Datenvisualisierung mit Bravour

Die Bedeutung der barrierefreien Verwendung von Farben in Bildern und Grafiken wurde in Briefen an Redakteure (Miall, 2007), Papiere (Geissbuehler und Lasser, 2013, Levine, 2009), Editorials (anonymous, 2007), Spalten (Wong, 2011) und auf zahlreichen Webseiten hervorgehoben. Eine der Empfehlungen ist die Verwendung eines Farbenblindheitssimulators. Da ich selbst einen Farbsehmangel habe, kann ich nicht beurteilen, ob diese Werkzeuge gut funktionieren. Dennoch scheint ein Versuch-und-Irrtum-basierter Ansatz ziemlich ineffizient zu sein., Stattdessen wäre die Verwendung von (einer Reihe von) standardfarbenblind freundlichen Paletten viel einfacher. Zum Beispiel sind grüne und magentafarbene Farben die Standardauswahl für die Herstellung von farbenblind freundlichen Überlagerungen von Fluoreszenzbildern. Im Folgenden bespreche ich eine Reihe von Farbpaletten, die zum Färben grafischer Elemente in Diagrammen geeignet sind. Ich denke, dass Menschen mit einem Mangel an Farbsicht von der Implementierung dieser Paletten in Software zur Datenvisualisierung profitieren würden.,

Qualitative Farbschemata

Ein quantitatives Farbschema wird verwendet, wenn Zahlen durch Farben dargestellt werden müssen. Diese Konvertierung erfolgt mit einer Nachschlagetabelle (LUT). Weitere Informationen zu (farbenblind-freundlichen) LUTs finden Sie in diesem Blog und in diesem Artikel. Hier spreche ich über qualitative Farbschemata, die Farben verwenden, um verschiedene Kategorien zu kennzeichnen. Die Anzahl der verschiedenen Kategorien definiert die Anzahl der eindeutigen Farben, die benötigt werden. Idealerweise können diese Farben von jedem unterschieden werden.,

Für bis zu vier Kategorien ist es ziemlich einfach, eine Reihe von Farben zu finden, die leicht zu unterscheiden sind. Dennoch macht es Sinn, die Farben aus einem farbenblind freundlichen Farbschema zu wählen. Wenn 5-8 Farben benötigt werden, um verschiedene Kategorien eindeutig zu kennzeichnen, ist es eine erhebliche Herausforderung, eine geeignete Farbpalette zu finden. Jenseits von 8 ist es fast unmöglich, Farben zu finden, die leicht unterschieden werden können. In diesen Fällen werden alternative Kennzeichnungsmethoden empfohlen., Im Folgenden werden mehrere farbenblind freundliche qualitative Farbschemata beschrieben und vier davon sind in Abbildung 1 dargestellt.

Farbenblind freundliche Paletten

Masataka Okabe und Kei Ito haben auf ihrer Website Color Universal Design (CUD) eine Palette von 8 Farben vorgeschlagen. Diese Palette ist ein „Satz von Farben, der sowohl für Farbenblinde als auch für Nicht-Farbenblinde eindeutig ist“. Die Verwendung dieser Palette wird von anderen unterstützt (Wong, 2011; Levine, 2009) und ist die Standardskala für das Buch „Grundlagen der Datenvisualisierung“ von Claus Wilke.,

Martin Krzywinski hat eine Website mit 12-und 15-Farbpaletten, die mehr Auswahl bieten. Persönlich habe ich Schwierigkeiten, mehrere dieser Farben zu unterscheiden. Es wird auch empfohlen, nicht mehr als 8 verschiedene Farben zu verwenden. Daher werden diese Paletten nicht mitgenommen.

Paul Tol hat mehrere qualitative Farbschemata erstellt, die farbenblind freundlich sind. Diese Paletten haben 5-10 Farben (einschließlich Grau) und variieren in der Dunkelheit.

Abbildung 1: Ein Überblick über qualitative, farbenblinde Paletten., Die Figur wurde mit einem R-Skript erstellt, das die Paletten definiert und zeichnet (doi: 10.5281 / zen).3381072).

Auswahl eines Farbschemas

Welche der Paletten ist die beste? Dies ist aus mehreren Gründen schwer zu sagen. Farben sehen anders aus, wenn sie gedruckt, auf einem Bildschirm angezeigt oder mit einem Beamer projiziert werden. Daneben bestimmen Größe, Struktur und Position der Objekte, ob die Kategorien unterschieden werden können. Infolgedessen ist es wahrscheinlich unmöglich, eine einzige universelle Farbpalette zu entwickeln., Ich denke, dass die von Okabe&Ito entworfene Palette eine gute erste Wahl ist. Dennoch ist es eine gute Idee zu sehen, wie verschiedene Paletten funktionieren, wenn sie in realistischen Datenvisualisierungen verwendet werden. Als Beispiel zeigt Abbildung 2 vier Diagramme, in denen die verschiedenen farbenblind freundlichen Paletten verwendet werden, um 6 Linien zu beschriften.

Abbildung 2: Die in Abbildung 1 gezeigten Farbpaletten werden verwendet, um 6 verschiedene Zeilen in einer realistischen Datenvisualisierung eindeutig zu kennzeichnen. Die Diagramme sind mit mit PlotTwist gemacht.,

Die in Abbildung 1 dargestellten Paletten sind im Webtool PlotTwist implementiert (Goedhart, 2019). PlotTwist ist ein frei verfügbares Online-Tool zum Plotten und Kommentieren von Zeitreihendaten. Es ermöglicht jedem, mit den farbenblind freundlichen Paletten zu experimentieren und sie auf Lineplots anzuwenden. Ich ermutige Sie, Ihre Meinung zu diesen (oder anderen) Paletten und ihrer Leistung mitzuteilen (insbesondere wenn Sie einen Farbsehmangel haben). Dazu können Sie unten eine Antwort hinterlassen oder Ihre Gedanken auf Twitter teilen., Letztendlich hoffe ich, mehr Datenvisualisierungen zu sehen, die einen Farbenblindheitstest mit Bravour bestehen.

Empfehlungen

Ich werde mit einigen Empfehlungen enden, die darauf abzielen, Grafiken zu verbessern, die Farbe verwenden:

-Verwenden Sie standardmäßig eine farbenblindfreundliche Palette.

– Verwenden Sie dicke Linien oder große Symbole, um die korrekte Identifizierung und Zuordnung der Farbe zu einer Legende zu erleichtern.

– Berücksichtigen Sie neben Farben auch die Verwendung von Mustern oder Beschriftungen, um zwischen Kategorien zu unterscheiden.

– Verwenden Sie maximal 8 verschiedene Farben für die Kennzeichnung verschiedener Kategorien.,

– Verwenden Sie eine Legende, die die Farben anzeigt, anstatt sich mit ihrem Namen auf die Farben zu beziehen.

– Halten Sie die Legende, die die Zuordnung der Farben in der Nähe der tatsächlichen Daten erklärt.

(+16 rating, 16 Stimmen)
Laden…,

Share

Report post

  • Issue:*
    Your Name:*
    Your Email:*
  • Details:*

Bericht einreichen

Tags: categorical data, Color, Color blindness, Color vision deficiency, DataViz, Graph
Kategorien: Bildung, Forschung

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.