干货 :如何看穿数据可视化的谎言
2018-02-26 00:00
411 查看
来自:Flowingdata;By:Nathan Yau;新浪新媒体实验室 独家编译;本文转自:新浪网;原文链接:http://news.sina.com.cn/2017-02-15/doc-ifyarmcu6008746.shtml; 以前我们看到一个做得很烂的图表,或者穿帮的数据可视化作品时,往往是将它们嘲笑一番也就算了。但有些时候,尤其是刚过去的这一年,我们好像更难分辨一个可视化作品是单纯的糟糕产物,还是出于偏见而刻意制造的虚假信息。 当然,用数据来撒谎已经不是什么新鲜事儿了,但现在图表越来越容易被广泛传播,网上到处都是,而其中好多传递的是假象。你可能只是随便瞟了一眼,但一个简单的信息也可能在脑子里生根发芽。在你还不知道的时候,小李子已经在桌子上转起了陀螺,而没人关心它会停下来还是会一直转下去。 自然而然地,现在我们需要快速看穿一个图表是否在撒谎,而这篇图文就是你贴心的指导手册哟。 1)截断数轴
左边的y轴数据从10开始,纯粹的瞎话。右边的数据从0开始,很好。 长度是柱状图视觉呈现的关键,所以当某些人通过截断数轴而故意把长度缩短时,整个图表的差别就变得更明显了。这些人想要展现出比实际情况更剧烈的变化。我在另一篇文章里详细谈了这个问题。 2)双重数轴
它用了两种差距极大的比例,可能是为了强行扯上因果关系。 通过使用双重数轴,数据的量级可以根据两种度量来缩小或扩张。人们通常用它来表达相关度和因果关系。“因为这个东东,另一个事儿发生了,看,很清楚吧。” Tyler Vigen做的假相关数据的项目是个极好的例子。 3)总和不对头
饼图中所有部分的比例加起来超过了100%。 一些图表专门要展示总体中的某些部分,而当这些部分加起来超过了总和,问题就很大了。比如,饼图代表的是总共100%,而如果每个扇形的比例加起来超过了100%?怪怪的噢。 可以看看这个搞笑的例子。 4)只看绝对值
这其实只是人口分布图。当你对比不同地方、种类或群体时,你必须考虑相对值,公平比较 任何事物都是相对的。你不能因为某个城镇发生了两起抢劫案,另一个只发生了一起,就说第一个镇更危险。万一第一个镇的人口是第二个的一千倍呢?更有效的方式往往是对比百分数和比例,而非绝对值和总值。 这幅xkcd的漫画很直白地展现了人口绝对数的影响。 5)有限范围
左图看上去增幅很大,但右图显示出这只是常态,且选定时间内的增幅实际并不明显。 人们倾向于精心挑选日期和时间段来配合特定的叙事,所以更应该考虑到历史背景、时常发生的事件,以及合理的用来比较的基准。 当你研究全局时,可能会发现有趣的事情。 6)奇怪的分级
左图只有两个分级,大于1的究竟包括些什么?可能在打掩护。右图更好,展示了更多变量。 有些可视化作品会过分简化一个复杂的模型,而非展示出原数据中完整的变量范围。这样做很容易会把一个连续的变量转化为从属于某一类别的变量。 广泛的分级在某些情况下很有用,但复杂性往往才是事物的意义所在。要防止过分简化。 7)混乱的面积比
30是10的三倍,但或许是为了增加显著性,图上最大的矩形比最小的大得可不止三倍。 如果按照面积来进行视觉上的编码,图形的大小比例就该是面积的比例。有些人却在做面积编码的可视化时,改变边长的比例来突出大小对比,完全是为了抓马啊。 有时这种错误是无意间造成的,更需要警觉。 8)操控面积维度
上下两个图形的面积相等,但看上去很不一样。 或许有人懂得怎么用面积来做视觉编码,却还(gu)是(yi)做出了上图这样的东西。我还没见过如此夸张的例子,但以后说不定就会有。我打赌连象形图都能出现,等着瞧吧。 9)为了三维而三维
千万别当你看到一个明明没必要还强行用三维的图表,请质疑它的数据、图表、作者及图表衍生出的任何事物。 划重点: 如果一个可视化作品出现了以上任何问题,并不代表它一定在撒谎。正如Darrell Huff在《如何用数据撒谎》里说的: “本书的标题和里面一些内容可能像是在说,所有类似的作品都是为欺骗而生的产物。美国统计协会一个分会的主席曾经因为这个批评我,他觉得与其说出于欺骗,倒更像是能力不足。” 当然,这并不等于就可以原谅,毕竟也做错了嘛。但记住这点,你在骂某某某是骗子之前就可以再考虑考虑。 我的经验是,仔细检查那些令人震惊的、比想象中更具戏剧性的图表。 图表并不能让虚假的信息变成真的,数据也不能。它们会屈从于做图的人,也展示出信息本身之外更多的东西。那么,睁大你的眼睛咯。 [本文由新浪新媒体实验室独家编译,转载请注明来源];来自:Flowingdata;By:Nathan Yau;新浪新媒体实验室 独家编译;链接:http://news.sina.com.cn/2017-02-15/doc-ifyarmcu6008746.shtml;版权声明:本号内容部分来自互联网,转载请注明原文链接和作者,如有侵权或出处有误请和我们联系。END版权声明:本号内容部分来自互联网,转载请注明原文链接和作者,如有侵权或出处有误请和我们联系。
关联阅读:
原创系列文章:1:从0开始搭建自己的数据运营指标体系[b](概括篇)[/b]2 :从0开始搭建自己的数据运营指标体系(定位篇)
3 :从0开始搭建自己的数据运营体系(业务理解篇)4 :数据指标的构建流程与逻辑
5 :系列 :从数据指标到数据运营指标体系6: 实战 :为自己的公号搭建一个数据运营指标体系7: 从0开始搭建自己的数据运营指标体系(运营活动分析)数据运营 关联文章阅读: 运营入门,从0到1搭建数据分析知识体系 推荐 :数据分析师与运营协作的9个好习惯
干货 :手把手教你搭建数据化用户运营体系推荐 :最用心的运营数据指标解读干货 : 如何构建数据运营指标体系从零开始,构建数据化运营体系干货 :解读产品、运营和数据三个基友关系
干货 :从0到1搭建数据运营体系数据分析、数据产品 关联文章阅读:干货 :数据分析团队的搭建和思考
关于用户画像那些事,看这一文章就够了
数据分析师必需具备的10种分析思维。
如何构建大数据层级体系,看这一文章就够了
干货 : 聚焦于用户行为分析的数据产品
如何构建大数据层级体系,看这一文章就够了
80%的运营注定了打杂?因为你没有搭建出一套有效的用户运营体系从底层到应用,那些数据人的必备技能
读懂用户运营体系:用户分层和分群做运营必须掌握的数据分析思维,你还敢说不会做数据分析
左边的y轴数据从10开始,纯粹的瞎话。右边的数据从0开始,很好。 长度是柱状图视觉呈现的关键,所以当某些人通过截断数轴而故意把长度缩短时,整个图表的差别就变得更明显了。这些人想要展现出比实际情况更剧烈的变化。我在另一篇文章里详细谈了这个问题。 2)双重数轴
它用了两种差距极大的比例,可能是为了强行扯上因果关系。 通过使用双重数轴,数据的量级可以根据两种度量来缩小或扩张。人们通常用它来表达相关度和因果关系。“因为这个东东,另一个事儿发生了,看,很清楚吧。” Tyler Vigen做的假相关数据的项目是个极好的例子。 3)总和不对头
饼图中所有部分的比例加起来超过了100%。 一些图表专门要展示总体中的某些部分,而当这些部分加起来超过了总和,问题就很大了。比如,饼图代表的是总共100%,而如果每个扇形的比例加起来超过了100%?怪怪的噢。 可以看看这个搞笑的例子。 4)只看绝对值
这其实只是人口分布图。当你对比不同地方、种类或群体时,你必须考虑相对值,公平比较 任何事物都是相对的。你不能因为某个城镇发生了两起抢劫案,另一个只发生了一起,就说第一个镇更危险。万一第一个镇的人口是第二个的一千倍呢?更有效的方式往往是对比百分数和比例,而非绝对值和总值。 这幅xkcd的漫画很直白地展现了人口绝对数的影响。 5)有限范围
左图看上去增幅很大,但右图显示出这只是常态,且选定时间内的增幅实际并不明显。 人们倾向于精心挑选日期和时间段来配合特定的叙事,所以更应该考虑到历史背景、时常发生的事件,以及合理的用来比较的基准。 当你研究全局时,可能会发现有趣的事情。 6)奇怪的分级
左图只有两个分级,大于1的究竟包括些什么?可能在打掩护。右图更好,展示了更多变量。 有些可视化作品会过分简化一个复杂的模型,而非展示出原数据中完整的变量范围。这样做很容易会把一个连续的变量转化为从属于某一类别的变量。 广泛的分级在某些情况下很有用,但复杂性往往才是事物的意义所在。要防止过分简化。 7)混乱的面积比
30是10的三倍,但或许是为了增加显著性,图上最大的矩形比最小的大得可不止三倍。 如果按照面积来进行视觉上的编码,图形的大小比例就该是面积的比例。有些人却在做面积编码的可视化时,改变边长的比例来突出大小对比,完全是为了抓马啊。 有时这种错误是无意间造成的,更需要警觉。 8)操控面积维度
上下两个图形的面积相等,但看上去很不一样。 或许有人懂得怎么用面积来做视觉编码,却还(gu)是(yi)做出了上图这样的东西。我还没见过如此夸张的例子,但以后说不定就会有。我打赌连象形图都能出现,等着瞧吧。 9)为了三维而三维
千万别当你看到一个明明没必要还强行用三维的图表,请质疑它的数据、图表、作者及图表衍生出的任何事物。 划重点: 如果一个可视化作品出现了以上任何问题,并不代表它一定在撒谎。正如Darrell Huff在《如何用数据撒谎》里说的: “本书的标题和里面一些内容可能像是在说,所有类似的作品都是为欺骗而生的产物。美国统计协会一个分会的主席曾经因为这个批评我,他觉得与其说出于欺骗,倒更像是能力不足。” 当然,这并不等于就可以原谅,毕竟也做错了嘛。但记住这点,你在骂某某某是骗子之前就可以再考虑考虑。 我的经验是,仔细检查那些令人震惊的、比想象中更具戏剧性的图表。 图表并不能让虚假的信息变成真的,数据也不能。它们会屈从于做图的人,也展示出信息本身之外更多的东西。那么,睁大你的眼睛咯。 [本文由新浪新媒体实验室独家编译,转载请注明来源];来自:Flowingdata;By:Nathan Yau;新浪新媒体实验室 独家编译;链接:http://news.sina.com.cn/2017-02-15/doc-ifyarmcu6008746.shtml;版权声明:本号内容部分来自互联网,转载请注明原文链接和作者,如有侵权或出处有误请和我们联系。END版权声明:本号内容部分来自互联网,转载请注明原文链接和作者,如有侵权或出处有误请和我们联系。
关联阅读:
原创系列文章:1:从0开始搭建自己的数据运营指标体系[b](概括篇)[/b]2 :从0开始搭建自己的数据运营指标体系(定位篇)
3 :从0开始搭建自己的数据运营体系(业务理解篇)4 :数据指标的构建流程与逻辑
5 :系列 :从数据指标到数据运营指标体系6: 实战 :为自己的公号搭建一个数据运营指标体系7: 从0开始搭建自己的数据运营指标体系(运营活动分析)数据运营 关联文章阅读: 运营入门,从0到1搭建数据分析知识体系 推荐 :数据分析师与运营协作的9个好习惯
干货 :手把手教你搭建数据化用户运营体系推荐 :最用心的运营数据指标解读干货 : 如何构建数据运营指标体系从零开始,构建数据化运营体系干货 :解读产品、运营和数据三个基友关系
干货 :从0到1搭建数据运营体系数据分析、数据产品 关联文章阅读:干货 :数据分析团队的搭建和思考
关于用户画像那些事,看这一文章就够了
数据分析师必需具备的10种分析思维。
如何构建大数据层级体系,看这一文章就够了
干货 : 聚焦于用户行为分析的数据产品
如何构建大数据层级体系,看这一文章就够了
80%的运营注定了打杂?因为你没有搭建出一套有效的用户运营体系从底层到应用,那些数据人的必备技能
读懂用户运营体系:用户分层和分群做运营必须掌握的数据分析思维,你还敢说不会做数据分析
相关文章推荐
- 干货分享丨如何恢复Linux下误删etc目录数据
- R如何与Tableau集成可视化分步指南 - 适用于数据科学和商业智能专业人员
- 如何使用zeppelin实现大数据可视化
- 中小企业如何搭建数据可视化平台
- 机器学习实战之k-近邻算法(3)---如何可视化数据
- 如何选择数据可视化工具?
- 【干货】如何设计伟大的数据产品
- 经典行为学教你如何看穿谎言
- 透过现象看本质:如何真正实现数据可视化?
- 【数据可视化之采集】如何设计一个前端监控系统
- 干货:如何利用CRM系统数据做用户画像?
- 如何使用R进行数据展现?且看使用iris数据可视化实例
- 超长干货:通联数据是如何使用Docker+Rancher构建自动发布管道的?
- 数据可视化案例 | 如何打造数据中心APP产品
- 数据可视化指南(干货)
- 如何使用 powerquery 和 powerpivot 在 Excel 中实现数据可视化
- 没有大数据的支撑,如何发现用户需求?(分享一些收费课程讲的内容,运营纯干货)
- 数据可视化难在哪里?该如何入门
- 干货:数据可视化的十大误区,为何你只能做出渣图表
- 数据可视化_干货