京公网安备 11010802034615号
经营许可证编号:京B2-20210330
编译:Mika
【导读】
信息爆炸时代,经过精心设计、形象生动的可视化图表往往要比一篇深度长文章更容易赢得眼球和青睐。
在一次TED演讲中,信息设计师汤米·麦考尔追溯了长达几个世纪的图形和图表的演变过程,并展示了复杂的数据是如何通过处理,演变为清晰、美观的可视化形式的。
我爱信息图表。
作为一个信息设计师,在过去25年中我跟各种各样的数据打交道。今天跟大家分享一些我的见解。
首先让我们聊一聊历史。
沟通是对信息的编码、传输和解码。沟通的突破标志着人类文化的转折点。在沟通方面,语言、文字和算术能力得到了很大的发展。它们让我们可以把想法编码为文字,并量化成数字。没有沟通能力,人类的发展将会停滞在石器时代。
尽管人类已经存在25万年,但仅在8000年前,才出现原始文字。在将近3000年后,首个正式的书写系统才成形。地图已存在了几千年,图表出现了数百年之久。
但通过图形来表示数量,还是一个相对较新的发展领域。
直至1786年,威廉·普莱费尔发明的首个条形图,这才催生了对数量信息的视觉显示形式。
1786年 威廉·普莱费尔发明的首个条形图
15年后,他引入了首个饼图和面积图。他这些发明仍是今天最常使用的图表类型。
1801年 威廉·普莱费尔的饼图和面积图
1857年,弗洛伦斯·南丁格尔发明了鸡冠花图 (又名南丁格尔玫瑰图),用来来向维多利亚女王介绍军队的死亡率。在用蓝色强调的部分,她展示了军队的大多数死亡可以如何被避免。
1857年 弗洛伦斯·南丁格尔的鸡冠花图
不久之后,查尔斯·米纳德绘制了拿破仑进军莫斯科的图表。其中展示了一支42.2万人的军队是如何在战斗、地理和冰冻的影响下付出惨痛代价,最终减少到只有1万人的。这当中,他将桑基图与制图以及温度线图表结合在一起。
1861年 查尔斯·米纳德 绘制的拿破仑进军莫斯科图
用图表让数据会说话
当有很多数据可用是,我总是很激动,特别是当它产生出有趣的图表形式时。
看到这张整理数千份联邦能源补贴数据的图,南丁格尔玫瑰图是它的灵感来源。图中仔细显示出,相比化石能源,可再生能源投入不足。
联邦能源补贴数据图
这个桑基图展示了美国经济中的能源流动,强调了近一半的能源消耗是作为废热流失的。
美国经济中的能源流动
我喜欢把数据用美观的形式展现。
在这里,硅谷女性的个人和职业联系可以被绘制成弧线。
硅谷女性的个人和职业联系
同时,全球范围内发明家的协作也可被绘制出来。
全球范围内发明家的协作图
我甚至为自己制作了图表。
我擅长数字领域,但我的拼字游戏玩得差劲。我做了这个图表来记住官方拼字字典里的所有两个字母和三个字母的单词。熟知这1168个单词显然是我的制胜法则。
有些时候我编写代码 ,去把数千个数据点快速生成图片,编程也让我可以制作交互式图表。现在我们还可以根据自己的条件来导航信息。
图表能让数据一目了然
奇特的图表当然看起来很酷,但又是很小且简单的一个点就足以满足所需,从去解决特定的思考任务。
2006年,纽约时报重新设计他们的市场板块。将原本多达8页的股票列表削减到只有1页半的基本市场数据。其中列出了最常用的股票指标,但我想帮助投资者了解这些股票表现如何。
因此我增加了一个简单小点,用来展示现在价格在一年内的水平。这样只需看一眼,价值投资者就可以通过靠近左边的点去挑选出股价接近低位的股票;短线投资者可以通过靠近右边的点找出上升趋势的股票。
2006年 纽约时报重新设计的股票板块
不久之后,华尔街日报复制了这个设计,从而简单化通常是大部分图表的目标。
一张好的图胜过千言万语
但有时候我们需要复杂性,并充分展现出大量数据集。
盖洛普公司的前主席--亚力克·盖洛普,他有次给了我一本非常厚的书。数百页纸涵盖了60年的总统支持率数据。
我告诉他,整本书可以图表化在一页上。他说 "这不可能”。
这张就是,在一页中展示2万5千个数据点。
只需一眼就可以看出:多数总统以高支持率开场,但很少能够维持。像战争那样的事件最初会提升支持率,丑闻会引发下降。这些重要事件能在图表中被注释,在书中可不行。
数据可视化能力将越来越重要
要点在于,图表可以用惊人的效率传输数据。
图形能力,即读图和画图的能力仍然处于早期阶段。
新的图表将会出现,专业的用语将会发展。图表可以帮我们更快地思考,比如在一页纸上就看到整本书的信息,这就是开启新发现的关键。
我们的视觉皮层是用来解码复杂信息的,而且还非常擅长模式识别。如今,通过图形能力、数据可视化能力,我们能充分利用大脑内置GPU,从而轻松处理海量数据,去发现藏在里面的金子!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
主讲人简介 张冲,海归统计学硕士,CDA 认证数据分析师,前云南白药集团资深数据分析师,自媒体 Python 讲师,全网课程播放量破 ...
2026-04-13在数据可视化与业务分析中,同比分析是衡量业务发展趋势、识别周期波动的核心手段,其核心逻辑是将当前周期数据与上年同期数据进 ...
2026-04-10在机器学习模型的落地应用中,预测精度并非衡量模型可靠性的唯一标准,不确定性分析同样不可或缺。尤其是在医疗诊断、自动驾驶、 ...
2026-04-10数据本身是沉默的,唯有通过有效的呈现方式,才能让其背后的规律、趋势与价值被看见、被理解、被运用。统计制图(数据可视化)作 ...
2026-04-10在全球化深度发展的今天,跨文化传播已成为连接不同文明、促进多元共生的核心纽带,其研究核心围绕“信息传递、文化解读、意义建 ...
2026-04-09在数据可视化领域,折线图是展示时序数据、趋势变化的核心图表类型之一,其简洁的线条的能够清晰呈现数据的起伏规律。Python ECh ...
2026-04-09在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-04-09长短期记忆网络(LSTM)作为循环神经网络(RNN)的重要改进模型,凭借其独特的门控机制(遗忘门、输入门、输出门),有效解决了 ...
2026-04-08在数据分析全流程中,数据质量是决定分析结论可靠性的核心前提,而异常值作为数据集中的“异类”,往往会干扰统计检验、模型训练 ...
2026-04-08在数字经济飞速发展的今天,数据已渗透到各行各业的核心场景,成为解读趋势、优化决策、创造价值的核心载体。而数据分析,作为挖 ...
2026-04-08在数据分析全流程中,数据处理是基础,图形可视化是核心呈现手段——前者负责将杂乱无章的原始数据转化为干净、规范、可分析的格 ...
2026-04-07在数据分析与统计推断中,p值是衡量假设检验结果显著性的核心指标,其本质是在原假设(通常为“无效应”“无差异”)成立的前提 ...
2026-04-07在数字经济深度渗透的今天,数据已成为企业生存发展的核心资产,企业的竞争本质已转变为数据利用能力的竞争。然而,大量来自生产 ...
2026-04-07Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01