19-可视化：如何塑造受众的感觉？
你好，我是悦创。
对数据进行处理之后，我们会得到很多的数据结果。但这些结果都是用方程、表格之类的东西表达的，非常抽象，很难理解。怎么能让受众对这些数据结果有感觉呢？
这个时候，就需要一个技能——可视化。所以这一讲，我们就说说操纵数据的另一个主题，用数据可视化塑造受众的感受。
- 本节可视化课程重点关注认知，而且是音频课程，所以暂时不解决如何阅读、制作可视化作品的问题。
- 因为图片版权限制，仅提供部分有版权的图片，其他内容可以在网上自行搜索了解。
1. 数据可视化必须基于数字
在讨论数据可视化之前，我们得先解决一个干扰。
网上有一组图，每张图都是用一些小圆圈和一条线组成，合起来表示一个学科。单看图本身不知怎么理解，但一看见图的名字，你就会心一笑，不由得给作者点赞。
比如，有一张图的内容是一条直线穿过两个小圆圈，图的名字是《数学》。想一下就能明白了，圆圈代表样本，直线代表理论，有两个样本就能建立精确的理论，就像过两点有且只有一条直线那样。这就理解了作者的意思，数学是一种高度精确的学科。
另一张图里，小圆圈到处都是，一条线从左下延伸到右上，图的名字是《经济学》。意思就是，经济学的理论只能大致反映样本的趋势，但是误差太大。
还有一张图，只有一个小圆圈和穿过这个小圆圈的线，图的名字是《新闻学》。意思是说，只有一个样本，也就是只有一个新闻事件，新闻学就能建立一个理论进行解释。这是作者嘲笑新闻学解释世界非常任意。
还有更多的图，时间有限不能展开了。作者抓住各个学科处理理论和现实之间关系的精髓，借用数学符号幽默地表达了他对各个学科的看法。但是，这是基于观察的言论，而不是基于数据内在的模式。数据可视化必须是基于数据的。这是关于数据可视化，我们要知道的第一件事。
2. 信息图是一种间接方式
我还见过一张很好的作品，解释高速公路上为什么没有事故也会堵车。
图的主体部分是一条隆起的高速公路，从右下到左上，右下的一辆辆汽车就像爬山那样拥堵着，整体视觉效果很强烈。接下来，图中从左上到右下标着号码 1、2、3、4，这引导着观察者的注意力。依次读标号后面的文字，你会知道一连串事件：第一辆车突然变道，导致后面的车从时速 100 公里下降到 80 公里；后面的车为了保持安全距离，依次下降车速，最后导致停车拥堵。
这张图是不是基于数据的？是。我们在上一讲还介绍了相关的研究成果，那些成果都是基于数据的。但是，这是一种间接的方式。我们想告知受众一些信息，只是用了可视化的方式来让受众易于理解。这种方式有个单独的名字，叫“信息图”。
信息图虽然也属于数据可视化，但不是最直接的方式，也就是说，不是以数据驱动的方式展示的。这是关于数据可视化，我们要知道的第二件事。
3. 数据驱动的可视化
听到这里，你肯定自然会问，基于观察的言论不是可视化，信息图也不是直接的可视化，那数据驱动的可视化到底是什么样子呢？
谷歌曾经推出过一款社交应用——Google+，类似于我们的微博吧。如果你是 Google+ 的用户，就会得到一张图，形象地展示你的信任圈。
这张图是怎么生成呢？
- 你居于中心，是一个蓝色的点；
- 离你最近的一圈是绿色的，是相互关注的人；
- 向外第二圈是黄色的，是你关注了对方，但是对方没有关注你；
- 最外层第三圈是红色的，是对方单方面关注了你。
这样，每个人的社交模式就形象地表示出来了。
比如一位著名的音乐制作人，三种颜色的深浅度差不多，可以说是社交明星。相互关注的人多，他单方面关注的其他人也多，单方面被别人关注的也很多。
另一位是歌手“小甜甜”布莱尼，她的特点是，黄色和红色密集，而绿色星星点点。这说明小甜甜是单方面关注别人多，单方面被关注的也多，但是相互关注的很少。
最好玩儿的是扎克伯格的账号，只有一种颜色——红色，都是单方面关注小扎的。原因很简单，小扎是做 Facebook 的，怎么可能在对手的社交平台上活跃呢？
通过这个案例，我们就理解什么是数据驱动的可视化了。那就是，按照事先确定的规则，挖掘出数据中的模式，并把这个模式展示出来，让受众看见并理解。看见并理解，是数据可视化的最高目的。
比如，把大大小小的地震按照震中的位置放在中国地图上，我们马上就看见并理解了中国境内地震带的分布。把一些作家、名人的睡眠时间标注在表盘上，我们马上看见并理解了大部分作家还是日出而作日落而息，熬夜的并不多；但是，有几位睡眠时间很少、有几位是分段睡觉的，这些特殊的模式会迅速引起受众的注意。
4. 如何进行数据可视化？
理解数据可视化的意思很简单，难点在于怎么做。对于同一个要传达的信息，总会有几个不同的方案可以选择。怎么选择最合适的一个呢？
标准就是一个，选择那种既高效又美观的方案。高效，指传达信息的效率高，能让受众迅速抓住重点，理解你要传达的信息。美观，是展示的方式看起来让人愉悦，有美的感受。
我举一个经典的例子。
这是一组显示 1854 年 4 月到 1855 年 3 月这一年的战争期间非战斗死亡和战斗死亡的总量以及比例的图片。不过，作者没有用常规的一对一对的柱子，而是用了一个圆盘，像一个在旋转的大风车的叶片，不过叶片有大有小。更令人印象深刻的是，随着战争的延续，表示非战斗死亡的红色部分，面积远远大于同时期表示战斗死亡的蓝色部分。
这有什么意义呢？
战争的决策者都懂，战斗死亡是战争双方对抗的结果，不光取决于自己一方。但是，非战斗死亡不是这样，它只取决于自己。现在非战斗死亡占的比例这么大，相当于自己的战争资源都白白消耗了。于是，决策者被说服了，他们接受了作者的意见，同意“缺乏有效护理是导致非战斗死亡的主要原因”，马上派人去前线考察，随后开始建立护理制度。
这就是现代医学护理的源头。这个可视化作品的作者就是弗洛伦斯·南丁格尔。为了纪念她，每年的国际护士节设在 5 月 12 日，这一天是南丁格尔的生日。
南丁格尔不仅是一名护士，也是一名统计学家。刚才那张圆形图，是最早的数据可视化作品之一，还被后人起了一个名字，叫“玫瑰图”。可见这个作品不但说服力强，而且很美观。
不过，事情的另一面是，选择就会有偏差，偏差就可能会误导受众。
比如，有一幅图是奥巴马竞选团队制作的，显示在布什政府的第二任期内失业率逐渐增高，而奥巴马政府的第一任期内失业率逐渐减少。这些表示失业率的柱子放在一起，高低起伏的形状就像一条比基尼三角裤。这个视觉形象是作者专门用来羞辱布什政府的，意思是共和党不行，要大家选择奥巴马代表的民主党。
作品相当不错，既高效又美观。但是，为什么只呈现 8 年时间呢？因为拉长时间就可以看到，布什的第一任期经济表现也是很好的。但作者显然不关心真相，只关心效果。
补充
第一类：高效与美观的巅峰（用图表揭示真相）
除了南丁格尔的玫瑰图，历史上还有两张图被公认为数据可视化的“封神之作”。
约翰·斯诺的“死亡地图” (1854年)
- 背景： 与南丁格尔几乎同一时期，伦敦爆发了严重的霍乱。当时的人们普遍认为霍乱是通过空气（瘴气）传播的。
- 可视化的做法： 医生约翰·斯诺（John Snow）没有听信传言，他拿了一张伦敦地图，把每一个因霍乱死亡的病例，用一个黑点标记在地图上他们居住的位置。
- 结果与意义： 当点画完后，真相瞬间浮出水面：所有的死亡病例都密密麻麻地集中在“宽街”（Broad Street）的一个水泵周围。 这幅图极其高效——它不需要复杂的统计学公式，一眼就能看出相关性。斯诺医生立刻建议拆掉那个水泵的手柄，霍乱疫情随之平息。这幅图不仅开启了流行病学，也证明了好的可视化能直接救命。
米纳尔的“拿破仑东征图” (1869年)
背景： 法国工程师查尔斯·米纳尔（Charles Minard）绘制了拿破仑 1812 年远征俄国的惨烈历史。
可视化的做法： 这幅图被爱德华·塔夫特（数据可视化大师）誉为“有史以来最好的统计图形”。
它在一张二维平面上，竟然同时展示了6个维度的信息：
- 军队人数（线的宽度，越宽人越多）。
- 行军距离。
- 温度（底部的折线图，显示撤退时有多冷）。
- 经度和纬度。
- 行军方向（流向）。
结果与意义： 看着那条原本粗壮的黄色线条（42 万人出发），深入俄国腹地，最后变成一条细得可怜的黑色线条（1万人活着回来），配合底部显示的零下 30 度的严寒，观者能产生强烈的审美震撼和悲剧感。它完美诠释了数据可视化如何将冷冰冰的数字转化为情感冲击。
第二类：选择与偏差（用图表误导受众）
既然你说到奥巴马团队利用“截取时间段”来误导受众，这里还有两个经典的、在商业和媒体中常用的“欺骗手段”。
截断 Y 轴（Truncated Y-Axis）
这是新闻媒体（如福克斯新闻或某些科技发布会）最爱用的技巧。
例子： 假设某公司的税率从 35% 涨到了 39.6%。
- 诚实的画法： Y 轴从 0 开始。你会看到两根柱子高度差不多，涨幅看起来很平缓。
- 误导的画法： Y 轴从 34% 开始，到 40% 结束。
结果与意义： 在误导的图中，39.6% 的柱子高度可能是 35% 的好几倍！视觉上会给人一种“税率暴涨”或“崩盘”的错觉。这既高效（迅速传递了恐慌），也极具偏差（夸大了事实）。
3D 饼图的透视陷阱
乔布斯在早期的苹果发布会上曾使用过类似的技巧，虽然为了美观，但牺牲了准确性。
例子： 展示智能手机市场份额。
可视化的做法： 使用3D饼图，并将苹果公司的份额板块放在圆饼的“最前方”。
结果与意义： 由于透视原理，放在最前面的扇形（哪怕它的实际角度只有20%），在视觉面积上看起来会比后面那个30%的扇形还要大。 这种为了美观（3D 效果酷炫）而牺牲真实（比例失真）的做法，在专业数据分析领域是被严格禁止的，但在营销领域却屡见不鲜。
总结与核心洞察
结合你提供的文本和我补充的例子，我们可以总结出数据可视化的三个层次：
- 基础层： 把数据画出来（Excel 默认生成的图表）。
- 卓越层（南丁格尔、斯诺、米纳尔）： 找到数据背后的逻辑，用高效的方式降低认知成本，用美观的形式唤起情感共鸣，从而推动决策（如建立护理制度、拆除水泵）。
- 操纵层（奥巴马团队、截断 Y 轴）： 利用人眼对图形的错觉或信息的不对称，刻意放大或隐藏某些趋势，以达到特定的目的。
这也是为什么学习数据可视化不仅是为了“做图”，更是为了“识图”——不被别人的图表忽悠。
5. 数据可视化是一个探索工具
最后我想说的是，数据可视化不仅是一个传达信息的媒介，更是一个探索的工具。通过可视化，可以帮助我们发现存在于数据之中的原本很难发现的东西。
一个经典的例子就是斯诺医生在 1854 年的工作。
当时，伦敦霍乱肆虐。注意，那还是 1854 年，科学上还不知道霍乱是怎么传播的。但是，斯诺把水井和死亡病例在地图上标注出来，发现了水源和疾病之间的相关关系。然后，斯诺向伦敦当局报告了自己的发现。伦敦当局半信半疑，但人命关天，就把带来死亡最多的那个水井封掉了。结果，死亡病例随之下降。大家这才慢慢接受了斯诺的理论。
另一个好例子，是对美国参议员投票模式的可视化。
研究者制定了一个规则，如果两个参议员立法投票有 60% 的一致性，就在他们之间连一条线。立法投票的一致性是指，你投赞成票，我也投赞成票；你投反对票，我也投反对票。这样一个简单的规则，却让我们发现了其他统计手段不能发现的模式。什么模式呢？
投票明确地显示了两大阵营，就是大家按党派立场投票，民主党支持民主党，共和党支持共和党。这一点我们都能想到。不过在这之外，还有一个重要信息——民主党之间的连线密集到黑压压一团；而共和党那个区域，颜色要浅得多。这就说明，民主党比共和党更团结。
不知道你看过著名美剧《纸牌屋》没有，这个剧就是反映美国政治的，里面的男主角刚一出场的身份就是党鞭。党鞭是一个党的纪律主管，它的职责之一就是确保自己一方的参议员按照政党的立场行事。这个党鞭被安排成了哪个党的呢？答案是，民主党。看来，这是有现实依据的。
下一讲我们反过来，看看有哪些坑要避开，不让自己上别人操纵数据的当。
我是悦创，我们下一讲再见。
划重点：
数据可视化是基于数据的，由数据驱动生成的图像，帮助受众看见并理解数据当中隐含的信息。
好的数据可视化作品要兼顾高效和美观。传达信息快速有力，过程又充满愉悦感和美感。
数据可视化是一个重要的探索工具，能让我们发现其他手段难以发现的新信息。
公众号：AI悦创【二维码】
AI悦创·编程一对一
AI悦创·推出辅导班啦，包括「Python 语言辅导班、C++ 辅导班、java 辅导班、算法/数据结构辅导班、少儿编程、pygame 游戏开发、Web、Linux」，招收学员面向国内外，国外占 80%。全部都是一对一教学：一对一辅导 + 一对一答疑 + 布置作业 + 项目实践等。当然，还有线下线上摄影课程、Photoshop、Premiere 一对一教学、QQ、微信在线，随时响应！微信：Jiabcdefh
C++ 信息奥赛题解，长期更新！长期招收一对一中小学信息奥赛集训，莆田、厦门地区有机会线下上门，其他地区线上。微信：Jiabcdefh
方法一：QQ
方法二：微信：Jiabcdefh
更新日志
21f71-于2f6e6-于d07f5-于c30a5-于2d1bb-于2d5b6-于4c88e-于b03c8-于168b1-于751c4-于06941-于2699f-于c372f-于13059-于03cee-于70353-于ae8a4-于9bfdc-于4d098-于1c35a-于cbb3a-于76989-于86c50-于027da-于