Nathan Yau 在上周的通讯中,谈论关于网上的批评者:

Sometimes the person who delivers the criticism read the chart wrong. Sometimes they haven’t had their morning coffee yet. Sometimes they simply have no idea what they’re talking about. And sometimes they are right.

以及引用到了 Mike Bostock 之前关于十年 D3 开发的感想

No matter how good your work is, if you put yourself out there someone on the internet will say something hurtful and make you feel bad. It’s often not intentional, not that it matters. I am very proud of D3 but I maintain a collection of mean tweets people have shared about it. This is my process; don’t judge me. (And no, I’m not sharing the list.)

要能够找出善意的建议,阻断无端的恶毒。

另外感慨一下 RWeekly 现在每周的内容真是包罗万象,什么新奇的东西都有。

项目

  • Taras Kaduk: Cities with Best (and Worst) Weather, 2021 edition 将具有时间周期性的数据转化为环状(不是饼!)也并非原创,但这种「周而复始」的感觉总是让人看不腻。联想到的是 Xiaoji Chen 十年前的 Sky Color of 10 Chinese Cities.
  • Weekly Post 319: Biannual transfer value list: Rashford takes first place (football-observatory.com) CIES Football Observatory 每半年会更新一次欧洲五大足球联赛球员的转会身价报告。其中,影响球员身价的因素包括
    • 球员自身因素:合同期限、年龄、国家队入选情况、生涯进度、球场表现。
    • 俱乐部因素:俱乐部经济状况、联赛竞技水平。
    • 以及,通货膨胀因素。
    • 具体的算法参考这里。当然了,每半年更新的报告其实只是提供了可以参考的一个观点,如果用马后炮的视角去一一对号入座,就不那么有意思了。球员的身价某些情况下是不可能得到应验的,因为当交易并不能发生的时候,标价也只是一个数字了。例如,文中对于 Marcus Rashford 的身价估值是 165.6 millions 英镑,我个人不认为这个数字有兑现的可能。

观点

  • Which color scale to use when visualizing data - Datawrapper Blog Lisa Charlotte Rost 关于在可视化中如何使用 color scale 的文章,一共有四个部分,将常用的 color scale 类别分为 quantitative 和 qualitative 两大类,后者主要针对的是 categorical data, 前者的情况则需要进一步细分。正如文章中所说,其实很难有「一刀切」的选择标准,同样的数据在不同的人手里,因为想着重突出的表达观点不同,所以选择自然也就有了不同。Diverging scales 突出两极或者有意义的中点, sequential 则更明显直观(这一点是针对 diverging 而言的,因为有时候你并不确定两个极端哪个是极大,哪个是极小)。Classed 与否则可以有这么几个筛选原则:
    • 数据本身是分类的,那自然可以分成不同 classes.
    • 如果有统计学意义上的分组介入,自然也是要分 classes 更好.
    • 如果旨在让读者阅读的时候直接获取到每个不同色块对应的数值的话,也是建议使用 classed.
quantitative sequential diverging
unclassed
classed

另外推荐作者的另外一篇博文 How to pick more beautiful colors for your data visualizations - Datawrapper Blog.

故事

工具

gt-img

数据