# 前言 > 原文：[Preface](https://serialmentor.com/dataviz/preface.html) > 校驗：[飛龍](https://github.com/wizardforcel) > 自豪地采用[谷歌翻譯](https://translate.google.cn/) 如果您是科學家，分析師，顧問或任何其他必須制作技術文檔或報告的人，您需要掌握的最重要技能之一就是，以圖形形式進行引人注目的數據可視化的能力。圖形通常為你的論據帶來權重。他們清晰，有吸引力，令人信服。好的和壞的圖形之間的差異可能是高影響力或模糊不清的論文，補助或合同的得到或失去，工作面試的好與壞之間的差異。然而，令人驚訝的是，很少有資源可以教您如何制作引人注目的數據可視化。很少有大學提供有關這一主題的課程，也沒有很多關于這個主題的書籍。 （當然有些存在。）繪制軟件的教程通常關注如何實現特定的視覺效果，而不是解釋為什么某些選擇是首選而其他選擇不是。在您的日常工作中，您只需要知道如何做出好的數據，如果您很幸運，您有一位耐心的顧問會在您撰寫第一篇科學論文時教您一些技巧。 在寫作的背景下，經驗豐富的編輯談論“耳朵”，聽到（在內部，當你閱讀一篇散文時）寫作是否良好的能力。我認為，在圖形和其他可視化方面，我們同樣需要“眼睛”，看到一個圖形，看看它是否平衡，清晰，引人注目的能力。就像寫作的情況一樣，可以學習查看圖形是否有效的能力。擁有眼睛主要是指，您了解更多簡單規則和良好可視化原則，并注意其他人可能沒有的細節。 根據我的經驗，同樣像寫作一樣，你不會在周末讀書時開發眼睛。這是一個終身的過程，今天對你來說過于復雜或過于微妙的概念，可能會在五年后變得更有意義。我可以對自己說，我繼續開發我對圖形的理解。我經常嘗試讓自己接觸新的方法，并且我注意他人在他們的圖形中做出的視覺和設計選擇。我也愿意改變主意。我今天可能會認為一個特定的圖形很棒，但下個月我可能會找到批評它的理由。所以考慮到這一點，請不要把我說的任何東西當作福音。仔細思考我對某些選擇的理由，并決定是否要采用它們。 雖然本書中的材料是按邏輯展示的，但大多數章節都可以獨立存在，而且無需閱讀書籍封面。您可以隨意瀏覽，選擇您當前感興趣的特定部分，或者涵蓋您正在考慮的特定設計選擇的部分。事實上，如果你不是一次性閱讀本書，而是在更長的時間內逐漸閱讀它，嘗試在你的圖形制作中應用書中的一些概念，并回過頭來閱讀其他概念或重新閱讀您在一段時間后學到的概念，我認為你會從這本書中獲得最大的收益。如果您在幾個月的時間過后重新閱讀它，您可能會發現同一章告訴您不同的事情。 盡管本書中的幾乎所有圖形都是用 R 和 ggplot2 制作的，但我并不認為這是 R 的書。我在談論圖形制作的一般原則。用于制作圖形的軟件是隨意的。你可以使用任何你想要的繪圖軟件，來生成我在這里展示的各種圖形。但是，ggplot2 和類似的軟件包使我使用的許多技巧比其他繪圖庫簡單得多。重要的是，因為這不是 R 的書，所以我不會在本書的任何地方討論代碼或編程技巧。我希望你專注于概念和圖形，而不是代碼。如果您對如何制作任何數據感到好奇，可以在[ GitHub 存儲庫](https://github.com/clauswilke/dataviz)中查看該書的源代碼。 ## 關于繪圖軟件和圖形制作流程圖的思考 我有超過二十年的為科學出版物制作圖形的經驗，并已只做了成千上萬的圖形。如果在這二十年中有一個常數，那就是圖形制作流水線的變化。每隔幾年，就會開發一個新的繪圖庫或者出現一個新的范例，大量的科學家們轉而使用熱門的新工具包。我使用 gnuplot，Xfig，Mathematica，Matlab，python 中的 matplotlib，R 中的 R 基本庫，ggplot2，以及我目前無法記住的其他東西。我目前首選的方法是 R 中的 ggplot2，但我不希望在退休之前我會繼續使用它。 軟件平臺的這種不斷變化，是本書不是編程手冊，以及為什么我遺漏了所有代碼示例的主要原因之一。無論你使用哪種軟件，我都希望這本書對你有用，而且即使每個人都從 ggplot2 轉移并使用下一個新東西，我希望它仍然有價值。我意識到這個選擇對于一些 ggplot2 用戶來說可能會令人沮喪，他們想知道我如何制作給定圖形。我告訴他們，閱讀這本書的源代碼，它是可用的。此外，將來我可能會發布一個僅關注代碼的補充文檔。 多年來我學到的一件事是，自動化是你的朋友。我認為作為數據分析流水線的一部分，圖形應該自動生成（也應該是自動化的），它們應該從流水線中出來，準備好發送到打印機，不需要手動后處理。我看到很多學員自動生成他們的圖形的粗略草稿，然后他們導入到 Illustrator 中進行修飾。這是壞主意并有幾個原因。首先，在您手動編輯圖形的那一刻，您的最終圖形變得不可再現。第三方無法生成和您所做的完全相同的圖形。雖然這可能并不重要，如果您所做的只是更改軸標簽的字體，使線條模糊，并且很容易跨越到不太清晰的區域。舉個例子，假設你想用更可讀的標簽手動替換謎之標簽。第三方可能無法驗證標簽更換是否合適。其次，如果您在圖形制作流水線中添加了大量手動后處理，那么您將更不愿意進行任何更改或重做您的工作。因此，您可能會忽略協作者或同事做出的合理的更改請求，或者即使您實際重新生成了所有數據，也可能會重復使用舊圖形。這些都不是假設的例子。我在實際場景中看到過他們。第三，你自己可能會忘記，你為準備一個給定的圖形做了什么，或者你可能無法生成一個新數據的未來圖形，與你之前的圖形在視覺上完全匹配。 由于上述所有原因，交互式繪圖程序是一個壞主意。它們固有地迫使您手動制作您的圖形。實際上，最好自動生成一個圖形草稿并在 Illustrator 中修飾它，而不是在一些交互式繪圖程序中手工制作整個圖形。請注意，Excel 也是一個交互式繪圖程序，不建議用于圖形制作（或數據分析）。 數據可視化圖書中的一個關鍵成分，是所提出的可視化的可行性。很高興能夠發明一些優雅的可視化新方法，但是如果沒有人能夠使用這種可視化輕松生成數據，那么就沒有多大用處。例如，當 Tufte 首次提出迷你圖時，沒有人能夠輕松制作它們。雖然我們需要有遠見的人通過可能的方式來推動世界的發展，但我認為這本書是切實可行的，并直接適用于為其出版物制作圖形的職業數據科學家。因此，我在后續章節中提出的可視化，可以通過幾行 R 代碼，通過 和隨時可用的擴展包生成。事實上，本書中的幾乎每一個圖形，除了第 [26](no-3d.html#no-3d)，[27](image-file-formats.html#image-file-formats) 和 [28](choosing-visualization-software.html#choosing-visualization-software) 章中的一些圖形外，都是完全自動生成的。 ## 致謝 如果沒有 RStudio 團隊將 R Universe 變成一流的出版平臺所做的出色工作，這個項目是不可能實現的。特別是，我要感謝 Hadley Wickham 創建 **ggplot2**，這是用于制作本書所有數據的繪圖軟件。我還要感謝 Yihui Xie 創建 R Markdown 以及編寫 **knitr** 和 **bookdown** 軟件包。如果這些工具沒有準備就緒，我認為我不會啟動這個項目。編寫 R Markdown 文件很有趣，并且很容易收集材料并獲得動力。特別感謝 Achim Zeileis 和 Reto Stauffer 的 **colorspace**，Thomas Lin Pedersen 的 **ggforce** 和 **gganimate**，Kamil Slowikowski 的 **ggrepel**，Edzer Pebesma 的 **sf** 和 Claire McWhite 在 **colorspace** 和 **colorblindr** 上的工作，模擬 R 裝配圖中的色覺缺陷。 有幾個人對本書的草稿版本提供了有用的反饋。最重要的是，O'Reilly 的編輯 Mike Loukides 和 Steve Haroz 都閱讀并評論了每一章。我還收到了 Carl Bergstrom，Jessica Hullman，Matthew Kay，Edzer Pebesma，Tristan Mahr，Jon Schwabish 和 Hadley Wickham 的有益評論。 Len Kiefer 的博客和 Kieran Healy 的書和博客文章為圖形制作和數據集提供了許多靈感。許多人指出了小問題或錯別字，包括 Thiago Arrais，Malcolm Barrett，Jessica Burnett，Jon Calder，Ant?nioPedroCamargo，Daren Card，Kim Cressman，Akos Hajdu，Andrew Kinsman，Will Koehrsen，Alex Lalejini，John Leadley，Katrin Leinweber，Mikel Madina，Claire McWhite，S'busiso Mkhondwane，Jose Nazario，Steve Putman，Ma?lleSalmon，Christian Schudoma，James Scott-Brown，Enrico Spinielli，Wouter van der Bijl 和 Ron Yurko。 我還要更廣泛地感謝 tidyverse 和 R 社區的所有其他貢獻者。確實存在可用于任何可視化挑戰的 R 包。所有這些包都是由數千名數據科學家和統計學家組成的廣泛社區開發的，其中許多都以某種形式為本書的制作做出了貢獻。