文件名称：多维数据可视化-mt8516 schematic
文件大小：3.69MB
文件格式：PDF
更新时间：2024-07-05 15:17:48
大数据
3.4 多维数据可视化 多维数据指的是具有多个维度属性的数据变量,广泛存在于基于传统关系数据库以及数据仓库的应用中, 例如企业信息系统以及商业智能系统.多维数据分析的目标是探索多维数据项的分布规律和模式,并揭示不同 维度属性之间的隐含关系.Keim等人[88]归纳了多维可视化的基本方法,包括基于几何图形、基于图标、基于像 素、基于层次结构、基于图结构以及混合方法.其中,基于几何图形的多维可视化方法是近年来主要的研究方 向.大数据背景下,除了数据项规模扩张带来的挑战,高维所引起的问题也是研究的重点. 散点图(scatter plot)[89]是最为常用的多维可视化方法.二维散点图将多个维度中的两个维度属性值集合映 射至两条轴,在二维轴确定的平面内通过图形标记的不同视觉元素来反映其他维度属性值,例如,可通过不同形 状、颜色、尺寸等来代表连续或离散的属性值,如图 19左图所示.二维散点图能够展示的维度十分有限,研究者 将其扩展到三维空间[90],通过可旋转的 Scatter plot方块(dice)扩展了可映射维度的数目,如图 19右图所示.散点 图适合对有限数目的较为重要的维度进行可视化,通常不适于需要对所有维度同时进行展示的情况. 投影(projection)[9194]是能够同时展示多维的可视化方法之一.如图 20 所示,VaR[91]将各维度属性列集合通 过投影函数映射到一个方块形图形标记中,并根据维度之间的关联度对各个小方块进行布局.基于投影的多维 可视化方法一方面反映了维度属性值的分布规律,同时也直观展示了多维度之间的语义关系. 平行坐标(parallel coordinates)[95]是研究和应用最为广泛的一种多维可视化技术,如图 21所示,将维度与坐 标轴建立映射,在多个平行轴之间以直线或曲线映射表示多维信息.近年来,研究者将平行坐标与散点图等其他 可视化技术进行集成,提出了平行坐标散点图 PCP(parallel coordinate plots)[96].例如图 22所示,将散点图和柱状 图集成在平行坐标中,支持分析者从多个角度同时使用多种可视化技术进行分析[96].再如 Geng 等人[97]建立了