课程来源：本文根据北京大学公开课《数据可视化》（共63讲）的学习笔记整理而成。该课程由北京大学智能学院袁晓如研究员主讲，课程内容涵盖数据可视化引论、数据抽象、数据编码、交互操作、表格与高维数据可视化、图与网络数据可视化等多个模块。笔者在学习过程中对“交互分类”相关章节做了重点梳理，现将笔记整理分享，希望能为对数据可视化感兴趣的读者提供一份参考。由于笔者水平有限，笔记中难免有疏漏或不准确之处，恳请读者指正。
1. 可视化基础：编码与交互
数据可视化由两个基本部分构成：
第一，编码（Encoding） ——如何把数据映射到平面上。这包括选择合适的图表类型（排列），以及决定用什么视觉特征（颜色、大小、形状、位置等）来代表不同的数据属性（映射）。
第二，交互（Interaction） ——可视化不应该是静态的。用户可以通过各种操作对视图进行分面、分离或简化，从而更深入地理解数据。
简单来说，编码解决“怎么看懂”的问题，交互解决“怎么看全”和“怎么看深”的问题。编辑
2. 处理复杂数据的四种思路
面对高维度、大体量的数据，可以从四个方向来思考如何处理：
| 思路 | 说明 |
|---|---|
| 派生新数据 | 在原始数据基础上计算新的字段（如增长率、平均值），并在视图中展示 |
| 视图随时间变化 | 让视图支持动态更新，展现数据在时间轴上的演变 |
| 多个视图表达 | 用多个相关联的视图从不同角度展示同一份数据 |
| 减少单视图信息量 | 精简每个视图中显示的数据项或属性数量 |
这四种思路是宏观层面的目标，而下面要介绍的三种手段则是实现这些目标的具体操作方法。编辑
3. 三种交互手段
3.1 视图操纵（View Manipulation）
直接对当前视图本身进行操作，不改变数据，只改变观看方式：
- 改变：缩放、平移、旋转、切换坐标尺度
- 选择：点击或框选高亮特定数据点，查看详情
- 导览：在层级数据中“钻取”，从总览进入细节
3.2 视图分面（View Faceting）
把一个视图拆成多个子视图：
- 并置：多个视图并列放置
- 分隔：按某个属性切成多个小格子（小多组图）
- 叠加：多个图层叠在同一坐标系中
3.3 约简（Reduction）
减少视图中显示的数据量：
- 过滤：按条件筛选数据项
- 聚集：将多个数据点汇总为统计值
- 嵌入：在整体视图中内嵌局部细节
4. 并置视图的三种考量
并置视图是将多个视图并列放置。但“放在一起”还不够，好的并置设计需要从三个维度来考虑：
① 编码是否共用？ 所有视图用相同的刻度与颜色体系（便于直接对比），还是各自独立（便于观察局部特征）？
② 数据是什么关系？ 视图之间可能是完全相同的数据（只是展示方式不同），也可能是部分重叠（有交集也有各自独有的数据），还可能是完全不同的数据集。
③ 导航是否共用？ 缩放或平移一个视图时，其他视图是否跟随？
其中，联动高亮是并置视图最常用的交互方式：在一个视图中选中一些数据点，其他视图中对应的部分会被同步高亮。这种机制让用户即使在不同的视觉形态之间，也能追踪同一批数据。
编辑
5. 关联高亮：跨视图追踪数据
关联高亮（Brushing & Linking，也称刷选与链接）的核心理念很简单：在一个视图中选择数据，在其他视图中看到对应的数据被高亮。
它的工作流程分三步：
- 刷选（Brushing） ：用户在一个视图中通过点击、框选等方式选中一批数据
- 链接（Linking） ：系统根据数据的唯一标识，在其他视图中找到对应的记录
- 高亮反馈：匹配到的数据在其他视图中被高亮显示，未匹配的变灰或淡化
这个机制之所以有效，前提是各视图共享同一份数据（或至少共享共同的数据标识符）。如果视图之间没有任何共同标识符，就无法实现基于数据记录的关联高亮——但可以退而采用基于共享维度（如同一个时间轴）的同步响应。
关联高亮是可视化系统中最高效、最普遍的交互方式之一，它把分散的多个视图串联成了一个联动的分析工作台。编辑
6. 动态查询：拖出来的数据筛选
6.1 什么是动态查询
动态查询是一种交互方式：用户通过拖拽滑块、点击按钮等方式调整筛选条件，视图实时更新显示筛选结果。编辑
核心要义是：操作即反馈，选择即结果。 不需要点击“确认”或“搜索”按钮。
6.2 四个特征
- 操作与反馈同步：拖拽滑块时，视图同步变化
- 快速、渐进、可逆：每一步都有反馈，反向拖拽即可撤销
- 直接操控：用拖拽和点击代替键盘输入
- 即时连续：视图平滑更新，没有跳跃
6.3 与传统查询的对比
传统数据库查询（如SQL）是这样的：
sql
SELECT house FROM east_bay
WHERE price < 1000000 AND bedrooms > 2
ORDER BY price
它的特点是：需要学习语法、严格匹配、提交后等待结果、以表格形式返回。用户需要知道自己要找什么。
而动态查询的特点是：无需学习语法、连续调整、毫秒级反馈、以可视化图表呈现。它帮助用户发现自己要找什么。
两者的区别，本质上是“提问-回答”与“探索-发现”两种范式的区别。
6.4 动态查询的利弊权衡
任何一种交互技术都有其适用的边界。动态查询在带来便利的同时，也存在一些需要正视的局限性。以下内容基于对相关研究的梳理以及对实际使用场景的观察。
优势
① 对新手和专家都能有效操作
动态查询的交互方式（拖拽滑块、点击按钮）几乎不需要学习成本，新手可以直接上手；对于有经验的用户，它提供了一种快速验证假设的方式，可以大幅缩短从“产生问题”到“获得反馈”的路径。这种“低门槛、高效率”的组合在交互设计中并不常见。
② 探索数据的快速方式
连续调整、实时反馈的特性使得用户可以快速试探数据的边界——例如通过拖拽阈值观察哪些数据点被保留或切除，或者通过多维度组合寻找特定子集。与传统“提交-等待-查看”的查询模式相比，动态查询更接近一种“对话式”的探索体验。
局限性
① 只适用于相对简单的查询
动态查询擅长处理由多个简单条件组合而成的筛选（如价格区间 + 卧室数量），本质上是SQL中 WHERE 子句部分功能的图形化表达。但对于涉及多表连接、嵌套子查询、复杂聚合或窗口函数等高级逻辑的场景，滑块和按钮无法有效表达。
② 条件较多时操作可能变得繁琐
当筛选条件超过一定数量（比如7～8个）时，逐一调整每个滑块的操作成本会明显上升，体验变得冗长。这个问题在高维数据分析中尤为突出，学界也常将其视为“维度灾难”在交互层面的体现。
③ 屏幕空间与数据显示的矛盾
动态查询需要将控件区域（滑块、按钮）与主视图同时呈现。当数据集的属性较多或可视化本身需要大面积展示时，屏幕空间会变得紧张，尤其是在笔记本电脑或移动设备上。如何在有限的空间中合理安排控件与视图，是一个值得重视的设计问题。
编辑
7. 约简：给数据“做减法”
实际工作中，数据要么条目太多（行数庞大），要么属性太多（列数繁多）。约简的目标就是有策略地减少单个视图中显示的信息量。
7.1 过滤（Filter）
按条件筛选，只保留满足条件的数据。
- 优点：直观明了，容易理解
- 需要注意：被过滤掉的数据完全不可见，用户容易忘记它们的存在（所谓“out of sight, out of mind”），可能影响对数据全貌的判断
7.2 聚集（Aggregate）
把多个数据点合并成一个统计值（求和、平均、计数等）。
- 优点：帮助把握整体趋势
- 需要注意：会丢失个体差异和异常值信息（“信号丢失”）
过滤和聚集并不互斥，经常组合使用——比如先筛选出某段时间的数据，再按月做聚集。
编辑
8. 交叉过滤：多个筛选器协同工作
交叉过滤（Cross-filtering）可以理解为 “多个动态查询 + 全局联动刷新” 。
它的核心机制是：多个过滤器同时作用于同一份数据，任何一个过滤器的变化，都会触发所有其他视图和控件同步更新。
举个例子：你有价格、卧室数量、房屋类型三个筛选器。当你调整了价格区间，不仅主视图更新了，卧室数量的直方图也会自动更新为“当前价格区间下的卧室分布”——而不是原始的全局分布。
这正是“不同的过滤方法可以相互组合”的体现。过滤器之间互相“交叉”影响，而非彼此孤立。
Crossfilter 是一个专门实现这种交互的 JavaScript 库（由 Square 公司开发），能在百万级数据上实现毫秒级响应。编辑
9. 空间聚集与MAUP
9.1 什么是空间聚集
当数据量极大时（比如海量的GPS点），逐个绘制每个点既不现实也没必要。常用的做法是：把空间划分成若干区域，统计每个区域内的数据数量，然后用颜色深浅来表示——这就是等值区域图（Choropleth Map）。
从本笔记的框架来看，空间聚集是约简中聚集在空间维度上的具体应用。
9.2 MAUP：一个无法回避的问题
MAUP（Modifiable Areal Unit Problem，可塑地区单元问题）是空间数据分析中一个经典问题。它的核心意思是：对同一组数据，仅仅因为划分区域的方式不同（边界不同或尺度不同），就可能得出不同的统计结论。
MAUP包含两个相互关联的方面：
① 尺度效应（Scale Effect） ：聚合的颗粒度不同（省 vs. 市 vs. 街道），结论可能不同。宏观上看到的正相关，在微观上可能变成负相关——这就是所谓的“生态学谬误”。
② 区域效应（Zone Effect） ：尺度相同但划分边界不同，结论也可能不同。一个典型的例子是Gerrymandering（操纵投票区边界） ——通过刻意调整选区边界来影响选举结果。
MAUP之所以是“问题”而非“错误”，是因为它无法被消除——只要做空间聚集，就必然要选择某种划分方案，而没有任何一种方案是绝对客观的。编辑
9.3 可视化设计中的应对思路
虽然无法消除MAUP，但可以通过设计让用户意识到它的存在：
- 提供多尺度切换：让用户在不同聚集尺度之间切换观察
- 采用规则网格：用六边形或正方形网格替代行政边界，减少边界划分带来的偏差
- 显示可信度信息：同时展示每个区域内的数据量，数据量过少的区域应谨慎解读
术语表
| 中文 | 英文 | 简要说明 |
|---|---|---|
| 编码 | Encoding | 将数据映射为视觉元素的过程 |
| 视图操纵 | View Manipulation | 缩放、平移、选择、导览等操作 |
| 视图分面 | View Faceting | 将视图拆分为多个子视图 |
| 约简 | Reduction | 减少数据项或属性 |
| 并置 | Juxtaposition | 多个视图并列放置 |
| 关联高亮 | Brushing & Linking | 跨视图同步高亮被选中的数据 |
| 动态查询 | Dynamic Query | 通过拖拽控件实时筛选数据 |
| 交叉过滤 | Cross-filtering | 多个过滤器协同联动 |
| 空间聚集 | Spatial Aggregation | 将点数据聚合为区域统计值 |
| MAUP | Modifiable Areal Unit Problem | 分析结果依赖于空间单元划分方式的问题 |
笔记整理自公开课内容，如有不当之处，欢迎指正。
课程来源
本文根据北京大学公开课《数据可视化》（共63讲）的学习笔记整理而成，课程链接 ：
【公开课】北京大学：数据可视化
