格式塔原理：数据可视化如何引导观众的注意力

在数据分析中，我们常说：“一张好的图表胜过千言万语。”
但很多时候，我们做出来的图表却是“千言万语堵在心口难开”。读者看了半天，抓不住重点。
这是为什么？
因为人类的视觉感知遵循一套被称为 格式塔（Gestalt） 的心理学原理。
简单来说，当我们看到一组物体时，大脑会自动将它们视为一个整体或一种模式，而不是孤立的碎片。
下面我们用 Python 的 Matplotlib 库，来演示 格式塔（Gestalt） 心理学中的 6 个核心原理，看看如何利用这些原理“控制”读者的注意力。
1. 邻近原理：距离产生“关系”

邻近原理就是距离越近，关系越亲，我们的大脑会自动把靠得近的物体归为一类。
就像在一个派对上，站在一起聊天的几个人，你会下意识觉得他们是一伙的。

1. # 邻近原理
2. # 创建测试数据
3. np.random.seed(42)
4. data_a = np.random.normal(5, 1.5, 30)
5. data_b = np.random.normal(10, 1.5, 30)
6. data_c = np.random.normal(15, 1.5, 30)
8. # 不使用邻近原理
9. fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))
11. # 左侧：未应用邻近原理（所有点均匀分布）
12. all_data = np.concatenate([data_a, data_b, data_c])
13. x_positions = np.arange(90)
14. ax1.scatter(x_positions, all_data, alpha=0.7)
15. ax1.grid(True, alpha=0.3)
17. # 右侧：应用邻近原理（按组聚集）
18. for i, (data, x_offset) in enumerate(zip([data_a, data_b, data_c], [0, 30, 60])):
19.     x_positions = np.arange(len(data)) + x_offset
20.     ax2.scatter(x_positions, data, alpha=0.7, label=f'组{i+1}')
22. plt.tight_layout()
23. plt.show()

复制代码

设计要点：将相关的数据点或元素放在靠近的位置，可以让观众自然地理解它们属于同一类别或具有某种关联。
2. 相似原理：相似的“性格”吸引

相似原理就是长得像的，就是一家人，当物体在颜色、形状或大小上相似时，大脑会将它们分为一组。
比如在足球场上，穿着相同颜色球衣的人，你不需要看清他们的脸，就知道他们是队友。

1. # 相似原理
2. # 创建测试数据
3. categories = ["A", "B", "C", "D", "E"]
4. values1 = [12, 16, 14, 18, 15]
5. values2 = [8, 11, 9, 12, 10]
6. x_pos = np.arange(len(categories))
8. # 相似原理示例
9. fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))
11. # 左侧：未应用相似原理（随机颜色和样式）
12. bars1 = ax1.bar(x_pos - 0.2, values1, 0.4, color=colors1, edgecolor="black")
13. bars2 = ax1.bar(
14.     x_pos + 0.2, values2, 0.4, color=colors2, edgecolor="black", hatch=hatches[0]
15. )
17. # 为每组条形添加不同图案
18. for i, bar in enumerate(bars2):
19.     bar.set_hatch(hatches[i % len(hatches)])
21. # 右侧：应用相似原理（一致的颜色和样式）
22. ax2.bar(x_pos - 0.2, values1, 0.4, color="skyblue", edgecolor="black", label="数据集1")
23. ax2.bar(
24.     x_pos + 0.2, values2, 0.4, color="lightcoral", edgecolor="black", label="数据集2"
25. )
27. plt.tight_layout()
28. plt.show()

复制代码

设计要点：使用一致的颜色、形状或样式来表示相同类型的数据，可以大大降低观众的认知负担。
3. 包围原理：边界创造"归属感"

包围原理就是有围墙的地方就是家。如果在某些物体周围加上边界或背景色，它们就被视为一个独立的群体。
这个原理甚至比 “邻近” 和 “相似” 更强大。
比如，草地上散落着羊群，一旦你用栅栏圈住其中几只，大家就会认为这几只是被特别选中的。

1. # 包围原理
2. # 创建测试数据
3. np.random.seed(42)
4. x1 = np.random.normal(2, 0.8, 50)
5. y1 = np.random.normal(3, 0.8, 50)
7. x2 = np.random.normal(5, 0.8, 50)
8. y2 = np.random.normal(5, 0.8, 50)
10. # 包围原理示例
11. fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))
13. # 左侧：未应用包围原理
14. ax1.scatter(x1, y1, alpha=0.7, color="blue")
15. ax1.scatter(x2, y2, alpha=0.7, color="red")
17. # 右侧：应用包围原理
18. from matplotlib.patches import Ellipse
20. ax2.scatter(x1, y1, alpha=0.7, color="blue", label="组A")
21. ax2.scatter(x2, y2, alpha=0.7, color="red", label="组B")
23. # 添加包围区域
24. ellipse1 = Ellipse((2, 3), width=4, height=3, edgecolor="blue")
25. ellipse2 = Ellipse((5, 5), width=4, height=3, edgecolor="red")
27. ax2.add_patch(ellipse1)
28. ax2.add_patch(ellipse2)
30. plt.tight_layout()
31. plt.show()

复制代码

设计要点：使用边界、背景色或容器将相关的数据元素包围起来，可以明确地告诉观众这些元素属于同一组。
4. 闭合原理：大脑的"自动补全"

闭合原理就是大脑是天生的“补图高手”。即使图形不完整，只要有足够的提示，大脑也会自动脑补出缺失的部分。
比如看到一个虚线画圆，你不会觉得那是断断续续的线段，你会直接说：“这是一个圆”。

1. # 闭合原理示例
2. fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))
4. # 创建一些不完整的数据点
5. np.random.seed(42)
6. angles = np.linspace(0, 2*np.pi, 7)[:-1]  # 故意少一个点形成不闭合
7. radii = np.random.uniform(3, 5, 6)
8. x = radii * np.cos(angles)
9. y = radii * np.sin(angles)
11. # 左侧：不完整的形状（未利用闭合原理）
12. ax1.plot(x, y, 'o-', linewidth=2, markersize=8)
14. # 右侧：闭合的形状（应用闭合原理）
15. # 添加缺失的点使形状闭合
16. angles_closed = np.linspace(0, 2*np.pi, 7)
17. radii_closed = np.append(radii, radii[0])  # 回到起点
18. x_closed = radii_closed * np.cos(angles_closed)
19. y_closed = radii_closed * np.sin(angles_closed)
21. ax2.plot(x_closed, y_closed, 'o-', linewidth=2, markersize=8)
22. ax2.fill(x_closed, y_closed, alpha=0.3)  # 填充增强闭合感
24. plt.tight_layout()
25. plt.show()

复制代码

设计要点：我们不需要展示每一个细节，可以利用观众的自动补全能力来简化图表。
但要注意，过于不完整的图形可能导致误解。
5. 连续原理：流畅的"视觉路径"

连续原理就是顺藤摸瓜。我们的视线倾向于跟随平滑、连续的路径，而不是剧烈折线或不规则的排列。
比如排队时，如果队伍弯弯曲曲但每个人都看着前一个人的后脑勺，你知道这还是一条队。

1. # 连续原理示例
2. fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))
4. # 创建数据
5. np.random.seed(42)
6. time = np.arange(0, 10, 0.1)
7. signal1 = np.sin(time) + np.random.normal(0, 0.1, len(time))
8. signal2 = np.cos(time) + np.random.normal(0, 0.1, len(time))
10. # 左侧：不连续的展示
11. ax1.plot(time[:50], signal1[:50], 'b-', linewidth=2, label='信号A (第一部分)')
12. ax1.plot(time[70:], signal1[70:], 'b--', linewidth=2, label='信号A (第二部分)')
13. ax1.plot(time[:40], signal2[:40], 'r-', linewidth=2, label='信号B (第一部分)')
14. ax1.plot(time[60:], signal2[60:], 'r--', linewidth=2, label='信号B (第二部分)')
16. # 右侧：连续的展示
17. ax2.plot(time, signal1, 'b-', linewidth=2, label='信号A')
18. ax2.plot(time, signal2, 'r-', linewidth=2, label='信号B')
20. plt.tight_layout()
21. plt.show()

复制代码

设计要点：保持线条、形状或元素的连续性可以帮助观众追踪数据的变化趋势。在折线图、面积图中尤其重要。
6. 连接原理：看得见的"关系线"

连接原理就是藕断丝连。被线连接的物体，被视为强关联。这个视觉信号比颜色和距离都要强。
比如，两个人站得再远，如果手里牵着一根绳子，你也会觉得他们俩在互动。

1. # 连接原理示例 - 散点图版本
2. fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))
4. # 创建散点数据：4个相关点集，每个点集有5个点
5. np.random.seed(42)
6. n_points = 5
7. n_groups = 4
9. # 为每组生成相关点
10. groups = []
11. for i in range(n_groups):
12.     center_x = np.random.uniform(2, 8)
13.     center_y = np.random.uniform(2, 8)
15.     # 生成围绕中心的相关点
16.     x_points = center_x + np.random.normal(0, 0.8, n_points)
17.     y_points = center_y + np.random.normal(0, 0.8, n_points)
19.     # 添加一些趋势
20.     trend = np.random.uniform(-1, 1)
21.     y_points = y_points + trend * (x_points - center_x)
23.     groups.append((x_points, y_points))
25. # 左侧：未应用连接原理（独立的散点）
26. colors = ["blue", "red", "green", "orange"]
27. markers = ["o", "s", "^", "D"]
29. for i, (x_points, y_points) in enumerate(groups):
30.     ax1.scatter(
31.         x_points,
32.         y_points,
33.         color=colors[i],
34.         marker=markers[i],
35.         alpha=0.7,
36.         s=80,
37.         label=f"数据集{i+1}",
38.     )
41. # 右侧：应用连接原理（连接相关散点）
42. for i, (x_points, y_points) in enumerate(groups):
43.     # 首先绘制连接线
44.     # 按照x值排序，使连接线更有序
45.     sorted_indices = np.argsort(x_points)
46.     sorted_x = x_points[sorted_indices]
47.     sorted_y = y_points[sorted_indices]
49.     ax2.plot(
50.         sorted_x,
51.         sorted_y,
52.         color=colors[i],
53.         linewidth=2,
54.         alpha=0.5,
55.         line,
56.         label=f"数据集{i+1}趋势线",
57.     )
59.     # 然后绘制散点（在线上方，避免被线遮挡）
60.     ax2.scatter(
61.         x_points,
62.         y_points,
63.         color=colors[i],
64.         marker=markers[i],
65.         alpha=0.7,
66.         s=80,
67.         edgecolor="black",
68.         linewidth=1,
69.     )
71. plt.tight_layout()
72. plt.show()

复制代码

设计要点：在散点图中，连接相关数据点的线可以帮助观众识别出数据的模式、趋势或分组关系。
这就像在地图上连接各个城市来显示旅行路线一样，使相关的点之间建立了明确的视觉联系。
7. 总结

做数据可视化，不仅仅是写代码画图，更是一场 “注意力争夺战”。
通过这 6 个格式塔原理，我们不是在改变数据本身，而是在优化数据的呈现方式，让读者的脑力消耗降到最低。
每次我们画图时，不妨问自己一句：

• “这些数据应该是一组吗？它们靠得够近吗？”（邻近）
  
• “重点数据突出了吗？”（包围/相似）
  
• “视线流动顺畅吗？”（连续）
  

最好的可视化不是展示所有数据，而是引导观众看到最重要的信息。格式塔原理就是我们实现这一目标的强大工具。
希望这篇文章能帮助你在创建数据可视化时，更加有意地引导观众的注意力。

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！