下拉菜单实现树状结构_树形图：复杂层次结构的数据可视化

树形图：复杂层次结构的数据可视化

作者：Page Laubheimer[1]

树形图是一种复杂的，基于区域的数据可视化，用于复杂层次结构的数据，可能难以精确解释。在许多情况下，最好使用更简单的可视化效果（例如条形图）。

树形图是用于大型分层数据的数据可视化技术。它们捕获数据中的两种信息：（1）单个数据点的值；（2）层次结构。

树形图是分层数据的可视化。它们由一系列嵌套矩形组成，这些矩形的大小与相应的数据值成比例。大矩形代表数据树的一个分支，然后细分为较小的矩形，这些矩形代表该分支内每个节点的大小。

分层树形图，显示了S＆P 500的结构。此结构是以下所示树形图的基础。

FinViz市场地图使用与上述S＆P 500数据集树状结构相对应的树状图。黄色标记为（A），（B），（C），（D）的项目对应于上面树形图中标有那些字母的项目。（A）代表整个标普500指数，并且与树的根相同。矩形（B）是技术领域。在技术部门内，一个较小的矩形是通信设备（C）。最后，在“ 通信设备”矩形中，所有较小的矩形代表该部门内的各个公司，例如思科系统公司（D），高通公司等等。每个矩形的颜色表示该股票的价格是向上还是向下移动–非常亮的红色表示向下大幅波动，非常亮的绿色表示向上大幅波动。

每个矩形的大小代表该股票，行业或部门的市值（价值）。在层次结构的最低级别（单个公司），Google（E）的市值大于Facebook（F）的市值，因此其相对矩形的大小适当。在层次结构（行业）的上一层，整个Internet信息提供商（G）类别大于应用程序软件（H），并且它们的矩形大小也适当地显示了差异。

树形图的主要用途

树形图通常在数据仪表板上。树形图是一个复杂的可视化对象，它给快速理解带来了许多障碍（这是在仪表板上显示任何信息的主要要求）。

树形图通常用于销售数据，因为它们可以捕获数据类别的相对大小，从而可以快速了解构成每个类别重要内容的项目。颜色可以识别出与同一类别的同级产品相比效果欠佳（或性能不佳）的项目。这就是为什么FinViz的“市场地图”是树形地图持久的示例的原因：它使用户能够识别表现优于行业同行的公司，即使它们的总股票价值可能很小。

当层次结构数据具有两个要可视化的主要维度时，树形图可以很好地工作：

1、一个积极的定量值，将被表示为矩形的面积（因为面积不能为负，则不能使用树状图的可视化像收益/损失，它可以有正反两方面的值的变量。）

2、类别或第二定量值，这将被表示为单独的矩形的颜色。如果使用颜色表示定量值，则强烈建议仅使用一种颜色（如果所有数字均为正）或两种颜色（一种用于负数，一种用于正数），并改变颜色的强度以表达精确值。由于人类不会感知颜色具有固有顺序，因此我们强烈建议不要使用多种颜色来代表一定范围的数字。

在树形图中使用颜色不佳的一个例子：在欧洲不同地区，几种不同的颜色用于显示65岁以上人口的百分比；每种颜色表示不同的百分比范围（蓝色标记为低范围，黄色标记为中范围，红色标记为高范围）。不幸的是，没有通用的自然映射,表示蓝色小于黄色或红色。相反，如果使用单色的强度来表示百分比，那就更好了。

如果颜色表示分类变量，则可以将不同的颜色用于不同的可能值，因为用户无需将特定颜色解释为比另一种颜色“高”或“低”。但是，与在数据可视化中使用颜色一样，强烈建议限制颜色数量！

无论如何在树形图中使用颜色，请为色盲用户提供以下可访问性：

避免在同一树形图中同时使用红色和绿色（尤其是对于需要快速区分的值）。
使用对色盲人员安全的调色板。
使用可模拟色盲用户体验的工具来测试设计
使用辅助信号（例如矩形内的文本或悬停时出现的文本）用于通过彩色捕获的数据方面

（左）FinViz的市场地图使用红色和绿色编码股票价值的变化（绿色上升，红色下降）。（右图）显示出具有色盲和弱视人士所感知到的图像：红色和绿色很难区分。在此设计中，某些（但不是全部）矩形确实包含建议的替代提示：例如，上方中间的AMZN矩形标有“ + 1.28％”，即使用户可以，也通知用户该库存已用完。告诉它是绿色的。（第二个图像来自色盲模拟器[2]）。

以下是创建可用树形图的更多准则：

较高级别类别周围视觉上明显的边框可帮助用户识别顶级分组。
高对比度文本确保人们可以阅读树形图矩形内的标签。
用户将鼠标悬停（或点击）一个矩形时达到的一种视觉上独特的选择状态，可以帮助- - 用户确认他们在寻找正确的数据点。
有关所选矩形（显示在覆盖中）的其他详细信息，例如变量的名称，值，使用户可以深入数据。

在FinViz树形图的选定部分周围,使用视觉上明显的边框,以及在弹出窗口中有关该扇区的其他详细信息的一个很好的示例。

树形图的缺点

树形图数据特定比较困难

人脑能够专注地处理某些视觉信息：可以快速，准确地掌握诸如长度之类的属性，并且几乎无需认知即可比较这些属性的值。不幸的是，面积不是这些注意的属性之一。树状图依赖于区域（可能还包括颜色）来编码变量的值，因此，尽管树状图可以传达大型数据集中的整体关系，但它们并不适合涉及精确比较的任务。

该界面包括一个树状图，该树状图显示了四个工厂各种产品的生产水平。颜色用于表示不同的工厂，尺寸用于显示生产输出。尽管此可视化将大量数据压缩到一个很小的空间中，但它有效传达的信息却是非常高级的-例如，很容易确定每个类别中的佼佼者。但是，要确定总体表现最好的前五名既困难又费时。条形图将比树形图更准确，更快速地传达此信息。

（A）或（B）哪个更大？由于此可视化使用区域来传达变量的大小，因此它不容易实现项目之间的特定比较。进行比较需要将鼠标悬停在一个部分上，等待带有该值的工具提示出现，然后将该信息保留在短期记忆中，同时在另一部分上重复相同的过程。

树形图对于非分层数据效率低下

如果数据不是分层的，则不应该使用树形图：在这种情况下，树形图在功能上等同于饼形图-仅显示零件与整个零件的关系。（饼图也不是很好的可视化工具-就像树形图一样，它们是基于面积和角度的，不是很专心的属性。它们仅应用于传达一个或两个项目比其余项目大得多，而不是用于比较相对馅饼的大小。）

视觉上压倒性

树形图通常用于可视化非常大的数据集，其中包含数百或数千个项目。如此大量的信息可能会在视觉上使用户不知所措-树形图变成了许多矩形的海洋，许多矩形太小而无法带有文本标签。此外，在复杂的树图中，整个层次结构很容易变得难以区分。解决方案是渐变树形图，它使用纹理使每个矩形在中间看起来像在坐垫上“凸起”，并逐渐变细到边缘。这种视觉效果利用了人类将这种类型的阴影解释为凸起表面的趋势，从而可以更快地识别出不同的矩形。

在渐变树形图中，每个矩形从边缘到中心都有一个轻微的渐变。此效果有助于从视觉上识别小项目以及由几个矩形组成的较大类别。

不适用于平衡树

对于条目大小接近的数据集（即平衡树），树形图也不是很好的选择。在这些情况下，树形图的主要目的（快速识别给定类别中最大的项）变得非常困难。最后，用于创建树形图的标准算法试图使矩形尽可能地为正方形，以便使尺寸比较稍微容易些，并且不易出错。但是，在显示随时间变化的交互式可视化中，此算法的缺陷是矩形可能会随着大小的变化而移动。结果，随着时间的过去跟踪特定项目变得非常困难。