收益：
- 能够为您想要传达的信息选择适当的图表类型（比较、趋势、分布、关系）
- 通过确保图表下的每个数字都来自其自己的真实数据，能够避免使用人工智能构成的数据制作图表。
- 能够控制误导性的设计，例如断轴和不成比例的比例，并产生易于理解、诚实的视觉效果
无论一项研究成果多么可靠，如果不被理解，它就毫无用处。数据可视化是将数字和分类数据倒入图形、表格和图表中的艺术，以便读者一眼就能看到其中的模式。一个好的图表可以将数千行数据简化为一条消息；糟糕的图表甚至会让准确的数据看起来具有误导性。在本单元中，您将学习如何使用人工智能选择正确的图表类型、起草可视化代码、组织表格并诚实地呈现发现结果。
人工智能在可视化中的作用有两个。第一个是咨询：“哪个图表适合该数据？”很好地回答了问题；例如用于比较两个类别的条形图、用于随时间变化的折线图，以及（如果仔细使用的话）用于整体部分的饼图。第二个是代码生成：为 R (ggplot2) 或 Python (matplotlib、seaborn) 等工具起草图形代码。但要注意：AI生成的图表下方的数字必须来自你的真实数据；人工智能用“样本数据”生成的漂亮图表不是你的发现。此外，人工智能可能会在不知不觉中提出误导性图表（虚线轴、不成比例的比例）；完整性检查是你的。
一步一步：从数据到诚实的图表
1. 识别消息。每个图表都应该回答一个问题：“我想展示什么？”比较、趋势、分布、关系？在消息明确之前，无法选择图表类型。
2. 选择正确的图表类型。类型因消息而异。对于“我想用这条消息显示这些数据，哪个图表？”这个问题，人工智能给出了合理的建议。
3. 应用诚信规则。轴是否应该从零开始，比例是否成比例，颜色是否会产生误导？人工智能可以帮助您检查图表是否具有误导性。
4. 起草代码并使用您的数据运行它。让AI编写图形代码；使用您自己的真实数据运行它并检查结果。
5. 使其易于访问。色盲友好的调色板、清晰的标签、可读的标题。人工智能提出了这些改进建议。
提示：测试图表真实性的简单方法：“怀有恶意的人怎么可能让这张图表产生误导？”就是问。虚线 y 轴使微小的差异看起来很大；选定的时间段可以扭转趋势。让AI扫描这些陷阱。
三个迷你箱子
案例 1 — 纠正了误导轴。在一份报告中，两组之间的差异（51% 与 54%）在 y 轴从 50 开始的图表上看起来就像一个“巨大差距”。当 AI 建议轴从 0 开始时，差异被缩小到实际大小，一个很小的差异。图表变得诚实。
案例 2 — 正确的类型可以节省时间。一位研究人员拥有 5 年的参与率数据，但使用的是饼图；趋势并没有出现。 YZ 提出了“随时间变化的折线图”，ggplot2 起草了代码。下降趋势突然变得清晰可见。
案例 3 — 虚假数据陷阱。当用户向人工智能询问“年轻人使用社交媒体的图表”时，人工智能生成了一张带有虚构数字的漂亮图表。用户差点就将其放入报告中；然后他意识到这些数字不是他的数据，而是人工智能的发明。该图表已用真实数据重新制作。
四个可复制模板
1）图表类型选择：
我想显示以下数据：[数据描述]。我想传达的信息：[比较/趋势/分布/关系]。建议 2 种最适合此消息的图表类型，并附上理由。告诉我为什么我应该避免可能误导的东西（例如多片蛋糕）。
2）可视化代码（我将用我自己的数据运行它）：
为 [R ggplot2 / Python matplotlib] 绘制一个 [绘图类型] 代码。我的变量：[x]、[y]、[group]。使用注释编写代码，从头开始创建轴，使用易于访问的调色板，用土耳其语放置标题和标签。编号制作示例；我将连接我的数据。
3）诚信审核：
我描述了下图：[图]。会不会有误导性？检查：轴是否为零、比例是否成比例、是否选择了时间间隔、颜色是否夸大了一组、3D 效果是否扭曲了感知？针对每个风险提出修复建议。
4）表格编辑：
将以下原始结果转换为干净、可读的结果表：行中的 [x]、列中的 [y]、单元格中的值以及百分比（如果需要）。一致地四舍五入小数，并在脚注中注明来源。更改号码；只需编辑即可。数据：[此处]
弱提示/强提示
弱提示：
给我一张关于这个主题的令人印象深刻的图表。
对“令人印象深刻”的渴望鼓励人工智能使用捏造的数据或夸大差异的误导性设计。令人印象深刻不应该先于诚实。
强力提示：
我想要一个可以使用自己的数据运行的条形图代码。我的信息是：诚实地展示四个群体之间参与率的差异。轴应该从零开始，颜色应该适合色盲，并且差异不应该被夸大。 [R/Python] 给出代码，数字拟合。然后列出该图表可能会产生误导的 3 种风险。
区别在于：第二个提示集中于诚实、可访问性和真实数据。
按消息的图表类型
留言
合适的图形
应避免
品类比较
条形图
3D、多片蛋糕
随着时间的推移而改变
折线图
蛋糕
分布
直方图、箱线图
单一平均数
两个变量的关系
分散
杆
整体的部分
堆叠式酒吧/磅蛋糕
多片蛋糕
常见错误
- 用人工智能制作的数据制作图表。图表底部的每个数字都必须来自您的实际数据。
- 夸大了与虚线轴的差异。让微小的差异看起来很大是一种误导。
- 选择与信息不相符的流派。这就像用馅饼来展示时间趋势一样。
- 忘记可访问性。仅按颜色分隔的组不包括色盲读者。
- 把“令人印象深刻”放在“诚实”之前。视觉的目的不是说服，而是正确的沟通。
综上所述
数据可视化是向读者诚实、清晰地传达您的发现的方式。人工智能;它对于建议正确的图表类型、起草可视化代码、编辑表格以及检查误导性设计提供了强大的帮助。但图表底部的每个数字都必须来自您的实际数据；由人工智能的“样本数据”生成的漂亮图表不是你的发现。让信息清晰，选择正确的类型，保持轴心和尺度诚实，使其易于理解，并且永远不要将“令人印象深刻”放在“诚实”之前。
应用任务
选择一小组您自己收集的事实或数据。使用“图表类型选择”模板选择适合您的消息的类型。使用“可视化代码”模板，从人工智能获取代码并在您自己的数据上运行它（切勿使用人工智能编造的数字）。使用虚线轴绘制相同的数据，将两个图表并排放置，并显示如何使用“诚实检查”模板夸大差异。
清单
- [ ] 我已经澄清了图表试图传达的单一信息。
- [ ] 我有理由为消息选择适当的图形类型。
- [ ] 我用自己的真实输出生成了图表，而不是人工智能制造的。
- [ ] 我从零开始轴并保持比例比例。
- [ ] 我使用了易于理解的颜色和清晰的标签。