如何巧用数据可视化，讲好一个故事？

原文作者：SHANTANUKUMAR

原文链接：https://www.analyticsvidhya.com/blog/2017/10/art-story-telling-data-science/

翻译：Xin Qin

你觉得哪一种方式更好地讲述了一个故事呢？

讲故事是一门既简单又复杂的艺术。 故事能够激发出思想，展示出以前难以理解或解释的观点。然而讲好故事的重要性经常被我们在数据操作中忽视。

然而我们不知道的是，如果没有被良好地表达出来，故事本身再好也是没有用的。

在公司中，分析任何事情的第一步是讲故事。例如我们为什么要分析它？ 通过分析我们可以做出什么决策？有时候，数据本身会告诉我们这样的视觉化的、复杂的故事，我们并不需要运行复杂的相关性检验来确认它。

而需要故事和视觉化来解释数据的最好的例子是Anscombe的Quartet。Anscombe的Quartet是一组四个数据集，它们的统计数据非常相似，但是将它们可视化之后却完全不同。

上表是Anscomb’sQuartet中使用的四个数据集。 如果我们只看数字，我们发现他们的统计数据几乎是一样的。

但是可视化之后呢？

你有猜想过这四组数据可视化之后的差距会如此大吗？

创造一个故事或一个情景是推销你的想法的第一步。大多数人都不思考自己的故事，所以也无法展现特殊性。 下面的例子，能够帮助指导你进行故事创作。

我们将探索一个数据集，其中包含纳斯达克100所科技公司每股价格的新闻标题和细节。所选columns如下。

最好的展示通常仅仅始于一纸一笔。在开始构建故事之前，确定思路和流程非常重要。为此，我们可以参考亚里士多德经典的五步骤：

1.引起观众兴趣的故事或陈述。

2.提出一个必须解决或回答的问题。

3.为该问题提出解决方案。

4.解释采用解决方案的具体好处。

5.呼吁行动。

我组织报告的方式是设计情节，这些情节能够使我更好地理解数据。

面对我拥有的股票数据，我的第一个想法是，如何做出更好的投资决策？

折线图可以帮助我分析特定股票价格的趋势。如图所示，2016年2月份所有股票都下跌了。那么我将只从搜索这个时期的新闻文章，以确定是什么原因造成了下降。现在，我该如何选择哪个新闻来源呢？

通过识别哪个新闻来源最频繁地提到一支特定的股票，我们有理由相信这是这支特定股票的好的新闻来源。

仔细确定你的故事的核心是什么。 问自己：“我通过这个故事得到什么？”不是故事本身，而是通过这个故事可以做出什么更好的决策。

阐述你的“passionstatement”。用简单的话表达你的立场和观点，以及你为什么有热情去研究它。

给你的故事、图表或分析创建标题，通常是一句陈述。 最有效的标题通畅是简洁的、具体的、有价值的。

标题要能够很好地被观众所理解。

列出所有让观众了解故事，图表或分析的所有关键点。

对所有关键点进行分类排序，直到只剩下三个最主要的。这三个点将组成你的故事的roadmap。

在三个关键信息下，增加支持论据。这些可能包括：个人经历，事实，例子，类比等

展示完所有的关键信息和论证，你需要的是一个简短有力的结论。正如我的报告中，只用3-4行话来总结为什么要买一支特定的股票。

常见的数据类型有：

当我们得到的是文本数据，我们通常会去研究这些文本词语被使用的频率或者文本表达的情感。

当以这种形式找到数据时，找出一个单词被使用的频率或文本的情感是很好的。 故事可以使用这种形式的数据最好地被告知。

文本数据最适合的可视化方式之一是WordCloud。 wordcloud将出现频率最高的词语放到中央并放大，能够让我们清楚地了解文本的整体状况。

例如，这篇文章中的分析就使用了wordcloud来展现推特数据集。

当我们的数据由数字或其他格式组成时，我们需要知道哪些数据是重要的能产生观点和价值的。

这种数据适合的图表在不同情况下不尽相同; 在此我将展示如何使用facet grids来描述泰坦尼克号乘客数据。

正如上图所显示的，女性乘客和一等舱的乘客比男性或低等舱的乘客有更高的生存机会。

泰坦尼克号上真的发生了这样的故事么？

另一种可视化这种数据的方法是尝试多变量图（multivariate plot）。用于该图的数据集是关于汽车性能和规格的数据集。

从上图我们可以看出车体较重的汽车比车体较轻的汽车开得慢，而这也符合逻辑，不是吗？

当遇到数值数据时，我们通常会研究如何描述数字的趋势。 最适合数值数据的图表是折线图或条形图。

在这里，我们可以清楚地看到本地景点的成人票价和儿童票价的上升趋势，以及每年价格上升程度。

股市的数据主要是数值的时间序列数据，但作为交易者或投资者，我想了解每个具体日期的涨跌情况，对此最合适的图表是烛台图。

在这里，我们以特斯拉的股票为例。烛台图可显示每个日期股价的波动以及股价的最高值和最低值。我们根据当前或过去的市场趋势可以做出更好的投资决策。

如图所示，2016年2月特斯拉股票下跌。我们可以利用这些信息来进一步分析市场和经济状况，作出投资决策。

针对关于特定地点和地区的数据时，我们使用地图来助力分析。

在上面这个例子中，我们可以看到2002年世界杯比赛时及之后各个国家队的表现。德国队进球数量最多，成为世界足坛的主导球队之一。

通常在建立数学模型时，我们会质疑我们的故事和可视化是否有作用。然而在预测建模的各个阶段，讲故事可能是分析的一个重要补充。

模型构建的第一步是理解数据。那么如何在不计算复杂的统计数据的情况下理解数据呢？

我们来考虑一下WineQuality的数据集。数据集的结构如下：

这里我们可以看到数据集的相关汇总统计数据。

如果我们需要看看酒精含量和葡萄酒的质量之间是否存在相关性，我们该怎么做？

我们可以计算Pearson’r’。 这将有助于我们建立一个模型，但无法帮助我们进行进一步分析。

这表明酒精含量和葡萄酒质量之间有很强的相关性。但它有告诉你什么其他的吗？

但是我们可以通过可视化发现更多。

首先，我们看葡萄酒的质量和酒精含量之间的联系。

我们可以看到酒精含量越高对应的葡萄酒质量越高。我们还可以通过图中的点看出数据中的outliers。

下一步，你会想酒中的酸度是否会影响质量？

提琴图横向扩展，表示的是这个区域内有更多的数据点。

当你建立特征值之后，如何知道它们能否准确预测？

上图告诉我们预测点（predictedpoints）离我们的拟合线（fitted line）有多远。

另一个需要创造性可视化的例子是主成分分析（Principal Component Analysis）。 如果你想深入了解PCA，您可以阅读这篇文章。

以下是在RStudio中建立的Iris数据集。

当我们用该数据集进行主成分分析，我们得到以下统计数据。

而当我们作图之后，会发现图表比这些统计数据更有信息表现力。

进入模型建立的阶段，我们需要理解模型和数据的拟合程度。

上图是根据道路坡度和颠簸程度来预测汽车行驶速度快慢的模型。判别边界（decision boundary）清楚地分类了大部分的数据，但是准确率为88.21％并不能说明一个完整的故事。在这里，我们甚至可以看到错误分类点距离判别边界有多远。

我们可以通过观察判别边界来比较特定的算法和技术。

下面关于支持向量机的是另一个使用Iris数据集的例子。

在这里我们没有足够的信息得出关于模型的有效观点。

要了解更多关于支持向量机（SupportVector Machines ）的内容，请参考这篇文章。

但是这张图向我们展示了物种彼此区分的清晰的分界线（classification boundary）。

• 现在你知道了我们可以通过讲故事来解释观点，这还有一些展示时更实际的tips。
• 在图中标出坐标轴，并给出标题。
• 必要时使用备注
• 使用不刺眼的颜色
• 避免将不必要的细节添加到图表中，如复杂的背景或主题。
• 基于水平和垂直位置的两个定量值只能用一个点同时编码。
• 进行时间序列编码时，不要用点进行可视化。