AccuStripes：用于单变量数据分布视觉比较的自适应分箱方法

理解与比较数据分布（例如关于其模态、形状或离群值）是许多科学学科中的常见挑战。通常，该挑战通过并列比较直方图或密度图来解决。然而，比较多个密度图在认知上要求很高。均匀直方图常不精确地表示分布，因为缺失值、离群值或模态被等宽分组所掩盖。本文提出一种用于比较单变量数据分布的新概览可视化类型：AccuStripes（即累积条纹）是一种新的视觉隐喻，依据自适应分箱对数据分布的累积进行编码，使用不规则宽度的颜色编码条纹。我们详细阐述分箱的挑战。具体地，我们探索不同的自适应分箱概念，如 Bayesian Blocks 分箱与 Jenks Natural Breaks 分箱，用于计算分箱边界，就其尽可能准确表示数据集的能力进行考察。此外，我们讨论在分布比较可视化设计中涌现的问题：为允许比较多分布，其累积表示以堆叠模式上下绘制。基于我们的发现，我们提出三种用于多分布比较可视化的不同布局。AccuStripes 的实用性通过分箱方法的统计评估进行研究。利用来自聚类分析的相似性度量，我们展示了哪种分箱方法在统计上产生最佳分组结果。通过用户研究，我们评估哪种分箱策略以最直观形式视觉表示分布，并考察哪种布局允许用户以最轻松方式比较多分布。