編 輯：NK冬至
彭友們好，我是老彭。又是一年清明小長假，正式踏青的好時候。在外出遊玩的時候得注意防疫啊。
之前有資料分析師彭友問我一個很刁鑽的問題，如果我們分析的資料次元太多了，該用啥圖形？
用三維柱形圖？太難看。用N個圖平鋪？太LOW。今天給大家分享一個進階可視化方式：平行坐标系（Parallel Coordinates）。
定義及适用場景
首先，聊聊平行坐标系的一些整體概述内容。
（1）基礎定義
平行坐标系，是一種含有多個垂直平行坐标軸的統計圖表。每個垂直坐标軸表示一個字段（次元），每個字段（次元）又用刻度來标明範圍，如下示例圖。
這樣，一個多元的資料可以很容易地在每一條軸上找到“落點”，進而連接配接起來，形成一條折線。随着資料增多，折線堆疊，分析者則有可能從中發現特性和規律，比如發現資料之間的聚類關系。
（2）曆史發展
大約在一百多年前，就已經有人運用平行坐标，來對複雜事件做可視化。
在20世紀70年代，作為一種統計圖表，平行坐标系被特拉維夫大學的Alfred Inselberg系統發展起來。
（3）适用場景
平行坐标圖最适用于多元資料（尤其是次元大于3個時，3個以内的次元可以用散點圖）的分析和比較。例如，多個學科、多個考核名額、多個關鍵參數等。
當然，前提是用來比較的對象都具有這些次元。比如，一個經典的案例（下文中的場景案例2），是用平行坐标系來比較世界各國汽車在性能上的差異。對于汽車而言，這些次元是共有的（包括耗油量、汽缸數、加速度等等），因而适合比較。
圖表詳細邏輯
我們以一個例子，了解一下圖表的資料邏輯。
例如，某班主任想分析班級學生的優劣勢科目，以及每個學生的偏科情況。下面是具體資料表：
做完平行坐标圖後：
平行坐标系的每個坐标軸，很可能有不同的資料範圍，這一點很容易造成讀者誤解。作圖時，最好顯著标明每一根軸上的最小值、最大值。
使用平行坐标系時，如何确定軸的順序，是可以人為決定的。一般來說，順序會影響閱讀的感覺和判斷。兩根坐标軸隔得越近，人們對二者的對比就感覺地越強烈。
是以，要得出最合适、美觀的排序方式，往往需要經過多次的試驗和比較。反過來講，嘗試不同的排布方式，也可能有助于得出更多的結論。
與其他圖表的關系
下面我們看一看平行坐标系和其他比較相似的圖表的對比。
（1）與折線圖
平行坐标系與折線圖完全不同。
折線圖的資料是通過時間組織起來的（每個資料點之間包含着時間前後的關系），但平行坐标軸并沒有時間序列，它的坐标軸是可以人為設定順序的，點與點之間也沒有因果關系，折線并不代表趨勢。各個坐标軸之間也沒有因果關系。
（2）與桑吉圖
倆圖看着挺像的，但是桑吉圖有個重要的邏輯是：每個豎軸前後是有順序關系的，而平行坐标系沒有先後順序。
是以，桑吉圖更多作為使用者路徑先後順序的分析，以及層次拆分的分析。
（3）與雷達圖
其實，平行坐标系和雷達圖是最相近的。
雷達圖表示的是多個次元上的分布情況，平行坐标系也是。是以可以将平行坐标系了解成雷達圖的展開。大多數情況下，這兩者确實可以互換。
劣勢以及互動提升
平行坐标系的弊端在于折線太多、看上去十分龐雜，過于淩亂。但平行坐标系在處理多元資料上的優勢，仍然是其他統計圖難以比拟的。尤其是，當平行坐标系配合互動功能使用時，其價值就會立刻顯現。
最好的解決方法是加入互動——“Brushing”，使用者可以通過“刷”的方法，在坐标軸上“刷”出他們想要探索的部分。
基本操作是，使用者可以在每一根垂直坐标軸上“刷”出自己想要的範圍，處于範圍内的折線高亮，其餘的呈灰階。這樣一來，我們既可以看到所有折線堆疊出來的整體景觀，又可以自由定制想看的範圍，可以說是“見樹又見林”。
當然，互動的設計可以不限于此，比如下圖将平行坐标系與表格結合起來，對于小型的資料集來說，會更加一目了然。
此外，如下圖所示，也可以通過技術将繁雜的折線“捆”在一起（Bundling Technique），這樣，人們的視覺就更能集中于起始的刻度。
典型案例
最後，我們看兩個典型的利用平行坐标系的案例。
（1）曆年世界500強排名
下圖總結了1955-2010年來的世界五百強公司排名、收入和利潤情況。
每一根豎軸代表一年的排名，通過将每家公司曆年的排名描點、連線，就形成了一條折線。滑鼠滑動時，相應的公司會高亮顯示，友善讀者探索它的興衰變化。
例如上圖中，我們看到可口可樂公司的排名，盡管有所波動，但始終位于高位，并且穩中有升，在1994年達到巅峰，之後有所回落。
原文連結：https://fathom.info/fortune500/
（2）汽車參數對比
在平行坐标系的衆多簡介中，幾乎都會涉及到這個汽車的案例——資料包括上世紀70、80年代的32款汽車，以及這些汽車的氣缸數(cylinders)、引擎大小（displacement）、每加侖汽油行駛的裡程(MPG)、功率（horsepower）、重量（weight）等等。
從圖中（Evans, no date），我們可以清晰地看出一些關系，例如從裡程與氣缸數呈負相關、氣缸數與功率呈正相關。再比如，随着時間發展，汽車越來越輕了。通過“Brushing”功能，還有更多新奇發現。http://www.columbia.edu/~cme2126/datavisuals/bigdata_parallelcoordinates.html
關于平行坐标系，我們就先介紹這些吧。如果大家對可視化圖表感興趣，後面我作為系列展開多多分享。我覺得這種基礎的資料産品以及資料分析的知識點，還是有必要紮實掌握的。