视网膜变量

在山脉的照片上叠加一层网格，则可以通过到横轴和竖轴的距离来定义图片中的每个点。但景深如何表示呢？可以在第三个维度，或者在数据可视化的语境中，在 轴上改变数据点的位置吗？不可以，因为在图片中只有两个维度。但是，假使存在第三个维度，并可以为我们所用，那会出现什么情况呢？我可不是在说全息图片或更糟糕的 3D 效果哦。

想象一下，你在一座山脉上方飞行（图 1.11），仅仅使用间接线索就可以估算出下方山峰的相对高度，比如利用蓝色的大海、棕色的大地、绿色的森林以及白色的雪等。地图在很早以前就仿照这种形象的比例来在纸面上给我们以高度感。没有任何东西可以阻止我们的大脑生成这种对应关系（颜色—高度），并超越地图表示法。

图 1.11　阿尔卑斯山卫星图

^{资料来源：NASA}

这一领域被数据可视化的创始人之一，法国制图大师雅克·贝尔坦（Jacques Bertin）称为视网膜变量：可以使用点、线和区域的视觉和位置特征来处理图形表示。坐标 和 定义位置，用 维度而不是 轴来显示其他视觉特征。

图 1.12 举例说明了其中的部分变量。第一个例子“位置”仅使用了两个位置变量 和 。第二个例子“亮度”实际上至少包含四个变量——位置（ 和 ）、亮度和大小，还可能增加更多变量（如多种形状，不同的方向等）。但是在实践中，为了保持图表的可读性，建议增加的变量不超过四个。

图 1.12　视网膜变量

请注意，视网膜变量并不是可互换的。其特点使得它们在表示某种数据类型时很有效，但表示其他数据类型时则没有作用。在传统意义上，变量分为两类。

• 定量的。从理论上说，这些变量可以是一定范围内的任何数值。
• 定性的。这些变量只能是我们所能计数的一些有限的数值。如果这些值具有隐含的数值范围或顺序，则被称为原始变量（如工作日）；如果并没有隐含的顺序，则被称为名义变量（如性别、人种、水果、城市等）。

如图 1.12 所示，尽管有不同的精度等级，但位置或大小等变量在表示量化数据时往往排在更前面的位置。纹理和形状等变量更适合用来表示标定数据，因为它们不会在一定范围内变化，也不能感知数据的顺序。例如，在图 1.12 中，如果用纹理来对量化数据进行编码，你能说出哪一个表示最大值吗？色彩（色相） 用来对名义变量进行编码，但我们经常要求它给我们呈现一些它所不能精确表达的内容：类别的有序表示。你能确定这些色彩的顺序吗？使用 这样的形式会不会更好呢？

经过一段时间，好几位学者建议在初始列表中加入新的变量。约克·麦金利（Jock D. Mackinlay）致力于使雅克·贝尔坦的列表更全面，同时按照每个变量在表示定量、序数和名义数据类型时的有效性进行排序。从图 1.13 3中可以看到，约克·麦金利按照有效性程度排序的变量列表。变量位置（position）在三个列表中都位列第一，而形状（shape）在表示定量和序数时都没有用，表示名义数据时的作用也较弱。变量的排序在定量和序数型数据的列表中会有变化，最适合表示定量数据的变量可能不太适合表示序数，而除了少数的例外，在序数和名义数据的列表之间变量的排序则更为固定。

3JockD. Mackinlay. “AutomatingtheDesignofGraphicalPresentationsofRelational Information.”ACM Transactions on Graphics, Vol. 5, No. 2: 110–141, April 1986.

图 1.13　视网膜变量排序

视网膜变量的又一特点是它们吸引注意力的能力。这对于数据相关性的管理来说至关重要。我们可以解读数据，而不是仅仅使用软件默认设置。对视网膜变量特性的处理，不管是着重强调还是不再给予强调，都具有一个技术维度，但需要被限制在视觉修辞的环境里4。在使用如“根据图表”这样的表述时，我们会论及视觉修辞。关于图表的主观性是不可避免的，但综观本书，我们都将寻求可接受的主观性结论，而对开始出现令人误解的可视化的模糊区域进行明确。

4修辞学作为一种通过言语说服别人的艺术，有着悠久的传统。视觉修辞有着相同的目标，也使用了许多相同的策略，但大部分信息使用的是图像而不是文字。简单来说，可以用谎言说服（传统修辞），也可以用图表糊弄（视觉修辞）。