คำแนะนำสีและความหนาของเส้นสำหรับแปลงเส้น

มีการเขียนมากมายเกี่ยวกับตัวเลือกสีที่เป็นมิตรกับตาบอดสำหรับแผนที่รูปหลายเหลี่ยมและพื้นที่สีเทาโดยทั่วไป (ดูตัวอย่างhttp://colorbrewer2.org ) ฉันไม่สามารถค้นหาคำแนะนำสำหรับสีของเส้นและความหนาของเส้นที่แตกต่างกันสำหรับกราฟเส้น เป้าหมายคือ:

1. แยกแยะเส้นได้อย่างง่ายดายแม้ในขณะที่พวกเขาพันกัน
2. เส้นนั้นแยกได้ง่ายโดยบุคคลที่มีอาการตาบอดสีในรูปแบบที่พบได้บ่อยที่สุด
3. บรรทัด (สำคัญน้อยกว่า) เป็นมิตรกับเครื่องพิมพ์ (ดู Color Brewer ด้านบน)

ในบริบทของเส้นสเกลสีดำและสีเทาฉันพบว่ามันมีประสิทธิภาพมากที่จะมีเส้นสีดำบาง ๆ และเส้นสเกลสีเทาหนาขึ้น ฉันขอขอบคุณคำแนะนำเฉพาะที่รวมถึงสีที่ต่างกันระดับของสีเทาและความหนาของเส้น ฉันไม่ชอบประเภทบรรทัดที่แตกต่างกัน (ทึบ / ประ / ประ) แต่สามารถพูดออกมาจากความคิดเห็นนั้น

มันจะดีกว่าที่จะมีคำแนะนำถึง 10 เส้นโค้งในกราฟ ยิ่งไปกว่านั้นจะต้องทำตามที่ Color Brewer ทำ: อนุญาตให้คำแนะนำสำหรับ m line เป็นส่วนย่อยของคำแนะนำสำหรับ n บรรทัดที่ n> m และแตกต่าง m จาก 1 ถึง 10

โปรดทราบ : ฉันขอขอบคุณคำแนะนำที่เน้นเฉพาะส่วนของการระบายสีเส้นของคำถาม

ผู้ปฏิบัติงานบางคนเพิ่มสัญลักษณ์ให้กับเส้นทุกสองสามเซนติเมตรเพื่อแยกความแตกต่างของชั้นเรียนที่ดีกว่า ฉันไม่ชอบมากที่ต้องการคุณลักษณะมากกว่าหนึ่งอย่าง (เช่นสี + สัญลักษณ์ประเภท) เพื่อแยกความแตกต่างของคลาสและบางครั้งต้องการจองสัญลักษณ์เพื่อแสดงข้อมูลที่แตกต่างกัน

ในกรณีที่ไม่มีคำแนะนำอื่น ๆ ฉันขอเสนอให้ใช้สีเดียวกันที่แนะนำสำหรับรูปหลายเหลี่ยมใน colorbrewer2.org สำหรับเส้นและเพื่อเพิ่มความกว้างของเส้นคูณ 2.5 สำหรับเส้นที่วาดด้วยสีสว่าง / หนาแน่นน้อย ฉันกำลังสร้างฟังก์ชั่น R ที่ตั้งค่านี้ นอกเหนือจากสีของเครื่องต้มเบียร์สีฉันคิดว่าฉันจะทำให้ 2 สีแรกเป็นสีดำทึบ (ผอม) และระดับสีเทา (หนา) แม้ว่าใคร ๆ ก็สามารถเถียงได้ว่าพวกเขาควรเป็นสีดำทึบและสีน้ำเงินบาง ๆ

ฟังก์ชั่น R อาจจะพบว่าhttp://biostat.mc.vanderbilt.edu/wiki/pub/Main/RConfiguration/Rprofile เมื่อคุณกำหนดฟังก์ชั่นแล้วcolBrewคุณจะเห็นว่าการตั้งค่าทำงานอย่างไรโดยการพิมพ์

showcolBrew(number of line types)  # add grayscale=TRUE to use only grayscale

มีการกำหนดฟังก์ชั่นlatticeSetสำหรับการตั้งค่าlatticeพารามิเตอร์กราฟิกเป็นการตั้งค่าใหม่ ยินดีต้อนรับการปรับปรุงอัลกอริทึม

วิธีสำรวจ : dichromatแพ็คเกจR : http://cran.r-project.org/web/packages/dichromat/

ฉันจะพยายามที่จะยั่วยุที่นี่และสงสัยว่าการขาดแนวทางดังกล่าวเกิดขึ้นเพราะนี่เป็นปัญหาที่เกือบจะไม่ละลายน้ำได้หรือไม่ ผู้คนในสาขาที่แตกต่างกันดูเหมือนจะเห็นด้วยบ่อยครั้งที่พูดถึง "แผนการสปาเก็ตตี้" และปัญหาที่พวกเขาก่อให้เกิดในซีรีส์ที่แตกต่างกัน

ในทางกลับกันมวลของเส้นสำหรับอนุกรมเวลาหลายชุดสามารถถ่ายทอดรูปแบบทั่วไปและบางครั้งก็เป็นชุดที่แตกต่างจากรูปแบบดังกล่าว

อย่างไรก็ตามคำถามที่ฉันทำจะเกี่ยวกับการแยกความแตกต่างของอนุกรมเวลาทั้งหมดเมื่อพวกเขามีตัวตนที่คุณสนใจ

หากคุณพูดว่าซีรีส์ 2 หรือ 3 ซีรีส์ที่แตกต่างมักจะไม่ยากเกินไปและฉันมักจะใช้เส้นทึบในสีแดงน้ำเงินหรือดำสองหรือสามเส้น ฉันเคยเล่นด้วยสีส้มและสีน้ำเงินตามที่ Hastie และเพื่อนใช้ (ดูคำตอบจาก @ user31264)

การเปลี่ยนรูปแบบของเส้น (ทึบเส้นประประ ฯลฯ ) ฉันพบว่ามีค่า จำกัด เท่านั้น เส้นประมีแนวโน้มที่จะถูกชะล้างออกไปทั้งทางร่างกายและจิตใจและการรวมกันของจุดและขีดกลางที่ลึกซึ้งยิ่งขึ้นนั้นเป็นเพียงความบอบบาง (ความหมายเล็กน้อย) ซึ่งตรงกันข้ามกับการประสบความสำเร็จในการฝึก

ฉันจะบอกว่าปัญหากัดนานก่อนที่คุณจะมี 10 ซีรี่ส์ ซีรีส์ 5 หรือมากกว่านั้นอาจแตกต่างจากการทำงานหนักเพื่อแยกแยะความแตกต่าง จิตวิทยาทั่วไปดูเหมือนจะเป็นที่ผู้คนเข้าใจหลักการที่ว่าซีรีส์ที่แตกต่างกันมีการระบุด้วยสีที่แตกต่างกันและหรือสัญลักษณ์แสดงได้อย่างสมบูรณ์แบบดี แต่ขาดความชอบในการทำงานอย่างหนักในการติดตามแต่ละบรรทัดและพยายามเก็บเรื่องราวเกี่ยวกับ . ส่วนนี้มักเกิดจากการใช้คำอธิบาย (หรือคีย์) มันเป็นเรื่องที่ถกเถียงกันอยู่ แต่ฉันจะพยายามติดป้ายซีรี่ส์ต่าง ๆ บนกราฟหากเป็นไปได้ คำขวัญของฉันที่นี่คือ "เสียตำนานหรือฆ่ากุญแจถ้าคุณทำได้"

ฉันเริ่มสงสัยว่ามีวิธีการที่แตกต่างกันในการแสดงอนุกรมเวลาหลายชุดซึ่งชุดเวลาที่แตกต่างกันทั้งหมดจะถูกแสดงซ้ำ ๆ ในแผงควบคุมหลายชุด แต่ชุดที่แตกต่างกันจะถูกเน้นในแต่ละชุด นั่นคือการผสมผสานของแนวคิดเก่า ๆ (ก) ทวีคูณเล็ก ๆ (อย่างที่ Edward Tufte เรียกพวกเขา) และแนวคิดเก่า ๆ อีกข้อหนึ่ง (ข) ที่เน้นชุดที่น่าสนใจเป็นพิเศษ ในทางกลับกันอาจเป็นความคิดเก่าอีกครั้งที่ค้นพบใหม่ แต่จนถึงขณะนี้ฉันสามารถค้นหาข้อมูลอ้างอิงล่าสุดได้เท่านั้น อื่น ๆ ในหัวข้อนี้ใน Statalist

ในแง่ของสีผมคิดบวกเกี่ยวกับการใช้สีเทาสำหรับอนุกรมเวลาที่เป็นฉากหลังกับสิ่งที่กำลังถูกเน้น ดูเหมือนว่าจะสอดคล้องกับวารสารส่วนใหญ่ที่มีมูลค่าการเผยแพร่

นี่คือการทดลองหนึ่งรายการ ข้อมูลที่เป็นผลผลิตจาก 17 การลงจุดบนทุ่ง Broadbalk ที่ Rothamsted 1852-1925 และมาจากแอนดรู DF และ Herzberg, AM (บรรณาธิการ) ปี 1985 ข้อมูล: คอลเลกชันของปัญหาที่เกิดจากหลายสาขาสำหรับนักศึกษาและการวิจัยของผู้ปฏิบัติงาน New York: Springer, Table 5.1 และสามารถดาวน์โหลดได้จากสถานที่ต่าง ๆ (เช่นใส่ link description ที่นี่ (รายละเอียด: ข้อมูลที่มีอยู่ในบล็อกของ 4 บรรทัดสำหรับแต่ละปีบรรทัดที่สามและสี่สำหรับผลผลิตฟางไม่ใช่พล็อตที่นี่) ตัวระบุพล็อตไม่ชัดเจนในตารางนั้น)

ฉันไม่มีความเชี่ยวชาญเฉพาะกับข้อมูลประเภทนี้ ฉันแค่ต้องการซีรีส์หลายครั้งที่ไม่สามารถ (ได้อย่างง่ายดาย) ถูกไล่ออกเล็ก ๆ น้อย ๆ ในแง่ของความยาวของซีรีส์หรือจำนวนแผง (หากคุณมีแผงควบคุมหลายร้อยหลายพัน ... วิธีนี้ไม่สามารถช่วยได้มากนัก) สิ่งที่ฉันจินตนาการคือนักวิเคราะห์ข้อมูลซึ่งอาจพูดคุยกับผู้เชี่ยวชาญเฉพาะด้านสามารถระบุความหลากหลายและ พฤติกรรมที่ไม่ธรรมดาที่นี่และรับข้อมูลเชิงลึกและข้อมูล

เห็นได้ชัดว่าสูตรนี้สามารถใช้สำหรับแปลงอื่น ๆ อีกมากมาย (เช่นแผนการกระจายหรือฮิสโทแกรมที่มีการเน้นแต่ละชุดย่อยตามลำดับ); พร้อมกับแผงสั่งซื้อตามมาตรการหรือเกณฑ์ที่น่าสนใจหรือมีประโยชน์ (เช่นโดยค่ามัธยฐานหรือค่าเปอร์เซ็นต์ไทล์หรือ 90) และสำหรับผลลัพธ์โมเดลรวมถึงข้อมูลดิบ

คำถามที่ 2 และ 3 ที่คุณตอบด้วยตัวเอง - จานสีสำหรับต้มเบียร์มีความเหมาะสม คำถามที่ยากคือ 1 แต่เหมือนนิคฉันเกรงว่ามันขึ้นอยู่กับความหวังผิด ๆ สีของเส้นไม่ใช่สิ่งที่ทำให้เราสามารถแยกแยะระหว่างเส้นได้อย่างง่ายดายมันขึ้นอยู่กับความต่อเนื่องและความคดเคี้ยวของเส้น ดังนั้นจึงมีตัวเลือกตามการออกแบบนอกเหนือจากสีหรือรูปแบบเส้นประของเส้นที่จะช่วยในการทำพล็อตที่ง่ายต่อการตีความ

ฉันจะขโมยหนึ่งในแผนภาพของแฟรงก์ที่แสดงความยืดหยุ่นของเส้นโค้งเพื่อประมาณฟังก์ชั่นที่มีรูปร่างที่แตกต่างกันมากมายในโดเมนที่ จำกัด เป็นตัวอย่าง

#code adapted from http://biostat.mc.vanderbilt.edu/wiki/pub/Main/RmS/rms.pdf page 40
library(Hmisc)
x <- rcspline.eval(seq(0,1,.01), knots=seq(.05,.95,length=5), inclx=T)
xm <- x
xm[xm > .0106] <- NA
x <- seq(0,1,length=300)
nk <- 6
set.seed(15)
knots<-seq(.05,.95,length=nk)
xx<-rcspline.eval(x,knots=knots,inclx=T)
for(i in 1:(nk−1)){
  xx[,i]<-(xx[,i]−min(xx[,i]))/
  (max(xx[,i])−min(xx[,i]))
for(i in 1:20){
  beta<-2∗runif(nk−1)−1
  xbeta<-xx%∗%beta+2∗runif(1)−1
  xbeta<-(xbeta−min(xbeta))/
         (max(xbeta)−min(xbeta))
  if (i==1){
  id <- i
  MyData <- data.frame(cbind(x,xbeta,id))
  }
  else {
          id <- i
          MyData <- rbind(MyData,cbind(x,xbeta,id))
       }
  }
}
MyData$id <- as.factor(MyData$id)

ตอนนี้สิ่งนี้สร้างความยุ่งเหยิงค่อนข้างมากถึง 20 บรรทัดซึ่งเป็นความท้าทายที่ยากที่จะจินตนาการ

library(ggplot2)
p1 <- ggplot(data = MyData, aes(x = x, y = V2, group = id)) + geom_line()
p1

นี่คือพล็อตเดียวกันในทวีคูณขนาดเล็กที่มีขนาดเท่ากันโดยใช้พาเนลที่ถูกห่อ มันยากกว่าเล็กน้อยที่จะทำการเปรียบเทียบข้ามพาเนล แต่แม้ในพื้นที่ที่หดมันง่ายกว่ามากในการมองเห็นรูปร่างของเส้น

p2 <- p1 + facet_wrap(~id) + scale_x_continuous(breaks=c(0.2,0.5,0.8))
p2

ประเด็นหนึ่งที่สตีเฟ่นคอสลีนเขียนไว้ในหนังสือของเขาก็คือมันไม่ได้มีเส้นที่แตกต่างกันมากมายที่ทำให้พล็อตมีความซับซ้อน หาก 20 พาเนลเล็กเกินไปคุณสามารถลดชุดให้เป็นวิถีที่คล้ายกันเพื่อวางในพาเนลเดียวกัน มันยังคงยากที่จะแยกแยะความแตกต่างระหว่างบรรทัดภายในพาเนลโดยนิยามจะอยู่ใกล้กันและทับซ้อนกันบ่อยครั้ง แต่จะลดความซับซ้อนของการเปรียบเทียบระหว่างพาเนลค่อนข้างน้อย ที่นี่ฉันลดจำนวน 20 บรรทัดลงเป็น 4 กลุ่มแยกโดยพลการ สิ่งนี้มีประโยชน์เพิ่มเติมที่การติดฉลากโดยตรงของเส้นนั้นง่ายขึ้นมีพื้นที่ภายในแผงควบคุมมากขึ้น

###############1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20
newLevels <- c(1,1,2,2,2,2,2,1,1, 2, 3, 3, 3, 3, 2, 4, 1, 1, 2, 1)
MyData$idGroup <- factor(newLevels[MyData$id])
p3 <- ggplot(data = MyData, aes(x = x, y = V2, group = id)) + geom_line() + 
             facet_wrap(~idGroup)
p3

มีวลีทั่วไปที่มีผลบังคับใช้กับสถานการณ์คือถ้าคุณมุ่งเน้นทุกสิ่งที่คุณมุ่งเน้นอะไร ในกรณีที่มีเพียงสิบบรรทัดคุณจะมี(10*9)/2=45คู่สายที่เป็นไปได้ที่จะเปรียบเทียบ เราอาจไม่ได้สนใจในการเปรียบเทียบทั้ง 45 กรณีในสถานการณ์ส่วนใหญ่เราสนใจที่จะเปรียบเทียบบรรทัดเฉพาะกันหรือเปรียบเทียบหนึ่งบรรทัดกับการกระจายของส่วนที่เหลือ คำตอบของ Nick แสดงหลังอย่างดี การวาดเส้นพื้นหลังบางสีอ่อนและกึ่งโปร่งใสแล้ววาดเส้นพื้นหน้าในสีสดใสและหนาขึ้นจะเพียงพอ (นอกจากนี้สำหรับอุปกรณ์ให้แน่ใจว่าได้ลากเส้นเบื้องหน้าด้านบนของบรรทัดอื่น ๆ !)

มันยากกว่ามากในการสร้างเลเยอร์ที่แต่ละบรรทัดสามารถแยกแยะได้ง่ายในยุ่งเหยิง วิธีหนึ่งที่จะทำให้ความแตกต่างของพื้นหน้าฉากหลังสำเร็จในการทำแผนที่คือการใช้เงา (ดูบทความนี้โดยDan Carrเพื่อเป็นตัวอย่างที่ดี) สิ่งนี้จะไม่ขยายได้ถึง 10 บรรทัด แต่สามารถช่วยได้ 2 หรือ 3 บรรทัด นี่คือตัวอย่างสำหรับวิถีในแผง 1 โดยใช้ Excel!

มีจุดอื่นให้ทำเช่นเส้นสีเทาอ่อนอาจทำให้เข้าใจผิดหากคุณมีวิถีที่ไม่ราบรื่น เช่นคุณอาจมีวิถีสองอันในรูปของ X หรือสองรูปร่างที่ด้านขวาขึ้นและกลับลง V. การวาดพวกมันด้วยสีเดียวกันคุณจะไม่สามารถติดตามเส้นได้และนี่คือสาเหตุที่บางคนแนะนำ การวาดจุดพิกัดที่ขนานกันโดยใช้เส้นเรียบ ๆ หรือการแยก / ปิดการตั้งค่าคะแนน ( Graham and Kennedy, 2003 ; Dang et al., 2010 )

ดังนั้นคำแนะนำการออกแบบสามารถเปลี่ยนแปลงได้ขึ้นอยู่กับเป้าหมายสุดท้ายและลักษณะของข้อมูล แต่เมื่อทำการเปรียบเทียบ bivariate ระหว่างวิถีเป็นที่น่าสนใจฉันคิดว่าการรวมกลุ่มของวิถีที่คล้ายกันและการใช้ทวีคูณขนาดเล็กทำให้แปลงง่ายกว่ามากในการตีความในสถานการณ์ที่หลากหลาย โดยทั่วไปฉันรู้สึกว่าการทำงานมีประสิทธิภาพมากกว่าการผสมสี / ขีดกลางใด ๆ จะอยู่ในแผนการที่ซับซ้อน การวางแผนแบบแยกส่วนในหลาย ๆ บทความนั้นมีขนาดใหญ่กว่าที่พวกเขาต้องการและการแยกออกเป็น 4 พาเนลมักเป็นไปได้ภายในข้อ จำกัด ของหน้าโดยไม่สูญเสียมาก

จาก "องค์ประกอบของการเรียนรู้ทางสถิติ" โดย Trevor Hastie และคณะ :

"รุ่นแรกของเราไม่เป็นมิตรกับผู้อ่านตาบอดสีโดยเฉพาะเรามักจะชอบความแตกต่างของสีแดง / เขียวที่ลำบากโดยเฉพาะเราเปลี่ยนพาเล็ตสีในรุ่นนี้เป็นขนาดใหญ่ "

คุณอาจต้องการดูกราฟของพวกเขา

คุณอาจใช้เส้นประเส้นประเป็นต้น

ฉันเห็นความสนใจน้อยมากที่ให้กับ "ความหนาของเส้น" ในเรื่องที่เกี่ยวกับการสร้างภาพข้อมูลที่เหมาะสม บางทีความสามารถในการมองเห็นความหนาของเส้นที่แตกต่างกันอาจไม่ได้เป็นตัวแปรตามความสามารถในการมองเห็นสี

ทรัพยากรบางอย่าง:

1. Hadley Wickham (2009), ggplot: กราฟิคที่สวยงามสำหรับการวิเคราะห์ข้อมูล , Springer; มีหน้าเว็บที่รองรับ
2. 8 แหล่งข้อมูลหนังสือแนะนำเกี่ยวกับการสร้างภาพข้อมูล: http://www.tableausoftware.com/about/blog/2013/7/list-books-about-data-visualisation-24182

บางหลักสูตร:

1. การบรรยายเรื่องกราฟิกในหลักสูตรเบื้องต้นทางด้านชีวสถิติของ Thomas Lumley
2. หลักสูตรระดับบัณฑิตศึกษาของ Ross Ihaka เกี่ยวกับการวิเคราะห์ข้อมูลและกราฟิก
3. หลักสูตรระดับปริญญาตรีของ Ross Ihaka เกี่ยวกับการสร้างภาพข้อมูล
4. หลักสูตรระดับปริญญาตรีของ Deborah Nolan แนวคิดในการคำนวณด้วยข้อมูล
5. หลักสูตรการสร้างภาพข้อมูลของ Hadley Wickham

ในขณะที่ฉันยอมรับว่าไม่ได้มีวิธีแก้ปัญหาที่เป็นเอกลักษณ์ แต่ฉันใช้คำแนะนำของบล็อกนี้:

http://blogs.nature.com/methagora/2013/07/data-visualization-points-of-view.html

โพสต์เกี่ยวกับการจัดการปัญหาสีของการตาบอดสีและการพิมพ์ระดับสีเทาและให้ตัวอย่างของการปรับระดับสีที่สามารถแก้ไขปัญหาทั้งสองนี้ได้

ในบทความเดียวกันนี้ยังมีการวิเคราะห์ระดับสีอย่างต่อเนื่องซึ่งหลายคนใช้สำหรับแปลงความร้อนและอื่น ๆ ขอแนะนำไม่ให้ใช้รุ้งเพราะมีการเปลี่ยนภาพบางส่วน (เช่นโซนสีเหลืองมีขนาดเล็กกว่าสีแดง) แต่เป็นไปได้ที่จะทำการเปลี่ยนระหว่างสีคู่อื่น ๆ

ชุดสีที่ดีสำหรับจุดประสงค์นี้คือสีน้ำเงินและสีส้ม (แบบคลาสสิก!) คุณสามารถทำการทดสอบโดยใช้ฟิลเตอร์สีตาบอดและเทาและดูว่าคุณยังสามารถสังเกตเห็นความแตกต่างได้หรือไม่

สำหรับความหนาของเส้นบางประเด็นของบล็อกที่กล่าวถึงก่อนจัดการกับประเด็นนี้ เส้นถ้าคุณมีหลายเส้นควรมีความหนาเท่ากันนั่นคือ "บาง" ใช้เส้นหนาถ้าคุณต้องการเรียกความสนใจไปที่วัตถุนั้น