(精)数据可视化的设计方法
设计技巧
1、数据周期太多的，就绕圈(环形图)
2、数据维度太多的：
2.1 分图展示(一个主图展示时间轴，宏观趋势；一个或多个附图和主图联动，展示具体某一个周期的数据快照，对数据降维)，这种适合在产品功能中讲解复杂逻辑，配合动画会更出彩
2.2 继续绕圈，然后以同心圆的形式，每个环展示一个维度的数据；每个环的形式可以根据数据特性选择基础元素的类型(柱子、线条、象形图……)，这种适合讲故事，做信息图
3、多挖掘数据之间的关联关系，用关系图/桑基图展示单个周期的数据之间的关系(关联、流向、强弱等等)
想法
1、我们产品功能中的象形图用得比较少，可以多一些
2、命题作文一定能有结果，我们之前做出来的东西太少，是因为大家做得很随意，缺少命题作文(产品头给下面具体产品经理的命题作文、给设计师的命题作文)
可视化研究什么
以设计驱动的方式探索可视化范式，通过可视化范式来推动产品反向思考可落地的业务场景。
关于范式适合什么样的数据
从产品经理自己选数据逐个进行尝试，改为：
1、由产品经理确定想要通过该功能体现什么样的观点
2、产品经理确定这个观点需要的数据具备哪些特性(比如两个周期之间变化幅度大于50%、增长速度大于同行业股票的中位数等等这种规则)
3、业务方开发人员写程序，从数据库中筛选符合该特性的数据，提取出来，给产品经理加入图表进行验证
还有一个方案，就是先别管图表，直接筛选异常数据，找到异常的数据，确定是什么原因导致了该异常，然后就可以根据这个异常和溯源，得出一个结论，再根据结论和数据特性选择合适的图表。这种方式很适合做数据新闻，类似B站的腔调制造这种，做IP专栏、可视化实验室。
比如F10中这么多数据，肯定有很多特性和故事是可以讲的。
数据降维
将所有数据在三维空间里面体现，然后通过将三维空间映射为二维空间，拆分为多个图形，达到降维的效果。
数据降维，一般说的是维数约简（Dimensionality reduction）。它的思路是：将原始高维特征空间里的点向一个低维空间投影，新的空间维度低于原特征空间，所以维数减少了。在这个过程中，特征发生了根本性的变化，原始的特征消失了（虽然新的特征也保持了原特征的一些性质）。
特征选择，是从 n 个特征中选择 d (d<n) 个出来，而其它的 n-d 个特征舍弃。所以，新的特征只是原来特征的一个子集。没有被舍弃的 d 个特征没有发生任何变化。这是二者的主要区别。
浙大的可视化课程里面，也有讲到数据降维的一些常用算法，周一翻一下那本书看看。
参考
程序化的数据分析
程序化的数据分析，在可视化里面挺重要的，我们目前在这方面似乎还没怎么重视。
具体图表应用
3D散点图
将Z轴设置为时间，这样可以在一个图表中，纵观历史数据
然后通过数据降维(三维降低到2维)，以主图(不降维)+一个或多个附图(降维)的形式，可以直观呈现所有数据特性。
(TODO)创新型储备项目
我们得有点储备项目，不能总是跟着Boss的脚步，被拖着走。
我应该做模板，方便适用于各种类似场景，地图的可以搞一个。
疫情相关的可以准备一个，热点事件+地图，做成类似瘟疫公司那种风格？用UE或者Unity做一个。反正能模板化就行，不用Web常规功能化。用Cesium的话，似乎也没必要上UE？