精品推荐：VR如何引领数据可视化之变革

在上一篇文章中，小编为您详细介绍了关于《微软用HoloLens打造《终结者》平视显示器》相关知识。本篇中小编将再为您讲解标题精品推荐：VR如何引领数据可视化之变革。

  数据视觉化可以说是VR爱好者津津乐道的VR高端应用之一，虚拟现实技术给这个领域带来了非常深刻的影响。但具体如何影响？而现在的数据视觉化又存在哪些问题？本文致力于挖掘传统数据视觉化存在的特定问题以及在表达抽象信息时遇到的挑战，并讨论VR将如何改变这种情况。Evan是虚拟现实数据视觉化公司Kineviz的一位项目经理。此前，他曾作为一名数据科学家就职于HIDGlobal，他毕业于加州大学伯克利分校，拥有认知科学领域的学位。在他为Kineviz工作之余，他喜欢探索VR，他研究并撰写关于人类决策流程的文章。1983年，AmosTversky和DanielKahneman曾向学生们提问：琳达是一位31岁的单身女性，她健谈而开朗。她大学时主修哲学。作为学生时的她非常关注歧视和社会公平问题，并积极参与了反核活动。那么她最有可能：他们发现有86%的本科生认为第8个答案的可能性大于第6个，虽然根据上面的描述我们很容易到琳达同时是银行柜员与女权运动者的场景，但实际上女权银行柜员只是银行柜员的一种，很明显她们的数量远少于所有的银行柜员。这个案例不仅非常有名，大多数人还对此感到困惑。不过如果把它进行视觉化的话，我们就会发现其实非常好理解：看了上面的图表，各位觉得哪种情况更有可能：琳达是一个银行柜员，还是一个女权银行柜员？（假设两个圆的尺寸与现实的比例相同）虚拟现实可以使得这种概率估计更加容易，正如上面的图表使得这个“琳达问题”变容易一样。谈论数据和虚拟现实的关系就有点像是著名的鸡与蛋的关系——如果不知道人们要如何使用VR数据工具就很难构建这样一个VR工具。话虽这么说，虚拟现实仍有可能应用于：假如你的数据集只有两个维度或者更少，单独的数据使用图表就比较容易视觉化：上述的每个数据集，所有X坐标的均值都是9，Y坐标的均值为7.5，X坐标的方差是11，X与Y的相关性是0.816，且最佳拟合曲线的公式是Y=3+5x。换句话说，这四个数据集似乎在统计上是等价的，尽管我们从视觉上对它们的本质一目了然（并不相同）。别高兴得太早，这个例子非常简单，它只不过是二维数据集罢了。  

  如果你面对的是三维数据，那么很显然我们可以使用三维图。如果你要面对高维数据（比如说你的excel表格中有大量列），这种方法显然不能用。想象2D场景自然很容易，当数据集中有很多列(比如10000列，只要多于3列)问题就会来了，三维以上的视觉化是不可能的任务。不过，我们可以采用其他办法来表示维度。以三角形为例，我们可以用它来表示三维数据，我们可以用三角形边长表示每个维度的数据，如果你愿意，甚至可以用红蓝光谱或者深浅光谱来为三角中心上色，这样就会有五个维度可供观察。对比每个三角形，你或者就可以发现异常或在此隐藏的规律和关系。当然，这只是个理论。HermanChernoff在70年代探索了这理论的一个变种：有别于三角形边长，他用不同的卡通人物形象映射数据的维度。大家可以通过下面这个《洛杉矶时报》中的信息图判断这种方法好不好：你的第一反应也许是对这种数据表示方法嗤之以鼻，它们看起来可笑，带有一点种族歧视意味，并难以解释。但我劝你不妨再尝试一次，你会发现贫富社区间的缓冲带。切尔诺夫脸谱图不能得到广泛应用的一大原因在于它们太卡通化了(科学通常都是严谨的，可能不太适合卡通脸谱图)。尽管真人版的切尔诺夫脸谱图可以解决太卡通化的问题，它却存在另一个问题：也许这些脸谱本应该是非常直观的，但人们对真人的脸和表情太有经验了，反而有时候会困惑而无法客观地进行评估。看下面这个图，上面是现任CEO蒂姆库克的表情，他眉毛的倾斜程度，这张脸上的很多部位被用来表示苹果历年的财报数据。很明显，这种方法存在诸多问题。首先就是，脸部不是在任何情况都能传达同等程度的情感信息的，“笑”这个动作就是如此。  

  换句话说，我们对不同表情的印象并不绝对等同于财务数据情况。而这一点本应该是图标最大的魅力所在。这也是为什么用可视化的方法解决琳达问题会更加直观。这也是现今存在的高维度数据可视化方法所缺失的一个特点。虚拟现实技术可以解决上面所提及的众多问题。不用面部表情，类似切尔诺夫图谱的技术可以用来控制中性对象的观察、移动、交互和分布。举例来说，一张桌子的如下属性能够被用来表示不同的数据维度：高度、桌面的面积、颜色、腿长、桌子磨光度以及斑点和焊补的位置和种类。如果你有15个维度的数据，你可以将维度转化成能够控制桌子外形的各种参数。VR的优势在于能够让你直观而真实地感受到桌子所代表的含义，比方说它是另一张桌子的2倍高;抑或是桌面不同的摩擦系数。我们可以通过一些测试确保数据不同维度能够以同样的标准映射到桌子的不同参数。此外，相关的方法论已经在心理物理学和色彩感知领域得到了深度的研究——研究人员已经花费很多时间测量人们如何通过不同的知觉感知微弱和巨大的差异。换句话说，VR和一些心理物理学能够使了解复杂的数据变得像走进宜家一样简单。由于数学史上一些偶发的不幸，一些由点和连接线构成的对象集合也被称为图表此类图表一般都以这样的形式出现：图表上的每一个点代表一个维基页面，每一条线代表着页面之间的联系。理论上来说，图表在表达对象和数据点之间的关系时十分有用，特别是当联系的类别和数量不可忽视的时候。举例来说，下图表示啤酒酵母细胞中基因间的每一次相互作用。  

  尽管这的确很有趣，你肯定也注意到2张图的中间区域都很密集。如果你去查看巴拿马的一个数据集，会发现一些类似的情况——连接关系图变得非常密集，难以分清。事实上，大多数图表在中心区域存在大量重叠连接图形而变得难以理解，我们会无法辨清图中对象的具体连接方式，而这本来是使用这一图表最初的原因。看到这里，相信你已经能够理解（相比2D）3D可视化图形给高密度数据带来的好处了吧。但是，我们仍然需要注意这些可视化图形同样会遭遇看起来太过繁杂的问题;尽管作者正用算法来将这些连接线“捆绑”在一起，要理清具体细节仍然非常困难。然而，想象一下，如果你能够进入这些大脑的中心位置，可以迅速改变影像的大小——数据就会变得更容易解读了。对比下列图表：我认为尽管上面的图表很有误导性，但它的问题主要在于使用了静态图像。如果能够改变数据大小，换一种形状和尺度就可以防止误导性出现，因为环境因素已经呈现在体验内部了。用虚拟现实技术来可视化信息的一大优势在于它能够分享的不仅仅只是静态的VR场景;每一个VR场景本身都是一次无意识的体验。这意味着观看者可以按照自己的意愿去探索它。尽管VR数据工具仍处在初期阶段，但是我可以给你推荐3个提供上述功能的工具。首先就是CalcFlow，这个工具是加州大学圣地亚哥分校数学系为了可视化3D数学概念与其他人共同开发出来的。目前，它已经具备一系列交互式Demo，它们能够让人对二重积分或纳维尔-斯托克斯方程有直观的了解。在这些Demo中，你可以体验到我之前所提到的一些VR功能：改变尺度并在数据中“穿行”，这也意味着数据会更加容易理解。由于这些Demo具备很强的操作性，用户可以在飞行中不断调整数据可视方式，从多种不同的角度了解它如何影响最终结果。  

  DeathTools通过将抽象数字变为我们可以轻松理解的更加真实的图像来实现数据可视化，它的方法从根本上有别于传统图表。用这个工具我们可以看到近期中东冲突的累计尸体数量。不同于传统柱状图，我们真实地站在一行行装尸袋中间，这样可以准确地了解死亡个体数。正如DeathTools作者AliEslami所言：我们的知识库中缺失的一块就是感知超大数字的能力或者方法。我们很难去理解和接受大规模死亡现象。举例来说，像1;2;14;20;50这些是我们会经常碰到的数字，我们很容易使用生活中常见的事物去代表这些数字所代表的含义。然后我们遇见如1000;10000;20000这样的数字。这些数字会变得越来越难用概念来衡量，但是我们仍然能够通过用可视化模型去理解这些数据的大致含义。最后，我们正在研究支持VR的3D图形化工具Kineviz。这个工具被设计来解决高信息密度的问题，并能够让用户直观地感受到数据间的差别。自己看看吧：VR最主要的优势就是它能够被用来更容易地呈现数据间的差别。VR还能够使数据表达更具操作性，这意味着想要去改变数据表达来迎合一个特定的情形会越来越难。最终，VR通过结合用户的空间感知使得人们能够快速地调整人们所看到景象的尺度，最终实现人们原本难以想象的感知数据缩放的功能。《山海猎人》以第一人称视角体验，将VR游戏特色射击元素结合在一起，体验效果明显。游戏一共设有简单、一般、困难三种游戏难度，随着游戏通关，会解锁更多的道具和技能。  

  ...。  

编后语：关于《精品推荐：VR如何引领数据可视化之变革》关于知识就介绍到这里，希望本站内容能让您有所收获，如有疑问可跟帖留言，值班小编第一时间回复。 下一篇内容是有关《桌面上的立体卡片游戏《霍洛格：怪物之战》》，感兴趣的同学可以点击进去看看。