数据类型
- 数据的分类方式
- 数据类型的设计-度量
- 更多
简介
数据可视化的本质就是将数据映射到图形，不同数据类型的数据适合的图形属性也不一样，本章讲解数据分类和G2是如何设计数据分类。图形属性在下一章节视觉通道中讲解。
数据类型
数据的类型可以按照两种分类方式：
* 数据自然的分类
* 数据是否连续
数据自然的分类
按照数据的自然分类，可以将数值类型分为：
* 名词：常见的名词，不关心顺序，比如国家的名称
* 有序：有序的分类，例如警报信息，从低到高分为黄色警告、橙色警告和红色警告
* 间隔：有间隔的数字，不考虑0的意义。例如温度，0度不代表没有温度
* 比例：表示字段之间存在比例关系，0必须有意义。
数据是否连续
按照数据是否连续划分的方式：
+ 分类（定性）数据，又分为有序的分类和无序的分类
+ 连续（定量）数据，连续不间断的数值，时间也是一种连续的数据类型
首先我们来看一下下面的数据：
[
{"month":"一月","temperature":7,"city":"tokyo"},
{"month":"二月","temperature":6.9,"city":"newYork"},
{"month":"三月","temperature":9.5,"city":"tokyo"},
{"month":"四月","temperature":14.5,"city":"tokyo"},
{"month":"五月","temperature":18.2,"city":"berlin"}
]其中：month 代表月份，temperature 代表温度，city 代表城市
- 上面数据中
month和city都是离散的分类，但是又有所差异。month是有序的分类类型，而city是无序的分类类型。 - temperature 是连续的数字
如何设计数据类型-度量
我们在G2中将数据类型按照是否连续来划分，每种分类设计成不同的度量（Scale)，度量用于完成以下功能：
- 将数据转换到 0-1 范围内，方便将数据映射到位置、颜色、大小等图形属性。
- 将转换过的数据从 0-1 的范围内反转到原始值。例如
分类a转换成 0.2,那此时 0.2反转回来的值就是分类a -
将数据划分，用于在坐标轴上、图例上显示数值的范围、分类等信息
- 分类信息展示在图例上
- 确定显示在坐标轴上坐标点 30，40，50，60，70
所以每种度量必须包含以下信息：
- 定义域（domain)，分类度量指的是各种分类，连续度量的最小值、最大值
- 值域（range)，将分类、连续数据映射到范围，默认 0-1
- 坐标点(ticks)，用于显示在图例或者坐标轴上，对于分类度量，坐标点就是分类类型；连续的数据类型，需要计算出对人比较友好的坐标点、友好的坐标间距，例如：
- 1，2，3，4，5
- 0, 5,10,15,20
- 0.001, 0.005,0.010
而不是： - 1.1，2.1，3.1，4.1
- 12，22，32，42，52
支持的度量
G2中提供了下面几种度量
- identity，常量类型的数值，也就是说数据的某个字段是不变的常量；
- linear，连续的数字 [1,2,3,4,5]；
- cat，分类, [‘男’,’女’]；
- time，连续的时间类型；
- log，连续非线性的 Log 数据 将 [1,10,100,1000] 转换成[0,1,2,3]；
- pow，连续非线性的 pow 数据 将 [2,4,8,16,32] 转换成 [1,2,3,4,5]；
- timeCat，非连续的时间，比如股票的时间不包括周末或者未开盘的日期。
属性和接口设计
度量共有的属性：
| 属性名 | 说明 |
|---|---|
| type | 度量类型 |
| range | 度量转换的值域，默认是[0,1] |
| alias | 别名，大多数数据集合的字段名都是英文，有时候需要定义中文名称，便于在图例、提示信息上显示 |
| ticks | 支持的坐标点，可以在图例、坐标轴上显示，坐标点的计算后面详细介绍 |
| tickCount | 坐标点的个数，不同类型的度量默认值不同 |
| formatter | 输出字段时的格式化函数，会影响数据在坐标轴、图例、提示信息(tooltip)上的显示 |
linear
连续的数据类型的基类，包含以下特殊的属性
| 属性名 | 说明 |
|---|---|
| min | 定义域的最小值 |
| max | 定义域的最大值 |
| tickCount | 连续类型的度量，默认生成坐标点的个数是5 |
| tickInterval | 用于指定坐标轴各个标度点的间距，是原始数据之间的间距差值，tickCount 和 tickInterval 不可以同时声明 |
| nice | 是否根据人对数字识别的友好度，来调整min和max。例如 min:3,max: 97，如果nice: true，那么会自动调整为：min: 0,max: 100 |
cat
分类类型度量的特殊属性
| 属性名 | 说明 |
|---|---|
| values | 当前字段的分类值 |
G2创建图表的时候，values字段一般会自动从数据中取得，但是以下2中情形下需要用户手动指定
-
需要指定分类的顺序时，例如：type 字段有’最大’,’最小’和’适中’3种类型，我们想指定这些分类在坐标轴或者图例上的顺序时：
[ {a: 'a1', b:'b1', type: '最小'}, {a: 'a2', b:'b2', type: '最大'}, {a: 'a3', b:'b3', type: '适中'} ] var defs = { 'type': {type: 'cat',values: ['最小','适中','最大']} };如果不声明度量的values字段，那么默认的顺序是：‘最小’，‘最大’，‘适中’
-
如果数据中的分类类型使用枚举的方式表示，那也也需要指定values
[ {a: 'a1', b:'b1', type: 0}, {a: 'a2', b:'b2', type: 2}, {a: 'a3', b:'b3', type: 1} ] var defs = { 'type': {type: 'cat',values: ['最小','适中','最大']} };必须指定’cat’类型，values的值按照索引跟枚举类型一一对应
time
time类型是一种特殊的连续型数值，所以我们将time类型的度量定义为linear的子类，除了支持所有通用的属性和linear度量的属性外，还有自己特殊的属性：
| 属性名 | 说明 |
|---|---|
| mask | 数据的格式化格式 默认：’yyyy-mm-dd’ |
目前支持 2 种类型的时间（time)类型：
- 时间戳的数字形式, 1436237115500 // new Date().getTime()
- 时间字符串： ‘2015-03-01’, ‘2015-03-01 12:01:40’, ‘2015/01/05’,’2015-03-01T16:00:00.000Z’
格式化日期时mask的占位符：
- y: year
- m: month
- d: date
- H: hour
- M: minute
- s: second
log
log类型的数据可以将非常大范围的数据映射到一个均匀的范围内，这种度量是linear的子类，支持所有通用的属性和linear度量的属性，特有的属性：
| 属性名 | 说明 |
|---|---|
| base | Log 的基数，默认是2 |
以下情形下建议使用log度量
- 散点图时数据的分布非常广，同时数据分散在几个区间内。例如 分布在 0-100， 10000 - 100000， 1千万 - 1亿内，这时候适合使用log 度量
- 使用热力图时，数据分布不均匀时也会出现只有非常高的数据点附近才有颜色，此时需要使用log度量，对数据进行log处理。
pow
pow类型的数据也是linear类型的一个子类，除了支持所有通用的属性和linear度量的属性外也有自己的属性：
| 属性名 | 说明 |
|---|---|
| exponent | 指数，默认是2 |
timeCat
timeCat类型的数据，是一种日期数据，但是不是连续的日期。例如代表存在股票交易的日期，此时如果使用time类型，那么节假日没有数据，折线图、k线图会断裂，所以此时使用timeCat的度量表示分类的日期，默认会对数据做排序。
| 属性名 | 说明 |
|---|---|
| tickCount | 此时需要设置坐标点的个数 |
| mask | 数据的格式化格式 |
度量坐标点的计算
度量的信息需要在图例、坐标轴上显示时，不可能全部显示所有的数据，那么就需要选取一些代表性的数据显示在图例、坐标轴上，我们称这些数据为ticks（坐标点），不同的类型的度量计算ticks（坐标点）的算法各不一样，我们这里提供3类度量ticks（坐标点）的计算：
- 分类度量，包括 cat,timeCat
- 连续类型度量，包括linear,log,pow
- 时间类型度量，包括time
分类度量的计算
分类度量一般情况下不需要计算ticks，直接将所有的分类在图例、坐标轴上显示出来即可
但是当分类类型的数值过多，同时分类间有顺序关系时可以省略掉一些分类例如：
计算时需要使用到的属性：
- values: 当前度量的分类值，如果未指定，则直接从数据源中提取
- tickCount: 保留几个坐标点
分类的ticks计算非常简单个
- 均匀的从values中取tickCount个坐标点
- 为了保证values第一个和最后一个value都在ticks中，取值的间隔是 (values.length - 1) / (tickCount - 1),则保证values第一个和最后一个value都在ticks中
整除的场景：
var values= ["第一周","第二周","第三周","第四周","第五周","第六周","第七周","第八周","第九周"];
var tickCount = 5;
// 由于 values.length = 9;
// 平均间隔 step = (9 - 1) / (5 - 1) = 2;
var ticks = ["第一周","第三周","第五周","第七周","第九周"]
不能整除：
var values= ["第一周","第二周","第三周","第四周","第五周"];
var tickCount = 4;
// 由于 values.length = 5;
// 平均间隔 step = (5 - 1) / (4 - 1) = 4/3; 取整 step = 1;
// 舍弃了第四周
var ticks = ["第一周","第二周","第三周","第五周"]连续数据度量的计算
连续数据类型计算坐标点需要考虑以下问题：
- 坐标点必须是对人友好的数据(nice numbers)，不能简单的均分的方式计算坐标点。
例如 min: 3,max: 97,tickCount: 6，如果平均划分则会生成 ticks: [3, 21.8,40.6,59.4,78.2,97]，我们理想的方式是ticks: [0, 20, 40, 60, 80, 100] - 计算的数值范围不确定，有可能是 0, 100, 1000 也有可能是 0.01，0.02，0.03
连续数据坐标点的计算方式如下：
- 指定一个逼近数组 [1,2,5,10],用于计算对人友好的tickInterval
- 根据传入的min,max,tickCount 计算 tickInterval,将tickInterval的值转换到 0-10之间，保留转换的系数，例如min: 0, max: 9003,tickCount = 4,n那么计算的tickInterval = 3001 变成 3.001，系数是1000，然后在逼近数组中找到一个逼近值，以 3.001为示例
- 可以选择向上逼近（最终生成的坐标点个数小于tickCount)，得出逼近值 5
- 或者选择向下逼近（最终生成的坐标点的个数大于tickCount),得出逼近值 2
- 或者四舍五入（有可能会多，有可能会少）,得出逼近值5
- 将得到的逼近值乘以前面求得的系数1000,
- 如果逼近值是5，tickInterval = 1000 * 5 = 5000, 将min,和max取tickInterval的倍数，最终计算出来的ticks : [0, 5000, 10000]
- 如果逼近值是2，tickInterval = 1000 * 2 = 2000, 将min,和max取tickInterval的倍数，最终计算出来的ticks :[0, 2000, 4000, 6000, 8000, 1000]
伪代码如下：
var snapArray = [0, 2, 5,10];
var min = 0;
var max = 9003;
var tickCount = 4;
var tickInterval = (max - min) / (tickCount - 1); // 3001;
var factor = getFactor(tickInterval)// 1000，如果value > 10 则不断除以10 直到除数 1<value<10，如果value < 1,则不断乘以10， 直到 1< value < 10
var snapValue = snap(snapArray, tickInterval / factor, 'ceil'); // 向上逼近，逼近值5
var tickInterval = snapValue * factor;
var min = snapMultiple(tickInterval, min, 'floor')// 向下取tickInterval的整数倍，0
var max = snapMultiple(tickInterval,max, 'ceil') //向上取tickInterval的整数倍，15000
var ticks = [];
for(var i = min; i <= max; i+= tickInterval){
ticks.push(i);
}
return ticks;注意事项
* snapArray 可以进行调整，数组内部值越多，间距越小，计算出来的tickCount跟预期的差距越小
* min，必须向下取tickInterval的倍数，max ,必须向上取tickInterval的倍数
时间类型的度量计算坐标点
时间类型的数据是连续数据，但是不适合连续数据度量的计算方式原因在于：
- 时间戳的数值比较大，包含毫秒信息，取对人友好的数值格式化出来的时间不一定对人友好,如 1466677570000,是 ’2016 18:26:10‘
- 对于日期的间隔大于月份，大于年的数据集，没法取得固定的tickInterval，因为月份和年的时间间隔并不相等
所以时间类型的度量需要自己的算法，算法如下：
- 根据min,max 和 tickCount计算tickInterval；
- 计算tickInterval 占一年的比例，yfactor = interval / yms(一年的毫秒数）
- 如果yfactor > 0.51，也就是时间间隔大于半年，取min和max的年份，按照年计算ticks
例如： min: 2001-05-02, max: 2015-10-12, tickCount = 6,此时ticks = [2001-01-01,2004-01-01 2007-01-01,2010-01-01, 2013-01-01, 2016-01-01] - 如果0.0834 < yfactor < 0.51,时间间隔大于一个月，那么就按月的倍数来计算ticks
例如： min: 2001-05-02,max: 2002-04-03, tickCount = 5, 此时ticks = [2001-05-01, 2001-07-01, 2001-09-01, 2001-11-01, 2002-02-01, 2002-04-01, 2001-06-01] - 如果时间间隔大于1天，按照天的倍数计算；如果时间间隔大于一个小时，按照小时的倍数计算。。。。然后按照分、秒、毫秒计算ticks
- 如果yfactor > 0.51，也就是时间间隔大于半年，取min和max的年份，按照年计算ticks
注意事项：
- tickCount的值也无法确定最终生成的ticks的个数
- 必须保证计算出来的ticks的第一个值小于min,最后一个值大于max
更多
本章讲解了数据分类和G2如何设计数据分类，并且提供了计算坐标点（ticks)的方法，图例和坐标轴显示的文本全部由本章讲解的度量所决定，下一章节讲解视觉通道,并讲解视觉通道跟数据分类的关系。