2 minute read

Data and Task Abstraction

Data Abstraction

Dataset의 종류는 무한이기 때문에 data 종류별로 visualize 방법을 정의해야 한다

Type of data: structural interpretation Semantics of data: real world meaning Metadata: Additional data required for interpreting data (types, semantics, syntax)

Data abstraction을 위해서는 세 가지를 알아야 한다,

Data

  • Item: Individual entity
  • Attribute: Property that can be measured, observed, logged (ex: dimension)
  • Link: Relationshup between items
  • Grid: Geometric/Topological 관계를 보여주는 data
  • Position: Spatial data (직접적인 위치)

Dataset

  • Table: Item과 attribute을 포함
  • Network: Items, links, attributes을 포함
  • Fields: Grids, Positions, Attributes (Continuous domain)
    • Sampling: Measure 주기
    • Interpolation: Sampled points 중간을 어떻게 채울 것인가

    Grid geometry: Cells location in space Grid topology: How cells connect with neighboring cells

  • Geometry: Items, Positions
  • Clusters(grouping), Sets(unordered), Lists(ordered): Items

Attribute

  • Categorical
    • Implicit ordering 없음 (ex: movie genres)
    • Operators: = = 또는 ! =
  • Ordered
    • Ordinal: Ordering이 있지만 arithmetic이 의미 없음 (shirt sizes)
    • Quantative: Ordering과 arithmetic 가능 (length, prices)
      • Interval: 차이가 의미있지만 absolute zero는 없음
      • Ratio: 차이가 의미있고 absolute zero도 있음 (Kelvin temperature)
        • 곱하기 나누기 가능
    • Operators: = = 또는 ! = 또는 >,< (Arithmetics는 quantative data에서만 가능)

Ordered attribute type에는 ordering direction도 중요하다. Sequential: Min to max가 정해져있음 Diverging: zero point으로부터 방향이 두 갈래 Cyclic: 일주일처럼 계속 증가해도 starting point으로 돌아감

Attribute Semantics 데이터가 데이터셋에서 어떤 역할을 하는가를 의미

  • Key: index for look up (ex: ID, 좌표값)
  • Value: look up되는 값

Task Abstraction

사람이 하고싶은 task도 무한이기 때문에 각 task마다 별도의 visualize 방법은 정의하는 것은 비효율적이다. 따라서 큰 범주로 정의 (Abstract)하고 그 범주마다 방법을 정의해야 한다. ex) Compare values between two groups

Actions

Analyze: 무엇을 위해 사용하는가 Search: 관심 대상을 어떻게 찾는가 Query: 대상에 대해 무엇을 알아보는가

High level: Analyze

  • Consume
    • 이미 생성된 information을 사용하는 것
    • Consume을 하는 방법은 세 가지로 나뉜다.
    • Discover
      • 이전에 몰랐던 정보를 찾는 것
      • 이때 hypothesis을 verify하거나 disconfirm 하기
    • Present
      • 이미 알려진 정보를 설명하는 것
    • Enjoy
      • Visualization 감상
  • Produce
    • 이미 생성된 information으로 새로운 information을 얻는 것
    • Produce을 하는 방법도 세 가지로 나뉜다
    • Annotate
      • Annotations 적기
    • Record
      • Saving / Capturing visualization elements

        Annotate은 일시적인 정보를 붙이는 것이고 record는 영구적인 것을 저장하는 것

    • Derive
      • 새로운 data elements을 존재하는 data elements으로부터 얻는 것
      • ex: changing types of attribute, augmenting, apply operations

Mid level: Search

joowan1108

사람(Target)을 찾는다고 했을 때 이 정보가 있는 location은 포유류 섹션

  • Lookup: 사람이 포유류 섹션에 있다는 것을 알고 찾기
  • Locate: 사람이 어떤 섹션에 있는지 모르고 찾기
  • Browse: 포유류 섹션을 훑어보기
  • Explore: Species tree 전체를 훑어보기

Low level: Query

  • Identify: 하나의 target의 특징 반환
  • Compare: 여러 target의 특징 반환
  • Summarize: 모든 것의 comprehensive view 반환

Targets

Action의 대상도 정의해야 한다

Data level

  • Trends: High level characterization of data (증가한다, peak이다, 등)
  • Outliers: Trend에 맞지 않는 정보
  • Features: Interest의 구조

Attribute level

  • Distribution: ex) 공부 시간의 분포
  • Extremes: ex) 가장 오래 공부하는 학생
  • Dependency ex) 성적이 공부 시간과 관련이 있는지
  • Correlation ex) 성적과 공부 시간이 비례하는지
  • Similarity ex) 성적과 공부 시간 dimension에서 학생들 간의 유사도

Network dataset에서는 target이 topology와 path Spatial dataset에서는 target이 shapes

You May Also Enjoy