-第四组郭沛洪-元培学院张昕-心理.ppt

* hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl hjkh l;kl * hjkh l;kl 第四组 郭沛洪 元培学院 张昕 心理学系 第二次作业报告 * bjhk 简介 NBA联赛——世界顶级篮球联赛之一 球员水平的评价标准? 技术统计数据 多变量数据 反应球员风格特点、整体表现 以表格形式出现 优点：精确、全面 缺点： 复杂 不便于数据的比较 不便于数据的整体把握 * bjhk 数据描述 NBA球员生涯技术统计数据 来源:/statistics/encyc/Player.jsp 内容: 球员名字(Player Name) 每赛季的出场次数(G)； 每场平均的出场时间(MIN)； 两分球的出手次数(FGA)、命中次数(FGM)和命中率(FG%)； 三分球的出手次数(3PA)、命中次数(3PM)和命中率(3P%)； 罚球的出手次数(FTA)、命中次数(FTM)和命中率(FT%)； 进攻篮板数(OFF)、防守篮板数(DEF)和总篮板数(TOT)； 助攻数(AST)、抢断数(STL)、盖帽数(BLK)、扣篮数(TO)、犯规数(PF)、得分数(PT)。 * bjhk 数据描述 抽象描述 每个球员作为一个数据点 一共783个数据点 每个点包含21个维度 每个维度的信息均用数字(整数或者浮点数)加以表示 可视化效果的期望 不同维度的数据之间的联系 球员风格的分类 不同类型的球员之间的主要区别 优秀球员和普通球员之间差异的根源 * bjhk 方案选择 平行坐标(Parallel Coordinates) 高维数据可视化的常用方法 n维数据属性空间通过n条等距离的平行轴映射到二维平面上 每一条轴线代表数据点一个属性维 轴线上的取值范围从对应属性的最小值到最大值均匀分布 每一个数据项（点）都可以根据其属性值而用一条连接各平行轴上相应点的折线段加以表示 * bjhk 方案选择 平行坐标 同时展示数据的多个维度直至所有维度的信息 清晰地表示出不同的数据点之间的关系 揭示同一个数据点不同的属性维度之间的关系 用途 对原始数据进行初步可视化以及定性分析 为进一步的定量分析做准备 * bjhk 方案选择 选择平行坐标的理由 数据维数众多（21维），但数据量并不大（783个数据点） 希望找出不同维度的数据之间的联系，并以此归纳出一些关于数据集自身的特性 希望找出不同数据点之间的差异和联系，并由此得出可以用于对球员进行风格分类的相关标准 希望通过前面两步的实验、观察与分析，进一步探究球员水平、能力差异的表现以及深入的原因 * bjhk 实现细节 利用OpenGL 对数据中的每一个维度均进行归一化操作，然后再映射到长度相同的平行坐标轴上 坐标轴的数量和位置可以自由调节，每个坐标轴所代表的属性也可以自由选择 对球员关于指定属性分级着色功能，并且可以决定是否显示某一级别的球员 Brush功能，可以选择特定的一组数据点并加以高亮显示；可以根据球员的名字选择单个数据点来高亮显示，并且被选中的球员会以加粗的线段表示 * bjhk 数据探索 得分能力 衡量一个球员水平高低的重要标准之一 探索目标（球员得分能力分析） 哪些球员的得分能力最强 高得分能力的球员到底有多少，以及整个联盟内球员得分能力的分布状况 与球员的其他方面能力同时比较 寻找与球员得分能力最相关的因素 Top Players和Ordinary Players之间的差异决定因素 * bjhk Demo * bjhk 结论和相关讨论 高维数据可视化 在传统方法难以发挥作用的领域，平行坐标能够在正确表示数据集的同时，为对数据的分析提供一种直观而且有效的手段 特别是当我们希望考察数据集中不同数据点之间的关系，或者是同一个数据点不同属性值之间的关系，以及这个数据集中大量数据所表现出来的统计特性的时候，我们的可视化工具具有很强的使用价值和很好的交互能力 Brush——高亮、数据点选择和自动分类着色等三个主要的特性为我们的工具在实际应用之中提供了良好的操作支持 * bjhk * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl hjkh l;kl * hjkh l;kl hjkh l;kl