本文是我在学习北京大学公开课《数据可视化》（共63讲）过程中，针对“高维数据可视化”章节所做的学习笔记整理。个人理解难免存在偏差或疏漏，若有不准确之处，恳请各位读者指正交流。
引言
在实际数据分析中，我们常常面对三维以上的高维数据。然而，人类视觉感知的天然上限是三维空间，因此如何将高维数据映射到二维平面并尽可能保留原始结构，成为可视化领域的核心挑战之一。
针对这一问题，课程中系统介绍了多种策略，包括降维投影、维度嵌套、基于像素的方法以及辅助性的聚类分析等。以下逐一进行梳理。
一、降维（Dimensionality Reduction）
1. 基本思想
降维的核心目标是将高维空间中的数据点映射到低维空间（通常为二维或三维），并在映射过程中尽可能多地保留原始数据中的变化信息。无论采用何种方法，信息损失都不可避免，关键在于我们优先保留哪种结构——全局方差、局部邻域，还是两两距离。
2. 主成分分析（PCA）
主成分分析是一种线性降维方法，它按照数据方差的从大到小顺序依次提取主成分。第一主成分指向方差最大的方向，第二主成分与之正交且方差次之，以此类推。
该方法计算高效且解释性较强，但局限性也明显——它只能捕捉线性结构，若数据存在非线性关系，PCA 的效果会大打折扣。
3. 多维缩放（MDS）
多维缩放的优化目标与 PCA 不同：它希望在二维投影后，数据点之间的两两距离尽可能与高维空间中的距离成正比。
这一特性使其特别适合用于文本分析（文档间语义差异的展示）或产品属性分析（例如汽车型号的加速度、重量、排气量等指标）。实际应用时，相似的物体会在平面上聚集成簇，而离群点则往往代表具有独特特征的个体。
4. 地形图式降维（密度地形图）
在普通散点投影的基础上，我们可以进一步引入“地形高度”来表征该位置的数据点密集程度。这种方式不仅继承了降维的分布展示能力，还能直观反映数据的局部密度。
一个典型应用是新闻主题可视化：政治类与财经类新闻会在地形图上形成不同的“山峰”，同一类主题聚集在同一区域，山峰越高表示该主题的新闻数量越多。
二、维度嵌套（Dimensional Nesting）
在整理这部分内容时，我最初的理解存在偏差。经仔细辨析后，在此更正：
维度嵌套并不是简单地在三维坐标轴内部再画小坐标系，而是一种递归的视觉编码策略：在一个已有的坐标系中，将某个轴上的每个刻度或数据点，再次展开为新的子坐标系，从而用“子图”形式编码额外的维度。
例如，最外层可能是一个三维空间（x, y, z），而每个位置点上放置的不是一个点，而是一个小的二维或三维子图，子图内部又编码了若干新变量。这样，总维度 = 外层维度 + 内层子图维度。
不过，嵌套层次过多会导致视觉杂乱且子图尺寸过小难以辨识，因此工程上通常仅做一层嵌套。另一种常见形式是在平面直角坐标系中，沿 x 轴和 y 轴分别堆叠小坐标轴或小条形图，本质上也是维度嵌套的变体。
总体来看，维度嵌套的适用场景是维度数量中等（约 10~20）且层次关系明确的数据，优点是能保留各维度的原始取值，缺点是扩展能力有限。
三、基于像素的方法（Pixel-based Visualization）
1. 基本做法
基于像素的方法将屏幕划分为规整的单元格，每个单元格对应一个数据项的某一维度，并用颜色编码该维度的数值大小（类似于热力图）。通常，每一列代表一个维度，每一行代表一个数据项。
2. 排列顺序的关键性
在基于像素的可视化方法中，数据项的排列顺序对观察结果有显著影响。
通常优先考虑依据数据自身的固有属性进行排序。例如，按时间先后排列，便于观察序列的趋势或周期性变化；按某个关键维度的数值大小排列，有助于比较该维度上的高低分布。排序完成后，具有相似取值的数据项在视觉上往往会自然汇聚成连续的色块区域，这种“就近聚集”的现象本身就反映了一定的数据结构，并不一定需要额外借助聚类算法来识别。
当数据缺乏明确的排序依据，或者我们希望综合多个维度的相似性来确定排列时，可以借助聚类算法来辅助生成排列顺序。例如，先计算各数据项之间的相似度（如基于欧氏距离或相关系数），再通过层次聚类等方法获得一种排列，使相似的数据项在图上尽可能相邻。
举例来说，在分析汽车性能数据时，若按“百公里加速时间”从短到长排序，可以直观看出加速性能与价格或重量之间是否存在大致的对应关系；若没有单一关键属性可供排序，则可先对所有车辆的多个属性（如加速、重量、排量、油耗等）进行聚类，再依据聚类结果决定排列顺序，从而观察不同类别车辆在这些属性上的整体差异。
总体而言，优先利用数据自身顺序进行排列，若无合适顺序，再考虑借助聚类等方法来辅助确定排列。两者目标一致，都是为了使数据中的结构在可视化中更易于被观察和理解。
3. 与平行坐标的对比
二者均以“一列对应一个维度”为基本结构，但编码方式不同：
| 方法 | 编码手段 | 优势 | 局限 |
|---|---|---|---|
| 像素图 | 用颜色深浅表示数值高低 | 支持大数据量，能发现局部异常与模式 | 颜色区分度有限，依赖合理排序 |
| 平行坐标 | 用折线在轴上的位置表示数值 | 可精确读数，便于观察维度间的相关性 | 数据量大时线条严重重叠，适合中低维度 |
![]()
4. 多样化的布局变体
除了规整的矩形网格，像素图还有多种布局形式：
螺旋布局：以某一数据点为中心，相似对象排在内圈，差异较大的排在外圈，便于观察局部邻域。用户还可交互更换中心点。
径向布局：各维度沿不同方向放射状排列，由内向外每一层代表一个数据项。这种方式有利于直观比较各维度的取值方向，但存在明显缺陷——靠近圆心的数据项被严重挤压，而靠外的数据项由于半径增大占用面积过大，造成视觉不均匀。
形状编码：将每个数据项拆分为若干小方块（如 12 个小块对应 12 个维度），用二值颜色（黑/白）填充。该方法特别适合布尔型数据，能快速识别异常时段或模式变化。
四、聚类（Clustering）作为可视化辅助手段
严格来说，聚类本身并非可视化方法，而是一种重要的数据预处理与分析手段，用于辅助可视化呈现。
聚类算法可基于欧氏距离、相关系数、信息熵等多种相似性度量，也可采用层次聚类进行迭代式划分。聚类结果在可视化中有两项关键作用：
排序与筛选：对像素图的行进行聚类排序，使同类聚集，形成更加清晰的块状模式；
交互与探索：用户点击某一簇后高亮对应数据点，便于深入分析子群体特。
聚类方法有很多种，可以基于相似性的度量（如欧几里得距离）或者是基于一些相关性来做一些计算，也可以层次聚类方式进行迭代式划分，可以引用各种各样的聚类方式从而使我们的可视化能够更好地呈现我们对应数据的内容。
在实际工作流中，聚类常与降维、像素图结合使用，形成“先聚类、再投影或着色”的典型模式。
五、历史视角：划线图方法
回顾可视化技术的发展，我们不能忽视时代技术条件的限制。
在彩色显示和高质量图形输出尚未普及的年代（甚至只能依靠针式打印机或字符输出），人们曾采用划线图的方法来编码数据：对每个数据项，从同一点出发绘制多条射线，每条射线代表一个维度，用射线的角度或长度表示该维度的取值。
课程中给出的实例是美国五大湖区的地理信息数据（五个维度）。通过不同方向与长度的线段组合，可以在黑白地图上形成独特的纹理，从而区分不同区域的数据特征。
再放大一点可以看到图的细节
这种方法在今天已较少使用，但它提醒我们：可视化技术的发展，始终与同时代的输出设备、计算能力和图形学基础密切相关。每一代方法都是在当时自由度下的最优选择。
六、方法对比与适用场景小结
| 方法 | 适用场景 | 维度数量 | 核心优势 | 主要局限 |
|---|---|---|---|---|
| PCA / MDS 降维 | 探索整体结构与聚类 | 高（>20） | 直观可交互 | 信息有损，非线性保留差 |
| 维度嵌套 | 具有层次结构的数据 | 中等（10~20） | 保留各维度原始值 | 视觉易杂乱，扩展性有限 |
| 像素图 | 大规模数据集，找模式与异常 | 高（>10） | 数据密度高，可发现局部模式 | 颜色分辨有限，依赖排列顺序 |
| 平行坐标 | 维度间相关性分析 | 中低（<20） | 读数精确，关系直观 | 线条重叠严重 |
| 划线图 | 黑白输出环境，低维数据 | 低（<10） | 不依赖色彩 | 表达能力有限 |
结语
高维数据的可视化并非追求“一次性呈现所有维度”，而是在信息完整性与视觉可读性之间寻找平衡。不同的方法各有侧重——有的保留方差，有的保留距离，有的用颜色替代位置，有的借助聚类增强结构。选择哪种方法，最终取决于我们的分析目标与数据本身的特性。
以上便是本次课程中关于高维数据可视化部分的学习整理。由于个人水平有限，文中若有理解不当之处，敬请指正，不胜感激。
笔记整理自公开课内容，如有不当之处，欢迎指正。
课程来源
本文根据北京大学公开课《数据可视化》（共63讲）的学习笔记整理而成，课程链接 ：
【公开课】北京大学：数据可视化