可视分析系统三者之间有什么区别可视化的基本流程可视化的两个基本设计原则数据属性可视化的基本图表 可视化编码视觉编码基本图表 图形感知前注意力机制格式塔学说变化盲视颜色感知颜色生成和颜色优化 可视化评估Edward Tufte设计准则饼图、彩虹颜色表、3D图表的评价 高维数据可视化为什么要降维多维尺度分析Multidimensional Scaling/MDS主成分分析Principal Component Analysis/PCASNET-SNE 层次可视化树可视化⭐️节点链接式⭐️空间填充式 图可视化⭐️force-directed算法⭐️node-link diagram⭐️adjacency matrix 文本数据可视化动态文本文本可视化的流程文本可视化的方式⭐️词云⭐️树图⭐️流图 标量场数据可视化间接体绘制直接体绘制 交互交互的意义动态查询Brushing和linkingoverview detail 和 focus context 两种交互方式 介绍可视化
什么是可视化
将非视觉的数据通过某种映射的方式生成图像串联视觉表达生成可读可识别的结果帮助用户高效地完成一些目标。
科学可视化信息可视化可视分析系统三者之间有什么区别
科学可视化侧重于使用计算机图形学来创建视觉图像主要关注三维现象具有天然几何结构的数据的可视化如建筑学、气象学、医学或生物学方面的各种系统重点在于对体、面以及光源等等的逼真渲染目的是以图形方式说明科学数据这有助于理解科学概念或结果的复杂、通常是大规模的数字表示。信息可视化是通过使用交互式可视化界面来传达抽象数据。抽象数据包括数字和非数字数据抽象数据结构如树状结构或者图形如地理信息与文本柱状图、趋势图、流程图、树状图等这些图形的设计都将抽象的概念转化成为可视化信息。可视分析是通过可视化交互界面促进的分析推理科学主要挖掘数据背景的问题与原因尤其关注推理和分析。 信息可视化与科学可视化的主要区别首先是 科学可视化通常是观察基于物理的、有几何属性的数据而信息可视化则用来显示各式各样的抽象数据其次科学可视化的用户多是高层次的专业工作者而信息可视化的用户则主要是非技术人员。要为难以形象表达的抽象数据设计更加容易理解的表现形式使信息可视化面临更大的挑战。 信息可视化的可视化目的和科学可视化不同。 科学可视化的目的要求是真实地反映要求忠实地“直译”。而信息可视化的可视化目的则是要从大量抽象数据中发现一些新的信息它不仅仅使简单的反映而且要求能够创造性地反映能够把隐藏在可视化对象深处或可视化对象之间的信息挖掘出来它是一种知识和价值创造的过程且信息可视化主要是通过使用交互式可视化界面来进行抽象数据的交流。
可视化的基本流程 说不清楚直接画图
可视化的两个基本设计原则
简单性 (Simplicity)简单性是可视化设计的核心原则。它要求保持信息的简洁性和清晰性以避免混淆和信息过载。一致性 (Consistency) 一致性要求在可视化中使用一致的设计元素和规则以创建统一的用户体验。
数据属性 Nominal标签类数据比如男女苹果、香蕉这些。Ordered等级、排序。Interval日期、坐标这种没有0临界。Ratio计数有0临界比如没有-4个人–100岁。
可视化的基本图表 定性数据绘制 条形图Bar Chart显示每个类别的计数或相对频率。饼图Pie Chart显示每个类别中整体的比例。盒须图Boxplot箱线图是5-number summaryMinimum、Q1、median、Q3、maximum的图形显示。 特点可以反应原始数据 分布的特征即可以从图中看出上边缘、下边缘、中位数、两个四分位数以及离群点能提供有关数据位置和分散情况的关键信息。 构造步骤 构建一个以Q1和Q3作为头和尾的箱子在箱子内部用横线标上中位数。Q1和Q3的计算方法数据分成一半后两部分再分别求中位数就是Q1和Q3。如1、2、3、4、5、6Q1就是2Q3就是5。如22 25 34 35 41 41 46 46 46 47 49 54 54 59 60Q1就是(3541)/238Q3就是(4954)/251.5注意这里算数据分成一半后的中位数是要把整体数据的中位数也算进去找出fencesfencesfence由1.5*IQRinterquartile range (IQR) Q3 –Q1来决定upper fences是在高于上四分位点1.5IQR的位置lower fence是在低于下四分位点1.5IQR的位置。注意fence只用于辅助构建箱型图并不实际出现在箱型图中upper fence和lower fence会出现。确定极大值极小值从第一步构建的箱子的两端画线到极值。用特殊符号表示超出上下限的数据离群值且有时使用不同的符号表示距离四分位数超过 3 个 IQR 的“远异常值” 定量数据绘制 直方图Histogram频率分布直方图。茎叶图stem and leaf display
可视化编码
视觉编码
视觉编码是将数据映射到视觉变量的过程不同的数据类型需要采用不同的编码方式来有效地传达信息。视觉图元/标记mark点、线、面。视觉通道channel位置、大小、形状、颜色、方向、纹理。 Position、 Length、 Color Hue、 Shape 对于quantitative、nominal、ordinal三种数据的可视编码有效性排序 Quantitative : Position Length Color Hue shapeNominal: Position Color Hue Length shapeOrdinal: Position Color Hue Shape Length 多维数据
基本图表
雷达图/星图Radar Plot / Star Graph显示多个定量变量的图表。 优点 可以同时展示多个变量方便比较不同类别或对象在这些变量上的性能可以用来评估一个实体在多个维度上的平衡性或一致性易于通过叠加多个雷达图来比较不同实体或组之间的差异。 缺点 当变量数量过多时雷达图会变得杂乱且难以阅读对于相隔较远的轴比较就变得比较困难变量的值需要经过适当的归一化或标准化处理否则直接比较可能没有意义。 平行坐标系Parallel Coordinates由一组平行的轴构成每个轴代表数据集中的一个维度并且所有轴之间等距排列。数据点在平行坐标系中通过一系列连线表示每根连线表示数据集中的一个记录而连线在每个轴上的位置则对应那条记录在该维度上的值。 优点 可以揭示不同维度之间的关系适用于高维数据集通过观察数据点的趋势线可以识别变量之间的关系和潜在的数据模式。 缺点 过于密集的线条可能会造成视觉上的混乱轴线的排序会影响可视化的可读性和解释性。 散点图Scatterplot MatrixSPLOM显示多维数据集中各维度之间的变量两两关系的图形表示方法。在一个矩形的网格中排列散点图网格的行数和列数等于选定变量的数量。网格的每一行和每一列对应数据集的一个特定变量。对于网格中的每个单元格来说横轴是该单元格所在列对应的变量纵轴是该单元格所在行对应的变量。在对角线位置横纵轴变量相同的位置通常显示轴变量的单变量分布。 优点 可以揭示出多个维度的变量两两之间的相关性和模式可以帮助识别数据中的异常值或异常点对角线可用于显示各个变量自身的分布。 缺点 当变量的数量非常多时散点图矩阵也可能变得非常复杂并难以解读绘制散点图矩阵可能需要大量计算资源只能显示两个变量之间的关系不能直接表示多个变量之间的交互作用。
图形感知
图形感知是可视化设计中非常重要的一个方面它指的是人们对于不同图形属性的感知能力。在可视化设计中利用图形感知的原理可以帮助我们更好地传达信息提高用户对数据的理解和分析能力。
前注意力机制
前注意力机制指的是人们在观察图像或图形时的注意力集中。在可视化设计中我们可以通过设计突出性的元素或使用色彩对比等方式来引起用户的前注意力。这有助于用户更快地获取信息并准确理解数据。
格式塔学说 接近性相互靠近的元素被认为是一个群组与其他元素区分开。例如在一个散点图中如果在相同的区域内有多个点我们会将它们视为一组并与其他点分开。 相似性具有相似特征的元素往往被认为是一组。例如在一个柱状图中具有相同颜色或形状的柱子被视为一组并传达同样的信息。 连通性连通性超过了接近度、大小、颜色形状。 连续性在视觉上连续的元素往往被认为是一组。例如一条连续的曲线通常表示一条数据趋势而离散的点通常表示单独的数据点。 封闭性具有边缘或形状的闭合元素往往被认为是一个整体。例如一个有边界的面积图形表示一个特定的数据集而没有边界的散点图表示一系列独立的数据点。 对称性 简单性人们更容易理解简单、直观的形状和图形。例如在可视化设计中简单的线条、图标和图形通常比复杂的图形更易于理解和解释。
变化盲视
变化盲视是指人们在观察连续变化的图形时可能会忽视其中的细微变化。在可视化设计中我们需要注意这一现象避免在数据变化时导致用户错失重要信息。设计中可以使用动画或其他方式来突出变化帮助用户更好地感知和理解数据。
颜色感知
颜色感知的基本流程
颜色生成和颜色优化
颜色生成Color Generation Palettailor分类数据的可区分着色。多类散点图的交互式上下文保留颜色高亮显示。 颜色优化Color Optimization 优化颜色分配以感知多类散点图中的类可分离性。数据驱动的颜色图调整用于探索标量场的空间变化。 区别前者关注的是根据数据和可视化的需求来创建和分配新的色彩方案后者关注的是改进和调节现有色彩的使用
可视化评估
Edward Tufte设计准则 图形完整性Graphical Integrity确保图表能够准确地传达数据的信息不夸大或歪曲数据。 图形应当包含所有必要的标签和轴来消除图形失真和歧义图形应当使用一致的比例图形中的样本大小应当对结果具有代表性或权重数字的表示应与测量的数值成正比。 谎言因子The lie factor避免使用图表中的元素尺寸或位置比例不准确地传达数据。 用来衡量图形中存在的数值误导或误导程度的指标通过比较图形中视觉元素如长度、面积等的变化与对应数据的实际变化之间的比例来计算的。 数据墨水笔(data-ink)最大化数据墨水的使用即减少非必要的图形元素使得数据更突出。 删除或最小化不必要的装饰性元素如背景图案、阴影、边框等使图形更加简洁、精确地传达数据信息。两个擦除原则在合理范围内擦除非数据墨迹擦除冗余数据墨迹。五大原则 最重要的是显示数据最大限度地提高数据墨水比擦除非数据墨迹擦除冗余数据墨迹修改和编辑。 图表杂乱Chart Junk避免在图表中添加无意义的装饰元素保持简洁性和清晰性。 指的是图表中那些多余、无意义或过度装饰的元素比如网格、阴影、3D效果、过多的装饰线条、繁琐的图例等。 使用bar chart需要数据有零值线。使用line chart主要比较的是数据的趋势或是线条与水平线的角度。
饼图、彩虹颜色表、3D图表的评价
饼图 适用场景适用于显示数据类别较少的数据部分和整体的关系。优点 直观地以图形方式表现出每个部分与总体的大小关系构造简单节省空间利用不同的颜色来区分数据的不同类别增强视觉效果。 缺点 当数据点过多或者数据差异不明显时表现力很差在比较各个部分之间的细微差别时效果不佳无法用来展现数据的时间变化或趋势对于同一个数据集通过调整数据的顺序或方式可能会导致误导。 彩虹颜色表将数据映射到一系列连续色彩变化的颜色表。 适用场景适用于显示分类数据有序类别或数值数据以及具有中点意义的数值数据。优点 提供明亮多彩的视觉效果可以吸引注意力可以区分数据的不同范围尤其是在色带变化明显的地方能够利用颜色的多样性表现广泛的数据范围。 缺点 色调变化在感知上并不均匀某些颜色如黄色或青色在视觉上跳跃比其它颜色如蓝色或红色更显著可能误导数据的解读由于色带变化不一致低对比度的区域可能会隐藏数据中的重要特征。人们对用颜色表示的极端数据缺乏感知低亮度颜色蓝色可能会隐藏高频值 3D图表 适用场景适用于展示物理空间、体积或者三维关系的数据如建筑设计图、分子结构模型等。优点对于某些数据集例如体积、地形或其他空间关系的数据有助于直观理解其结构。缺点视觉失真可能导致误读数据精确值难以读取。
高维数据可视化
为什么要降维
高维数据难以可视化排除不重要的特征从而提高模型的效率和准确性降维可以降低计算复杂度降维可以选择最具代表性的特征来减少相关性或冗余性。
多维尺度分析Multidimensional Scaling/MDS 主要思想 通过计算数据点之间的距离矩阵并尝试在低维空间中重新构建数据点之间的距离矩阵。具体来说MDS算法首先计算原始数据点之间的距离然后通过优化算法在低维空间中找到合适的投影使得在低维空间中的距离与原始距离最接近。即以距离为标准将高维坐标中的点投影到低维空间中保持点彼此之间的相似性尽可能不变。 优点缺点不需要先验知识计算简单如果用户对观测对象有一定的先验知识掌握了数据的一些特征却无法通过参数化等方法对处理过程进行干预可能会得不到预期的效果。保留了数据在原始空间的相对关系可视化效果比较好。各个维度的地位相同无法区分不同维度的重要性。
主成分分析Principal Component Analysis/PCA 主要思想 使用特征值分解来寻找数据中具有最大方差的主成分。PCA将高维数据通过线性变换映射到低维空间并保留了最重要的特征。即找到能让数据降维后数据间的方差最大的轴将数据线性的投影到该轴上投影后的特征称为主成分。 流程PCA算法首先创建一个数据矩阵然后通过减去均值来将数据中心化。接下来它计算数据的协方差矩阵并找到该矩阵的特征向量和特征值。最后PCA算法根据特征向量将数据映射到新的低维空间。 优点缺点使得数据集更易使用如果用户对观测对象有一定的先验知识掌握了数据的一些特征却无法通过参数化等方法对处理过程进行干预可能会得不到预期的效果效率也不高正交算法降低算法的计算开销速度快降维后数据的邻域点与原来空间中的邻域点可能不同去除噪声特征值分解有一些局限性比如变换的矩阵必须是方阵使得结果容易理解完全无参数限制。在非高斯分布情况下PCA方法得出的主元可能并不是最优的。
SNE 基本思想SNE算法的基本思想是通过最小化KL散度来在低维空间中表示高维数据的相似性通过仿射变换将数据点映射到概率分布上。 主要步骤SNE构建一个高维对象之间的概率分布使得相似的对象有更高的概率被选择而不相似的对象有较低的概率被选择SNE在低维空间里在构建这些点的概率分布使得这两个概率分布之间尽可能的相似。 优点缺点能较好地保持高维数据的局部结构计算开销大适合于揭示高维空间中紧密聚集数据的聚类结构。对算法超参数敏感改变了MDS中基于距离不变的思想将高维映射到低维的同时尽量保证相互之间的分布概率不变。可能受到拥挤问题影响导致不同的数据点在低维空间堆叠。 拥挤问题由于没有考虑不同类间的间隔因此会导致结果比较拥挤。各个簇聚集在一起无法区分。 拥挤问题就是说降维后各个簇聚集在一起无法区分。比如有一种情况高维度数据可以分开降维到低维就分不开了MDS和SNE都存在。 PCA是线性降维MDS是非线性的PCA和MDS都是globalTSNE是非线性且local的方法。MDS和SNE都有拥堵问题降维中怎么解决拥堵问题——T-SNE通过将SNE中低维空间的高斯分布转换为t分布来解决。
T-SNE 基本思想将数据点之间的相似度转化为条件概率原始空间中数据点的相似度由高斯联合分布表示嵌入空间中数据点的相似度由t分布表示。将高维空间中的数据映射到低维空间中并保留数据集的局部特性。 相比SNE主要改动使用对称版的SNE简化梯度公式 低维空间下使用t分布替代高斯分布表达两点之间的相似度。 优点缺点能在不同规模数据集下展现高维数据点的聚类速度慢占用内存可以减轻拥挤问题。没有唯一最优解且没有预估部分。 t-SNE VS PCA 目标函数t-SNE 的目标是保留数据点之间的相似关系强调保持局部结构而不强调保持全局结构。PCA 的目标是通过线性变换找到投影方向使得数据在各个主成分上的方差最大化。非线性映射t-SNE 使用非线性映射可以更好地处理非线性关系能够将高维空间的复杂结构映射到低维空间。PCA 使用线性映射只能捕捉到数据中的线性相关性。数据量t-SNE 在处理大规模数据集时比较耗时计算复杂度较高。PCA具有快速计算线性变换的优势在处理大规模数据时更高效。数据显示t-SNE 在降维后往往保留了数据中的局部结构更适合展示数据的类别聚类等局部特征。PCA 则更适合于捕捉整体的线性相关性。 总结来说t-SNE 算法通过非线性映射将高维数据映射到低维空间并保留数据之间的相似性关系强调保持局部结构。与之相比PCA 算法使用线性映射来找到投影方向最大化数据在主成分上的方差并更适合于捕捉整体的线性相关性。
层次可视化
树可视化
⭐️节点链接式
节点分布在空间中通过直线或曲线连接用二维空间分解广度和深度空间用来表达等级取向。容易造成深度或宽度上的指数增长。适用场景适用于分支结构比各个节点具体值更重要以及层次结构和分支关系较为明确的树。优点直观地呈现树的父子关系、层次结构和分支关系。缺点 树的规模较大时容易产生混乱的交叉连接线导致可视化效果不佳难以编码多个变量的数据情况大量节点聚集在屏幕的局部范围屏幕空间的利用率底下。 Tidy layout让兄弟节点之间保持等距父节点位于其子节点的中轴线上。文件目录树 优点使用缩进来表现文件的目录结构,用户使用折叠和展开操作,可以快速地对文件结构进行浏览并定位文件的位置。缺点 可扩展性不高文件目录较多时,一次只能显示一部分,常常需要大量的滚动给文件定位带来困难。广度和深度争夺空间且常常因过多文件名挤占空间无法显示。 应用 常用场景是文件目录结构
⭐️空间填充式
适用场景适用于需要紧凑地显示树形结构并强调节点大小关系的场景。例如展示各个类别销售额占比的树图。优点 能够更好地利用空间降低视觉混乱的可能性擅长表示包含与从属的关系。 缺点 不太直观地显示树的分支结构和层次关系不太适合展示大量详细信息如节点的属性或标签。 treemap 是一种空间填充表示每一项所占面积表示了节点大小每个子树用一个矩形表示该矩形被划分为与子树相对应的小矩形。对于每个孩子递归重复切片将切片方向从垂直方向转换为水平方向或相反方向。使用区域编码数据项的其他变量。基本步骤 定义一个矩形区域作为根节点。计算根节点内每个项目的面积。根据项目的面积比例在根节点内按比例划分新的矩形子区域并将项目填充到相应的子区域中。递归地对每个子区域重复步骤2和步骤3直到所有项目都被安排在矩形区域内。 优点 提供整个树的单一视图更容易发现大/小节点很好的表示节点链接之外的两个属性color和area可以较好的表示树的大小属性和浅层次树状图更适用于组级比较易于实现和理解可应用于大量项目。 缺点 难以准确读取结构/深度 信息密度问题在生成大量项目的 Treemaps 时小项目可能会因为太过密集而难以辨认和阅读。项目重叠问题由于矩形区域的限制可能导致项目之间存在重叠降低了可视化效果。 不擅长表现结构对于大的树的可视化会占用大量面积难以找到好的纵横比不好显示除父子关系之外的链接仅支持单个项目的可视化搜索人们对treemap所使用的面积形式通常难以比较大小。 应用可以用在文件目录结构、软件图表、大小查询的地方。 对比treemap和普通的树形文件系统分别能执行什么任务不能执行什么任务
Treemap矩形树图Treemap通过在一个矩形区域内以矩形的大小和颜色来表示文件和文件夹的层次结构。这种可视化方式使得用户可以更直观地理解文件和文件夹的相对大小和分布情况。 任务Treemap适用于快速了解和分析大量文件和文件夹的层次结构。它可以帮助用户识别特定文件或文件夹在整个层次结构中的位置和重要性以及了解各个层级之间的关系。不能执行的任务Treemap的主要局限在于不适合处理深层次且包含大量节点的树状结构。当树的层级很深并且节点数量庞大时矩形树图可能变得非常复杂和拥挤并且难以准确表示所有节点。 普通的树形文件系统普通的树形文件系统以层级关系展示文件和文件夹。每个文件夹可以包含其他文件夹和文件用户可以通过展开和收起文件夹来查看和访问特定的文件。 任务普通的树形文件系统适用于组织和浏览文件和文件夹以及进行文件和文件夹的操作和管理。它可以帮助用户快速定位和访问特定的文件或文件夹以及在层级结构中移动和操作它们。不能执行的任务普通的树形文件系统相对于Treemap而言在可视化方面较为简单无法提供更复杂的数据分析和比较功能。它也不适合在大规模文件和文件夹集合中查找和识别特定的文件。
图可视化
⭐️force-directed算法 主要算法一开始对节点的位置进行随机初始化定义所有节点之间存在斥力相邻节点之间存在引力然后开始按照节点之间两种力相互作用的结果重新确定节点之间的位置每变换一次位置就要对力进行重新计算一直迭代计算直到节点之间的位置不再改变或是改变幅度小于某个给定的值才结束。 随机分布初始节点位置计算每次迭代局部区域内两两节点间的斥力所产生的单位位移一般为正值计算每次迭代每条边的引力对两端节点所产生的单位位移一般为负值步骤 2、3 中的斥力和引力系数直接影响到最终态的理想效果它与节点间的距离、节点在系统所在区域的平均单位区域均有关需要开发人员在实践中不断调整累加经过步骤 2、3 计算得到的所有节点的单位位移迭代 n 次直至达到理想效果。 缺点迭代的步长不易确定步长太大会导致形成的合力太大可能会造成系统的震荡不易达到平衡稳定的体系步长太小会导致迭代步需要合并速度慢,时间复杂度过高为 O ( n 3 ) O(n^3) O(n3)排斥力的时间复杂度为 O ( n 2 ) O(n^2) O(n2)如果图中的节点和连接边的数量过多会导致边的交叉问题。 改进 使用距离的平方和进行比较、计算避免开方计算排斥力计算的时间复杂度过高O(n^2)使用Barnes-Hut算法通过聚合粒子来估算粒子之间相互的斥力具体使用四叉树实现最后优化的算法复杂度为O(nlgn)每一个非叶节点表示一组相近的物体。如果一个非叶子节点的质心离某个物体足够远那么就将树中那个部分所包含的物体近似看成一个整体其位置就是整组物体的质心其质量就是整组物体的总质量。如果非叶子节点离某个物体并不足够远那么就递归地遍历其所有子树。GEM算法通过减少一个temperature参数来允许点在迭代早期移动大的距离后期移动小的距离来加速在两个节点之间距离为0的时候随即产生一个小力将二者分开防止当二者有相同邻居时会一直贴合在一起可以将距离为n条边的节点之间建模为长度为nL的弹簧来消除斥力以减小计算时间。
⭐️node-link diagram
优点容易看到两点之间的路径关系和是否连接。缺点线条之间容易交叉会有阻挡、当连接的边和点变多时会混乱、在展示形式上有方向、度量、形状上的限制。
⭐️adjacency matrix
优点容易看到两个点是否连接、不存在线条之间的交叉、能在矩阵条目中显示每个边相关的其他信息。缺点行和列的顺序极大影响了解释矩阵的难易程度、很难看到两个点之间的路径、所占用的空间很大O(n^2)的矩阵、受屏幕分辨率的限制。 可视化设计的常用方法 缩进——线性列表,缩进编码深度node-link diagram——由直线/曲线连接的节点enclosure diagrams——用外壳表示层次结构layering——相对位置、大小和对齐来表示关系和大小
文本数据可视化
动态文本
通过添加时间维度或交互能力来展示和探索文本数据。动态文本可视化侧重于呈现文本数据随时间或用户行为的变化与静态文本可视化相比它允许用户更深入地理解和分析数据。
文本可视化的流程
文本数据获取、分词文本数据特征提取文本数据结果呈现。
文本可视化的方式
⭐️词云
呈现文本数据的关键词。它通过使用不同字体大小来表示词语的重要性以直观的方式展示关键词的频率分布。优点直观可以通过大小比较词语出现频率和重要性。缺点信息不全面、缺乏量化分析、容易失真、受算法和数据处理影响。适用场景适用于展示关键词和揭示文本中的主题。
⭐️树图
将文本数据以树状结构展示的图表形式。优点层次结构清晰可扩展性好。缺点对于非层次数据不太适用数据集较为复杂时图形展示不够清晰。适用场景树图适用于展示组织结构、文件目录、分类关系等层次结构的数据。
⭐️流图
通过标准化的符号和箭头来展示一个过程中的各个步骤及它们之间的关系。优点可以清晰地展示文本中信息的流动顺序或时间序列事件的变化过程能够有效地表示文本中不同实体或概念之间的相互作用和转换。缺点展示文本时可能无法充分表示文本的深层意义或语境中的细微差别。适用场景用于体现信息在文档中如何流转。
标量场数据可视化
间接体绘制
“标量场”是指一个定义在空间中每一点上都有单个数值的函数。Marching squares算法用于等值线提取。 将二维标量场划分为与像素网格对齐的正方形或“单元格”计算每个单元格四个角点的标量值确定单元格角点值相对于所需提取的等值线值的位置即角点值是在等值线值之上、之下还是正好就是等值线值使用查找表确定当前单元格内等值线的基本几何形状查找表基于单元格四个角点的值连接相邻单元格中的等值线段创建一个连续的线。
直接体绘制
“直接”体现在不需要提前提取表面如等值面或结构而是直接在体积数据上进行渲染。Ray casting算法 射线生成从虚拟摄像机的视点发出射线穿过屏幕平面上的每一个像素点并进入体数据voxel grid。采样在每条射线上沿着视线方向在固定间隔或自适应间隔采样标量场数据。这些采样点的值通常使用插值方法例如最近邻、线性插值从周围的体元voxels中得出。传输函数映射使用传输函数将每个采样点的标量值映射到颜色和不透明度opacity。传输函数是科学可视化中的核心概念它定义了如何将数据值转换为可视化中的颜色和材料属性。颜色合成按照射线方向将采样点的颜色和不透明度合成到最终像素颜色中。这通常通过“前向走样”front-to-back compositing或“后向走样”back-to-front compositing的方式完成。在这个过程中根据合成模式如alpha blending通过叠加颜色和不透明度来构建最后的颜色值。图像生成将计算得到的像素颜色值显示到屏幕上形成最终的可视化图像。 颜色表通常是一种将标量值映射到颜色的查找表或函数让不同的数据值显示为不同的颜色。不透明度或称之为可容差compacity是另一种函数或表它定义了数据值到不透明度的映射以确定渲染像素的不透明程度进而影响最终图像的能见度。 交互
交互的意义
能够针对任何用户的操作提供快速、可逆、可持续的反馈允许用户首先提出一个概述之后按需提供细节。
动态查询
动态查询是对象和动作的视觉表示是快速渐进和可逆的动作能立即和连续的显示结果并且是通过指向选择无需打字。优点快速、简便、可逆、可以消除杂乱、可以看到样例的出现和消失。缺点 无法进行布尔查询过滤器占用空间当数据集变大时查询变慢。
Brushing和linking
都将指代同一数据的多个视图链接起来。基本功能 在某一个视图中选择突出显示的案例在其他视图中也突出显示移动鼠标到案例上可以显示同一个数据在多个视图之间的对应关系对一个视图中做到更改在其他的视图中也会被修改。 Linking一个视图中选出一个数据其他视图中的该部分也会被选中起到连接不同视图的作用。Brushing直接光柱数据的一个子集起到选择的作用。
overview detail 和 focus context 两种交互方式
焦点方式不同 交互方式不同使用场景不同Overview Detail 旨在通过提供全局概览和详细信息的同时帮助用户更好地理解大规模的数据集。 多个视图展示相同的数据不同的分辨率且视图之间空间分离。能够快速导航到要找的地方并且不会改变细节信息细节改变会立即显示在概览中为查看者提供更多信息以及有关数据用例的详细信息。可以获得更多关于具体事件的信息但是可能造成从聚集视图到个人视图的改变缩放可能不能呈现所有的信息或者令数据变得抽象 Focus Context 通过提供关注区域的详细信息和整体背景信息上下文来帮助用户理解特定部分的数据。 同一个视图中同时包含焦点和焦点周围的环境显示细节时保持用户方向数据大时有问题将选定的特定事件集合信息嵌入到整体当中视图包含局部信息和整体信息。方法减少了过滤和聚合的数据量但是需要为呈现具体事件的视图挪出空间可能导致整体信息的变化造成几何上的扭曲比如相关数据的比例关系发生变化等。
