最近在做项目的时候，我常常被各种繁杂的数据所困扰。我经常遇到的一个难题就是，数据我们已经拿到了，那么我到底该用这些数据做一个什么样的数据图呢？

柱状图？饼图？折线图？还是散点图？

我以前的思维模式很简单，拿到数据后我就开始用所学过的各种图形模式去套用原始数据，所以画出来的草图也是千篇一律。然而，在看过那么多优秀的数据新闻作品过后，我意识到，我这样这样的思维模式实在是过于朴素，且难以契合整篇作品的情感。这样的思维模式更适合去做一篇清晰明了的数据报告，而不是简单易懂又具有洞察力的数据新闻。

对自己的思维模式进行反思以后，我又回到了对自己心灵最原始的拷问：所以我到底该做一个什么样的图？后来，我引进了“奥卡姆剃须刀”式的思考方式，把数据和图形的关键要点提取出来思考——即第一，提取出整个数据的所有属性；第二，简短概括整个数据的相关性；第三，把每个数据属性和图形属性用最契合的方式一一配对；第四，加入一些“艺术创作”元素，增加与文章的契合度。

这一段话看起来好像比较晦涩，但其实并不难。我接下来开始介绍这种思维模式的各种细节。

第一，什么是数据属性？

数据属性，也是数据的特征。在数据新闻领域中，我大概归纳了数据普遍具有哪些属性：

1、自变量分类：各类时间、各类对象（如各类人物、社会阶层、地理位置）等；

2、因变量趋势：增加、减少、波动等。

第二，什么是数据的相关性？

数据相关性是指数据之间存在某种关系，如正相关，负相关。从统计学角度看，变量之间的关系大体可分两种类型：函数关系和相关关系。

第三，什么是图形属性？

tableau面版

我们打开tableau，会发现它为我们展现了许多图形属性。但这些还不够。在数据新闻领域中，我归纳了以下图形属性：

1、颜色；2、大小（半径）；3、角度；4、长短（宽高）；5、面积；6、形状；7、位置（排列）；8、路径；9、时间轴（or阅读时的等待时间）；10、欢迎补充。

第四，什么是“艺术创作”元素？

即找到与主题最相契合度的元素（最重要的新闻点），且不能强行视觉化（即为了做出美丽的图表而赋予数据属性一些毫无意义的图形属性）。由于艺术创作元素过于多元，我将在下文结合几个例子来整体体验一下我归纳的整套思维模式和“艺术创作”元素。

案例一：

《香港的天气正变得更热，更极端》（How Hong Kong's weather is getting hotter and more extreme）

网页链接：

https://multimedia.scmp.com/news/hong-kong/article/extreme-weather/index.html?src=moreGraphics

（网页部分截图）

（海报版全貌）

首先，不要立马被这副惊艳的数据图给震撼到叫出声来。让我们来根据我所提出的思维方式，找出“我到底该做一个什么样的图？”这个问题的答案。

第一，提取出整个数据的所有属性。

自变量：1970年到2017年的每年、每年中的12个月份。

因变量：能源消耗排放量、气温、每年气温的极限温差

第二，简短概括整个数据的相关性。

从1970年到2017年，每一年中每一个月份的温度相对于上一年的相应月份都有所变化，且该变化和能源排放量有关。其总体变化趋势为能源消耗排放量不断上升、气温不断上升、全年极限温差不断变大。

第三，把每个数据属性和图形属性用最契合的方式一一配对。

自变量（1970年到2017年）——长度

自变量（每个月份）——位置（横向排列）

因变量（能源消耗排放量）——粗细（宽度）

因变量（气温）——颜色

因变量（全年最大温差）——圆圈半径

第四，加入“艺术创作”元素，增加契合度。

1、颜色运用：“黄和蓝”对应“热与冷”，符合我们的认知常识，更易理解。

2、长度时间轴设计——（1）在不枯燥的前提下拉长文章，调整读者阅读速度，控制阅读节奏

（2）在版面上有更多空间加入某些特殊值的tips

3、线条粗细设计：契合能源排放量——易让人联想到排气管的粗细，更加直观。

至此，我就分析完了从数据到数据图的整个过程。这样思考是不是更加简单高效呢？

案例二：

《印度强奸案》（Rape in India）

网页中此图可流动

网页链接：

https://adityajain15.github.io/Rape_In_India/

我们还是按照我所提到的思维模式来审视这个作品。不过这次，我们试着从一些基本情况中自行提取信息。

基本情况（可供参考的信息）：

2016年，印度共有所有173,608起强奸罪行记录在案，这些罪行要么向警方报告，要么被警方待定，要么被司法部门待定，只有极少部分能够完成定罪。报告的强奸犯罪的全国定罪率只有25.5%。定罪率偏低的一个重要因素是证据收集和处理不当。

一旦一个案件被警方指控并送交审判, 就可能在法院系统中煎熬几十年。强奸案件在法院面临令人难以置信的积压, 2016年提交审判的新案件 (33 628 起) 多于同年法院处理的案件数量 (18 792 起)。这一艰巨的过程只会增加受害者的创伤, 她经常在自己家人或被告的压力下屈服, 变得充满敌意。克服所有这些障碍仍然不能保证为受害者伸张正义。

（以上部分翻译自作品原文的部分节选）

接下来我们开始第一步，根据数据图表和基本情况来提取数据的所有属性：

自变量：173608起强奸案件

自变量：案情处理结果分类

因变量：各个处理结果的案情数量

我们提取完所有的数据属性了吗？看起来好像我们已经提取完了，但事实上并没有。我们从基本概述中还获得了一项重要的数据属性——即时间进程。时间进程在这个数据作品中是绝对不能忽略的，如果忽略掉它，我会自然而然地想到整个数据集强调的只是“比例”问题，由数据而衍生的数据图表可能只是一幅简单的环状图或者饼状图（最易于体现比例的图形模式）。所以加入时间进程后，我们能够得到的所有数据属性就是如下：

自变量：173608起强奸案件

自变量：案情处理结果分类

自变量：案情处理的时间进程

因变量：各个处理结果的案情数量

等会儿我会提到加入时间进程的好处，我们先来看第二步，简短概述整个数据的相关性：

我的概述是：2016年，印度共有所有173,608起强奸罪行记录在案。这些案情的审判由于各种原因而被层层阻挠，最终只有极少部分的能够完成定罪。

第三步，把每个数据属性和图形属性用最契合的方式一一配对：

自变量（173608起强奸案件）——形状（一一对应每个小点）

自变量（案情处理结果分类）——形状（方条）

自变量（时间进程）——位置（方条的摆放位置：时间节点越靠后，方条摆放越靠右）与时间轴（在这里即为“阅读时的等待时间”）

因变量（各个处理结果的案情数量）——位置（每个小点的位置变化）与长度（每个方条的长度）

第四步，加入“艺术创作”元素，增加契合度。

在基本情况的概述中，想必大家已经看出来整篇文章想要表达的东西。我之所以在第一步如此强调“时间进程”的重要性，是因为我想要体现我的概述中“层层阻挠”这个词的意义。这意味着在案情的处理过程中，每个案件都有一个艰巨的过程——煎熬、积压、障碍，这些情感元素正是通过时间进程（or审判进程）才能够给予读者直观体验的。

因此，总结这个作品的艺术创作契合度，我们不难发现：在颜色方面，艳红与全黑的配色，突出印度频发的“强奸”罪行的事态严峻与不可容忍；在时间进程与筛选设计方面，突出审判过程艰难、阻挠重重。