Introdução A Visualização de Dados PDF

Introdução a Visualização
de Dados: Teoria e Prática

Nicole Sultanum
Jornada de Informática na Biodiversidade – LNCC – 13 de Fevereiro de 2015

Visualização de Dados
IHC
Computação
Gráfica
IBM Research
Industrial Systems of
Technology Engagement
and Science and Insight
Social
São Paulo
IBM Data
Research Analytics
Rio de Janeiro
Brazil
Natural
Resources
Solutions
Introdução a Visualização
de Dados: Teoria e Prática
Teoria
Conhecimento que você vai levar
pra casa…
•  Noção mínima da área para poder
continuar sua pesquisa individualmente…
–  Visão geral das diferentes vertentes de
visualização
–  Conceitos básicos de visualização de
informação
•  Introdução a algumas ferramentas básicas
•  Um pouco de inspiração J
Takeaway message…
Exige experiência!

Mas apesar de tudo, todos Exemplos… muitos

nós temos, em geral, os exemplos
pré-requisitos básicos pra

ser um bom criador de
visualizações… Fundamentos
… mas antes precisamos
aprender a ver diferente!
Tópicos
1.  Motivação e Intro!
2.  Percepção e Cognição!
3.  Exemplos de Representações Visuais!
Tabelas, Grafos, Dados Espaciais…
4.  Criando Visualizações;!
Método, Recomendações e Heurísticas
5.  Avaliando Visualizações!
6.  Mais Exemplos!!
“The power of the unaided mind is highly overrated. Without external aids,
memory, thought, and reasoning are all constrained. But human intelligence is
highly flexible and adaptable, superb at inventing procedures and objects that
overcome its own limits. The real powers come from devising external aids: it is
things that make smart”
Norman, Donald A. "Things that make us smart." (1993).
MOTIVAÇÃO E INTRODUÇÃO
British Casualties in the Crimean War
Data Lesão Em campo Doença
05/1854 0 95 105
06/1854 0 40 95
Ø  Mês com maior numero de
07/1854 0 140 520 mortes em campo de
08/1854 20 150 800 batalha?
09/1854 220 230 740
10/1854 305 310 600
11/1854 480 290 820
12/1854 295 310 1100 Ø  Meses em que o no mortes
01/1855 230 460 1440 por lesão excede mortes em
02/1855 180 520 1270
03/1855 155 350 935
campo?
04/1855 195 195 560
05/1855 180 155 550
06/1855 330 130 650 Ø  Mês com o maior número de
07/1855 260 130 430 mortes no total?
08/1855 290 110 490
09/1855 355 100 290
10/1855 135 95 245
11/1855 100 140 325 Ø  Meses em que a % de
12/1855 40 120 215 mortes por doença foi menor
01/1856 0 160 160
02/1856 0 100 100 que 50%?
03/1856 0 125 90
Ø Mês com maior numero de mortes em campo de batalha?
Ø Meses em que o no mortes por lesão excede mortes em
campo?
Ø Mês com o maior número de mortes no total?
Ø Meses em que a % de mortes por doença foi menor que
50%?
1. Visão tem alta performance
Tabela vs. Gráficos
Exige decodificação ß à Decodificação imediata
Exige memória ß à  Informação
visualmente disponível
“Why should we be interested in visualization? Because the human visual

system is a pattern seeker of enormous power and subtlety. The eye and the
visual cortex of the brain form a massively parallel processor that provides
the highest-bandwidth channel into human cognitive centers.”

Ware, Colin. Information visualization: perception for design. Elsevier, 2013.

Image Source: Wikipedia
Anscombe’s Quartet
1 2 3 4
X Y X Y X Y X Y
10.0 8.04 10.0 9.14 10.0 7.46 8.0 6.58
8.0 6.95 8.0 8.14 8.0 6.77 8.0 5.76
13.0 7.58 13.0 8.74 13.0 12.74 8.0 7.71
9.0 8.81 9.0 8.77 9.0 7.11 8.0 8.84
11.0 8.33 11.0 9.26 11.0 7.81 8.0 8.47
14.0 9.96 14.0 8.10 14.0 8.84 8.0 7.04
6.0 7.24 6.0 6.13 6.0 6.08 8.0 5.25
4.0 4.26 4.0 3.10 4.0 5.39 19.0 12.50
12.0 10.84 12.0 9.13 12.0 8.15 8.0 5.56
7.0 4.82 7.0 7.26 7.0 6.42 8.0 7.91
5.0 5.68 5.0 4.74 5.0 5.73 8.0 6.89
Med. 9.0 7.5 9.0 7.5 9.0 7.5 9.0 7.5
Var. 10.0 3.75 10.0 3.75 10.0 3.75 10.0 3.75
Corr. 0.816 0.816 0.816 0.816

Anscombe, Francis J. "Graphs in statistical analysis." The American Statistician 27.1 (1973): 17-21.
2. Visualização expõe detalhes
Ø  Média, variância,
correlação e linha de
regressão linear são
idênticas…
Ø  … mas estruturas

diversas!
Ø  Distribuição, outliers,
continuidade…
Reduzir/sumarizar os dados remove detalhes que podem ser

cruciais. Por isso é importante sempre visualizar os dados
em sua integridade.
3. Padrões são evidenciados
Expor dados visualmente permite evidenciar padrões que

caso contrário não seriam facilmente identificados
Baur, Dominikus, et al. "The streams of our lives: Visualizing listening histories in context." Visualization and Computer Graphics,
IEEE Transactions on 16.6 (2010): 1119-1128.
Por que Visualização?
•  Amplificação cognitiva
–  Poder da visão é aproveitado para expandir nossos limites
cognitivos em análise de dados
–  Permite maior escala e mais dados
•  Maior escala à expor mais detalhes
–  Evidenciar padrões, verificar validade de modelos estatísticos,
etc…
•  Reportar eficazmente, e rapidamente
–  Manter “awareness”
“The power of the unaided mind is highly overrated. Without external aids, memory,
thought, and reasoning are all constrained. But human intelligence is highly flexible and
adaptable, superb at inventing procedures and objects that overcome its own limits.
The real powers come from devising external aids: it is things that make smart”
Norman, Donald A. "Things that make us smart." (1993).
Definindo Visualização de Dados
“The use of computer-supported, interactive, visual representations of data to
amplify cognition”.
Card, S. and Mackinlay, J. and Shneiderman, B., Readings in Information Visualization: Using Vision to Think
Morgan Kaufmann Publishers, 1999.
“Computer-based visualization systems provide visual representations of

datasets designed to help people carry out tasks more effectively.”
Munzner, Tamara. Visualization Analysis and Design. CRC Press, 2014.
Visão Dado
Mapeamento … e este próposito determina

fundamentalmente como a
Existe propósito! … visualizacao deve ser projetada.
Tarefa/Objetivo
Caracterizando Visualização de Dados
Extremamente multidisciplinar!
–  Forte acoplamento com dominios de aplicação;
–  Conjunto vasto de perspectivas e diferentes áreas do
conhecimento:
•  Ciências cognitivas
•  Design
•  Interação Humano-Computador
•  Computação
•  Estatística
•  …
Caracterizando Visualização de Dados
EXPLANAÇÃO EXPLORAÇÃO
•  Contando histórias •  Adquirindo insight
Cairo, Alberto. The Functional Art: An introduction to information graphics and visualization. Baur, Dominikus, et al. "The streams of our lives: Visualizing listening histories in context."
New Riders, 2012. Visualization and Computer Graphics, IEEE Transactions on 16.6 (2010): 1119-1128.
Principais sub-áreas
•  Visualização Científica (SciVis)
–  Dados de aplicação científica (geralmente 3D)
•  Simulações físicas, dados de scanners médicos (RM, TC)…

•  Visualização de informação (infoVis)
–  Dados “abstratos” (i.e. sem “estrutura” pré-definida)
•  Transações financeiras, tweets, conexões em redes sociais, valores de
ações, dados de censo…

•  Visualização Analítica (Visual Analytics)
–  Uso de ferramentas analíticas para “amplificação da cognição”
•  “Parceria humano-computador”
•  Datasets multidimensionais, aplicações em big data, foco em
correlações…
“This is your brain on Vis…”
FUNDAMENTOS DE PERCEPCÃO
A construção de visualizações é baseada no
mapeamento de dados em representações visuais.
Dados Gráficos
Quais representações posso usar para codificar

os dados?
Que representações são mais adequadas para

garantir que estou passando a mensagem
correta?
Um pouquinho de Semiologia…
Estudo dos símbolos e como eles carregam significado.
Símbolos “Arbitrários”:
Idéia da mente como uma “tela
em branco”
•  Representações são
“aprendidas”
•  Representações são
dependentes de cultura
e contexto

Um pouquinho de Semiologia…
Estudo dos símbolos e como eles carregam significado.
Símbolos “Sensoriais”:
Alguns elementos de
percepção são comuns a
todos nós
•  Cérebro é pré-programado/
treinado para reconhecer
certos padrões
•  É possível criar uma teoria
para representações visuais

Símbolos arbitrários vs. sensoriais
Abitrários: dependentes de contexto Sensoriais: “hard wired”
–  Difíceis de aprender –  Compreensão sem

treinamento prévio
–  Fáceis de esquecer
–  Fazem parte da cultura e –  Persistente
atividades –  Percepção sensorial
imediata
–  Grande poder formal
–  Validade transcultural
–  Pode mudar rapidamente
Importante lembrar que as fronteiras são um tanto fuzzy...

Algumas Variáveis Visuais
(baseadas em características perceptuais)
Posição Formato Cor
Tamanho - Comprimento Textura Cor - Matiz
Tamanho - Área Orientação/Direção Cor - Saturação
Tamanho - Volume Ângulo Cor - Luminância

Mapeando dados e variáveis visuais
Modelo Tipo CV Preço Airbag
Volkswagen Fox Pequeno 81 9100 0 (sem airbag)
Hyundai Elantra Pequeno 124 10000 0 (sem airbag)
PonHac Firebird Esporte 160 17000 2 (mot. & pass.)
Ford Mustang Esporte 105 15900 1 (motorista)
Quantitativos! Ordinais! Categóricos (ou nominais)!

Ø  Ordem definida Ø  Ordem definida Ø  Sem ordem definida
Ø  Valor numérico, passível Ø  Operações aritméticas Ø  Possível dizer se igual ou
de operações nao definidas, mas diferente; pode ter hierarquia
matemáticas comparação é possível associada
Ø  Discreto ou continuo
Altura, peso, comprimento, Tamanho de camisas (P,M,G), Nomes de cidades, gêneros…
preço, numero de ocorrencias rankings..
…
20000
17000
15900
15000
Comprimento
9100 10000
10000
5000
0
Fox Elantra Firebird Mustang
Posição no eixo x
20000
Firebird
Posição no eixo Y
15000 Mustang
10000 Fox Elantra
5000
0
0 50 100 150 200
Posição no eixo X
Cor
(Matiz) Ford Mustang Esporte 105 15900 1 (motorista)
20000
Firebird
Posição no eixo Y
15000 Mustang
10000 Fox Elantra
5000
0
0 50 100 150 200
Posição no eixo X
Cor PonHac Firebird Esporte 160 17000 2 (mot. & pass.) Tamanho
(Matiz) Ford Mustang Esporte 105 15900 1 (motorista)
20000
Firebird
Posição no eixo Y
15000 Mustang
10000 Fox Elantra
5000
0
0 50 100 150 200
Posição no eixo X
Princípios 
da Expressividade e da Eficácia
Quais representações posso usar para codificar

os dados?
Que representações são mais adequadas para

garantir que estou passando a mensagem
correta?
Princípios 
da Expressividade e da Eficácia
Princípio da Expressividade: encaixar representações a dados
Representações devem expressar toda, e somente, a informação dos
atributos associados;
–  Dados ordenados devem ser mostrados de forma a nosso sistema
perceptual reconhecê-los intrinsecamente como ordenado;
–  Dados não-ordenados não devem ser codificados a dar impressão de
ordem.
Princípio da Eficácia: melhor representação aos dados
Importância do atributo deve corresponder à saliência do canal;
–  Atributos importantes devem ser representados com as codificações mais
importantes, de forma a se destacarem;
–  Atributos de menor importância podem ser associados a codificações
menos eficazes.

Mackinlay, Jock. "Automating the design of graphical presentations of relational information." ACM Transactions on Graphics (TOG)
5.2 (1986): 110-141.
Princípio da Expressividade 
Nem todas as variáveis visuais podem ser combinadas…
Posição Tamanho Comprimento Vermelho (RGB)

+ Matiz + Matiz + Altura + Verde (RGB)
Totalmente Alguma Considerável Bastante

Separáveis interferência Interferência Interferência
Tamanhos pequenos Variações acabam Reconhecimento de
atrapalham na criando impressao matiz não separa
percepção de matiz de 3 grupos bem esses canais, e
distintos… vemos 4 categorias

Princípio da Eficácia
Algumas variáveis são melhores que outras…
“A eficácia dos canais que modificam as

representações visuais dependem da
correspondência entre a expressividade
dos canais e os atributos codificados.”
(Munzner 2014)

Princípio da Eficácia
Algumas variáveis são melhores que outras…
Image from: Munzner, Tamara. Visualization Analysis and Design. CRC Press, 2014.
Cleveland, William S., and Robert McGill. "Graphical perception: Theory, experimentation, and application to the development of graphical methods."
Journal of the American statistical association 79.387 (1984): 531-554.
Heer, Jeffrey, and Michael Bostock. "Crowdsourcing graphical perception: using mechanical turk to assess visualization design." Proceedings of the SIGCHI
Conference on Human Factors in Computing Systems. ACM, 2010.
Cor
Tricromatismo
Bastonetes
-  Visão periférica
-  Extremamente
sensível a luz (100x +
cones) e movimento
-  Não percebe cores
-  Mais ativo no escuro
(visão noturna)…
ativação lenta
Cones
-  Visão de alta definição
-  Grande acuidade
visual
-  Color sensitive 3D:
Mais L, Muitos M,
pouquíssimos S (2%)
Modelo do Processo Oponente
Image from: Colin Ware. Information visualization: perception for design. Elsevier, 2013.
•  Luminância (luminosidade):
–  Detecção de forma (shading), visão stereo,
detecção de movimento, e percepcão de detalhes
finos (e.g. texto)
•  Matiz (Vermelho-Verde/Amarelo-Azul):
–  Discernir objetos com diferentes atributos
Escalas de cinza 
(ou como nossa percepção de cor é “relativa”)
•  Percepção de luminosidade
nao é absoluta, e sim relativa
por contraste… e local!
•  Discernir objetos
(foreground) do background
•  Escalas de cor em cinza não
sao recomendadas para
mais de 5 segmentos…
impreciso demais para
informacão quantitativa
http://www.psy.ritsumei.ac.jp/~akitaoka/color11e.html
Mapas de cores
•  Associação de cores a atributos:
–  Categóricos (segmentado, por matiz),
–  Ordinal (mapa segmentado)
–  Quantitativo (mapa contínuo)
•  Transparência:
–  Mais ou menos independente…
•  Acoplado a outros canais
(preferencialmente matiz…)
•  Segmentado, com poucos níveis
•  Frequentemente usado de forma
redundante
Mapas de cores 
Atributos Categóricos
•  Por matiz!
•  Cores o mais distintas entre si quanto
possível; luminância constante;
–  Luminancia pode interferir com
percepcao de forma (3D)
•  Conseguimos perceber rapidamente
5-10 cores; 12 max.
–  Muitas categorias… e agora?
http://colorbrewer2.org/
•  Agregar!
•  Filtrar!
•  Associar com outros canais…
•  Objetos não podem ser muito
pequenos
–  Small-field color blindness
Mapas de cores 
Atributos Numéricos
•  Indicar ordem: estabelecer transição de cores
–  Sequencial
–  Divergente
–  Contínua
•  Cores em superfícies 3D (shaded):
–  Não usar escalas de cinza!
•  Interferência na detecção de forma, e profundidade.
•  Usar escala com luminância uniforme, se possível
Escala Arco-Íris
•  Não é perceptualmente linear;
–  Sem ordem consistente;
–  Variações drásticas em luminância;
–  Detalhes finos não são bem percebidos
no canal de matiz;
•  Mas…
–  Funciona bem para dados categóricos:

–  Alternativas mais “perceptuais”:

–  OK para mapas de cores cíclicos;
•  A Less-Angry Rainbow:
http://bl.ocks.org/mbostock/
310c99e53880faec2434
Images from: Munzner, Tamara. Visualization Analysis and Design. CRC Press, 2014.
https://mycarta.wordpress.com/2013/02/21/perceptual-rainbow-palette-the-method/
Daltonismo
•  8% (M), 0.5% (F) sofrem de algum tipo/grau de
daltonismo
–  Tipicamente apresentam anomalias na escala
vermelho-verde, apesar de existirem outras;
•  Recomendações
–  Mapas de atributos categóricos com variação na
luminância/saturação;
–  Evite escala vermelho-verde; se nao for possível,
garanta diferenças em luminância entre estes canais
–  Usar um simulador de daltonismo:
http://www.rehue.net
http://www.color-blindness.com

CLASSIFICANDO VISUALIZAÇÕES ….
“O QUE, POR QUE, COMO?”
O que? Os dados envolvidos (sejam eles originais
ou transformados)
Razões para se utilizar uma

Por que? ferramenta de visualização
Construção da visualização
Como? através de “expressões” visuais,
com base na tarefa e nos dados
Cada conjunto de respostas ao trio acima

descreve uma instância

Existe um consenso que aprender por
exemplo é a forma mais eficaz de se tornar
um bom designer de visualizações…

Seguem alguns exemplos clássicos
Learning by example…
CONSTRUÇÕES VISUAIS
Tabelas
Diagrama de barras 
bar chart
http://bl.ocks.org/mbostock/3885304
O que 1 atributo categórico (chave) + 1 atributo quantitativo
Por que Lookup, Comparar
Como Comprimento vertical ou horizontal, espaco horizontal/vertical
Escala Dezenas a centenas de elementos chave

Barras agrupadas 
grouped bar chart
O que 2 atributos categóricos (chave) + 1 atributo quantitativo
Por que Lookup, Comparar, Trends
Como Comprimento vertical / horizontal; espaco horizontal/vertical; cor para redundância
Escala Dezenas de combinações de atributos categoricos (nao mais que 7-8 cada)
Barras em pilha 
stacked bar chart
O que 2 atributos categóricos (chave) + 1 atributo quantitativo
Por que Comparar: Partes-do-todo, Lookup, Trends
Como Comprimento vertical/Horizontal
Escala 1a chave: dezenas a centenas; 2a chave: +- 10

Diagrama de barras normalizado 
normalized stacked bar chart
O que 2 atributos categóricos, 1 atributo quantitativo (como %)
Por que Partes-ao-todo
Como Separação do espaco de barra entre categorias, codificando %.
Escala ~12 categorias para a pilha; dezenas de categorias para o eixo

Gráficos Pizza 
pie chart
Partes-ao-todo
Soma == 100%
<Place your
label here>
http://bl.ocks.org/mbostock/3887235 http://bl.ocks.org/mbostock/5681974
O que 1 atributo quantitativo, 1 categórico
Por que Relação Partes-ao-todo
Como Porcentagem por áreas angulares; layout radial; frequentemente cor para categorias
Escala ~12 categorias

Pie Charts são do mal…
http://www.businessinsider.com
•  Comparação entre seções
é difícil
–  Comparação por ângulo é
baixa no ranking perceptual
–  Difícil comparar valores
similares
•  Comparar vários gráficos
entre si é ainda pior!
https://www.stevefenton.co.uk
•  Não escala
–  Muitas categorias à seções
menores à dificuldade de
comparação
–  Precisa de mais espaço que
um diagrama de barras
•  Muito fácil de errar…

…mas nem sempre!
•  Universal!
–  Fácil de entender
https://dexvis.wordpress.com
–  Metáfora de partes-
do-todo é imediata
•  Overviews gerais e
rápidos
–  Quando precisão
nao é um
problema…
•  É bonitinho J
Diagrama de Área Circular 
polar area chart
Na grande maioria das vezes, é melhor usar bar charts…
O que 1 atributo quantitativo, 1 atributo categórico
Por que Partes-ao-todo, comparação
Como Divisão do espaço radial entre categorias; comprimento da seção denota valor quantitativo
Escala ~12 categorias

http://sploid.gizmodo.com/all-the-screen-time-of-game-of-thrones-main-characters-1642948054/+caseychan
Gráfico de Linha 
line chart
Pode ser não-linear
Marcadores
http://bl.ocks.org/ZJONSSON/3918369
O que 1 atributo quantitativo, 1 atributo ordenado (chave), potencialmente 1 atributo categorico
Por que Tendências, extremos, características, correlação
Como Posição no plano XY, com linhas. Chave usualmente no eixo X. Cores/marcadores p cat.
Escala Centenas de níveis para os atributos no eixo XY. ~12 categorias.

Some people call this an “orbit” chart…
Cairo, Alberto. The Functional Art: An introduction to information graphics and visualization. New Riders, 2012.
Gráfico de Área 
area chart
http://en.wikipedia.org/wiki/Area_chart
O que 1 atributo quantitativo, 1 atributo ordenado (chave)
Por que Tendências, extremos, correlação
Como Posição no plano X (ord) Y (quant), com linhas; área preenchida.
Escala Centenas de níveis, ambos os atributos.

Gráfico de Área em pilha 
stacked area chart
http://nvd3.org/examples/stackedArea.html
Grafico de Area em pilha Gráfico de Stream (Streamgraph) Grafico de Area Normalizado
O que 1 atributo quantitativo, 1 atributo ordenado, 1 atributo categórico (+ 1 quant. p ordenação)
Por que Partes-ao-todo, Tendências
Como Organização do espaço vertical entre categorias, distancia por atr. auantitativo.
Escala Centenas de pontos ao longo do eixo ordenado; ~12 categorias

Diagramas de Dispersão  
scatterplot
O que 2 atributos quantitativos (possivelmente +1 atributo categórico)
Por que Tendências, extremos, distribuição, correlação, localizar clusters
Como Posicao no eixo XY; cores/forma para atributo categórico
Escala Centenas de itens

Gráfico de Bolhas 
bubble scatterplot
O que 2 atributos quantitativos(XY) + 1 atributo ordinal (possivelmente +2 atributos categóricos)
Como Posicao no eixo XY; atr. ordinal mapeado a tamanho do marcador; cor/forma atrs. cats.
Escala Dezenas de itens

Wilkinson, Leland, and Michael Friendly. "The history of the cluster heat map." The American Statistician 63.2 (2009).
Mapa de calor agrupado 

clustered heatmap
Dendrogramas para agregação
http://digitheadslabnotebook.blogspot.com.br/2011/06/drawing-heatmaps-in-r.html
Reordenação para grupos
Bertin, Jacques. "Semiology of graphics: diagrams, networks, maps." (1983).

O que 2 atributos categóricos + 1 atributo quantitativo
Por que Identificar clusters, extremos, resumir
Como Espaço retangular dividido entre categorias; mapeamento de cores a atr. Quantitativo.
Escala > Milhares itens. Centenas de atributos categoricos; 3-11 níveis p atr. quantitativo.
Diagrama Estrela 
(ou gráfico Radar)
•  Permite comparação de áreas…

–  Mas claro, não muito preciso.
•  Nao escala para muitos itens
simultaneos
•  Comparação entre eixos opostos é
mais difícil
•  Pode ser usado para caracterizar
classes diferentes de elementos de
http://www.scottlogic.com/blog/2011/09/23/a-critique-of-radar-charts.html
acordo com seus atributos
O que Vários atributos (principalmente quantitativos)
Por que Características, Comparação
Como Espaço radialà eixo atributos; comprimentoà valores; itens representados como linhas/área
Escala Dezenas de eixos; dezenas de itens

Diagrama Estrela 
(ou gráfico Radar)

simultaneos
mais difícil
http://stackoverflow.com/questions/11300754/d3-js-radar- •  Pode ser usado para caracterizar
graph-filling-in-between-lines

Diagrama Estrela 
(ou gráfico Radar)

simultaneos
http://hackneyash.blogspot.com.br/2010/10/ Munzner, Tamara. Visualization Analysis and
mais difícil
star-plots.html Design. CRC Press, 2014.
http://stackoverflow.com/questions/11300754/d3-js-radar- •  Pode ser usado para caracterizar

graph-filling-in-between-lines

Coordenadas Paralelas
> Cada Interatividade é
elemento é uma quase sempre
linha; necessária:

Ø  Reordenar
> Cada eixo é eixos
uma dimensão; Ø  Filtragem por

intervalo
Permite dezenas
de eixos; mas Explorações:
datasets
grandes ficam Ø  Reorganizar;
ilegíveis Ø  Agrupar;
rapidamente Ø  Suavizar
linhas
redundante;

O que Vários atributos (quantitativos, categóricos)
Como Espaço horizontal à atributos; vertical à valores; itens representados como linhas.
Escala Dezenas de eixos; centenas de itens.

Images from: http://en.wikipedia.org/wiki/Parallel_coordinates and http://bl.ocks.org/mbostock/1341021

Coordenadas Paralelas
> Cada Interatividade é
elemento é uma quase sempre
linha; necessária:

Ø  Reordenar
> Cada eixo é eixos
uma dimensão; Ø  Filtragem por

intervalo
Permite dezenas
de eixos; mas Explorações:
datasets
grandes ficam Ø  Reorganizar;
ilegíveis Ø  Agrupar;
rapidamente Ø  Suavizar
linhas

redundante;

O que Vários atributos (quantitativos, categóricos)
Como Espaço horizontal à atributos; vertical à valores; itens representados como linhas.
Escala Dezenas de eixos; centenas de itens.

Images from: http://en.wikipedia.org/wiki/Parallel_coordinates and http://bl.ocks.org/mbostock/1341021

Coordenadas Paralelas 
Renderizações “ilustrativas”
McDonnell, Kevin T., and Klaus Mueller. "Illustrative parallel coordinates." Computer Graphics
Forum. Vol. 27. No. 3. Blackwell Publishing Ltd, 2008.
“Conjuntos” Paralelos 
parallel sets
https://eagereyes.org/parallel-sets
http://srvac.uncc.edu/research/parallel-sets-visualization-and-reasoning
Kosara, Robert, Fabian Bendix, and Helwig Hauser. "Parallel sets: Interactive exploration and visual analysis of
categorical data." Visualization and Computer Graphics, IEEE Transactions on 12.4 (2006): 558-568.
Grafos e Árvores
Redes Nó-Link 
node-link diagrams
http://www.caida.org/tools/visualization/walrus
O que Grafo
Por que Topologia, Caminhos
Como Pontos para nós, linhas para conexões; posicionamento no plano
Escala Nós; até centenas; conexões: centenas. Densidade nó/conexão: C < 4N.
Asia Pacific
Europe/Middle East/Central Asia/
Africa
North America
http://www.dataversity.net/data-visualization-3-mistakes-avoid/
The Opte Project / Barrett Lyon (http://www.opte.org) Latin American and Caribbean
RFC1918 IP Addresses
Unknown
“5 million edges; an estimated 50

million hop count.“
http://cytoscape.org/manual/Cytoscape2_6Manual.html
http://www.kecl.ntt.co.jp/as/members/tatsushi/GALLERY/GRAPH/vsLGL.html
Posicionamento automático de nós
Force-directed Multi-nível
Não escala bem Hierarquia de clusters para

Simplificação da malha
Mínimos locais (coarsening)
Posicionamento das
redes simplificadas, e
Não-determinístico desenrolar da malha
http://gephi.github.io/
Metro Map
https://ia.net/know-how/wtm4
Metro Map
Stott, Jonathan M., et al. "Automatic layout of project plans using a metro map metaphor." Information Visualisation, 2005.
Proceedings. Ninth International Conference on. IEEE, 2005.
Diagramas de Rede Radiais 
Circos Radial Network Diagrams
http://mkweb.bcgsc.ca/schemaball/
Bundling - Feixes
O que Grafo
Por que Conexões; Dependência
Como Elementos em layout radial (agrupados por cluster); conexões entre elementos
Escala Centenas de itens

Diagrama de Cordas 
Chord Diagram
http://stackoverflow.com/questions/14599150/chord-diagram-in-r
O que Grafo (+ atributos categóricos)
Por que Conexões; Dependência
Como Elementos em layout radial, agregados por categoria; conexões entre elementos com linhas/
curvas/áreas (agregação)
Escala >Milhares de itens; dezenas de categorias
Diagramas de Arco 
arc diagram
http://homes.cs.washington.edu/~jheer/files/zoo/
arc diagram
Images by Martin Wattenberg: http://www.turbulence.org/Works/song/

Madonna, Like a Prayer Bach, Three of the Goldberg Variations
Wattenberg, Martin. "Arc diagrams: Visualizing structure in strings." Information Visualization, 2002. INFOVIS 2002. IEEE Symposium
on. IEEE, 2002.
arc diagram
http://www.chrisharrison.net/index.php/Visualizations/BibleViz
Diagrama de Sankey 
Sankey diagram
O que Grafo direcionado (atributo quantitativo/ordinal)
Por que Topologia; caminhos; magnitude do fluxo; conexões
Como Largura nós é mapeada a magnitude do fluxo; posicionamento dependente de ordem no fluxo
Escala Dezenas de elementos

Diagrama de Minard 
e as perdas de Napoleão na invasão a Rússia…
Mis
hPp://upload.wikimedia.org/wikipedia/commons/7/76/Spindle_diagram.jpg
Matrizes de Adjacência 
adjacency matrix
Meia matriz para
grafos bi-direcionais Escala bem
hPp://bost.ocks.org/mike/miserables/
Reordenamento de colunas Alper, Basak, et al. "Weighted graph comparison techniques for brain connectivity analysis." Proceedings
of the SIGCHI Conference on Human Factors in Computing Systems. ACM, 2013.
O que Grafo; derivado um valor quantitativo: status de conexões entre nós.
Por que Cconexões; Dependência
Como Eixos XY divididos entre elementos do grafo; interseções (coloridas) mapeiam status conexão.
Escala ~1000 nós, > milhares conexões

Nó-Link vs. Matrizes Adjacência
•  Muito intuitivos (para redes •  Requer treino;

pequenas) •  Escala bem;
•  Melhor para topologia; •  Ocupação de espaço é
•  Melhor para caminhos; mais previsível;
•  Não escala bem para •  Mais fácil achar nós
milhares de nós. individuais;
•  Nao-intuitivo para
topologia.
Dendrograma 
dendrogram
O que Árvore
Por que Explorar, localizar, dependência

Como Layout radial ou linear; nós alinhados por profundidade
Escala Dezenas de nós http://bl.ocks.org/mbostock/4063570

http://www.perceptualedge.com/blog/?p=1532
TreeMaps
O que Árvore, atributo quantitativo (opc. + 1 atributo quantitativo/categórico)
Por que Localizar, explorar, dependência
Como Divisão recursiva do espaço por hierarquia; atr. Quant mapeado a espaço. Cores podem mapear categorias,
ou valores.
Escala > Milhares folhas, > milhares de links.

http://newsmap.jp
Gráfico Sunburst 
sunburst graph
http://en.wikipedia.org/wiki/Pie_chart
O que Árvore + atributo quantitativo (dimensao nó) + atributo categórico (tipo)
Por que Localizar, explorar, dependência
Como Divisão do espaço em layout radial. Angulo mapeado a dimensão; cor a categoria do nó.
Escala Dezenas de níveis; > milhares folhas; > milhares links

Dados espaciais
Mapa coroplético 
choropleth
O que Dado geográfico + 1 atributo quantitativo (ou categórico)
Por que Distribuição, extremos, características
Como Uso do espaço geográfico dado, pintura da área com mapa de cores sequencial/segmentado
Escala < 12 categorias/segmentos

Símbolos Georeferenciados 
Georeferenced symbols
http://bl.ocks.org/mbostock/9943478 http://homes.cs.washington.edu/~jheer/files/zoo/
O que Dado espacial + Atributos quantitativos/qualitativos (associados a posicoes georeferenciadas)
Por que Distribuição, extremos, características, dependência
Como Em cada posicao espacial dada é posto marcador (mapeado a cor, tamanho, forma…)
Escala Dezenas a centenas de marcadores

Cartogramas 
cartogram
Hennig, Benjamin D., et al. "Re-Mapping the World’s Population." (2010): 66-69.
O que Dado espacial + Atributo quantitativo (georeferenciado)
Por que Distribuição, extremos
Como Áreas sofrem distorção de acordo com magnitude do atributo quantitativo

Cartogramas 
cartogram
Hennig, Benjamin D., et al. "Re-Mapping the World’s Population." (2010): 66-69.
O que Dado espacial + Atributo quantitativo (georeferenciado)
Como Áreas sofrem distorção de acordo com magnitude do atributo quantitativo

http://www.ncgia.ucsb.edu/projects/Cartogram_Central/cartogram_examples/dorling3.jpg
Cartogramas 
cartogram
http://homes.cs.washington.edu/~jheer/files/zoo/
Cartogramas 
cartogram
Projeções de mapas
http://en.wikipedia.org/wiki/List_of_map_projections http://en.wikipedia.org/wiki/Map_projection
Mercator Equidistant Conic projection Sinusoidal projection
O que Dados de mapa
Por que Comparar distâncias, áreas
Como Projeção do globo terrestre 3D em planos 2D segundo critérios específicos de preservação.

Área, forma, direção, distância entre 2 pontos, escala…
Heatmaps (Contínuos)
O que Dado espacial + atributo quantitativo
Por que Distribuição, extremos, características, resumir
Como Pixel XY a cada posicao espacial mapeado a valor de atributo quantitativo; mapeado a cores
Escala > Milhares ocorrências

Iso-contornos (mapa de contornos) 
isocontours (contour map)
http://iopscience.iop.org/0004-637X/768/1/5/article http://mail.colonial.net/~hkaiter/topographic_maps.html
O que Dados espaciais 2D; Dados geográficos
Por que Identificar forma
Como Traçar linhas nos pontos onde a propriedade tem mesmo valor
Escala Dezenas de níveis

Iso-surperfícies 
isosurfaces
O que Dados espaciais 3D (volumétricos)
Por que Identificar forma; Features;
Como Superfícies denota contorno onde atributo tiver certo valor/propriedade. Construcão de malhas.
Escala Poucos níveis (oclusão)

Seções Transversais 
cross section
http://www.xmswiki.com
O que Dado volumétrico 3D;
Por que Identificar forma; Features;
Como Projeção de seções do dado 3D em planos 2D; composições, exploração interativa
Escala Dezenas de seções

Linhas de corrente 
streamlines, pathlines, streaklines
https://www.sulzer.com
http://www.oman.petrotel.com/?page=streamline&lang=en
http://en.wikipedia.org/wiki/Streamlines,_streaklines,_and_pathlines
O que Campos vetoriais; opcionalmente componente temporal (path/streak lines)
Por que Forma, tendências, características, distribuicão
Como Linhas denotam ângulo de campos vetoriais, como trajetórias de partículas;
Escala Centenas de linhas

Linhas de corrente 
streamlines, pathlines, streaklines
https://www.sulzer.com
http://www.oman.petrotel.com/?page=streamline&lang=en
Streamlines: direção do campo naquele

instante de tempo;
Pathline: trajetória de uma partícula ao longo
do tempo;
Streakline: trajetória de uma partícula, sujeita
a alterações de campo no tempo (como um
traço de tinta)
http://en.wikipedia.org/wiki/Streamlines,_streaklines,_and_pathlines
O que Campos vetoriais; opcionalmente componente temporal (path/streak lines)
Por que Forma, tendências, características, distribuicão
Como Linhas denotam ângulo de campos vetoriais, como trajetórias de partículas;
Escala Centenas de linhas

wind map
http://hint.fm/wind/
Composições e Interatividade
Facetar: Por que usar várias
visões/facetas?
•  Várias perspectivas dos mesmos dados
•  Acomodar várias dimensões e/ou variáveis
Particionamento e Justaposição, Superposição!

Particionamento e Juxtaposição
http://www.ivan3d.com/project_page_ten.html
•  Objetivos:!
Expor padrões!
–  Comparação
–  Tendências
•  Compartilhamento/
Independência de
dashboard-templates-bootstrap-keen-io/
http://www.webappers.com/2015/01/06/responsive-
–  Codificação!
–  Dados
–  Navegação!
Pequenos múltiplos 
Small multiples
Image by Dan Meth, in: http://danmeth.com/post/77471620/my-trilogy-meter-1-in-a-series-
Múltiplas mini-representações exibidas ao mesmo tempo, para

comparação paralela
Codificação
Compartilhada

Dados
Particionados

of-pop-cultural
O que Dados (em chart) + 1 atributo quantitativo (e.g. tempo) ou categórico
Por que Comparação, Tendências
Como Particionamento dos dados: mesma escala, mesma representação eixos diferentes
Escala Dezenas de particionamentos

Drought’s Footprint!
Areas under moderate to extreme drought in June of each year are shown in orange below.
http://www.nytimes.com/interactive/2012/07/20/us/drought-footprint.html
Drought’s Footprint!
Areas under moderate to extreme drought in June of each year are shown in orange below.
http://www.nytimes.com/interactive/2012/07/20/us/drought-footprint.html
Recomendações:!

• Organizar para refletir a ordem implícita
• Conservar eixos/dimensões entre facetas
• Respeitar limite da simplicidade (pode explodir rapidamente)
Treliça 
https://docs.tibco.com/pub/spotfire/5.5.0-march-2013/UsersGuide/vis/vis_trellis_visualizations.htm
Trellis
http://netlib.bell-labs.com/cm/ms/departments/sia/project/trellis/images/bar.super.gif
O que 3 atributos categoricos (chave), 1 atributo quantitativo
Por que Distribuição, Medianas de cada partição
Como Diagramas de pontos alinhados em uma matriz 2D; particionados por quaisquer combinações
de atributos-chave em regiões.
Matrizes de scatterplots 
scatterplot matrix
viewer.htm#a003155769.htm
http://support.sas.com/documentation/cdl/en/grstatproc/62603/HTML/default/
O que Vários atributos quantitativos
Por que Tendências, extremos, distribuição, correlação, localizar clusters, similaridade
Como Separação do espaço XY entre o número de atributos quantitativos.
Escala ~12 atributos

Princípios para visualizações
multivista (multiview)
•  Diversidade!
–  Usar quando há diversidade de atributos, abstrações ou gêneros
•  Complementaridade!
–  Usar quando puder evidenciar correlações ou disparidades
•  Decomposição!
–  Particionar visualizações complexas em conjuntos mais tratáveis
•  Parcimônia!
–  Usar visões múltiplas com economia
•  Otimização de espaço/tempo!
–  As vezes é melhor mostrar sequencialmente do que lado-a-lado
•  Auto-evidência!
–  Indicações perceptuais para evidenciar relações
•  Consistência!
–  Manter interface consistente entre vistas
•  Gestão de Atenção!
–  Usar indicações perceptuais para manter usuário focado na vista certa.
M. Q. W. Baldonado, A. Woodruff, and A. Kuchinsky. Guidelines for using multiple views in information visu-
alization. In Advanced Visual Interfaces, pages 110–119, 2000.
Construindo Dashboards
•  Componente “situacional”:
–  “O que está acontecendo agora?”
–  Overview
–  Concisão

•  Todos os princípios de design https://github.com/flickerbox/dashboard
apresentados valem, além de:

–  Barra de rolagens estão fora
–  Denso, mas não sufocante
•  Max ~9 views…
–  Organização impecável
–  Informação imediata, “in a glance”
http://blog.erikfigueiredo.com.br/wp-content/uploads/2014/10/
adminlte-dashboard.png
Superposição
•  Objetivos:!
–  Comparação
–  Correlações
–  Tendências

•  Camadas
–  Transparência/cores
–  No limitado camadas
simultâneas
Superposição cartográfica 
cartographic layering
http://colorbrewer2.org/
O que Dados geográficos
Por que Correlação, características
Como Áreas para regiões, linhas para estradas. Camadas diferenciadas por saturação de cor,
luminância, e tamanho. Mapas de cores categóricos, com variância de luminância.
Superposição de gráficos de linha 
vs. justaposição de pequenos múltiplos
Melhor para tarefas de inspecão visual local

(e.g. valor máximo numa determinada área)
Melhor para investigação de padrões globais e dispersos; escala melhor

para muitas séries (e.g. maior aumento global)
Javed, Waqas, Bryan McDonnel, and Niklas Elmqvist. "Graphical perception of multiple time series." Visualization and Computer
Graphics, IEEE Transactions on 16.6 (2010): 927-934.
Mais superposições
Holten, Danny. "Hierarchical edge bundles: Visualization of adjacency relations in hierarchical data."
Visualization and Computer Graphics, IEEE Transactions on 12.5 (2006): 741-748.
Redução de dados
Big data!! Cuidado!!
•  Muitos elementos; •  Pode acabar
•  Muitas dimensões. removendo dados
importantes…
!
Filtragem Agregação Estratificação!
Filtragem
Filtragem de itens! Filtragem de
atributos!
for Exploration of High Dimensional Datasets.” In Proc. (InfoVis), pp. 105–112. 2003.
Jing Yang, et al. “Interactive Hierarchical Dimension Ordering, Spacing and Filtering
Ahlberg and Shneiderman 94
Queries dinâmicas
Ramik Sadana and John Stasko. 2014. Designing and implementing an interactive scatterplot visualization for a
tablet computer. In Proc. AVI '14. ACM, 265-272.
Filtragem 
Scented widgets
Willett, Wesley, Jeffrey Heer, and Maneesh Agrawala. "Scented widgets: Improving navigation cues with embedded
visualizations." Visualization and Computer Graphics, IEEE Transactions on 13.6 (2007): 1129-1136.
Agregação
•  Objetivos:!
–  Reduzir dimensionalidade
–  Reduzir desordem
–  Overview
•  Atributos derivados
–  Contagem, min/max,
média…
•  Nem sempre adequados!
Lembrar de Anscombe. http://www.eia.gov/todayinenergy/detail.cfm?id=5410
•  Agregação de:
–  Itens!
–  Atributos!
Agregação de Itens 
Histogramas
O que 1 atributo quantitativo (segmentado) ou ordinal; contagem/frequência
Como Comprimento vertical p/contagem; área horizontal para segmentos
Escala Dezenas a centenas de segmentos

Histogramas
http://trompelecode.com/blog/2012/04/how-to-create-an-image-histogram-using-csharp-and-wpf/
O que 1 atributo quantitativo (segmentado) ou ordinal; contagem/frequência
Como Comprimento vertical p/contagem; área horizontal para segmentos
Escala Dezenas a centenas de segmentos

Diagrama de caixa box plot
Extremos (outliers)
4o quartil
75-100% valores
3o quartil
50-75% valores
2o quartil
25-50% valores
1o quartil
0-25% valores
Mediana
O que 1 atributo quantitativo (samples)
Por que Distribuição, Extremos, Resumir
Como Comprimento/marcações definids pelo no de samples; outliers isolados; eixo Y.
Escala > Milhares de ocorrências (samples)

Diagrama de caixa box plot
“40 Years of Boxplots.” Technical report, had.co.nz, 2012.

[Wickham and Stryjewski 12] Hadley Wickham and Lisa Stryjewski.
O que 1 atributo quantitativo (samples)
Por que Distribuição, Extremos, Resumir
Como Comprimento/marcações definids pelo no de samples; outliers isolados; eixo Y.
Escala > Milhares de ocorrências (samples)

Scatterplots Discretos binned scatterplot
Muitos elementos!
•  Oclusão
•  Densidade?
Liu, Zhicheng, Biye Jiang, and Jeffrey Heer. "imMens: Real-‐Hme Visual Querying of Big Data." Computer Graphics Forum. Vol. 32. No. 3pt4. Blackwell Publishing Ltd, 2013.
O que 2 atributos quantitativos + 1 atributo quantitativo (contagem/densidade por XY, derivado)
Por que Resumir, distribuição, extremos, características
Como Separar espaço XY em segmentos (tamanho fixo); escala cor mapeada a densidade
Escala > Milhares de itens

Scatterplots Contínuos continuous scatterplot
Bachthaler, Sven, and Daniel Weiskopf. "Continuous scatterplots." Visualization and Computer Graphics, IEEE Transactions on 14.6 (2008): 1428-1435.
O que 2 atributos quantitativos + 1 atributo quantitativo (contagem/densidade por XY, derivado)
Por que Tendências, extremos, distribuição, correlação, localizar clusters, resumir
Como Densidade de cada XY é calculada a partir dos samples; mapeamento cores
Escala > Milhares de itens

Every Playboy centerfold, the Decades 
by Jason Salavon
Viégas, Fernanda B., and Martin Wattenberg. "Artistic data visualization: Beyond visual analytics."
Online Communities and Social Computing. Springer Berlin Heidelberg, 2007. 182-191.
Agregação de Atributos 
Redução de dimensionalidade
•  Extrair features
representativas:
–  Documentos, Imagens…

1.  MDS (Multidimensional
scaling);!
2.  Geração de clusters;
3.  Explorar dimensões
reduzidas em matrizes
de scatterplots:
–  Verificar correlações em
clusters, anotar, agregar
ainda mais dimensões…

Estratificação
Foco & Contexto
•  Representação do todo (em baixa
resolução) e de uma região de
interesse (em maior resolução)
–  Manter “senso de orientação”
durante exploração (situational
awareness)
•  Integração de técnicas de filtragem,

agregação, facetas… https://developers.arcgis.com/java/sample-code/overview-map/
Embutir! Distorcer! Superpor Camada!

Foco & Contexto 
Embutir
Jeffrey Heer and Stuart K. Card. “DOITrees Revisited: Scalable, Space-Constrained Visualization of Hierarchical Data.” In
Proceedings of the International Working Conference on Advanced Visual Interfaces (AVI), pp. 421–424. ACM, 2004
Foco & Contexto 
Superposições - Lentes interativas
Conference. IEEE, 2010.

on GPU-intensive edge rendering." Information Visualisation (IV), 2010 14th International
Lambert, Antoine, et al. "Living flows: enhanced exploration of edge-bundled graphs based
Enriquecer (com novo conteúdo)
http://unfoldingmaps.org/examples/30_provider-
satellite-overlay.html
Suprimir
Modificar
Tominski, Christian, et al. "A survey on interactive lenses in visualization."

EuroVis State-of-the-Art Reports (2014): 43-62.
http://bost.ocks.org/mike/fisheye/ Munzner, Tamara. Visualization Analysis and
Design. CRC Press, 2014.
Distorções
Foco & Contexto 
Distorção cartesiana
Distorção “Olho de peixe (fisheye)
Foco & Contexto 
Distorções
Lente + distorção
Wang, Lujin, et al. "The magic volume lens: An interactive focus+ context technique for volume rendering."
Visualization, 2005. VIS 05. IEEE. IEEE, 2005.
Foco & Contexto 
Distorções
http://www.olivierbau.com/sigmalenses.php
Cuidados com Distorções …
•  Overhead interno para “normalizar” o
objeto
•  Noção de distância/comprimento é
comprometida;
•  Pode passar despercebido, sem as
indicações visuais adequadas;
Lambert, Antoine, et al. "Living flows: enhanced exploration of edge-bundled graphs based on GPU-intensive edge rendering." Information Visualisation (IV),
2010 14th International Conference. IEEE, 2010.
Manipulação de dados
•  Seleção e Highlight
•  Navegação/Mudança de viewpoint
•  Transições Animadas
Selecionar Navegar Modificar !

http://well-formed.eigenfactor.org/radial.html
Seleção e Highlight
Selectively show detail
Seleção e Highlight 
Realce por Varredura (brushing & linking)
http://link.springer.com/referenceworkentry/10.1007%2F978-0-387-39940-9_1129#close
http://www.willsfamily.org/gwills/EDVguide/bb.html
Highlight correlations
Realce por Varredura (brushing & linking)
Markus Steinberger, Manuela Waldner, Marc Streit, Alexander Lex, and Dieter Schmalstieg. “Context-Preserving Visual Links.”
IEEE Transactions on Visualization and Computer Graphics (Proc. InfoVis 11) 17:12 (2011), 2249–2258. (page 253, 253)
Visgets
Dork, Marian, et al. "Visgets: Coordinated visualizations for web-based information exploration and discovery."
Visualization and Computer Graphics, IEEE Transactions on 14.6 (2008): 1205-1212.
Navegação/Mudança de Viewpoint 
Zooming
Zooming Geométrico Zooming Semântico
http://gtk3-matplotlib-cookbook.readthedocs.org/en/latest/zooming.html
http://www.infragistics.com/products/wpf/charts/data-chart
Dunsmuir, Dustin. "Selective Semantic Zoom of a Document Collection.” (Oct. 30, 2009) (2009): 1-9.
Navegação Restrita
Navegação Restrita - StyleCam
Burtnyk, Nicholas, et al. "StyleCam: interactive stylized 3D navigation using integrated spatial & temporal controls." Proceedings of
the 15th annual ACM symposium on User interface software and technology. ACM, 2002.
Transições Animadas
Wh
hPp
Quando usar Quando evitar min
•  Transições entre visões – •  Para comparações

manter percepção do detalhadas; melhor usar
contexto multiview (e.g. pequenos
•  Mudanças localizadas múltiplos).
(foco de atenção)
•  Visualizar mudanças no Qu
fluxo de tempo
hPp
201
bor
abt


O que? Por que? Como?
Datasets Atributos
Tipos de dados Tipo
Items Atributos Links Posições Grids Categóricos
Tipos de datasets + dados Ordinais
Tabelas Grafos e Campos Geometria Conjuntos,

Árvores (espacial) Listas,
Grupos… Quantitativo
Ordem
Sequencial
Items Items (nós) Items Items Items Divergente

Atributos Atributos Atributos Atributos Atributos
Links Links Links Links Links
Cíclico
Posições Posições Posições Posições Posições
Grids Grids Grids Grids Grids

Ações Alvos
Analisar Todos os tipos de dado
Consumir Trends Extremos Características
Descobrir Apresentar Curtir
Atributos
Produzir
1 atributo Vários atributos
Anotar Gravar Derivar
Distribuição Dependência Correlação
Buscar Extremos Similaridade

Alvo conhecido Alvo não conhecido
Localização
conhecida
Lookup Browse Grafos
Localização Topologia Caminhos
Locate Explore
nao conhecida
Perguntar
Identificar Comparar Resumir
Dados espaciais
Forma

Codificar Manipular Facetar Reduzir
Arranjar Modificar Justapor Filtrar
Expressar Separar
Ordenar Alinhar
Selecionar Particionar Agregar

Usar
Mapear atributos categoricos e Navegar Sobrepor Estratificar

ordinais
Tamanho, Ângulo,
Cor
Curvatura…
Matiz
Saturação
Brilho
Formato Movimento

CRIANDO VISUALIZAÇÕES
Processo de Criação de Visualizações 
Explanação
Modelo Aninhado Exploração 1
2
on Visualization And Computer Graphics, Vol. 18, No. 12, December 2012.
2 Kandel et al. Enterprise Data Analysis and Visualization: An Interview Study. IEEE Transactions
Define a Discover
story/focus
Alberto. The Functional Art: An introduction to information graphics and
Gather info/ Wrangle

data
Choose
graphics
Profile
Complete
research
Model
Define visual
style
visualization. New Riders, 2012.
Complete on Report
computer
1 Cairo,

Navegando o espaço de soluções
de visualização

Em se tratando de problemas de design, otimizar não é uma boa estratégia; ou seja,
encontrar a melhor opção. Um objetivo mais apropriado é satisfazer; ou seja,
encontrar uma dentro do conjunto de várias boas soluções, ao invés de uma em um
conjunto ainda maior de soluções ruins. [Munzner]
“ Claro, o conjunto pode ser pequeno se você é novo na área, e não tem ainda total ciência
dos métodos já propostos no passado”!
Use rascunhos
http://cargocollective.com/oscarbejarano/PTSD-Skin-Re-design
•  Não se comprometer
com uma solução de
imediato;
–  Fácil de fazer, fácil de
descartar
•  Prototipagem de idéias
em estágios iniciais.
•  Compartilhe e discuta
seu design com outras
pessoas
Image by Nicoguaro in: http://en.wikipedia.org/wiki/Mind_map
Para organizar os pensamentos
Heurísticas
ü “Overview first, Zoom and filter, Details on
Demand”
ü Função primeiro, Forma a seguir
ü Foco na Tarefa
ü Poder do Plano
ü Poder do Espaço
ü Reduzir razão data-ink
ü Get it right in black and white

The Visual Information Seeking Mantra 

“Overview first, zoom and filter, then details-on-demand…”
Shneiderman, Ben. "The eyes have it: A task by data type taxonomy for information visualizations."
Visual Languages, 1996. Proceedings., IEEE Symposium on. IEEE, 1996.
Função primeiro, Forma a seguir
“Com um design eficaz e feio, é possível refiná-lo

para torná-lo mais bonito enquanto se mantém a
base funcional;
um design bonito e ineficaz, por sua vez,
precisará ser descartado e refeito do zero.”


Foco na Tarefa
Uma ferramenta que serve bem para uma tarefa pode não
servir tão bem para outra, para o mesmo conjunto de
dados. A tarefa dos usuários é um critério tão importante
P
para designers de visualização quanto o tipo de dados i
que os usuários têm. [Munzner] f
f
“Abstract data blocks are designed”

O Poder do Plano
quantitative information. Vol. 2. Cheshire, CT: Graphics press, 1983.

Tufte, Edward R., and P. R. Graves-Morris. The visual display of
•  Diagrama de barras 2D vs. 3D
–  Diminuir desordem
–  Evitar distorções, oclusão
–  Acurácia perceptual para
comprimento é só para distâncias
planares
“Enxergamos em 2.05D” [Ware]
Sougata Mukherjea, Kyoji Hirata, and Yoshinori Hara. “Visualizing the Results of Multimedia Web Search Engines.” In Proceedings of the IEEE
Symposium on Information Visualiza- tion (InfoVis), pp. 64–65. IEEE Computer Society, 1996.
O Poder do Espaço
•  Interfaces 3D + navegação interativa são
melhores para compreensão de forma (3D)
do que várias projeções 2D justapostas
http://www.visageimaging.de/image-gallery.html
Razão dado/tinta  
data/ink ratio
•  Maximizar dados, minimizar tinta (within
reason)
Tufte, Edward R., and P. R. Graves-Morris. The visual display of quantitative information. Vol. 2. Cheshire, CT:
Graphics press, 1983.
“Get it right in black and white”
http://www.stonesc.com/wordpress/2010/03/get-it-right-in-black-and-white/
AVALIANDO VISUALIZAÇÕES
Desafios

Validações com usuários
Formativas!
Observações
Entrevistas
Think Aloud
Questionários
Walkthrough Cognitivo
Logs de sistema
Somativas!
Métricas de Qualidade
•  Critérios quantitativos para indicar
“desordem” (clutter)
•  Estratégias para reajuste automático de
visualizações (para grandes volumes de
dados):
–  Coordenadas paralelas: reordenar dimensões!
–  Matrizes de scatterplots: reordenar projeções!
–  Matrizes de adjacência: reordenar linhas/colunas!
–  Grafos: reposicionar nós, agrupar nós, agrupar
arestas!
Métricas de Qualidade 
Scagnostics
•  Scagnostics
–  Scatterplots (não clusterizados)
como grafos…
•  Fórmulas específicas para
identificar diferentes
características
–  Perceptualmente aceitável
(verificado via experimentos)
Wilkinson, Leland, Anushka Anand, and Robert L. Grossman. "Graph-Theoretic Scagnostics."

INFOVIS. Vol. 5. 2005.
Scagnostics
•  Scagnostics
–  Scatterplots (não clusterizados)
como grafos…
•  Fórmulas específicas para
identificar diferentes
características
–  Perceptualmente aceitável
(verificado via experimentos)
Wilkinson, Leland, Anushka Anand, and Robert L. Grossman. "Graph-Theoretic Scagnostics."

INFOVIS. Vol. 5. 2005.
Pargnostics
Dasgupta, Aritra, and Robert Kosara. "Pargnostics: Screen-space metrics for parallel coordinates." Visualization
and Computer Graphics, IEEE Transactions on 16.6 (2010): 1017-1026.
Pargnostics
Pargnostics
ORIGINAL Max angle crossings + axis inversion
Max number crossings + min angles + axis inversion Min angle crossings + max parallelism
PONDO TUDO EM PRÁTICA
Bloom
Bernard Kerr, Li-Te Cheng, and Timothy Sweeney. 2006. Growing bloom: design of a visualization of project evolution. In CHI '06 Extended
Abstracts on Human Factors in Computing Systems (CHI EA '06). ACM, New York, NY, USA, 93-98.
The visual backchannel
Marian Dörk, Daniel Gruen, Carey Williamson and Sheelagh Carpendale. A Visual Backchannel for Large-Scale Events. IEEE Transactions on Visualization and
Computer Graphics (Proceedings Information Visualization 2010), 16(6):1129-38, November-December, 2010.
Parallel Tag Clouds
Collins, Christopher, Fernanda B. Viegas, and Martin Wattenberg. "Parallel tag clouds to explore and analyze faceted text
corpora." Visual Analytics Science and Technology, 2009. VAST 2009. IEEE Symposium on. IEEE, 2009.
Parallel Tag Clouds
Collins, Christopher, Fernanda B. Viegas, and Martin Wattenberg. "Parallel tag clouds to explore and analyze faceted text
corpora." Visual Analytics Science and Technology, 2009. VAST 2009. IEEE Symposium on. IEEE, 2009.
World Lines
Waser, Jurgen, et al. "World lines." IEEE Transactions on Visualization and Computer Graphics 16.6 (2010): 1458-1467.
Result-Driven Exploration of Simulation
Parameter Spaces for Visual Effects Design
Bruckner, Stefan, and Torsten Moller. "Result-driven exploration of simulation parameter spaces for visual effects design." Visualization and Computer Graphics, IEEE Transactions on 16.6 (2010): 1468-1476.
Result-Driven Exploration of Simulation
Parameter Spaces for Visual Effects Design
Bruckner, Stefan, and Torsten Moller. "Result-driven exploration of simulation parameter spaces for visual effects design." Visualization and Computer Graphics, IEEE Transactions on 16.6 (2010): 1468-1476.
Visualização Colaborativa
Colaboração Síncrona Colaboração Assíncrona
Colaboração Local
Isenberg, Petra, et al. "Co-located collaborative visual analytics around a

tabletop display." Visualization and Computer Graphics, IEEE Transactions on
18.5 (2012): 689-702.
Colaboração Remota
Mendes, Daniel, et al. "Collaborative 3D Visualization on Large Screen Displays." Marée, Raphaël, et al. "A rich internet application for remote visualization and collaborative annotation of
Powerwall-International Workshop on Interactive, Ultra-High-Resolution Displays– digital slides in histology and cytology." Diagnostic Pathology 8.Suppl 1 (2013): S26.
ACM CHI. Vol. 2013. 2013.
Interfaces tangíveis para
visualização
Spindler, Martin, et al. "Tangible views for information visualization." ACM International Conference on Interactive Tabletops and Surfaces. ACM, 2010.
Martin Spindler, et al. PaperLens: advanced magic lens interaction above the tabletop. In Proceedings of the ACM International Conference on Interactive Tabletops
and Surfaces (ITS '09). ACM, New York, NY, USA, 2009.
Visualizações Tangíveis
Jansen, Yvonne, Pierre Dragicevic, and Jean-Daniel Fekete. "Evaluating the efficiency of physical visualizations."
Proceedings of the SIGCHI Conference on Human Factors in Computing Systems. ACM, 2013.
Khot, Rohit Ashok, Larissa Hjorth, and Florian'Floyd Mueller. "Understanding physical activity through 3D
printed material artifacts." Procs CHI’14, ACM, 2014.
Para não esquecer
EM SUMA
Muitos exemplos
(Experiência)!
O que?
Por que?
Como? Fundamentos
(Teoria)!
REFERÊNCIAS
Expandindo os horizontes
Consulta! Para refletir:!
Catálogos de visualizações http://hint.fm/
F. Viégas & M. Wattenberg
www.datavis.ca
http://www.datavis.ca/milestones/
(histórico!) www.edwardtufte.com/bboard
E. Tufte
www.infovis-wiki.net

http://fellinlovewithdata.com/
http://www.visual-literacy.org/ Fell in love with data
periodic_table/periodic_table.html E. Bertini

Cores http://datastori.es/ (podcasts)
http://colorbrewer2.org/ E. Bertini & M. Stefaner
Color Brewer
http://tools.medialab.sciences-po.fr/iwanthue/ http://junkcharts.typepad.com/
I Want Hue Junk Charts (porque também se aprende com
o erro alheio!!)

Livro Texto de
Visualização de
dados
(1st of its kind)

Se só quiser/puder adquirir
1 livro, este é O livro!

Infovis por exemplos,
história e discussão.
Muito visual.

Belíssimo!
Meirelles, Isabel. Design for Information: An Introduction to the Histories, Theories, and
Best Practices Behind Effective Information Visualizations. Rockport publishers, 2013.
Tudo o que quiser saber
sobre percepção.

Foco em
infográficos.
Cairo, Alberto. The Functional Art: An introduction to information graphics

and visualization. New Riders, 2012.
Para inspiração!

Algumas excelentes
visualizações… outras nem
tanto.
McCandless, David. The visual miscellaneum: a colorful guide to the

world's most consequential trivia. Collins Design, 2009.

Introdução A Visualização de Dados PDF

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Introdução A Visualização de Dados PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Introdução a Visualização

de Dados: Teoria e Prática

Jornada de Informática na Biodiversidade – LNCC – 13 de Fevereiro de 2015

Mas apesar de tudo, todos Exemplos… muitos

pré-requisitos básicos pra

“Why should we be interested in visualization? Because the human visual

10.0 8.04 10.0 9.14 10.0 7.46 8.0 6.58

8.0 6.95 8.0 8.14 8.0 6.77 8.0 5.76

13.0 7.58 13.0 8.74 13.0 12.74 8.0 7.71

9.0 8.81 9.0 8.77 9.0 7.11 8.0 8.84

11.0 8.33 11.0 9.26 11.0 7.81 8.0 8.47

14.0 9.96 14.0 8.10 14.0 8.84 8.0 7.04

6.0 7.24 6.0 6.13 6.0 6.08 8.0 5.25

4.0 4.26 4.0 3.10 4.0 5.39 19.0 12.50

12.0 10.84 12.0 9.13 12.0 8.15 8.0 5.56

7.0 4.82 7.0 7.26 7.0 6.42 8.0 7.91

5.0 5.68 5.0 4.74 5.0 5.73 8.0 6.89

Med. 9.0 7.5 9.0 7.5 9.0 7.5 9.0 7.5

Var. 10.0 3.75 10.0 3.75 10.0 3.75 10.0 3.75

Corr. 0.816 0.816 0.816 0.816

Ø … mas estruturas

Reduzir/sumarizar os dados remove detalhes que podem ser

Expor dados visualmente permite evidenciar padrões que

“Computer-based visualization systems provide visual representations of

Mapeamento … e este próposito determina

Quais representações posso usar para codificar

Que representações são mais adequadas para

Ware, Colin. Information visualization: perception for design. Elsevier, 2013.

Ware, Colin. Information visualization: perception for design. Elsevier, 2013.

– Difíceis de aprender – Compreensão sem

Importante lembrar que as fronteiras são um tanto fuzzy...

Ware, Colin. Information visualization: perception for design. Elsevier, 2013.

Tamanho - Comprimento Textura Cor - Matiz

Tamanho - Área Orientação/Direção Cor - Saturação

Tamanho - Volume Ângulo Cor - Luminância

Quantitativos! Ordinais! Categóricos (ou nominais)!

10000 Fox Elantra

10000 Fox Elantra

10000 Fox Elantra

Quais representações posso usar para codificar

Que representações são mais adequadas para

Posição Tamanho Comprimento Vermelho (RGB)

Totalmente Alguma Considerável Bastante

Munzner, Tamara. Visualization Analysis and Design. CRC Press, 2014.

“A eficácia dos canais que modificam as

Munzner, Tamara. Visualization Analysis and Design. CRC Press, 2014.

Razões para se utilizar uma

Cada conjunto de respostas ao trio acima

Munzner, Tamara. Visualization Analysis and Design. CRC Press, 2014.

O que 1 atributo categórico (chave) + 1 atributo quantitativo

Por que Lookup, Comparar

Como Comprimento vertical ou horizontal, espaco horizontal/vertical

Escala Dezenas a centenas de elementos chave

Por que Lookup, Comparar, Trends

Como Comprimento vertical / horizontal; espaco horizontal/vertical; cor para redundância

Por que Comparar: Partes-do-todo, Lookup, Trends

Como Comprimento vertical/Horizontal

Escala 1a chave: dezenas a centenas; 2a chave: +- 10

Por que Partes-ao-todo

Como Separação do espaco de barra entre categorias, codificando %.

Escala ~12 categorias para a pilha; dezenas de categorias para o eixo

O que 1 atributo quantitativo, 1 categórico

Ø  … mas estruturas

–  Difíceis de aprender –  Compreensão sem

Mapa de calor agrupado 

•  Permite comparação de áreas…

•  Permite comparação de áreas…

•  Permite comparação de áreas…

http://stackoverflow.com/questions/11300754/d3-js-radar- •  Pode ser usado para caracterizar

•  Muito intuitivos (para redes •  Requer treino;