可視化有許多“規則”。有的是實際的規則，有的則是幫助你做出選擇的建議。如果是出于數據的要求，而且你也知道該怎么做，那么許多實際的規則也不必遵守。

但是，的確有一些規則不應該違背。這些規則通常是用于一些特定種類、幾乎只能用特定方式閱讀的圖表。當這些規則被打破，閱讀過程中，數據有可能被誤讀。這會有點棘手。

條形圖的基線必須從零開始

條形圖依賴長度來呈現數據。短的條塊代表較低的值，長一些的則表示較高的值。條形圖的原理就是通過比較條塊的長度來比較值的大小。

當基線被改變了，視覺效果也就扭曲了。

舉例來說，請看上圖。左邊第一幅條形圖比較了兩個值：50和100，它有一條并且它有一條以零為起點的基線。很好。代表數值100的條塊長度正好是數值50的兩倍長，為100正好也是50的兩倍大小。

但當你把基線變為一個更高的、非零的值時，第一個條形的長度變短了，而另外一個條形的長度卻沒有變。此時值為100的條形不再是值為50的條形的兩倍長。以此類推，當最后左邊代表數值50的條形徹底消失了，意味著100無限地大于50了。

條形圖的基線必須從零開始。

例：這張條形圖是經福克斯新聞準許使用的。

3月31日目標的值為7,066,000，比6,000,000高17.8%，然而第二個條形幾乎是第一個條形長度的三倍。

有人也許會反駁說，這張圖的重點在于兩個值的差而非這兩個值本身。即便如此，用條形圖來表示本身就是一個錯誤的選擇。使用時間序列來呈現月累積數也許會更好。

不要過分熱衷于餅圖

有些人認為，應該完全避免餅圖。他們也許是對的，也許又不是。有些人也許會說，使用餅圖完全是一種不可原諒的錯誤。對此，我不同意。不管怎樣，事實情況是人們仍然使用餅圖，所以我們至少可以爭取正確地使用它們。

避免過度切割餅圖，否則最終對它的閱讀將難以為繼。

那么多少是“太多”？這是一個判斷力的問題。不過，如果已經很難從圖中看出其中一塊扇形是另一塊兩倍大，或者好幾個較小的扇形區域看起來差不多大時，在扇形切割上面就該收手了。此時可以考慮把較小的類目歸入一個更大的：“其他”。圓環圖也是一樣。

同時也考慮一下用其他種類的圖表來表示比例。

不要太依賴于餅圖。

例：這張餅圖來自維基百科，它展示了國家的不同區域。

左邊這張餅圖中已經切割了許多塊，但旁邊另分離出一張餅圖，顯示了左圖中看不清楚的更小國家的情況，以此來提供更多的信息。有許多方式可以展示這組數據，比如樹狀圖、按照數據比例制作的圖標，或者就用普通的地圖。單薄的餅圖只適用于顯示只有幾組值的數據。

尊重部分所占整體的比例

相較于呈現數值，有些圖更著重于表現部分與整體的關系，它們表現的數據是部分所占整體比例。比如，堆積式條形圖，堆積區域圖，樹狀圖，馬賽克圖，圓環圖以及餅圖。在這些圖表中，每一個部分都表示一個獨立的、不重疊的比例。

關于這一條，最常見的錯誤發生在調查問題允許多選時。比如說：“你上周使用了哪一種交通工具？可以多選。”這樣的話，在人們多選的問題上就會出現比例的重疊，不同選項的百分比之和大于一。為了避免這種情況，你不能直接把比例做成統計圖。

例：這張餅圖來自福克斯新聞下屬機構，它表現了三個不屬于同一個整體的百分比。

每一個值都是一個單獨的整體，因此在這一例中，用三個堆積式條塊（或普通的條塊）會更直觀地表現每個值的比例。

展示數據

讓讀者看到數據，這是可視化的重點。如果數據的呈現不夠清晰，就違背了做圖表的初衷。這常常是因為一張圖里的數據太多，于是讀者的興趣就被分散了。

這是一個經典的“繪圖過度”的問題，相關的研究有很多。但是對于基本的圖表，也有一些簡單的解決方式。

首先是可以改變符號的大小，這樣上圖中的小圓點（或者是其他的符號）就不會占據太多空間。為了讓數據直觀清晰，主要要增加空白。

調節透明度，多層次的圖案就不會被覆蓋。

通過取樣或者把對數據進行分類的方式，把總體分成幾個更小的子群。從中，你可以采取小而多的方式，這樣每張表里的信息就會少一些。

數據進行再統計及分門別類。

總而言之，更好地呈現數據。

例：這張圖展示了金州勇士隊在2008-09賽季的每個投籃。

這張圖最終形成了一個球場的形狀，并得出了對于球員們投籃最多的地點的一個小結論——近框，中距離，以及三分球。但是它們之間的差距是很小的，讀者并不能看清真正量級上的差距。

數據聚合法將有助于解決此類問題。

解釋編碼

通過一定的形狀、顏色和幾何圖形的結合，將數據呈現出來。為了讓讀者能讀清楚，圖表設計者就要把這些圖形解碼回數據值。經典的例子是沒有標注的坐標軸。

有時編碼不需要解釋。比如說，讀者也許知道怎樣讀條形圖，就不必解釋條的長度表示的是值的大小了。但是設計者的確應該解釋數據，也就是圖表的單位和主題。

所以標明坐標軸代表的含義。要給讀者提供線索或圖例，解釋圖表。

例：這個錯誤標注的圖表來自溫尼伯太陽報：

我們要是能知道這是統計關于什么的問題就好了。

2015年數據可視化十佳項目
2015 年，優秀的可視化作品生機勃勃，我可以確定，明年也會有很多好作品。橫跨不同主題和應用形式的項目大量涌現，但如果讓我選一個年度主題的話，那一定是“教學”，不管是通過解釋說明，模擬說明還是深刻分析的方式。有時候會感到可視化創作者很大膽，試著讓讀者們不再用慣有的思維方式來理解數據和統計學。我很喜歡這一點。

以下是我選出的 2015 最佳項目。按照慣例，排名不分先后。同時，也有很多不在這個名單上的作品，它們同樣很優秀。

我們一起來看看它們。

1.親愛的數據

這是一個值得跟蹤的有趣項目，它涉及的兩個話題——可視化和自我監測——引起了我的注意。

親愛的數據是一個 Stefanie Posavec 和 Giorgia Lupi 做的一年項目。每個人會追蹤一周中每天發生的事情，比如每個人接多少次電話，然后把這些數據可視化在一張明信片上。然后他們把這些明信片寄給對方—— Lupi 現居紐約而 Posavec 住在倫敦。

2.你來畫：家庭收入如何預測孩子的大學入學幾率

感覺今年似乎是挑戰讀者如何在一個更高的統計學視角上理解數據的一年。

紐約時報 Upshot 的 Gregor Aisch, Amanda Cox 和 Kevin Quealy 請讀者畫一條反映家庭收入和上大學孩子數百分比的線。所以你能看到你自己畫的線，真實數據畫出的線和其他人是怎么看待這個關系的。

關于Upshot/New York Times 和數據假設，參見 this quick puzzle to test your pattern-finding ability （快速測試你的模式識別能力）和 3-D chart of the economy’s future（經濟未來發展3D圖）。

3.“黑”出你的科學榮耀

紐約時報的 538 也通過他們的可視化互動進行了一些數據科學教學活動。其中最好的一節課是教人們如何通過“竊取 P 值”（ p-hacking ）來從同一數據集中得到你想要的結果.

這個項目發布的時候正是一個剛畢業的學生被曝出偽造數據的時候（hyperlink）。Christie Aschwanden和Ritchie King的重點不是懷疑一個荒唐的結果是如何通過了嚴格的同行評審的，相反，他們想說的是，科學地做研究并解釋數據才是真正的難點。

4.制作歌曲“你現在在哪里”

紐約時報的這個團隊做了一個有關 Justin Bieber 的訪談，不僅不錯，還很有趣。

盡管 Bieber 更像一個配角，因為 Diplo 和 Skrillex 才是詳盡研究如何制作一首大賣歌曲的人，但是這個配在視頻旁邊的音樂可視化作品可以幫助你更好地理解音樂家們到底在說什么。

5.麻疹如何在接種了疫苗的兒童中傳播及何時不傳播

衛報的 Rich Harris，Nadja Popovich 和 Kenton Powell 展示了當一個國家的孩子們不接種麻疹疫苗時會發生什么。

作為父母，我想把這整個列表做成交互式的。

6.機器學習的可視化介紹

機器學習似乎像一個有魔力的概念，仿佛意味著一個機器人可以不受你的教導去做奇怪的事。Stephanie Yee 和 Tony Chu 對此用一個可視化例子進行了解謎。

這個可視化例子如卷軸般帶著你一步一步了解機器是如何“學習”的。過渡圖表讓整個圖銜接得非常順暢。現有成果似乎是一個系列項目的第一部分，但是我們可能得等一段時間才能看到后面的。

7.第二次世界大戰的結束

Neil Halloran 的這個項目的一部分是記錄，另一部分是交互式可視化，二者無縫銜接在了一起。

我很驚訝地發現并沒有很多人做這個類型的項目。當我意識到他們在做這樣一個項目時，我非常希望這個能繼續下去（閱讀更多）。

8. 2014 年是有記錄以來最熱的一年

最直觀的可視化這類數據的方式是單線圖。但把線進行分解后，我們可以得到更多的信息。

彭博社的 Tom Randall 和 Blacki Migliozzi 做的這張動態圖展示了月度平均氣溫。每條線代表一個完整的年份，隨著時間由遠到近，這條線在幾英寸幾英寸地升高。

9.網絡效應

距離上一次看到 Jonathan Harris 的這類項目已經過去一段時間了

他和 Greg Hochmuth 合作了這個項目，“網絡效應”是對整個互聯網的點評，可以讓人通過一種奇妙而引人入勝的方式了解互聯網的方方面面，一次花幾分鐘。

10.常用比喻

“比喻修辭是寫作者常用的，在讀者腦海中有特定形象的，一種工具和寫作習慣”。Bocoup 數據可視化團隊做的“常用比喻”項目研究了比喻修辭中常用的詞。

如果你想了解電影里的性別角色和人物性格，這個項目正是你要找的那個。