谷歌经济学家推崇的数据艺术，现在教你入门

更多深度文章，请关注云计算频道：https://yq.aliyun.com/cloud

简介
去年，职业社交网站 Linkedin 报道称，近年来雇主最重视的技能就是数据技能。而推崇数据导向文化的谷歌，其首席经济学家 Hal R.Varian 博士更完整地阐述了行业真正的数据技能需要——“理解数据、处理数据、从中抽取价值、将其可视化、并表达其中的意义，这是未来十年及其重要的技能。”简而言之，就是用数据讲故事的能力。

谷歌首席经济学家 Hal R. Varian 博士

举个例子。如果你想说明“男性与女性在驾驶分心因素中的差异”，你可以这样说：

• 6%的男人和4.2%的女性觉得发短信聊天是驾驶中分心的原因；
• 车里有小孩是9.8%的男性和26.3%的女性驾驶分心的原因。

或者，你可以这样说：

上图是儿童慈善机构 kids4kars.org 的作品。
你更喜欢哪一种叙事方式？

我们都爱听故事
讲故事很简单、也很难。在很多数据驱动的团队里，大家很容易觉得故事是肤浅的，觉得事实本身就足够说服听众了，但是讲故事可以最好的体现和解释数据的价值。
数据为什么有用？因为数据能告诉我们，如何更好的制定决策。很多企业中，分析的第一步是故事板。故事板的概念源于电影制作，安排剧情中的重要镜头，相当于一个可视化的剧本。有时候，不用做复杂的相关分析，将数据可视化就能够讲好一个故事。
安斯库姆四重奏（Anscombe’s Quartet）就是一个很好的例子，里面包含里里四个数据库，每一个的数据总结都非常相似。

但是如果你这些数据可视化：

是不是听到了美妙的四重奏！

如何讲故事
第一步，故事都有情节。让我用一个包含 NASDAQ 100 科技公司新闻标题的数据库为例子，一步步来分解讲故事的步骤。项目栏包括以下部分：

• Headlines.Securities.Symbol: 依据每一个公司的代码对数据进行筛选和分组。
• Headline.Securities.CategoryorIndustry: 哪一些新闻对其行业具有相关性。市场情绪也许只针对行业内某一些公司。
• Headlines.Title：标题，理解当天市场情况最重要的因素之一。
• Headlines.Date：基于月份和日期分类新闻。
• Headlines.Source：新闻来源。
• Headlines.Url：新闻链接。

具体步骤
1. 回归复古的纸和笔。
虽然我们生活在数字化的时代，不过，有些超棒的数据故事在进入 PPT 之前，其实是在餐巾纸上画出来的。在开始制作故事结构之前，写下你的想法和故事流。
亚里士多德有一个经典的“五大要点”方法：
1）先做一个陈述，引起观众的注意。
2）提出一个需要解决的问题。
3）提出一个解决方法。
4）描述你的解决方法会带来哪些好处。
5）提出一个行动呼吁。

假设现在我要写一个报告，如何用数据更好地进行投资决策。做一个折线图可以分析出这些股价的趋势。

我们可以看出，2016年2月所有股价都下跌了。我们可以抓取那个时期的新闻，分析到底发生了什么。

我们可以找到哪一个媒体对某一个股票的报道最多，这个媒体也许就是关于这个股票最好的消息来源。

2. 深挖故事的意义
为什么你在讲这个故事？故事本身并不重要，重要的是故事如何能让我们更好地进行决策。
用一句话，说明为什么你对你所做的这件事抱有热情。

3.取一个强大的标题
一句话概括你的故事、标题和分析。最有效的标题必须简洁、具体、并告诉读者你能从中得到什么好处。
记住，标题是给读者看的，不是给你自己看的。

4. 设计一个路线图
写下你想让观众知道的是什么，写下所有的关键点。
将你的关键点归类、合并，直到最后你手上有的不是100个关键点，而是三个大类。
这三个大类就是你的路线图。
在每一个大类下面，加上支持你论点的证据，可以包括个人故事、事实、例子、类比等等。

5. 简短总结
既然已经陈述了所有的要点，现在，就该来一个强大的收尾了。我的报告结尾，在每一个股票后面都写了三到四行，总结为什么要买这个股票。

数据类型及适合图标
常见的数据类型如下：
1. 文字数据
文字数据适合研究文字中的情绪，这种数据最适合讲故事。
WordCloud 是最适合文字数据的可视化类型，将最常见的文字放在最中心、字体最大，让读者一眼就看出文字要体现的总体思想。

上图直观地体现了一个 Twitter 数据库的内容，一眼就能看出其中最突出的情绪：“阴沉”、“缺失”、“失望”等。

2. 混合数据
当数据中不仅有数字，还有其他的数据形式，我们需要确定哪一种形式最能体现数据中的洞见。
我先以网格分面为例，分析泰坦尼克号乘客的数据。

而下图直观地体现了不同性别和舱位级别的生存率。

我们可以看出，女性和头等舱乘客的生存率稍高一些，而男性、低级别舱位及工作人员的生存率更低。嗯，这和我们从电影中得到的印象一致。

另一种可视化的方式是多元变量图。以下使用的数据库是汽车性能规格数据库。

这让人看得一百个头大。所以我们做出了下图，这样不难看出，更重的车身会让汽车跑得更慢。

3. 数字数据
通常对于数字数据我们要找的是趋势。

横轴是时间，纵轴是票价，黑色线是成人，灰色线是小孩。我们可以清楚看到在这个游乐园，成人和小孩的价格都上涨了，而且对每一年上涨的程度也有个直观的感觉。

4. 股票
股票市场的信息基本上就是一个时间序列数据，而投资人希望能够理解每一个时间点与价格下跌。
下图的 K 线图是一个很好的例子。

我们可以看看特斯拉的股价。2016年2月特斯拉股价出现了较大的下跌，我们可以去调查当时的市场情况和经济环境，在未来更好地进行股票投资。

5. 地理数据
把不同地区的信息标记在地图上，能让分析更加清楚和有意义。

上图中，我们可以看到2002年世界杯各国到进球数，德国的进球数最高。

预测性模型如何讲故事
我们先来理解建造模型的步骤，看看故事能在其中发挥什么作用。

1. 数据探索
建立模型的第一步是理解你的数据。不一定先得进行复杂的统计计算。
我们来看看红酒质量的数据库，数据库的结构如下：

以下是数据总结

如果我们想知道酒精量和红酒质量之间的关系，该怎么办？
我们可以计算 Pearson R值，可以帮助打造一个模型。但是对于分析没有什么用。

这意味着酒精量和红酒质量之间有很强的关联。此外你还了解到了什么？并没有。
所以我们来将数据可视化一下：

首先，我们看到更高的酒精量与更好的红酒质量相关，我们也可以更清楚地看到有一些例外存在。
然后，你觉得红酒的酸度与质量有关吗？

我们可以用小提琴图来体现酸度，小提琴图能体现在哪些区域内有更多的数据点。

2. 特征可视化
生成了特征之后，你如何看到预测得如何？

我们可以以主成分分析（PCA）为例。关于 PCA 更深入的内容可以看这篇文章。
这是 RStudio 中的 Iris 数据库。

我们进行 PCA 的时候会发现这些数据：

一直盯着这张表可能也看不出什么。如果做成可视化图表，我们得到的信息会更多。

3. 创造和比较模型
这个模型能基于道路颠簸度的情况，预测车辆应该走快一点还是放慢一点。

决策边界将大部分数据清楚分类了，不过，88.21%的精确度并不算一个故事。
以下是另一个使用 Iris 数据库的例子：

要推导出有价值的内容，这里的信息不够多。要更深入地了解支持向量机，可以看这篇文章。

另一方面，这张图表展示了一个清楚的分类边界。

讲故事的实用贴士

• 图表一定要标记好横轴和纵轴，写好恰当的标题。
• 必要的时候使用图例。
• 使用视觉上比较柔和的颜色。
• 避免增加非必须的信息，例如过于复杂、降低可读性的背景或主题。
• 基于横纵位置信息、要同时编码两个量值的话，只能使用一个点。
• 制作时间序列编码的时候，不要用点进行可视化。

结束语
数据中特征与数据的关系，数字揭示不了的，但故事和图表可以。故事可以在各种情况下更好地解释细节。现在，你也可以开始讲述你的数据故事了。

本文由北邮@爱可可-爱生活老师推荐，阿里云云栖社区组织整理。

文章原标题：《The Art of Story Telling in Data Science and how to create data stories?》文章为简译，更为详细的内容，请查看原文
译者：炫。

本文由用户为个人学习及研究之目的自行翻译发表，如发现侵犯原作者的版权，请与社区联系处理yqgroup@service.aliyun.com