时序数据可视化
与可视分析

时序数据是按照时间顺序排列的数据序列，广泛存在于金融、气象、医疗和社交媒体等领域。理解时间本身的特性，是设计合适的时序可视化方法的基础。

时间具有四个核心特性，这些特性决定了不同场景下应选择不同的可视化编码：

线性时序可视化是最直观的方法：将时间映射到水平轴，数值映射到纵轴。常见形式包括折线图（数值映射）、排名折线图（排名映射）、面积图（面积映射），以及ThemeRiver（主题河流图）和堆叠面积图。

ThemeRiver 是一种特殊的堆叠面积图，将数据流以河流的形式展示，中心基线居中，上下对称扩展。它特别适合展示多个主题/类别随时间的变化趋势和相对比例。

环形可视化将时间映射到圆弧上，特别适合展示周期性数据。它可以是圆形时间表示（如时钟展示 24 小时数据）或螺旋时间表示。

环形可视化的优点在于：天然体现时间的周期性，首尾相连，方便比较同一周期内不同时刻的数据。缺点在于：内圈面积小，外圈面积大，可能产生视觉偏差；不适合展示长时间的趋势。

二维时序可视化将时间的两个层级分别映射到二维网格的行和列。最典型的例子是日历热力图（Calendar Heatmap），将"周几"映射到纵轴，"第几周"映射到横轴，数值用颜色编码。

日历热力图的经典应用是 GitHub 的贡献图——每个小格子代表一天，颜色深浅表示活跃程度。时间矩阵则将时间分为更灵活的行列组合，如小时-天、月-年等。

螺旋形可视化结合了线性和环形的优点：它既能展示周期性（每圈代表一个周期），又能展示长期趋势（螺旋向外扩展）。螺旋每一圈对应一个周期单元，多圈堆叠在一起便于对比不同周期之间的差异。

适用场景包括：展示跨多年的季节性数据、对比不同年份的月度/周度模式等。

投影可视化将时间序列视为高维数据，每个时间序列是高维空间中的一个点，然后使用 PCA、t-SNE 等降维方法投影到二维平面。这样可以将相似的时间序列聚集在一起，发现时间序列之间的模式和聚类。

例如，将一年 365 天的每日气温数据视为一个 365 维的向量，不同城市就是高维空间中的点。通过投影可以发现哪些城市的气温模式相似。

时序可视分析不仅需要可视化方法，还需要算法支持。其中动态时间规整（DTW, Dynamic Time Warping）和时间粒度变换是两个重要的时序分析算法。

DTW 解决的核心问题是：两个时间序列可能在时间轴上有"拉伸"或"压缩"，传统的逐点距离（如欧氏距离）无法正确衡量它们的相似性。DTW 通过动态规划找到最优的对齐路径，允许时间轴的非线性扭曲。

时间粒度变换则允许用户在不同时间尺度间切换（如从秒到分钟、从天到月），通过聚合操作（求和、均值、最大值等）来观察不同粒度下的数据特征。

时序数据天然具有叙事性——事件发生有先后顺序，数据变化有起因经过结果。数据叙事（Data Storytelling）是将数据可视化与故事讲述相结合的方法，引导观众理解数据中的关键洞见。

时序可视化中的故事叙述技巧包括：动画过渡（通过动画展示数据随时间的变化）、注释标注（在关键转折点添加文字说明）、渐进式揭示（逐步展示数据，控制信息节奏）。