过去10年，数据可视化的普及和影响急剧增加，根据Google的数据显示，自2009年以来，“数据可视化”的搜索频率几乎增长了100%，同时，这一领域也出现了大量的软件和工具，几乎任何人都可以借助这些工具轻松地制作数据可视化图表。
由于人类大脑能够以更快的速度处理图像，所以出于本能，我们更热衷于使用图像表达而非文本。然而，这并不意味着你可以把大量的图像（或者说图表）以及各种形状的图形放在仪表盘上，并期望读者为之赞叹。在图像认知背后，你还要考虑其他东西，这与人类的潜意识相关，我们称之为第一印象。
我们都知道这句话：第一印象会持续一生。有非常多的例子也可以证明这一点。比如我们会本能的战斗和逃跑，类似于这种无意识思维的行为，也可以称为快速认知。毫无疑问，这要比经过深思熟虑所产生的决策更为本能，也更加迅速。
快速认知是我们在非常短暂的时间中进行挖掘和衡量的重要能力。尽管我们被告知不要试图从封面来判断一本书的好坏，但我们每天都在频繁地使用这种快速认知的能力，通过它快速解析海量信息，发现哪些是最为重要的，而非更多采取较慢的、理性的思维方式。
心理学家将这种现象称为“薄片（thin-slicing）”：在几秒钟内感知细节或信息，大脑的理性部分可能花费数月甚至数年的时间。Malcolm Gladwell将其描述如下：
薄片（thin-slicing）是人类的重要组成部分。每当遇到一个陌生人或必须快速理解的某件事时，我们就会触发薄片现象......如今，我们非常依赖这种能力，因为在很多情况下，即使不超过一秒钟，我们也能分辨出很多信息。
当然，在现实中，你可以通过某些方法来改变或反驳他人对你的不良的第一印象，让他们可以更加深入的了解你，但在网络中要困难的多。所以，绝不能让你的数据可视化给人留下不好的第一印象。为了防止这种情况发生，下面我将着重讲解5个数据可视化过程中常见的错误类型。
数据过载问题
许多数据可视化和BI仪表盘都成为数据过载的牺牲品——主要原因在于可视化内容过于拥挤，很多不必要的内容可能会让数据更加难以理解。例如，三维图表虽然看起来令人印象深刻，但它们往往会使数据的解释更加困难。
同样，对于带有超过5个数据图表和众多标签的BI仪表盘来说，确实能够展现出大量信息，但如果读者们无法区分哪些是有用的、哪些是无用的，展现再多的信息也毫无价值。不必要的插图、阴影、字体和其他装饰会让数据看上去更加分散，数据分析师应该少用。对于数据可视化来说，大多数情况下，少即是多。
访问轴数值设置不当
在处理定量数据时，条形图或折线图是两种最佳的可视化方法。但是，很多数据分析爱好者都会出现一个与图表轴相关的错误：对于较大的Y轴值来说，如果初始值设定到大于零，那么很可能会截断某些条形值，影响数值的准确性（如下图）。
数值比例不清晰
我们在分析数据时，通常需要以整体到部分的形式进行展现，这时我们就需要用到饼图。饼图是一种非常流行且受欢迎的数据表现形式，然而却一直饱受非议。
原因在于，如果不在图表中加入标签，那么实际上很难区分饼状图每一段的大小（你能看出23.48%和23.86%的差异吗？），所以，想要确保图表清晰明了，所有区域都要添加标签。另外，使用饼图时，还要注意类别数量，细分太多也可能导致无法区分每个区域。
混乱的交叉线
位于特定范围内的数据通常用于展示随时间的变化。 因此，折线图是传达数据之间的变化或差异的有效方式。 您可能已经开始注意到这里的趋势，但重要的是不要在图表中使用太多的线。 在图表上有大量的交换线会很快变得混乱，因此我们建议不要使用超过4个系列。
热图颜色问题
热图是数据可视化领域比较新颖的图表之一，且流行速度很快。地理空间数据非常适合用于创建热图，但其中有一些问题需要特别注意——颜色和数据范围需要小心使用。
如果有些颜色太过于突出，可能会给该数据带来不必要的权重。相反，使用具有不同阴影的单一颜色来显示突出级别更加合适。对于数据本身，选择3到6个数值范围最为合理，并要让它们的数值均匀分布。使用<和>号可以扩展数值范围。
网友评论