Escolar Documentos
Profissional Documentos
Cultura Documentos
A visualização de informaçõ es proporciona mostrar os dados na forma de simples gráficos (linhas, de barras
e de pizza) e outras visualizaçõ es mais complexas (mapas, consulta em bases de dados, e no desenho de
diagramas como organogramas e árvores genealó gicas (DI BATTISTA et al., 1999) de tal maneira que o usuário
possa usar de forma simples a sua percepção visual para uma melhor compreensão das informaçõ es.
Nesse material, a visualização de dados e a visualização de informaçõ es não terão distinção uma vez que, de
certa forma, não é relevante separá-las no contexto global das técnicas de visualização e alguns autores fazem
meras distinçõ es com base nas classes de aplicaçõ es ou interesse do usuário. As técnicas de visualização de
informaçõ es buscam mostrar graficamente os dados de um determinado contexto para que o usuário possa
entender melhor os dados disponíveis a partir relaçõ es espaciais existentes de modo a compreendê-las de
forma clara, gerando um novo conhecimento ou descoberta (um dos principais objetivos desse estudo).
De forma geral, podemos dizer que o objetivo da visualização de informaçõ es é ajudar no entendimento dos
dados, o qual, sem uma visualização, exigiria maior esforço para ser compreendido.
CASO
Tendo em vista a expansã o das redes sociais (Facebook, Twitter e entre outras), Riff
et al. (2015) desenvolveram um trabalho que mostra uma ferramenta de
visualizaçã o de informações, empregando dados extraídos do Twitter baseado em
hashtags e seguindo modelo de visualizaçã o de dados desenvolvido por Ben Fry. A
partir desses dados, os autores criaram uma visualizaçã o que permite explorar os
acontecimentos de certo dia e seu impacto na respectiva rede social.
Para mais detalhes, acesse: http://www.proceedings.blucher.com.br/article-
details/visualizao-sobre-dados-de-redes-sociais-20367
(http://www.proceedings.blucher.com.br/article-details/visualizao-sobre-
dados-de-redes-sociais-20367).
Afinal, o que é visualização de informaçõ es? Segundo Card et al. (1999), a visualização de informaçõ es é o uso
de representaçõ es visuais de dados abstratos suportados por computador e interativas para ampliar a
cognição. A partir dessa definição temos um importante passo durante processo de visualização, que seria
determinar qual técnica deve ser utilizada em uma determinada situação (maiores detalhes serão explanados
no pró ximo tó pico). Claramente, esta escolha dependente do tipo de dado que está sendo estudado e dos
trabalhos que necessitam ser realizados.
Segundo alguns estudos, há classificaçõ es que buscam ajudar o usuário a adequar sua necessidade (ou sua
aplicação) em alguma técnica, por exemplo, Shneiderman (1996) utilizou a seguinte classificação (baseada
por tipo de dados e por tarefas): unidimensionais (1D), temporais, bidimensionais (2D), tridimensionais (3D)
e multidimensionais (nD), dirigidas à visualização de hierarquias e de relacionamentos (grafos), e
possibilitar a existência de tarefas como: gerar uma visão geral e detalhada, zooming, filtragem, caracterização
de relacionamentos e extração de informaçõ es diversificadas.
VOCÊ SABIA?
Sendo uma á rea em constante expansã o, existem conferê ncias importantes sobre
Visualizaçã o de Informações, a saber, o ACM Symposium on Software Visualization;
e o International Conference of Information Visualization. No contexto nacional, há
eventos como o Brazilian Symposium on Computer Graphics and Image Processing –
SIBGRAPI, que tem uma grande relevâ ncia na á rea acadê mica e desenvolvem
novas pesquisas e produtos nesse campo de estudo.
Agora que você reconhece a ampla abrangência do conceito de visualização de dados e informaçõ es, já está
preparado para compreender sobre dados e suas representaçõ es visuais, técnicas de visualizaçõ es de
informaçõ es, dashboard, que serão assuntos dos pró ximos tó picos.
Por fim, os dados podem ser caracterizados conforme a dimensão e a natureza do domínio. Considerando a
dimensão, temos (clique para ler):
•
Unidimensionalidade
Bidimensionalidade
Tridimensionalidade
N-dimensionalidade
Ainda temos representaçõ es através de mapas, de diagramas e de grafos, que são representaçõ es gráficas
complexas as quais servem para mostrar componentes visuais (símbolos geométricos e cores). Considerando
a natureza e o domínio do estudo, as representaçõ es visuais podem ser unidimensionais, bidimensionais ou
tridimensionais.
Considerando o nível mais primitivo ou básico estão as funçõ es de navegação pelo deslocamento
horizontal/vertical de uma barra de rolagem (em inglês, scroll bar). Em outro nível, temos as funçõ es de
seleção de dados de interesse (em inglês, point region of interest), como vemos na figura a seguir, as quais
podem ou não provocar tanto um reposicionamento da amostra de dados, gerando uma nova visualização
como certo nível de detalhamento (zooming semântico) de uma parte dessa amostra (ver figura a seguir) e,
possivelmente, a omissão de outra.
Temos outras funçõ es mais complexas, como: operaçõ es de poda (prunning) e agrupamento (clustering), que
são essenciais nas tarefas de navegação e exploração em diagramas que representam estruturas como grafos
(para uma leitura mais completa sobre as funçõ es citadas, leia Herman e Marshall, 2000).
VAMOS PRATICAR?
Crie um painel de visualizaçã o que implemente as funcionalidades de Pru
Clustering. Fique à vontade para escolher amostra de dados a ser utilizada
As operaçõ es citadas anteriormente possibilitam ocorrer três situaçõ es: (1) a representação é modificada para
apresentar somente a região de interesse selecionada; (2) a referida região de interesse ocupa, exclusivamente,
o campo de visão essencial e o resto da amostra de dados é sustentado em outra área; e (3) a região de
interesse e a visão geral, ambas apresentadas conjuntamente. A situação 2 apresenta uma técnica chamada de
visão overview+detalhe, enquanto as outras situaçõ es apresentam a técnica chamada de foco+contexto
(CARD et al., 1999). Estas e outras técnicas serão explicadas mais adiante.
Figura 3 - Seleção de dados de interesse em uma imagem
Fonte: PYQTGRAPH, 2019.
Em um nível superior estariam funçõ es que possibilitam representar visualmente os dados em segmentos ou
fraçõ es, considerando alguns critérios definidos pelos usuários. Essas funçõ es são filtros ou consultas
dinâmicas, comumente encontradas em dashboard e em banco de dados.
A etapa inicial é denominada de Transformações de Dados e é quando os dados brutos são processados e
estruturados, normalmente, na forma de uma ou de mais tabelas. O processamento visa a eliminar os dados
incorretos e truncados através de seus filtros e agrupamentos. Uma forma simples de estruturar os dados em
tabelas é designar uma linha para cada dado e uma coluna para cada atributo. Desta forma, nú mero total de
linhas apontará a quantidade total de dados a serem visualizados e, consequentemente, o nú mero total de
colunas que incide na dimensão dos dados.
A etapa seguinte é o Mapeamento Visual, a qual abrange a construção de uma estrutura visual que mostre os
dados da tabela. Toda estrutura visual pode ser dividida em três segmentos: substrato espacial, marcas
visuais e propriedades gráficas das marcas. O primeiro segmento, chamado substrato visual, assinala o
espaço para a visualização, geralmente, representado por eixos (por exemplo, eixo X e Y no domínio
cartesiano).
Conforme Nascimento e Ferreira (2011, p. 18), existem quatro tipos elementares de eixos:
Temos, ainda, o ú ltimo seguimento chamado propriedades gráficas, que são os atributos visíveis que
representam as marcas visuais. As propriedades frequentemente utilizadas são: posição espacial, forma, cor,
tamanho e área (para objetos bidimensionais) ou volume (objetos tridimensionais) da marca, além da
orientação, sentido e inclinação de marcas. Há propriedades complexas que proporcionam dinamismo à
marca: animação, velocidade, direção e sentido do movimento, além da frequência com que o estado de marca
altera sua forma
Por fim, as Transformações Visuais são ú ltimo passo do processo de visualização em que é possível alterar
e estender as estruturas visuais interativamente por meio de operaçõ es básicas, como vemos a seguir (clique
para ler).
Testes de Permitem obter informaçõ es elementares sobre algum elemento da tabela de dados.
localizaçã
o
Controles Proporcionam ampliar, reduzir e deslocar a imagem com o propó sito de fornecer
de ponto distintas visõ es.
de vista
da
imagem
VAMOS PRATICAR?
Desenvolva um mecanismo de seleçã o dados por interesse utilizando
imagem significativa, por exemplo, um mapa. Fique à vontade de esc
imagem para exercitar o conceito em questã o.
Uma visualização é avaliada como expressiva caso seja capaz de apresentar todos os dados de interesse ao
usuário e nada mais. Já a efetividade está condicionada em mostrar os dados de forma compreensível, ou seja,
para uma visualização alcançar efetividade, ela precisa ser naturalmente perceptível e ocasionar um menor
nú mero de erros de interpretação ao usuário. Esses dois aspectos são relevantes, pois uma visualização pode
não ser apta em enfatizar padrõ es valiosos nos dados, consequentemente, não proporcionará novas
informaçõ es além daquilo que é usualmente conhecido. A visualização pode ser de árduo entendimento ou
ocasionar interpretaçõ es falsas, que em geral desdizem com o verdadeiro sentido dos dados.
Podemos destacar alguns problemas que comprometem a efetividade de uma visualização. Clique nas setas
para ler:
O trabalho feito por Mackinlay (1986) mostra uma relação de associação dos atributos de dados com os
atributos visuais, propondo uma escala de prioridade para usar de forma adequada esses atributos visuais. As
ordens de prioridade construída pelo autor são apresentadas no esquema a seguir para três tipos de dados
(quantitativos, ordinais e nominais), partindo do atributo visual mais perceptível até o menos perceptível. O
objetivo é associar os atributos mais importantes dos dados aos atributos visuais no topo da lista, usando a
sequência recomendada.
A seguir serão discutidos com mais detalhes algumas das técnicas de visualização de informaçõ es que visam
analisar de forma geral e específica os dados.
1.4.3 Fisheye
Outra técnica visualização bastante conhecida na literatura é chamada de Fisheye, a qual gera uma visão
detalhada de uma área de interesse através de uma taxa maior de ampliação no centro dessa área e decrescente
no sentido da periferia da imagem.
VOCÊ SABIA?
A té cnica Fisheye proposta por Furnas (FURNAS, 1981) é amplamente usada em
imagens bidimensionais, poré m, foi inicialmente utilizada para a visualizaçã o de
texto. As seções de texto de interesse secundá rio eram removidas, mostrando
somente o seu título. Já a á rea ou subá rea de interesse primá rio aparecia em
maiores detalhes.
Além disso, a referida técnica foi comumente empregada para a navegação em árvores de diretó rios (conforme
vemos na figura a seguir), em que subárvores eram expandidas ou compactadas conforme a localização de
uma área de interesse do usuário.
Outra técnica usada em conjunto com Fisheye é Browser Hiperbó lico ou árvore Hiperbó lica, a qual vemos a
seguir.
Desta maneira, esta técnica realiza transiçõ es progressivas e leves com relação ao ponto de foco, de modo a
conservar o mapa mental, como vemos na figura anterior.
A segunda técnica chamada de Table Lens (RAO; CARD, 1994) é uma estratégia efetiva para a compressão de
grande massa de dados alfanuméricos multidimensionais apresentados em uma tabela e mostrados
completamente em uma tela. Os dados (as linhas) de grande interesse ficam visivelmente expandidos,
enquanto os demais elementos são compactados em pequenos pixels (na forma de linhas).
Figura 12 - Table Lens.
Fonte: NASCIMENTO; FERREIRA, 2011, p. 31.
Ainda temos que o comprimento das linhas de pixel são definidas pelo atributo do dado na coluna em
correspondência. A técnica de Table Lens proporciona interação do usuário por meio da seleção das linhas de
maior interesse, o que gera sua ampliação e a visualização dos valores acurados nas suas colunas. Existe a
possibilidade de ordenar as linhas com base nos atributos das colunas para simplificar a consulta dos dados
e explorar correlaçõ es entre eles.
1.4.7 Zooming
Essa técnica possibilita ao usuário controlar o nível de abstração de uma representação de dados, de modo
que essa representação possa apresentar uma visão mais ampla ou detalhada de uma área de dados específica.
Desta forma, o zooming permite mudar a escala da representação visual sem que a representação seja
distorcida, somente replicando a ação de aproximação ou de afastamento usada em imagens consideradas não
dinâmicas.
Figura 14 - Técnica Zooming sobre gráfico de linha.
Fonte: ORIGINLAB, [201-].
De certa maneira, essa técnica possibilita o controle do foco e o fator de zoom para adquirir uma visão com
adequada perspectiva em cima dos dados de interesse, de modo a não perder a noção de posição e contexto. O
usuário pode realizar essa operação através da “barra de zoom”, por exemplo. Com o avanço das tecnologias e
dos dispositivos de toque (touch), essa técnica está bastante desenvolvida e consolidada já que o uso dos
dedos torna possível realizá-la de forma eficiente.
1.4.8 Filtragem
Essa técnica possibilita a seleção dos dados a serem representados conforme as condiçõ es definidas numa
consulta. Os dados que não estão inclusos nesta condição, construída pelo usuário, ficam ocultados de forma
não estarem visíveis e podem retornar mais tarde por meio de outra consulta. Este tipo de técnica, a qual é
baseada no paradigma da manipulação direta dos dados, auxilia na elaboração de um sistema mais
responsivo, usando consultas textuais orientadas (queries).
Figura 15 - Filtragem usando Query.
Fonte: DRUPAL, [201-].
Além do uso de consultas, a filtragem pode ser feita usando alpha sliders, range sliders (veja a figura a seguir)
e entre outros componentes gráficos.
A técnica de filtragem é recomenda quando se tem uma massa de dados e o observador somente deseja
visualizar uma pequena parte deles, logo, é fortemente recomendada a implementação dessa técnica em
projetos de visualização de informaçõ es.
Síntese
Finalizamos este estudo introdutó rio no qual apresentamos os conceitos de visualização de dados e
informação.
Além disso, neste capítulo você teve a oportunidade de:
Nesta unidade, você teve a oportunidade de:
Bibliografia
BEDERSON, B. B. Fish Eye Menu [screenshot]. Disponível em: http://hcil2.cs.umd.edu/trs/2000-12/2000-
12.html (http://hcil2.cs.umd.edu/trs/2000-12/2000-12.html). Acesso em: 25 ago. 2019.
CARD, S. K. et al. Readings in Information Visualization: using vision to think. In: KAUFMANN, M. Series in
Interactive Technologies. Amsterdam: Academic Press, 1999.
COCKBURN, A.; KARLSON, A.; BEDERSON, B., A Review of Overview+Detail Zooming and Focus+Context
Interfaces. ACM Computing Surveys, v. 41, p. 1-3, 2009.
DI BATTISTA, G. et al. Graph Drawing. Upper Saddle River: Prentice Hall, 1999.
DRUPAL. Improve query filter UI on admin/content. Download e Extend, [201-]. Disponível em:
https://www.drupal.org/project/drupal/issues/355820
(https://www.drupal.org/project/drupal/issues/355820). Acesso em: 25 ago. 2019.
FOREMAN, J. W. Data Smart. Usando Data Science Para Transformar Informação em Insight. São Paulo: Alta
Books, 2016.
FREITAS, C. M. D. S. et al. Cava. Introdução à Visualização de Informaçõ es. Revista de Informática Teó rica e
Aplicada, Porto Alegre, v. 8, n. 2, p. 143-158, 2001.
FREITAS, C. M. D. S.; WAGNER, F. R. Ferramentas de suporte às tarefas da análise explorató ria visual. Revista
de Informática Teórica e Aplicada, Porto Alegre, v. 2, n. 1, p. 5-36, 1995.
FURNAS, G. W. The FISHEYE view: a new look at structured files. Technical Report #81-11221-9. New
Jersey: Bell Laboratories 1981.
GERSHON, N.; EICK, S. G. Information Visualization. IEEE Computer Graphics and Applications, v. 17, n. 4,
p. 29-31, 1997.
HERMAN, I.; MELANÇON, G.; MARSHALL, M.S. Graph Visualization and Navigation in Information
Visualization: a survey. IEEE Transactions on Visualization and Computer Graphics, v. 6, n. 1, p. 24-42,
2000.
JOSÉ , M. F.; REIS, B. S. Projetos gráficos: fundamentos 2D e 3D. São Paulo: É rica, 2015. Disponível em:
https://integrada.minhabiblioteca.com.br/books/9788536519517
(https://integrada.minhabiblioteca.com.br/books/9788536519517). Acesso em: 25 ago. 2019.
KELLEHER, C. Visualizing the Universal Data Cube. University of Massachusetts Lowell. Tese de
Doutorado, 2014.
LAMPING, J.; RAO, R. The hyperbolic browser: A focus + context technique for visualizing large hierarchies.
Journal of Visual Languages and Computing, v. 7, n.1, 1996, p. 33–35.
MACKINLAY, J. Automating the design of graphical presentations of relational information. ACM Transactions
on Graphics, v. 5, n. 2, p. 110–141, 1986.
MACKINLAY, J. D.; ROBERTSON, G. G.; CARD, C. The perspective wall: Detail and context smoothly integrated.
In: Proceedings of ACM CHI’91 - Conference on human factors in Computing Systems and Graphics Interface.
ACM-Press, 1991. p. 173–179. Disponível em: https://research.tableau.com/sites/default/files/p173-
mackinlay.pdf (https://research.tableau.com/sites/default/files/p173-mackinlay.pdf). Acesso em: 25 ago.
2019.
MICROSOFT OFFICE. Create a PivotTable timeline to filter dates. Support Office, 2019. Disponível em:
https://support.office.com/en-us/article/create-a-pivottable-timeline-to-filter-dates-d3956083-01be-408c-
906d-6fc99d9fadfa (https://support.office.com/en-us/article/create-a-pivottable-timeline-to-filter-dates-
d3956083-01be-408c-906d-6fc99d9fadfa). Acesso em: 25 ago. 2019.
NASCIMENTO, H. A. D.; FERREIRA, C. B. R. Uma Introdução à Visualização de Informaçõ es. Visualidades -
Revista do Programa de Mestrado em Cultura Visual, Goiânia,v. 9, n. 2, p. 13-43, 2011.
NASCIMENTO, H. A. D.; FERREIRA, C. B. R. (2005). Visualização de Informações - Uma Abordagem
Prática, p. 1262–1312. Livro Texto da XXIV Jornada de Atualização em Informática.
ORIGINLAB. Magnifying or Zooming In on a Portion of the Graph. Data Exploration, [201-]. Disponível em:
https://www.originlab.com/doc/Origin-Help/Zoom-Portion-of-Graph
(https://www.originlab.com/doc/Origin-Help/Zoom-Portion-of-Graph). Acesso em: 25 ago. 2019.
RAO, R.; CARD, S. K. The table lens: Merging graphical and symbolic representation in an interactive focus +
context visualization for tabular information. In: Proc. ACM Conf. on Human Factors in Software. ACM-
Press, 1994. p. 318–322. Disponível em: https://hci.stanford.edu/courses/cs448b/papers/Rao-TableLens.pdf
(https://hci.stanford.edu/courses/cs448b/papers/Rao-TableLens.pdf). Acesso em: 25 ago. 2019.
RIFF, C. et al. Visualização sobre dados de redes sociais. In: SPINILLO, C. G. et al. (Ed.). CIDI - CONGRESSO
INTERNACIONAL DE DESIGN DA INFORMAÇÃ O. VII., 2015, São Paulo. Anais [...]. São Paulo: Blucher, 2015.
SARMANHO, E. Project Game Data Explorer (PGD EX) - Sprint 2. Youtube, 26 jun. 2019. Disponível em:
https://www.youtube.com/watch?v=7kWTL8nLrYI&feature=youtu.be (https://www.youtube.com/watch?
v=7kWTL8nLrYI&feature=youtu.be). Acesso em: 25 ago. 2019.
SHNEIDERMAN, B. The eyes have it: a task by data type taxonomy for information visualizations. In:
PROCEEDINGS OF IEEE SYMPOSIUM ON VISUAL LANGUAGES, 1996. Anais [...]. Boulder: IEE, 1996. p. 336-
343. Disponível em: cs.umd.edu/~ben/papers/Shneiderman1996eyes.pdf
(http://cs.umd.edu/~ben/papers/Shneiderman1996eyes.pdf). Acesso em: 25 ago. 2019.
SPENCE, R. Information Visualization. Nova Jersey: ACM Press, 2000.
TABLEAU RESEARCH. Jock Mackinlay. About, [201-]. Disponível em: https://research.tableau.com/user/jock-
mackinlay (https://research.tableau.com/user/jock-mackinlay). Acesso em: 25 ago. 2019.
WARE, C. Information Visualization: perception for design. 4. ed. In: Kaufmann, M. Series in Interactive
Technologies. Amsterdam: Academic Press, 2004.
PYQTGRAPH. Pyqtgraph - scientific graphics and gui library for python, [201-]. Disponível em:
http://www.pyqtgraph.org/ (http://www.pyqtgraph.org/). Acesso em: 25 ago. 2019.