4.4.1　常规多变量数据可视化

传统的多维数据可视分析方法能够有效地展示数据的多维属性,帮助用户直观地发现数据中潜在的关联模式,如平行坐标、数据降维、引入形状信息等。

平行坐标表示

(1)平行坐标

平行坐标即每一维特征对应一个画布层,在每一层的一个点相当于一个二维数据对,然后将各个图层叠加连成线,每一条线表示一个数据条目,最终形成一个展示多维信息的图组,可以直观地看出各个维度上的数据分布,以及是否存在线性相关等关系,如图4.8所示。

图4.8　通过平行坐标展示329款汽车的7项技术参数图

(2)数据降维(https://www.daowen.com)

数据降维是指通过统计和机器学习等方法,将高维数据映射至低维数据空间,从而可以使用现有的可视化方法进行操作,包括PCA降维等,如图4.9所示。但是该方法也有一个缺点,降维后可能无法体现数据原本的含义。降维后通常会进一步进行时间序列聚类与预测等工作,最终提供一个有明确意义的可视化图表。

(3)额外信息引入

引入形状信息是指在三维空间的基础上,引入额外的信息,比如图形的形状和大小、颜色的色调和透明度等,在三维空间内扩展新的可展示维度。

如图4.10所示,图片展示了不同葡萄酒类型固定酸度、残糖量以及酒精量之间的关系。为了表示不同的葡萄酒类型,可视化引入了不同的颜色加以区分。

图4.9　高维特征降维聚类示意图

图4.10　不同葡萄酒类型的固定酸度、残糖量以及酒精量关系图