Evan是虛擬現實數據視覺化公司Kineviz的一位項目經理。此前，他曾作為一名數據科學家就職于HID Global，他畢業于加州大學伯克利分校，擁有認知科學領域的學位。在他為Kineviz工作之余，他喜歡探索VR，他研究并撰寫關于人類決策流程的文章。

1983年，Amos Tversky和Daniel Kahneman曾向學生們提問：

琳達是一位31歲的單身女性，她健談而開朗。她大學時主修哲學。作為學生時的她非常關注歧視和社會公平問題，并積極參與了反核活動。那么她最有可能：

1.琳達現在是一名小學教師？

2.琳達在一個書店工作，并參加瑜伽課程？

3.琳達熱衷于女權運動？

4.琳達現在是一位精神病學社會工作者？

5.琳達現在是美國婦女選民聯盟的成員？

6.琳達現在是銀行柜員？

7.琳達現在是保險推銷員？

8.琳達是一名銀行柜員，并熱衷于女權運動？

他們發現有86%的本科生認為第8個答案的可能性大于第6個，雖然根據上面的描述我們很容易聯想到琳達同時是銀行柜員與女權運動者的場景，但實際上女權銀行柜員只是銀行柜員的一種，很明顯她們的數量遠少于所有的銀行柜員。

這個案例不僅非常有名，大多數人還對此感到困惑。不過如果把它進行視覺化的話，我們就會發現其實非常好理解：

看了上面的圖表，各位覺得哪種情況更有可能：琳達是一個銀行柜員，還是一個女權銀行柜員？（假設兩個圓的尺寸與現實的比例相同）

虛擬現實可以使得這種概率估計更加容易，正如上面的圖表使得這個“琳達問題”變容易一樣。

談論數據和虛擬現實的關系就有點像是著名的雞與蛋的關系——如果不知道人們要如何使用VR數據工具就很難構建這樣一個VR工具。話雖這么說，虛擬現實仍有可能應用于：

a.概率性思考（上面的例子）

b.高維度數據視覺化（自由度特別高的數據，一維空間3個點的位置變化與三維空間1個點的位置在數學上是等價的，所以可以把非常復雜的變化轉換成更高維度上的簡單變化）

c.高數據密度

d.提供環境因素

高維數據視覺化

圖表對于優秀的統計分析至關重要- F.J. Anscombe

假如你的數據集只有兩個維度或者更少，單獨的數據使用圖表就比較容易視覺化：

Anscombe著名的四重奏，信息來自Wikipedia。每個數據集有相同的均值、方差、相關性和最佳擬合曲線。

上述的每個數據集，所有X坐標的均值都是9，Y坐標的均值為7.5，X坐標的方差是11，X與Y的相關性是0.816，且最佳擬合曲線的公式是Y = 3 + 5x。

換句話說，這四個數據集似乎在統計上是等價的，盡管我們從視覺上對它們的本質一目了然（并不相同）。別高興得太早，這個例子非常簡單，它只不過是二維數據集罷了。

如果你面對的是三維數據，那么很顯然我們可以使用三維圖。如果你要面對高維數據（比如說你的excel表格中有大量列），這種方法顯然不能用。想象2D場景自然很容易，當數據集中有很多列(比如10000列，只要多于3列)問題就會來了，三維以上的視覺化是不可能的任務。

不過，我們可以采用其他辦法來表示維度。以三角形為例，我們可以用它來表示三維數據，我們可以用三角形邊長表示每個維度的數據，如果你愿意，甚至可以用紅藍光譜或者深淺光譜來為三角中心上色，這樣就會有五個維度可供觀察。對比每個三角形，你或者就可以發現異常或在此隱藏的規律和關系。當然，這只是個理論。

Herman Chernoff在70年代探索了這理論的一個變種：有別于三角形邊長，他用不同的卡通人物形象映射數據的維度。

大家可以通過下面這個《洛杉磯時報》中的信息圖判斷這種方法好不好：

Eugene Turner-洛杉磯的生活（1977）-《洛杉磯時報》。這里有四種表情，加上地理分布和社區信息，我們可以看到總計6個維度的信息。

你的第一反應也許是對這種數據表示方法嗤之以鼻，它們看起來可笑，帶有一點種族歧視意味，并難以解釋。但我勸你不妨再嘗試一次，你會發現貧富社區間的緩沖帶。

切爾諾夫臉譜圖不能得到廣泛應用的一大原因在于它們太卡通化了(科學通常都是嚴謹的，可能不太適合卡通臉譜圖)。盡管真人版的切爾諾夫臉譜圖可以解決太卡通化的問題，它卻存在另一個問題：也許這些臉譜本應該是非常直觀的，但人們對真人的臉和表情太有經驗了，反而有時候會困惑而無法客觀地進行評估。

看下面這個圖，上面是蘋果現任CEO蒂姆庫克的表情，他眉毛的傾斜程度，這張臉上的很多部位被用來表示蘋果歷年的財報數據。

作品來自Christo Allegra。蒂姆庫克臉部的不同部位展現了每年Apple的財務數據的不同情況。他鼻子的寬度用來表現Apple貸款額;他嘴巴的開合度表現營業額;眼睛的大小表現每股收益等等。更多切爾諾夫臉譜圖的應用，詳見Dan Darling的成果。

很明顯，這種方法存在諸多問題。首先就是，臉部不是在任何情況都能傳達同等程度的情感信息的，“笑”這個動作就是如此。換句話說，我們對不同表情的印象并不絕對等同于財務數據情況。而這一點本應該是圖標最大的魅力所在。這也是為什么用可視化的方法解決琳達問題會更加直觀。這也是現今存在的高維度數據可視化方法所缺失的一個特點。

虛擬現實技術可以解決上面所提及的眾多問題。不用面部表情，類似切爾諾夫圖譜的技術可以用來控制中性對象的觀察、移動、交互和分布。舉例來說，一張桌子的如下屬性能夠被用來表示不同的數據維度：高度、桌面的面積、顏色、腿長、桌子磨光度以及斑點和焊補的位置和種類。如果你有15個維度的數據，你可以將維度轉化成能夠控制桌子外形的各種參數。

每一個測量值都會被用來對一個數據進行可視化，來自mycarpentry.com

VR的優勢在于能夠讓你直觀而真實地感受到桌子所代表的含義，比方說它是另一張桌子的2倍高;抑或是桌面不同的摩擦系數。我們可以通過一些測試確保數據不同維度能夠以同樣的標準映射到桌子的不同參數。

此外，相關的方法論已經在心理物理學和色彩感知領域得到了深度的研究——研究人員已經花費很多時間測量人們如何通過不同的知覺感知微弱和巨大的差異。換句話說，VR和一些心理物理學能夠使了解復雜的數據變得像走進宜家一樣簡單。

高密度圖表

由于數學史上一些偶發的不幸，一些由點和連接線構成的對象集合也被稱為圖表

此類圖表一般都以這樣的形式出現：

維基百科的Prefuse（一種數據可視化工具）視覺圖，來自維基百科

圖表上的每一個點代表一個維基頁面，每一條線代表著頁面之間的聯系。

理論上來說，圖表在表達對象和數據點之間的關系時十分有用，特別是當聯系的類別和數量不可忽視的時候。

舉例來說，下圖表示啤酒酵母細胞中基因間的每一次相互作用。

左：表示酵母基因組的節點和邊緣圖。右：重要的基因群。

盡管這的確很有趣，你肯定也注意到2張圖的中間區域都很密集。如果你去查看巴拿馬的一個數據集，會發現一些類似的情況——連接關系圖變得非常密集，難以分清。

事實上，大多數圖表在中心區域存在大量重疊連接圖形而變得難以理解，我們會無法辨清圖中對象的具體連接方式，而這本來是使用這一圖表最初的原因。

看到這里，相信你已經能夠理解（相比2D）3D可視化圖形給高密度數據帶來的好處了吧。

大腦中不同神經網絡的三維可視化圖形

但是，我們仍然需要注意這些可視化圖形同樣會遭遇看起來太過繁雜的問題;盡管作者正用算法來將這些連接線“捆綁”在一起，要理清具體細節仍然非常困難。然而，想象一下，如果你能夠進入這些大腦的中心位置，可以迅速改變影像的大小——數據就會變得更容易解讀了。

提供環境因素

對比下列圖表：

兩者使用了完全相同的底層數據。但左圖被提名為2015年最具誤導性的圖表之一。

我認為盡管上面的圖表很有誤導性，但它的問題主要在于使用了靜態圖像。如果能夠改變數據大小，換一種形狀和尺度就可以防止誤導性出現，因為環境因素已經呈現在體驗內部了。

用虛擬現實技術來可視化信息的一大優勢在于它能夠分享的不僅僅只是靜態的VR場景;每一個VR場景本身都是一次無意識的體驗。這意味著觀看者可以按照自己的意愿去探索它。

盡管VR數據工具仍處在初期階段，但是我可以給你推薦3個提供上述功能的工具。

CalcFlow

首先就是CalcFlow，這個工具是加州大學圣地亞哥分校數學系為了可視化3D數學概念與其他人共同開發出來的。目前，它已經具備一系列交互式Demo，它們能夠讓人對二重積分或納維爾-斯托克斯方程有直觀的了解。在這些Demo中，你可以體驗到我之前所提到的一些VR功能：改變尺度并在數據中“穿行”，這也意味著數據會更加容易理解。由于這些Demo具備很強的操作性，用戶可以在飛行中不斷調整數據可視方式，從多種不同的角度了解它如何影響最終結果。

DeathTools

DeathTools通過將抽象數字變為我們可以輕松理解的更加真實的圖像來實現數據可視化，它的方法從根本上有別于傳統圖表。用這個工具我們可以看到近期中東沖突的累計尸體數量。不同于傳統柱狀圖，我們真實地站在一行行裝尸袋中間，這樣可以準確地了解死亡個體數。

正如DeathTools作者Ali Eslami所言：

我們的知識庫中缺失的一塊就是感知超大數字的能力或者方法。我們很難去理解和接受大規模死亡現象。舉例來說，像1;2;14;20;50這些是我們會經常碰到的數字，我們很容易使用生活中常見的事物去代表這些數字所代表的含義。然后我們遇見如1000;10000;20000這樣的數字。這些數字會變得越來越難用概念來衡量，但是我們仍然能夠通過用可視化模型去理解這些數據的大致含義。

Kineviz

最后，我們正在研究支持VR的3D圖形化工具Kineviz。這個工具被設計來解決高信息密度的問題，并能夠讓用戶直觀地感受到數據間的差別。自己看看吧：

VR最主要的優勢就是它能夠被用來更容易地呈現數據間的差別。VR還能夠使數據表達更具操作性，這意味著想要去改變數據表達來迎合一個特定的情形會越來越難。最終，VR通過結合用戶的空間感知使得人們能夠快速地調整人們所看到景象的尺度，最終實現人們原本難以想象的感知數據縮放的功能。