数据类型与度量

阅读时间约 19 分钟

数据可视化的本质就是将数据映射到图形,但是不同类型的数据适合的图形属性不同,可视化的结果也会因此不同。通过了解数据分类以及 G2 的数据分类设计可以帮助你更好得使用 G2 进行图表创作。

数据类型

image | left

数据的类型可以按照两种分类方式:

  1. 数据自然的分类
  2. 数据是否连续

数据自然的分类

按照数据的自然分类,可以将数值类型分为:

  • 名词:常见的名词,不关心顺序,比如国家的名称;
  • 有序:有序的分类,例如警报信息,从低到高分为黄色警告、橙色警告和红色警告;
  • 间隔:有间隔的数字,不考虑 0 的意义。例如温度,0 度不代表没有温度;
  • 比例:表示字段之间存在比例关系,0 必须有意义。

image | left

数据是否连续

按照数据是否连续划分的方式:

  • 分类(定性)数据,又分为有序的分类和无序的分类;
  • 连续(定量)数据,连续不间断的数值,时间也是一种连续的数据类型。

首先我们来看下面的这组数据:

[
  { month: '一月', temperature: 7, city: 'tokyo' },
  { month: '二月', temperature: 6.9, city: 'newYork' },
  { month: '三月', temperature: 9.5, city: 'tokyo' },
  { month: '四月', temperature: 14.5, city: 'tokyo' },
  { month: '五月', temperature: 18.2, city: 'berlin' }
]

其中:month 代表月份,temperature 代表温度,city 代表城市。

  • 上面数据中 monthcity 都是离散的分类,但是又有所差异。month 是有序的分类类型,而 city 是无序的分类类型。
  • temperature 是连续的数字。

数据类型与度量 scale

我们在 G2 中将数据类型按照是否连续来划分,每种分类设计成不同的度量(Scale),度量用于完成以下功能:

  1. 将数据转换到 0-1 范围内,方便将数据映射到位置、颜色、大小等图形属性;
  2. 将转换过的数据从 0-1 的范围内反转到原始值。例如 分类a 转换成 0.2,那此时 0.2 反转回来的值就是 分类a
  3. 将数据划分,用于在坐标轴上、图例上显示数值的范围、分类等信息,如下:

(1) 分类信息展示在图例上

image | left

(2) 确定显示在坐标轴上坐标点 30,40,50,60,70

image | left

所以每种度量必须包含以下信息:

  • 定义域(domain),分类度量指的是各种分类值,连续度量则需要指定最小值、最大值;
  • 值域(range),将分类、连续数据映射到范围,默认 0-1;
  • 坐标点(ticks),用于显示在图例或者坐标轴上,对于分类度量,坐标点就是分类类型;连续的数据类型,需要计算出对人比较友好的坐标点、友好的坐标间距,例如:

    • 1,2,3,4,5
    • 0, 5,10,15,20
    • 0.001, 0.005,0.010 而不是:
    • 1.1,2.1,3.1,4.1
    • 12,22,32,42,52

G2 的度量类型

G2 中提供了下面几种度量

image | left

  • identity,常量类型的数值,也就是说数据的某个字段是不变的常量;
  • linear,连续的数字 [1, 2, 3, 4, 5];
  • cat,分类,['男', '女'];
  • time,连续的时间类型;
  • log,连续非线性的 Log 数据 将 [1, 10, 100, 1000] 转换成 [0, 1, 2, 3];
  • pow,连续非线性的 pow 数据 将 [2, 4, 8, 16, 32] 转换成 [1, 2, 3, 4, 5];
  • timeCat,非连续的时间,比如股票的时间不包括周末或者未开盘的日期。
  • image | left

image | left

属性和接口设计

度量共有的属性:

属性名说明
type度量类型
range度量转换的值域,默认是 [0,1]
alias别名,大多数数据集合的字段名都是英文,有时候需要定义中文名称,便于在图例、提示信息上显示
ticks支持的坐标点,可以在图例、坐标轴上显示,坐标点的计算后面详细介绍
tickCount坐标点的个数,不同类型的度量默认值不同
formatter输出字段时的格式化函数,会影响数据在坐标轴、图例、提示信息 (tooltip) 上的显示

linear

连续的数据类型的基类,包含以下特殊的属性

属性名说明
min定义域的最小值
max定义域的最大值
tickCount连续类型的度量,默认生成坐标点的个数是 5
tickInterval用于指定坐标轴各个标度点的间距,是原始数据之间的间距差值,tickCount 和 tickInterval 同时声明时以 tickCount 为准
nice是否根据人对数字识别的友好度,来调整 min 和 max。例如 min:3,max: 97,如果 nice: true,那么会自动调整为:min: 0,max: 100

cat

分类类型度量的特殊属性

属性名说明
values当前字段的分类值

G2 创建图表的时候,values 字段一般会自动从数据中取得,但是以下 2 中情形下需要用户手动指定

  • 需要指定分类的顺序时,例如:type 字段有'最大','最小'和'适中'3 种类型,我们想指定这些分类在坐标轴或者图例上的顺序时:
  [
    { a: 'a1', b:'b1', type: '最小' },
    { a: 'a2', b:'b2', type: '最大' },
    { a: 'a3', b:'b3', type: '适中' }
  ]

  const defs = {
    'type': { type: 'cat', values: [ '最小', '适中', '最大' ] }
  };

如果不声明度量的 values 字段,那么默认的顺序是:‘最小’,‘最大’,‘适中’

  • 如果数据中的分类类型使用枚举的方式表示,那也也需要指定 values
  [
    { a: 'a1', b:'b1', type: 0 },
    { a: 'a2', b:'b2', type: 2 },
    { a: 'a3', b:'b3', type: 1 }
  ]

  const defs = {
    'type': { type: 'cat', values: [ '最小', '适中', '最大' ] }
  };

必须指定'cat'类型,values 的值按照索引跟枚举类型一一对应

time

time 类型是一种特殊的连续型数值,所以我们将 time 类型的度量定义为 linear 的子类,除了支持所有通用的属性和 linear 度量的属性外,还有自己特殊的属性:

属性名说明
mask数据的格式化格式 默认:'YYYY-MM-DD'

目前支持 2 种类型的时间(time) 类型:

  • 时间戳的数字形式,1436237115500 // new Date().getTime()
  • 时间字符串: '2015-03-01', '2015-03-01 12:01:40', '2015/01/05','2015-03-01T16:00:00.000Z'

格式化日期时mask的占位符,参考 fecha

TokenOutput
MonthM1 2 ... 11 12
MM01 02 ... 11 12
MMMJan Feb ... Nov Dec
MMMMJanuary February ... November December
Day of MonthD1 2 ... 30 31
Do1st 2nd ... 30th 31st
DD01 02 ... 30 31
Day of Weekd0 1 ... 5 6
dddSun Mon ... Fri Sat
ddddSunday Monday ... Friday Saturday
YearYY70 71 ... 29 30
YYYY1970 1971 ... 2029 2030
AM/PMAAM PM
aam pm
HourH0 1 ... 22 23
HH00 01 ... 22 23
h1 2 ... 11 12
hh01 02 ... 11 12
Minutem0 1 ... 58 59
mm00 01 ... 58 59
Seconds0 1 ... 58 59
ss00 01 ... 58 59
Fractional SecondS0 1 ... 8 9
SS0 1 ... 98 99
SSS0 1 ... 998 999
TimezoneZZ-0700 -0600 ... +0600 +0700

log

log 类型的数据可以将非常大范围的数据映射到一个均匀的范围内,这种度量是 linear 的子类,支持所有通用的属性和 linear 度量的属性,特有的属性:

属性名说明
baseLog 的基数,默认是 2

以下情形下建议使用 log 度量

  • 散点图时数据的分布非常广,同时数据分散在几个区间内。例如 分布在 0-100, 10000 - 100000, 1 千万 - 1 亿内,这时候适合使用 log 度量
  • 使用热力图时,数据分布不均匀时也会出现只有非常高的数据点附近才有颜色,此时需要使用 log 度量,对数据进行 log 处理。

pow

pow 类型的数据也是 linear 类型的一个子类,除了支持所有通用的属性和 linear 度量的属性外也有自己的属性:

属性名说明
exponent指数,默认是 2

timeCat

timeCat 类型的数据,是一种日期数据,但是不是连续的日期。例如代表存在股票交易的日期,此时如果使用 time 类型,那么节假日没有数据,折线图、k 线图会断裂,所以此时使用 timeCat 的度量表示分类的日期,默认会对数据做排序。

属性名说明
tickCount此时需要设置坐标点的个数
mask数据的格式化格式

image | left

度量坐标点的计算

度量的信息需要在图例、坐标轴上显示时,不可能全部显示所有的数据,那么就需要选取一些代表性的数据显示在图例、坐标轴上,我们称这些数据为ticks(坐标点),不同的类型的度量计算 ticks(坐标点)的算法各不一样,我们这里提供 3 类度量 ticks(坐标点)的计算:

  • 分类度量,包括 cat,timeCat
  • 连续类型度量,包括 linear,log,pow
  • 时间类型度量,包括 time

分类度量的计算

分类度量一般情况下不需要计算 ticks,直接将所有的分类在图例、坐标轴上显示出来即可

但是当分类类型的数值过多,同时分类间有顺序关系时可以省略掉一些分类例如:

image | left

计算时需要使用到的属性:

  • values: 当前度量的分类值,如果未指定,则直接从数据源中提取
  • tickCount: 保留几个坐标点

分类的 ticks 计算非常简单:

  • 均匀的从 values 中取 tickCount 个坐标点
  • 为了保证 values 第一个和最后一个 value 都在 ticks 中,取值的间隔是 (values.length - 1) / (tickCount - 1), 则保证 values 第一个和最后一个 value 都在 ticks 中

整除的场景:

const values= [ '第一周', '第二周', '第三周', '第四周', '第五周', '第六周', '第七周', '第八周', '第九周' ];
const tickCount = 5;
// 由于 values.length = 9;
// 平均间隔 step = (9 - 1) / (5 - 1) = 2;

const ticks = [ '第一周', '第三周', '第五周', '第七周', '第九周' ]

不能整除:

const values= [ '第一周', '第二周', '第三周', '第四周', '第五周' ];
const tickCount = 4;
// 由于 values.length = 5;
// 平均间隔 step = (5 - 1) / (4 - 1) = 4/3; 取整 step = 1;

// 舍弃了第四周
const ticks = [ '第一周', '第二周', '第三周', '第五周' ]

连续数据度量的计算

连续数据类型计算坐标点需要考虑以下问题:

  • 坐标点必须是对人友好的数据 (nice numbers),不能简单的均分的方式计算坐标点。 例如 min: 3,max: 97,tickCount: 6,如果平均划分则会生成 ticks: [3, 21.888,...,78.111,97],我们理想的方式是 ticks: [0, 20, 40, 60, 80, 100]
  • 计算的数值范围不确定,有可能是 0, 100, 1000 也有可能是 0.01,0.02,0.03

连续数据坐标点的计算方式如下:

  • 指定一个逼近数组 [0,2,5,10], 用于计算对人友好的 tickInterval
  • 根据传入的 min,max,tickCount 计算 tickInterval, 将 tickInterval 的值转换到 0-10 之间,保留转换的系数,例如 min: 0, max: 10003, tickCount = 4,那么计算的 tickInterval = 3001 变成 3.001,系数是 1000,然后在逼近数组中找到一个逼近值,以 3.001 为示例

    • 可以选择向上逼近(最终生成的坐标点个数小于 tickCount),得出逼近值 5
    • 或者选择向下逼近(最终生成的坐标点的个数大于 tickCount), 得出逼近值 2
    • 或者四舍五入(有可能会多,有可能会少), 得出逼近值 5
  • 将得到的逼近值乘以前面求得的系数 1000,

    • 如果逼近值是 5,tickInterval = 1000 * 5 = 5000, 将 min, 和 max 取 tickInterval 的倍数,最终计算出来的 ticks : [0, 5000, 10000, 15000]
    • 如果逼近值是 2,tickInterval = 1000 * 2 = 2000, 将 min, 和 max 取 tickInterval 的倍数,最终计算出来的 ticks :[0, 2000, 4000, 6000, 8000, 1000, 12000]

伪代码如下:

const snapArray = [ 0, 2, 5, 10 ];
const min = 0;
const max = 10003;
const tickCount = 4;
const tickInterval = (max - min) / (tickCount - 1); // 3001;

const factor = getFactor(tickInterval); // 1000,如果value > 10 则不断除以10 直到除数 1<value<10,如果value < 1,则不断乘以10, 直到 1< value < 10
const snapValue = snap(snapArray, tickInterval / factor, 'ceil'); // 向上逼近,逼近值5
const tickInterval = snapValue * factor;

const min = snapMultiple(tickInterval, min, 'floor'); // 向下取tickInterval的整数倍,0
const max = snapMultiple(tickInterval, max, 'ceil');  // 向上取tickInterval的整数倍,15000

const ticks = [];
for(let i = min; i <= max; i += tickInterval){
  ticks.push(i);
}

return ticks;

注意事项

  • snapArray 可以进行调整,数组内部值越多,间距越小,计算出来的 tickCount 跟预期的差距越小
  • min,必须向下取 tickInterval 的倍数,max , 必须向上取 tickInterval 的倍数

时间类型的度量计算坐标点

时间类型的数据是连续数据,但是不适合连续数据度量的计算方式原因在于:

  • 时间戳的数值比较大,包含毫秒信息,取对人友好的数值格式化出来的时间不一定对人友好,如 1466677570000, 是 ’2016 18:26:10‘
  • 对于日期的间隔大于月份,大于年的数据集,没法取得固定的 tickInterval,因为月份和年的时间间隔并不相等

所以时间类型的度量需要自己的算法,算法如下:

  • 根据 min,max 和 tickCount 计算 tickInterval;
  • 计算 tickInterval 占一年的比例,yfactor = interval / yms(一年的毫秒数)

    • 如果 yfactor > 0.51,也就是时间间隔大于半年,取 min 和 max 的年份,按照年计算 ticks 例如: min: 2001-05-02, max: 2015-10-12, tickCount = 6, 此时 ticks = [2001-01-01,2004-01-01 2007-01-01,2010-01-01, 2013-01-01, 2016-01-01]
    • 如果 0.0834 < yfactor < 0.51, 时间间隔大于一个月,那么就按月的倍数来计算 ticks 例如: min: 2001-05-02,max: 2002-04-03, tickCount = 5, 此时 ticks = [2001-05-01, 2001-07-01, 2001-09-01, 2001-11-01, 2002-02-01, 2002-04-01, 2001-06-01]
    • 如果时间间隔大于 1 天,按照天的倍数计算;如果时间间隔大于一个小时,按照小时的倍数计算。然后按照分、秒、毫秒计算 ticks

注意事项:

  • tickCount 的值也无法确定最终生成的 ticks 的个数
  • 必须保证计算出来的 ticks 的第一个值小于 min, 最后一个值大于 max