DV-08-High Dimensional
- Data dimension
- univariate, bivariate, trivariate
- High-dimensional data visualization
- charts for high-dimensional data
| 数据维度 | 核心目标 | 常见图表 |
|---|---|---|
| 1D | 看分布 / 比较大小 | bar, histogram, line |
| 2D | 看关系 / 相关性 | scatter plot |
| 3D | 勉强可看 | 3D scatter（不推荐） |
| 高维 (>3) | 找关系、模式、结构 | 多视图、并行坐标、降维 |
Multiple Views（多视图）
功能（Function）
把高维数据拆成多个低维视图，让人逐个理解。
怎么做（Usage）
每个视图：标准 1D / 2D 图
多个视图之间：联动、对比
设计原则（考点）
同一变量 → 编码方式一致
不同变量 → 编码方式不同
📌 一句话记忆：
Stay with simple charts, but use many of them.
Scatterplot Matrix（散点矩阵）
功能
系统性地查看所有维度两两之间的关系
怎么做
- 每一行 / 列是一个变量
- 每个小格是一个 scatter plot
适合
- 维度不太多（~10 以内）
- 想找相关性、聚类
缺点
- 图的数量是
，维度一多就炸
📌 关键词：pairwise relationships
Iconic representation
一个数据点 = 一个“图形对象”
功能
- 用 形状、大小、颜色、方向 同时编码多个变量
经典例子
- Chernoff Faces（脸）
- Star plot / Radar chart
优点 - 直观 - 适合比较“整体感觉”
缺点 - 哪个变量重要不清楚 - 容易被“长相”误导
适合：探索、展示，不适合精确比较
Table Lens（表格透镜）
功能
把表格变成“可视化表格”
怎么做
- 数字 → 小条形图
- 保留表格结构 + 加视觉编码
适合
- 行很多、列很多
- 既要精确数值，又要整体趋势
Parallel Coordinates（并行坐标）
功能
在 2D 空间里显示任意维度数
怎么做
- 每一列 = 一个变量
- 每条折线 = 一个数据点
能看什么
- 正相关 / 负相关
- 模式、聚类、异常值
致命问题
线太多会变“面条”
维度顺序非常重要
dimension order matters
overplotting