第 4 章 · 第 1 节 基础

4.1 宽表与长表

学习目标

区分宽表与长表,追踪同一指标在转换前后的位置。

本节要点

  • 宽表一行一个对象、多列指标;长表一行一个观测。
  • 转换只改变组织方式,数值应保持不变。
  • 选宽表还是长表取决于后续过滤、分组和绑定。

01理解概念

🎨 本节使用了 colormap(Viridis)画热图。colormap 理论详见 第 3 章 3.2 colormap 三类选择。

案例

原 5.1 节用了 1985 美国 50 州犯罪数据(CSV),含 8 个犯罪指标列。

概念与方法

  • 长格式(long):每行一个观测,列 = 字段(如 {state, metric, value})。优点:方便过滤、分组、绑定到 d3 join。
  • 宽格式(wide):每行一个实体,列 = 指标(如 {state, murder, robbery, ...})。优点:人眼读得懂、直观。
  • 转换:flatMap + 循环键名 = 几行代码搞定。
  • d3.autoType:自动推断列类型(数字、日期、布尔),省得手动 +d.field。

02动手实验

试一试:对照两种数据结构,找到同一个州的三个指标,检查数值是否保持不变。

实验将在进入此区域时加载,需要启用 JavaScript。

做完后:你应该看到
同一个州的三个指标在转换前后能对上,能说明行数变化和两种结构的用途。
03代码与讲解收起 / 展开 +

⭐ 关键代码

⭐ 关键点 1:d3.csv 第二参 = 类型转换回调

// 自动类型推断(数字/日期/布尔)
const raw = await d3.csv('./data/crime.csv', d3.autoType);
console.log(raw[0]);  // {state: 'Alabama', population: 3979000, murder: 350, ...}

⭐ d3.autoType 内部就是遍历每列、用 Number() / Date() / 字符串检测。能识别的就转、识别不了保持字符串。

⭐ 关键点 2:宽 → 长(flatMap 模式)

// flatMap:每行展开成多个观测
const long = raw.flatMap(d =>
  ['murder', 'robbery', 'burglary'].map(key => ({
    state:  d.state,
    metric: key,
    value:  d[key]
  }))
);
// 现在可以做:d3.group(long, d => d.metric)

⭐ flatMap 是 ES2019,是 "map + 一维 flatten" 的简写。比 map().flat() 链式更直观。

04练习

将 50 行、每行 3 个指标的宽表转为长表,通常会得到多少行?

学完后,可以标记进度。

第 4 章 · 第 2 节 基础

4.2 坐标轴变换

学习目标

比较线性与对数比例尺,理解刻度间距与数据差异的关系。

本节要点

  • 线性比例尺表达差值,对数比例尺表达倍数。
  • 对数轴压缩大值,改变视觉间距,但不改变数据次序。
  • 刻度标签要明确,避免把对数轴读成线性。

01理解概念

案例

原 5.1.2 节用散点展示 Crime 数据(murder vs robbery),坐标轴是 1985 数据。

概念与方法

  • 三层空间:
    1. 数据空间:原始数值(如人口 27058000、谋杀率 8)
    2. 坐标系空间:归一化到 0..innerWidth(标准化坐标)
    3. 屏幕空间:加上 margin 偏移(最终像素位置)
  • 为什么分层:坐标系空间内的元素(线、点)可以共享,切换屏幕尺寸时无需重算。d3.axisBottom 自动帮你做坐标系→屏幕。
  • scale 选型:
    • scaleLinear:均匀分布,最常用
    • scaleLog:跨数量级(人口从 53 万到 2700 万)
    • scaleSqrt:面积感知(圆面积映射到值)
    • scaleBand:类别轴(柱状图)

02动手实验

试一试:切换横轴比例尺,比较数值差与倍数关系的表现;观察数据点的次序是否改变。

实验将在进入此区域时加载,需要启用 JavaScript。

做完后:你应该看到
切换横轴后数据次序不变、间距变化;能说出哪种比例尺更适合跨数量级数据。
03代码与讲解收起 / 展开 +

⭐ 关键代码

⭐ 关键点 1:数据空间 vs 屏幕空间,两层 scale

// 数据空间:值 → 坐标系
const xData = d3.scaleLinear()
  .domain([0, d3.max(data, d => d.x)])
  .range([0, innerW]);

// 屏幕空间:坐标系 → 屏幕(加 margin)
const xScreen = d3.scaleLinear()
  .domain([0, innerW])
  .range([M.l, M.l + innerW]);

// 渲染:数据 → 坐标系 → 屏幕
svg.selectAll('circle').data(data).join('circle')
  .attr('cx', d => xScreen(xData(d.x)));

⭐ 错位示范:直接把 domain/max 和 range/[M.l, M.l+innerW] 写在一个 scale 里 → 改 margin 要改两处。三层分立就清爽。

⭐ 关键点 2:log scale 跨数量级

// 50 州人口从 53 万到 2700 万(差 50 倍)
// linear 缩放下,小州挤成一团,CA/NY/TX 占满屏幕
const xLog = d3.scaleLog()
  .domain([1, d3.max(data, d => d.x)])
  .range([0, innerW]);

⭐ log 轴对"指数增长"数据特别合适。人的视觉是"乘法"而不是"加法",所以 log 让"等比数列"在屏幕上"等距"。

04练习

在对数轴上,10→100 与 100→1000 的距离如何?

学完后,可以标记进度。

第 4 章 · 第 3 节 基础

4.3 曲线插值与连接

学习目标

区分插值与统计拟合,识别平滑曲线可能引入的视觉假象。

本节要点

  • 插值连接观测点,拟合描述趋势,两者目的不同。
  • 平滑曲线可能不经过观测点,并产生额外极值。
  • 有序数据优先使用保形曲线,并说明所用方法。

01理解概念

案例

原 5.1.3 节用折线 + 散点展示趋势。原始代码用了 curveCatmullRom,没讲为什么。

概念与方法

  • 插值 vs 拟合:
    • 插值(interpolation):曲线经过所有数据点(如 Catmull-Rom、Natural)
    • 拟合(fitting):曲线不经过数据点,只反映趋势(如线性回归 LOESS)
  • d3.line().curve() 提供 10+ 种 curve,最常用:
  • step 系:用于离散阶跃(数字信号、状态切换)
  • catmullRom / natural:过所有点的张力样条,"看起来平滑"
  • monotoneX:保持原数据序列单调(不会出现伪震荡)
  • 选择原则:数据有顺序性 → monotoneX / linear;数据本身抖动大 → catmullRom / basis 平滑;离散状态 → step

02动手实验

试一试:比较 linear、basis 与 monotoneX,检查曲线是否经过观测点、是否产生额外极值。

实验将在进入此区域时加载,需要启用 JavaScript。

做完后:你应该看到
linear 经过所有点,basis 可能偏离,monotoneX 不产生额外极值;能指出视觉假象。
03代码与讲解收起 / 展开 +

⭐ 关键代码

⭐ 关键点 1:d3.line + curve 一行切换

const line = d3.line()
  .x(d => xScale(d.x))
  .y(d => yScale(d.y))
  .curve(d3.curveCatmullRom);     // <- 这一行换 curve 类型

svg.append('path').datum(data).attr('d', line);

⭐ datum(data) 把数组当整体传给 path(不是每个元素绑一个)。d3.line 内部循环生成 M/L/C 命令。

⭐ 关键点 2:拟合 vs 插值的取舍

// 拟合:d3.regressionLinear / d3.regressionLoess
import { regressionLinear } from 'd3-regression';
const lin = regressionLinear()
  .x(d => d.population)
  .y(d => d.murder)
  .domain([0, d3.max(data, d => d.population)]);
const points = lin(data);  // 起点-终点
svg.append('path').attr('d', d3.line()(points));

选择依据:按数据点原有次序连接、强调观测值时使用线性连接或合适的插值;要估计变量关系时,应选择并验证统计模型。点数本身不能决定拟合还是插值。d3-regression 是额外的第三方模块,不包含在 D3 7.9.0 中;上面的 import 是模块示例,需要另行配置。

04练习

把点连成平滑曲线,是否意味着已经得到预测模型?

学完后,可以标记进度。

第 4 章 · 第 4 节 基础

4.4 宽高比与趋势感知

学习目标

解释图形宽高比如何影响视觉斜率,理解 45° 倾角建议的适用范围。

本节要点

  • 宽高比改变屏幕斜率,不改变数据值。
  • 45° 是观察局部变化的比较起点,不是所有任务都必须。
  • 比较趋势时固定比例尺和宽高比,避免视觉夸大。

01理解概念

案例

原 5.1.4 节提到"平均倾斜度最优为 45°",但没解释原因。

概念与方法

  • 45° 的用途:45° 常用于讨论折线图的宽高比选择。
    • 调整宽高比会改变屏幕上的线段倾角。
    • 接近 45° 可作为观察局部变化的比较起点,不代表所有任务都最准确。
    • 接近水平或垂直时,应结合坐标轴范围和单位判断变化。
  • 感知与斜率:幂律可用于研究刺激与感知的关系,但指数依任务和条件而变,不能直接据此断言读者把所有斜率夸大 30%。应同时查看坐标轴、范围和单位。
  • 设计原则:
    • 用不同宽高比比较变化形态,同时保持坐标范围和单位清楚。
    • 需要比较相对增长或跨数量级数据时可考虑 log 轴;不要仅为了让线段变成 45° 而改轴。
    • 线段过平或过陡时,检查比例尺是否掩盖了需要比较的差异,并保留原始值供核对。

02动手实验

试一试:改变图形宽高比例,观察同一趋势如何显得更陡或更平,并核对数据值保持不变。

实验将在进入此区域时加载,需要启用 JavaScript。

做完后:你应该看到
拉宽或压扁图后趋势看起来更陡或更平,但数值不变;能说明 45° 的适用边界。
03代码与讲解收起 / 展开 +

⭐ 关键代码

⭐ 关键点 1:极坐标转笛卡尔坐标

// 角度 → 屏幕坐标
function lineAtAngle(angleDeg, length = 240, origin = {x: 100, y: 240}) {
  const r = (angleDeg * Math.PI) / 180;
  return {
    x1: origin.x,
    y1: origin.y,
    x2: origin.x + length * Math.cos(r),
    y2: origin.y - length * Math.sin(r)   // SVG y 向下为正,所以取负
  };
}

⭐ SVG 的 y 轴向下(与数学相反),所以 sin 角度项要取负。这是初学者最常踩的坑。

⭐ 关键点 2:把抽象理论变成可调参数

// 让用户拖滑块改角度,立刻看到"哪段斜率最稳"
const slider = document.getElementById('angle');
slider.addEventListener('input', e => {
  const angle = +e.target.value;
  renderLine(angle);     // 30°~60° 误差小,0°/90° 误差大
});

04练习

只拉高图形、保持数据不变,会发生什么?

学完后,可以标记进度。

第 4 章 · 第 5 节 拓展

4.5 等值线与 Marching Squares

学习目标

通过阈值与网格角点关系理解等值线的生成。

本节要点

  • Marching Squares 按阈值把网格角点二值化,再连接等值线。
  • 等值线位置由阈值和角点值决定,鞍点需要判断中心。
  • 网格分辨率影响平滑度,不会增加原始观测。

01理解概念

案例

原 5.2.2 节用 Marching Squares 提取 Crime 数据的等值线。原始代码是截图占位。

概念与方法

  • Marching Squares 原理:把标量场离散化为网格,每个 cell 4 个角的"是否大于阈值"决定 case 编号 0~15(2⁴=16 种)。每种 case 对应 0/1/2 条线段,把"超过阈值"和"未超过阈值"的两片区域分开。
  • 16 种 case:编码 bit0=BL、bit1=BR、bit2=TR、bit3=TL。
  • 扩展到 3D:Marching Cubes(Lorensen & Cline 1987),2⁸=256 种 case,常用于医学 MRI / CT 等值面提取。
  • 应用场景:
    • 地形等高线(地图)
    • 医学影像(MRI/CT 等值面)
    • 密度等高图(核密度估计)
    • 天气预报(等温线、等压线)

02动手实验

试一试:移动阈值滑块,观察穿过的网格与等值线变化,找出四角二值分类的作用。

实验将在进入此区域时加载,需要启用 JavaScript。

做完后:你应该看到
移动阈值能看到等值线移动或闭合,能指出穿过的网格和鞍点歧义。
03代码与讲解收起 / 展开 +

⭐ 关键代码

⭐ 关键点 1:16 case lookup table(核心数据结构)

// 角点:bit0=BL、bit1=BR、bit2=TR、bit3=TL
// 边:0=左、1=下、2=右、3=上
const EDGE_TABLE = [
  [],                   // 0000
  [[0, 1]],             // 0001 BL
  [[1, 2]],             // 0010 BR
  [[0, 2]],             // 0011 BL+BR
  [[2, 3]],             // 0100 TR
  [[0, 1], [2, 3]],     // 0101 鞍点:此处给出一种连接
  [[1, 3]],             // 0110 BR+TR
  [[0, 3]],             // 0111
  [[0, 3]],             // 1000 TL
  [[1, 3]],             // 1001 TL+BL
  [[1, 2], [0, 3]],     // 1010 鞍点:此处给出一种连接
  [[2, 3]],             // 1011
  [[0, 2]],             // 1100 TR+TL
  [[1, 2]],             // 1101
  [[0, 1]],             // 1110
  []                    // 1111
];
// 情况 5 / 10 还需要歧义处理;交点可按角点值线性插值。

⭐ saddle case(5 和 10)是 Marching Squares 唯一需要"判断中心值"的歧义情况——其它 14 种 case 一查表就出。Saddle 用 cell 中心点对比阈值决定连线方向。

⭐ 关键点 2:位运算拼 case 编号

// 4 个角是否 > 阈值 → 4 位二进制 → case 编号
let code = 0;
if (bl > threshold) code |= 1;   // bit 0
if (br > threshold) code |= 2;   // bit 1
if (tr > threshold) code |= 4;   // bit 2
if (tl > threshold) code |= 8;   // bit 3

const lines = EDGE_TABLE[code];   // 查表

04练习

一条等值线上的点,具有怎样的关系?

学完后,可以标记进度。

搜索课程

搜索全部 27 个小节的讲解与代码。