Visualización de datos
A visualización de datos, representación gráfica de datos ou data visualization en inglés (VD) é un campo de estudo interdisciplinario e unha expresión da comunicación visual que consiste na representación visual de datos. Na VD, hai exposición gráfica (tipicamente imaxes e vídeos, mais tamén p. ex. escultura ou aplicacións web) de informacións abstractas con propósitos de atribución de sentido e comunicación.
A visualización de datos é o acto de comunicación realizado ao proxectar datos dunha forma gráfica estruturada. Esta proxección é unha ferramenta da análise e ciencia de datos, e úsase para aumentar a usabilidade, facendo os datos máis doados de comprender, acceder e utilizar.
A representación gráfica dos datos emprega diversos elementos visuais como gráficos estatísticos, diagramas, táboas e mapas Por esta razón, de xeito similar á ilustración científica, adoita ser tanto unha disciplina creativa como unha práctica técnica.[1]
Hai boas prácticas para a VD e principios que guían a cognición visual e a percepción. Esta disciplina tamén ten algoritmos e métodos ben establecidos (por exemplo, para obter unha curva de nivel, organizacións conceptuais, diagramas, interactividade etc.)
Visión xeral e histórica
[editar | editar a fonte]O termo visualización de datos ou "representación gráfica de datos" refírese ás técnicas empregadas para comunicar os datos codificándoos como obxectos gráficos (p. ex. puntos, liñas ou barras), para presentalos aos usuarios dun xeito claro e eficaz. Na representación gráfica hai que integrar estética e funcionalidade, destacando ideas, relacións e aspectos clave dun xeito intuitivo. A estética ten a función de mellorar a percepción da mensaxe sen comprometer nunca os aspectos funcionais.[2]
F. Viegas e M. Wattenberg suxeriron que unha VD eficaz non só debería comunicar dun modo claro, senón estimular a participación e atención dos espectadores.[3]
Tamén hai aplicacións de VD dirixidas a usos e públicos específicos, e linguaxes de programación como D3, Python e JavaScript que axudan a visualizar os datos elaborados de xeito gráfico.
A nivel escolar, hai programas con fins de aprendizaxe e bibliotecas de programación asociadas, incluíndo programas gratuítos como The Data Incubator.
Campos relacionados
[editar | editar a fonte]A representación gráfica dos datos atópase na intersección de diferentes campos de actividade, en eidos de interdisciplinariedade.
Campos empregados ou incluídos
[editar | editar a fonte]A VD baséase en conceptos e métodos desenvolvidos para outros eidos, incluíndo:
- Ciencia dos datos e Estatística: Os métodos e actividades da análise de datos adoitan ser a fonte dos datos representados.
- Psicoloxía cognitiva: Permite predicir e planificar o fluxo interpretativo dos datos representados.
- Estatísticas descritivas: Trata formas de representar datos numéricos / estatísticos, principalmente a través de gráficos.
- Arquitectura de VD (Data Presentattion Architecture; DPA): Deseña a representación gráfica de datos para integralos eficazmente nunha comunicación complexa.
- Visualización da información: Céntrase na representación de datos categóricos, relacións e información complexa.
Campos que usan representación gráfica de datos
[editar | editar a fonte]A VD úsase en campos como:
- Xornalismo e informativos audiovisuais: A miúdo a narración dos feitos vai acompañada de VD para facilitar a comunicación ou resaltar información de forma condensada e comprensible.
- Divulgación científica: os datos representados e simplificados graficamente poden ser máis comprensibles para o público ou mesmo para outros científicos.
- Análise do modelo de negocio: actividades como a definición de obxectivos, análise de requisitos e o mapeo de procesos poden aproveitar o filtrado, resaltado e resumo de características das VD.
- Optimización de procesos: pódense aproveitar representacións gráficas adecuadas para optimizar os fluxos de accións e decisións dirixidas a diversos obxectivos.
- Deseño de software: o uso de codificación gráfica de información para especificar partes do sistema, como fluxos de información / toma de decisións, usuarios, interfaces, esquemas etc. é común no software, onde hai métodos representativos estándar.
Campos afíns
[editar | editar a fonte]A VD ten aspectos en común con moitos eidos, incluíndo:
- Arquitectura da información: teñen en común a organización e recombinación de datos, co fin de facelos máis usables e idóneos.
- Deseño de interacción e usabilidade moitos principios son compartidos entre as dúas disciplinas.
- Deseño gráfico: é común a arte de comunicarse e impresionar a través de gráficos, símbolos e formas estéticas, por exemplo no emprego das infografías.
Historia
[editar | editar a fonte]Non hai unha única perspectiva completa sobre a historia da VD, o pensamento visual e a representación gráfica de datos.[4]
Historia antiga
[editar | editar a fonte]Datos e información sobre a posición das estrelas representáronse nas paredes das cavernas (como as que se atopan na Cova de Lascaux no sur de Francia) desde o Plistoceno.[5]
Representacións concretas de datos son varios artefactos tridimensionais históricos, como os marcadores de posición de arxila cuantitativos de Mesopotamia (5500 a. C. C.) ou o quipú dos incas. Estas representacións non documentais tamén se usaron en tempos recentes ou aínda se utilizan: por exemplo, ábacos (representacións cuantitativas), mapas en pau das Illas Marshall (mapas temáticos) ou mapas táctiles dos inuit (mapas tridimensionais).
As primeiras formas documentais de VD foron mapas, ideogramas e diferentes xeróglifos.
Unha das VD máis antigas é o papiro das minas de ouro, feito en Exipto no 1160 a.C. C., que ilustra a distribución dos recursos xeolóxicos e ofrece información sobre a súa extracción. Un mapa así pódese considerar un mapa temático, que é un tipo de VD que presenta e comunica información específica representando datos dun tema concreto conectado a áreas xeográficas específicas.
Idade Media
[editar | editar a fonte]A representación gráfica de datos en Eurasia e norte de África evolucionou coa invención do pergamiño e do papel, o que facilitou o desenvolvemento e a difusión de representacións bidimensionais de datos no transcurso da historia.[6]
O gráfico de Múnic
[editar | editar a fonte]A primeira tentativa coñecida de representar cambios de valores de xeito comparable aos gráficos modernos atópase nun manuscrito do século X ou XI conservado na Bayerische Staatsbibliothek de Múnic, posibelmente feito para o seu uso en escolas monacais. Inclúe un pequeno apéndice titulado De cursu per zodiacum que describe movementos aparentes do Sol, da Lúa e dos planetas. No seu interior hai unha gráfica que, aínda que hoxe non sexa comprensíbel en todos os aspectos, probablemente pretende representar as desviacións das estrelas da eclíptica en función do tempo.[7]
Idade moderna
[editar | editar a fonte]No século XVI desenvolvéronse técnicas para a medición precisa de cantidades físicas, posicións xeográficas e celestes. A triangulación e outros métodos para determinar graficamente con precisión as posicións nos mapeamentos foron fundamentais. Descartes e Pierre de Fermat desenvolveron a xeometría analítica e dous sistemas de coordenadas tridimensionais que influíron nos métodos prácticos de representación e cálculo de valores. Fermat e Blaise Pascal cos seus traballos sobre teoría da probabilidade sentaron as bases para o tratamento actual dos datos, e axudaron a William Playfair a desenrolar o potencial da comunicación gráfica para obter datos cuantitativos, xerando métodos gráficos para a estatística.[8]
Idade contemporánea
[editar | editar a fonte]Ao longo do século XIX, as técnicas de visualización fóronse facendo máis sofisticadas.
Un diagrama histórico de Charles Minard mostra o número de vítimas que o exército de Napoleón sufriu entre 1812 e 1813. Rastréxanse seis variables dun xeito sintético e perceptible: o tamaño do exército, os nomes de posicións xeográficas, o camiño percorrido, o tempo, a dirección do movemento e a temperatura. Esta representación nunha superficie bidimensional conta múltiples aspectos dunha historia que poden entenderse inmediatamente.
Revolución dixital
[editar | editar a fonte]Após a revolución dixital, a VD converteuse nunha disciplina activa de investigación, docencia e desenvolvemento. A introdución de procesadores de datos dixitais trouxo novas posibilidades, incluíndo:
- analizar cantidades de datos moito maiores que nunca, nunha fracción do tempo anteriormente requirido
- crear facilmente VD animadas, que permiten visualizar evolucións temporais dos datos
- xerar visualizacións en tempo real, que permiten representar automaticamente datos actualizados sen intervención do usuario (monitorización), aprofundar nun subconxunto de datos (zoom) ou ver un conxunto alternativo (filtros, movementos etc.).
- xestionar representacións multimedia, que permitan o uso potencial de son ou outras interaccións por ordenador para salientar ou representar datos a audiencias con diversidade funcional
- transmitir representacións instantáneas a distancia e a grande escala
O procesamento, análise e representación de Big data atopan apoio na representación gráfica de datos, especialmente dixital, para representar os resultados das análises de ciencia de datos.[9] En xeral, as tecnoloxías dixitais aumentan as posibilidades da VD, porén ter demasiados datos dispoñibles pode ter efectos contraproducentes.
Principios xerais
[editar | editar a fonte]Deben levar os usuarios a realizar tarefas analíticas (facer comparacións, extrapolar relacións...) polo que unha representación eficaz axuda a comprender e pensar mellor os datos. O "principio de deseño" de calquera gráfico debe apoiar a actividade analítica. A representación pode ter varias tarefas, destacando valores específicos, relacións, dimensións, causalidade ou outras características dos datos; o deseño da VD debe realizar estas tarefas o mellor posible. Partindo dos mesmos datos e propósitos, diferentes tipos e estilos de gráficos poden ser máis ou menos eficaces.
Eppler e Lengler desenvolveron a " táboa periódica de representación de datos ", unha VD que resume varios métodos clasificándoos con criterios como tipo de datos, propósito, modo de representación etc.[10] Esta táboa permíte escoller rapidamente unha representación efectiva segundo os tipos de datos, propósitos e audiencia.
Percepción, cognición e VD
[editar | editar a fonte]É preciso coñecer os procesos perceptivos para proxectar visualizacións efectivas. Por exemplo, saber que os humanos procesamos máis rápido as diferenzas de lonxitude que unha variación na superficie convida a representar diferenzas cuantitativas a través dun gráfico de barras (que usa a liña para mostrar a comparación) en lugar dunha 'torta' (que usa a superficie).[8] Cando as propiedades de datos simbólicos están asociadas a propiedades visuais, os humanos podemos navegar de forma eficiente a través de grandes cantidades de datos facendo un mellor uso dos recursos mentais. A representación correcta proporciona un enfoque que amosa conexións potenciais que non son tan evidentes nos datos cuantitativos non visualizados.
Atributos pre-atentos
[editar | editar a fonte]O ser humano pode distinguir diferenzas de lonxitude, forma, orientación e cor con pouco esforzo cognitivo, nun modo de percepción instintivo que se produce antes de ter unha atención e conciencia focalizadas, o que se pode definir como "percepción pre-atentiva"; os elementos representativos que se perciben deste xeito pódense definir como "atributos pre-atentos".[11]
Un exemplo: distinguir todas as aparicións do "5" nunha serie de números requiriría un tempo e esforzo significativos (percepción coidadosa); pero se as aparicións desa figura fosen de diferente tamaño, espesor e / ou cor, as figuras serían rapidamente comprendidas a través da percepción pre-atenta sen moito esforzo cognitivo.[12]
Unha representación gráfica eficaz debería considerar os mecanismos de procesamento mental e a súa forza relativa.
Clasificación
[editar | editar a fonte]As clasificacións das VD son numerosas e están baseadas en diferentes criterios.
Baseado na tarefa
[editar | editar a fonte]Edward Tufte enumerou seis tarefas que se deben realizar mediante visualización dos datos:[13]
- Documentar : explicar as fontes e as características dos datos
- Comparar : forzar repetidamente a comparación de datos
- Demostrar causalidade : demostrar mecanismos de causa e efecto entre os distintos datos representados
- Cuantificar : referido ás relacións causa-efecto
- Destacar multivarianzas : recoñecer os aspectos intrínsecos multivariados dos problemas, é dicir, efectos con múltiples causas
- Explicar con escepticismo : explorar e valorar explicacións alternativas
Baseado no tipo de datos
[editar | editar a fonte]Ao clasificar variables en función de proporcionar ou non datos numéricos, obtéñense:
- Cantidade : unha cantidade é unha variable cuxos valores son datos cuantitativos, é dicir, medidas numéricas, como "25" para representar unha idade, cuxa natureza é numérica e cuxos valores sempre poden entenderse expresados como números. Os valores numéricos pódense codificar de varias maneiras, a miúdo en función da gradación de posición, área ou cor, como puntos, liñas ou barras, para comunicar visualmente información cuantitativa.
- Categoría : unha categoría é unha variable cualitativa, polo tanto unha variable non numérica ou unha variable numérica empregada cunha función de clasificación e non de medida, cuxos valores se chaman datos categóricos, por exemplo cor, nome, tipo, rango de idade (valor potencialmente numérico usado como categoría), ou formas máis complexas como a relación con outro elemento por exemplo. pai etc. As categorías non se prestan ben ás representacións canónicas de cantidades, precisamente porque poden non ser cantidades.
Combinando tipoloxías e fins representativos, Stephen Few identificou oito tipos de macro:
- Cronoloxía ou tendencia : se quere ilustrar a evolución dos valores das variables cuantitativas adquiridas repetidamente ao longo do tempo.
- Clasificación : cando desexa ordenar datos cuantitativos ou frecuencias categóricas, en orde ascendente ou descendente.
- Comparación entre partes e total : cando desexa relacionar unha variable cuantitativa ou un valor categórico contar co total (100%).
- Desviación : cando desexa comparar a desviación dalgúns valores con respecto a un valor de referencia
- Distribución de frecuencia : para amosar o número de observacións dunha variable particular durante un intervalo determinado. Os gráficos de liñas e as etiquetas descritivas superpostas ou embaldosadas no diagrama poden engadir datos estatísticos complementarios para comprender mellor as distribucións, por exemplo mediana, cuartís, valores atípicos etc.
- Correlación : se desexa comparar a intersección dos valores de dúas variables cuantitativas (X, Y) para resaltar se teñen correlacións, como proporcionalidade directa ou inversa, causa-efecto etc.
- Comparación nominal : se desexa ver datos categóricos que non teñen unha orde particular
- Posicionamento xeográfico ou xeoespacial: se desexa comparar ou proxectar unha variable con respecto ás coordenadas espaciais.
Baseado na metodoloxía gráfica
[editar | editar a fonte]Clasificando segundo a metodoloxía gráfica podemos dividir as VD en dous tipos principais: táboas e representacións visuais:
- Unha táboa enumera os datos en filas clasificándoos por columnas e é axeitada para conter datos tanto cuantitativos como categóricos, con encabezamentos e contidos de celas categóricos ou cuantitativos principalmente. Úsase principalmente para permitir atopar valores específicos. Por exemplo, nunha táboa cada fila pode conter datos dunha persoa diferente ( mostra experimental ) con cabeceiras de columna categóricas que representan nome ( variable de clasificación cualitativa ), fillo ( variable de relación cualitativa ) e idade ( variable cuantitativa ).
- Unha representación visual mostra os valores codificados como obxectos visuais (por exemplo, liñas, barras, puntos ou formas) e destaca as relacións entre unha ou máis variables. Os valores represéntanse dentro dunha área, que se pode proxectar nun ou máis eixos. Calquera eixo proporciona "escalas" (cuantitativas e / ou categóricas) empregadas para etiquetar e asignar valores ás imaxes. Os principais tipos de representacións visuais son grafos, mapas e gráficos.[14]
Tipos de representacións visuais
[editar | editar a fonte]Á súa vez as representacións visuais pódense dividir en dúas macro-categorías, que difiren en termos de granularidade e idoneidade para un estudo en profundidade:[15]
- Visualizacións gráficas, axeitadas para mensaxes xenéricas e a transmisión de información sinxela e inmediata, incluíndo infografías, ideogramas, pictogramas e diagramas. Un exemplo mínimo con dúas variables é o símbolo de sentido único que representa a variable cuantitativa de direcció n simplificada nun único valor booleano codificado no lado onde se atopa a punta de frecha (eliminando todas as alternativas excepto a "dirección correcta" e o "sentido contrario"), xunto coa variable categórica da obriga, codificada na combinación específica de cores, formas e proporcións do debuxo.
- Gráficos e diagramas máis detallados, empregados para apoiar proxectos, elaboracións técnicas e estreitamente relacionadas con valores numéricos.
Boas prácticas
[editar | editar a fonte]Características dunha boa representación
[editar | editar a fonte]Unha boa representación gráfica dos datos debería ser:
- Eficaz : Amosarndo os datos dun xeito comprensible
- Centrada: inducindo ao espectador a pensar sobre a substancia e os datos en lugar de distraelos con metodoloxías de representación, gráficos, tecnoloxías gráficas ou outros
- Veraz : Evitando distorsionar os datos representados
- Concisa : Resumindo moitos datos nun espazo pequeno
- Uniforme : Facendo grandes conxuntos de datos consistentes e uniformes
- Profundizadora : Animando o espectador a comparar datos, subconxuntos de datos, relacións etc. .
- Multinivel: Revelando datos en diferentes niveis de abstracción e detalle, desde a visión xeral a unha estrutura fina
- Con finalidade : Sendo deseñada cun propósito razoablemente claro: describir, explorar, listar ou decorar
- Significativa : tTendo un significado estatístico ou descritivo do conxunto de datos
As VD ben feitas poden ser máis focalizadas e reveladoras que as análises estatísticas e as representacións numéricas e textuais.
A Congressional Budget Office dos Estados Unidos resumiu nunha presentación en xuño de 2014 de varias " mellores prácticas " para a representación gráfica de datos.
Estas incluíron:
- Contextualizar : coñecer o teu público
- Usar símbolos universais : deseñar elementos gráficos que poidan ser autosuficientes fóra do contexto da representación
- Usar símbolos eficaces : deseñar gráficos que comuniquen as mensaxes clave do informe
Prácticas non recomendables
[editar | editar a fonte]Non aplicar estas 'boas prácticas' pode producir gráficos enganosos, distorsionando a mensaxe ou admitindo conclusións incorrectas.
En moitos casos aplícanse malos hábitos sen que o autor se decate. Por exemplo, separar as etiquetas da imaxe por motivos puramente estéticos, como cando se pon unha etiqueta na lenda e non no gráfico, require que o ollo se mova cara a adiante e atrás da imaxe á etiqueta para entendela.
A relación entre "datos e gráficos" debe maximizarse a favor dos datos, eliminando sempre que sexa posible os gráficos que non admiten datos.
Exemplos de selección de diagramas para diferentes representacións
[editar | editar a fonte]Moitas VD baséanse no uso de diagramas, posiblemente múltiples e / ou acompañados de textos e gráficos, como no caso das infografías. Os analistas que examinan un conxunto de datos avalían se os tipos de gráficos son aplicables á súa tarefa, á súa mensaxe e á súa audiencia.
Hai infinidade de diagramas estándar, axeitados para situacións diferentes e pódense crear outros infinitos, cada un con diferentes puntos fortes, puntos débiles, obxectivos etc. Algúns exemplos:
Nome | Variábeis a representar | Aspectos a evidenciar | Exemplos | |
---|---|---|---|---|
Istograma |
|
|
| |
Gráfico de barras |
|
|
| |
Gráfico de torta |
|
|
| |
Gráfico de liña |
|
En xeral, é adecuado para todas as representacións do histograma
|
| |
Gráfico de dispersión |
|
|
| |
Gráfico de dispersión 3D |
|
Como o diagrama de dispersión, pero admite unha variable adicional
|
| |
Grafo |
|
|
| |
Gráfico de áreas apiladas |
|
|
| |
Mapa de árbore |
|
|
| |
Diagrama de Gantt |
|
|
| |
Mapa de calor |
|
|
| |
Cartograma |
|
|
* Proxección do risco dunha determinada enfermidade, proxectada sobre a cor, segundo a área xeográfica
| |
Gráfico de franxas |
|
É unha versión alternativa ao gráfico de liñas e ao histograma, onde Y se substitúe por unha gradación de cor.
Pode ser máis eficaz nos casos en que a cor se poida asociar facilmente cos casos relacionados co rango de valores representados por esa cor (por exemplo, vermello lume, azul chuvia, ganancias verdes etc.) |
| |
Gráfico en espiral animado |
|
|
|
Arquitectura de presentación de datos (DPA)
[editar | editar a fonte]A Arquitectura de presentación de datos (Data Presentation ArchitectureDPA) é un conxunto de actividades que buscan identificar, localizar, filtrar, formatear e presentar datos de xeito que comuniquen de forma óptima o seu significado con respecto a un contexto de toma de decisións. [8]
Os obxectivos da DPA son similares aos da VD: eficiencia e eficacia.
Para acadar os obxectivos do DPA trabállase en:
- Medios : Crear mecanismos eficaces para cada destinatario, segundo o seu papel, os seus obxectivos, a súa localización e o seu acceso á tecnoloxía.
- Relevancia : Definir que significados e coñecementos deben destacarse para cada usuario e contexto.
- Actualización: Determinar a periodicidade necesaria para a modificación dos datos.
- Insights : Atopar os temas, o historial, a duración, o nivel de detalle etc. apropiado.
- Representación : Determinar e realizar as análises, agrupacións, visualizacións e outras accións máis adecuadas dirixidas á VD.
Notas
[editar | editar a fonte]- ↑ Manuela Aparicio and Carlos J. Costa (novembro de 2014). "Data visualization". Communication Design Quarterly Review 3: 7–11. doi:10.1145/2721882.2721883.
- ↑ Vitaly Friedman. "Data Visualization and Infographics". Consultado o 12 de novembro de 2021.
- ↑ Fernanda Viegas e Martin Wattenberg. "How To Make Data Look Sexy". Arquivado dende o orixinal o 6 de maio de 2011. Consultado o 8 de febreiro de 2020.
- ↑ "A Brief History of Data Visualization". Arquivado dende o orixinal o 1 de decembro de 2017. Consultado o 21 de novembro de 2021.
- ↑ "Ice Age star map discovered". Arquivado dende o orixinal o 21 de novembro de 2021. Consultado o 21 de novembro de 2021.
- ↑ N. I. Fisher. Statistical Analysis of Circular Data. Consultado o 12 de novembro de 2021.
- ↑ Funkhouser, Howard Gray (xaneiro de 1936). "A Note on a Tenth Century Graph". Osiris 1: 260–262. JSTOR 301609. doi:10.1086/368425.
- ↑ 8,0 8,1 8,2 Data Representation Architecture: Visualization Design Methods, Theory and Technology Applied to Anesthesiology
- ↑ Press, Gil. "A Very Short History Of Data Science". Arquivado dende o orixinal o 11 de setembro de 2017. Consultado o 26 de agosto de 2017.
- ↑ "Graphical Perception and Graphical Methods for Analyzing Scientific Data" (PDF). Arquivado (PDF) dende o orixinal o 20 de outubro de 2018. Consultado o 20 de outubro de 2018.
- ↑ "VISUALIZZARE EFFICACEMENTE: COME SFRUTTARE GLI ATTRIBUTI PREATTENTIVI". Consultado o 12 de novembro de 2021.
- ↑ "Tapping the Power of Visual Perception" (PDF). Arquivado dende o orixinal (PDF) o 12 de novembro de 2021. Consultado o 12 de novembro de 2021.
- ↑ Michael Shermer. "The Feynman-Tufte Principle". Consultado o 12 de novembro de 2021.
- ↑ "Steven Few-Selecting the Right Graph for Your Message-September 2004" (PDF). Arquivado (PDF) dende o orixinal o 5 de outubro de 2014. Consultado o 8 de setembro de 2014.
- ↑ "Rappresentazione grafica dei dati". Consultado o 12 de novembro de 2021.
Véxase tamén
[editar | editar a fonte]Wikimedia Commons ten máis contidos multimedia na categoría: Visualización de datos |
Bibliografía
[editar | editar a fonte]- Cleveland, William S. (1993). Visualizing Data. Hobart Press. ISBN 0-9634884-0-6.
- Evergreen, Stephanie (2016). Effective Data Visualization: The Right Chart for the Right Data. Sage. ISBN 978-1-5063-0305-5.
- Healy, Kieran (2019). Data Visualization: A Practical Introduction. Princeton: Princeton University Press. ISBN 978-0-691-18161-5.
- Post, Frits H.; Nielson, Gregory M.; Bonneau, Georges-Pierre (2003). Data Visualization: The State of the Art. Nova York: Springer. ISBN 978-1-4613-5430-7.
- Rosling, H.; Rosling, O.; Rosling Rönnlund, A. (2018). Factfulness: Ten Reasons We're Wrong About the World – and Why Things Are Better Than You Think. Flatiron Books. pp. 288. ISBN 9781250123817.
- Wilke, Claus O. (2018). Fundamentals of Data Visualization. O'Reilly. ISBN 978-1-4920-3108-6. Arquivado dende o orixinal o 19 de outubro de 2019. Consultado o 12 de novembro de 2021.
- Wilkinson, Leland (2012). Grammar of Graphics. Nova York: Springer. ISBN 978-1-4419-2033-1.