視網膜變量

在山脈的照片上疊加一層網格，則可以通過到橫軸和豎軸的距離來定義圖片中的每個點。但景深如何表示呢？可以在第三個維度，或者在數據可視化的語境中，在 軸上改變數據點的位置嗎？不可以，因為在圖片中只有兩個維度。但是，假使存在第三個維度，并可以為我們所用，那會出現什么情況呢？我可不是在說全息圖片或更糟糕的 3D 效果哦。

想象一下，你在一座山脈上方飛行（圖 1.11），僅僅使用間接線索就可以估算出下方山峰的相對高度，比如利用藍色的大海、棕色的大地、綠色的森林以及白色的雪等。地圖在很早以前就仿照這種形象的比例來在紙面上給我們以高度感。沒有任何東西可以阻止我們的大腦生成這種對應關系（顏色—高度），并超越地圖表示法。

圖 1.11　阿爾卑斯山衛星圖

^{資料來源：NASA}

這一領域被數據可視化的創始人之一，法國制圖大師雅克·貝爾坦（Jacques Bertin）稱為視網膜變量：可以使用點、線和區域的視覺和位置特征來處理圖形表示。坐標 和 定義位置，用 維度而不是 軸來顯示其他視覺特征。

圖 1.12 舉例說明了其中的部分變量。第一個例子“位置”僅使用了兩個位置變量 和 。第二個例子“亮度”實際上至少包含四個變量——位置（ 和 ）、亮度和大小，還可能增加更多變量（如多種形狀，不同的方向等）。但是在實踐中，為了保持圖表的可讀性，建議增加的變量不超過四個。

圖 1.12　視網膜變量

請注意，視網膜變量并不是可互換的。其特點使得它們在表示某種數據類型時很有效，但表示其他數據類型時則沒有作用。在傳統意義上，變量分為兩類。

• 定量的。從理論上說，這些變量可以是一定范圍內的任何數值。
• 定性的。這些變量只能是我們所能計數的一些有限的數值。如果這些值具有隱含的數值范圍或順序，則被稱為原始變量（如工作日）；如果并沒有隱含的順序，則被稱為名義變量（如性別、人種、水果、城市等）。

如圖 1.12 所示，盡管有不同的精度等級，但位置或大小等變量在表示量化數據時往往排在更前面的位置。紋理和形狀等變量更適合用來表示標定數據，因為它們不會在一定范圍內變化，也不能感知數據的順序。例如，在圖 1.12 中，如果用紋理來對量化數據進行編碼，你能說出哪一個表示最大值嗎？色彩（色相） 用來對名義變量進行編碼，但我們經常要求它給我們呈現一些它所不能精確表達的內容：類別的有序表示。你能確定這些色彩的順序嗎？使用 這樣的形式會不會更好呢？

經過一段時間，好幾位學者建議在初始列表中加入新的變量。約克·麥金利（Jock D. Mackinlay）致力于使雅克·貝爾坦的列表更全面，同時按照每個變量在表示定量、序數和名義數據類型時的有效性進行排序。從圖 1.13 3中可以看到，約克·麥金利按照有效性程度排序的變量列表。變量位置（position）在三個列表中都位列第一，而形狀（shape）在表示定量和序數時都沒有用，表示名義數據時的作用也較弱。變量的排序在定量和序數型數據的列表中會有變化，最適合表示定量數據的變量可能不太適合表示序數，而除了少數的例外，在序數和名義數據的列表之間變量的排序則更為固定。

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

圖 1.13　視網膜變量排序

視網膜變量的又一特點是它們吸引注意力的能力。這對于數據相關性的管理來說至關重要。我們可以解讀數據，而不是僅僅使用軟件默認設置。對視網膜變量特性的處理，不管是著重強調還是不再給予強調，都具有一個技術維度，但需要被限制在視覺修辭的環境里4。在使用如“根據圖表”這樣的表述時，我們會論及視覺修辭。關于圖表的主觀性是不可避免的，但綜觀本書，我們都將尋求可接受的主觀性結論，而對開始出現令人誤解的可視化的模糊區域進行明確。

4修辭學作為一種通過言語說服別人的藝術，有著悠久的傳統。視覺修辭有著相同的目標，也使用了許多相同的策略，但大部分信息使用的是圖像而不是文字。簡單來說，可以用謊言說服（傳統修辭），也可以用圖表糊弄（視覺修辭）。