繪製《乘風2023》數據圖表的反思(4) — 當圖表太過擁擠
這篇文談到了想要視覺化呈現資料時，如何量化喜愛程度，並且細拆成不同面向。
註：部落格版本在此
本文共分好幾篇，都在講述繪製《乘風2023》數據圖表時遇上的困難與反思。請見第1篇、第2篇、第3篇。
這次以第三次公演為主題，在PTT的陸綜板發起投票，調查台灣觀眾對浪姐舞台和個人的喜愛度。其中，最大的變革在於，加入了把公演細切成服裝妝造、舞台設計、音樂表現、肢體表現4個構面的一道題目。
當「喜愛」可以量化，並且細拆成不同面向時，在視覺呈現上需要花更多功夫，本文就是以呈現4個構面為主題，描述製作數據圖表過程中，在挑選圖表類型時，發現拿到的資料，無法呈現出想傳達效果，因此尋找新解方的過程。
這篇文章記錄了 (1)應該呈現的資料重點和 (2) 應該如何利用圖表形式凸顯資料重點時，遇上問題的心路歷程以及想出的解決方法。
＊註：如果你只想看跟《乘風2023》有關的圖表，可以直接去看 IG 上的這篇文章，或是搜尋在 IG 上搜尋 “ddplot”，加上關鍵字 hashtag 也可以。
資料介紹
我在問卷中，請填答者排序第二次公演的 8 個舞台。
- 請針對三公舞台的「____」給出 1 到 5 分。
底線處即代表服裝妝造、舞台設計、音樂表現、肢體表現4個構面，因此共有4題。
這題的回答採用李克特量表的設計，選項從非常不滿意到非常滿意，可以對應到1–5分。
資料的實際長相如圖所示，包含回答者的序號（reply_id），以及舞台（stage_order）、答題者的選擇（rank）、舞台構面（structure）。
得到上述的原始資料後，我先將答題者的選擇轉換成為分數（case_when()），對應到1–5分，接著再加總各個舞台分別於4個構面得到的分數（group_by() + summarize()）。
因為純看分數加總，對人類來說沒有意義，例如不知道584分能夠對應到什麼樣的位置，這樣是高還是低，因此我將分數除以有效票數，就可以將總分數還原到平均分數。如此一來，便大功告成。
得到資料後，接下來可以準備視覺化了。
第一個問題：資料的重點是什麼？
在這個舞台構面的題組知前，其實我已經問了2道舞台相關的題目。其一是詢問答題者會將票投給哪一個舞台，每個舞台都有投與不投的選項；其二是詢問答題者會怎麼排序這6個舞台。
既然有了這兩道題，那又何必拆分構面？我的想法是，人類的想法有著高度的隨意性（arbitrary），例如我非常喜歡《蘇州河》這個舞台，理智上我能感受到Ella領銜的《山河圖》、惜君靖姍小美的《歸途有風》表現都優於《蘇州河》，但仍深受觸動，因此在排序時我將它排在第一。
可是，如果將喜愛緻密地拆解，用舞台設計、音樂表現，這種有名目、有細節的指標評分，那我就會半被迫地、較為嚴肅地給予評價，也能從喜好中抽取中比較理性的一面。
所以，對我來說這題想要問的不只是4個構面加起來的總分而已，我真正想要看的是，將舞台表現整體，落實到每個構面之中。
這樣一來，就不能像前面2題一樣，只滿足於呈現總體結果，而要想辦法呈現出每個舞台在4個構面中分別獲得的分數。
第二個問題：如何同時呈現4個構面？
這題是遇到的最大挑戰。
我想要比較舞台的表現差異，其中表現又由4個不同的子構面組成，若想用最常見的長條圖比較，會從7（舞台數量）x 1（表現）直接暴增成7（舞台數量）x 4（表現的4個構面），當初在揣想圖表效果時，立刻將長條圖排除考慮。
雷達圖
接著，我想到了雷達圖（radar chart）。
雷達圖擅長比較多維度的資料，將變數投射到多邊形的每個頂點，代表分數的點點（dot）彼此相連，呈現出小的多邊形。
可以使用單一個多邊形呈現好幾筆資料，也可以如上圖中右上，每筆資料都分別置放在不同的多邊形上。單一多邊形的優勢是可以快速看出差距，但因為重疊，當資料太多時容易混淆；不同多邊形一起看很清楚，可是如果差異小會很難比較。
我很快用R語言中的ggplot2套件，畫出了一版雷達圖。
你可以從圖中發現幾個窘境。
首先，有點看不出來每個舞台的分數差異。這就是我前面講的，因為每個舞台的分數近似，還在同一個多邊形上時還可以理解，分散在圖表中時，就很難發現差異所在。
再來，因為剛好只有4個維度，沒辦法很好地發揮雷達圖的強項，也就是多維度的呈現，4個維度分別佔據90度，反而讓圖表看起來有點死板。
最後，因為舞台有7個，如圖中2列4排會有一個空缺，如果想用3列3排也會有兩個空缺，實在是進退兩難。
看到結果如此，我決定尋覓替代方案，並且讀到一篇寫於2006年，很不錯的文章。由此可見，好的視覺化總是不會過期。
作者和我一樣，同樣遇到使用雷達圖呈現4個維度，發覺結果不太好看的問題，他和朋友討論後提出兩個解方。
這兩個解方其實都是用類表格的圖表，同時呈現4個選項。
上圖是用甜甜圈圖（donut chart）的圈圈粗細展現高低，下圖則是用長條圖的長度表示大小。雖然是兩種常見的圖表，但突破之處在於擺放的位置，恰巧能夠有效地比較差異。
其中，我更喜歡下圖，因為這張類表格的長條圖中，每行的變數都緊密排列，有點像是海浪或者建築物，讓我們一眼望去就能看出彈性、穩定性等不同面向的高與低。
如果回到我的例子，這樣的圖表形式，可以讓讀者知道，「《歸途有風》音樂表現好高！但其他就沒那麼突出了。」
類表格長條圖
所以，我仿照Peltier的做法，做出類表格長條圖。
沒有比較、沒有傷害。在Peltier的圖表中，它的構面有7項，要比較的商品只有4種；在我的圖表中，舞台的構面僅有4項，要比較的舞台卻有7種。
因此，Peltier的圖表優雅且緊密，我的圖表擁擠而扁平。如果翻轉兩個座標軸，會好一點嗎？
從這個角度看，至少視覺上好上許多，我們可以發現服裝妝造的前兩名是誰、能夠辨識出舞台設計上有人一支獨秀。只是，因為分數實在有點相近，所以比較上還是有點困難，另外，我們只能比較構面之內的差異，無法做到同場表演中跨構面的比較。
這簡直是先天不足（7x4），加上後天失調（分數接近）。難道，沒有其他辦法了嗎？
查找更多其他人的解法後，最多的建議似乎是：請循其本。
並排長條圖
所以我請出了一開始就放棄的，最簡單的長條圖。不像上面以類表格的方式呈現，而是單純的並排。
這兩張圖表，都能夠確實地做到上面提的需求：看出單一舞台構面之間的差異，同時又可以比較跨舞台的表現。
最終我選了右邊那張，因為左邊那張圖表中，7個舞台變成了比較的變數，就選項來說這樣太多，超過一般讀者能記憶的極限。
如果只有4個舞台，或許可行，但是選項超過一定門檻時，想要反覆對照圖上的顏色與下方的圖例，會對讀者帶來太高的認知負擔。
對照之下，右邊的圖表中，比較的變數則是構面本身，可以在同一個舞台中左右對照；即使要對比跨舞台，因為整張畫布的空間很大，長條跟著拉長，不像前面的雷達圖沒有太多空間，這邊只要心理投射一條虛擬的線條，就可以對比相隔最遠的《山河圖》和《千里萬里》。
考慮到使用原色可能會讓整體資訊量過大，所以我調整透明度（但這不一定是個好作法，只是個人習慣），並且加上長條的外部框線，還補上構面中排名第一的小標籤，輔助讀者閱讀。
第三個問題：怎麼決定順序？
因為上面的圖表其實已經接近成品，我還沒有交代排序的細節。
這部分很簡單，我加總4個構面的分數後，再依照總分由高排到低，就這樣而已。
第四個問題：什麼才是「正確」的指標？
回顧這次問卷，單就舞台排序，就有3種題目，一種是「投與不投」，一種是排序，一種則是拆解構面後評分。
結果如下圖：
對比結果可以發現，只有《山河圖》穩居第一，包含《歸途有風》、《蘇州河》在內，都有換過位置，更別提其他3個舞台了。（因為性質不同，《將軍》只放在最後一張圖表）
那麼，哪一個指標才正確呢？
最常見的廢話式回答是「沒有正確的指標，端看你想要什麼。」如果只講了這句，那還真的是廢話，所以我想要解釋「為什麼」。
回到當初設計問卷題目的想法，3種題目，其實都有各自的目的。
第一次公演時，其實只有第一道題目：「投與不投」。提出這題是因為想跟現場對照，公演舉辦的長沙當地，也是採用這個投票方法。因此，目的會是比較現場和螢幕前觀眾的喜好差異。
第二次公演時，我增加了第二道題目：排序。提出這題是因為覺得投與不投本身不夠細緻，投票支持某兩個舞台，不代表我對他們的喜好是一樣的，這比較像是一種跨過門檻後就會願意投票的選擇。因此，目的會是想更精確地量化觀眾的喜好。
第三次公演時，我增加了第三道題目：拆解構面後評分。提出這題是因為覺得即使加上排序，有時候也很難清楚說明「喜歡」的理由，A真的比B好嗎？好在哪裡？出於感性選擇其實沒錯，但我也想知道更多細節。因此，目的會是量化表演的不同組成。
這就是為什麼上面會說，「沒有正確的指標，端看你想要什麼。」
小結：蘇州河和歸途有風
整體來說，這次遇到的問題更像是呈現方法上，要怎麼有效地透過圖表，溝通投票結果，所以花上許多時間探索圖表形式。
文章中有稍微提到「畫布」這件事情，但沒有花太多篇幅著墨。
以雷達圖、中間使用的類表格長條圖和最後挑選的並排長條圖來說，箇中差異就是，實際看到資料後，發現前面兩者無法有效傳達意義。
雷達圖和類表格長條圖是不是更適合呈現這種類型資料的圖表？是。但是因為有多達7個舞台，卻僅有4個構面，差異又不夠大，雷達圖看不出細節，類表格長條圖又太擁擠，所以才會選並排長條圖。
雷達圖之所以看不出細節、類表格長條圖之所以太擁擠，都是因為畫布空間所致。選項太多，雷達圖因此太擠，要在2列中塞下7個選項，導致看不清；因為是7x4（列x行），4個構面其實很少，所以每個構面看起來都很寬，反而變成畫布太大了。
回到並排長條圖，因為變成1x28（列x行）個長條，只有1列讓每個長條都足夠修長，28行則讓每個長條都能夠顯德細瘦，恰巧完美地符合要求。
整體來說，這次視覺化遇到的問題也是很有趣的挑戰。接下來如果有其他視覺化上的煩惱，會持續更新。請繼續收看《乘風2023》！
