这是OnHERWAY的第288篇原创文章
🇺🇸总统大选结果出炉。作为too big to ignore主题的又一个分支，这篇想聊聊美国媒体在跟踪开票时所运用的可视化报道。我试图回答三个问题：
1. 都有哪些可视化效果；
2. 为何不同媒体在报道开票过程中的数据更新不同；
3. 可能用到的可视化工具/技术
美东时间11月5日傍晚开始，各家媒体（无论平面，还是电视）都开始动态更新最新计票情况。电视台方面，基本上主持人可以用手挥舞不同方块，做各种沙盘推演，放大点击某个州令其变为蓝色或者红色，票仓的状态随即更新。总体效果挺酷炫的，比如NBC News的界面如下 （我偷懒，就没做动图了）
而在移动/网页端，美国主要媒体基本都运用实时更新的可交互界面，用户只要鼠标/手指悬停就可以看到最新的出票结果。例如为很多媒体提供数据的美联社（Associated Press, AP）界面如下：
这些数据既包括总统选举的选举人团（electoral college)得票情况，也有普选票（popular vote）的总票数，还包括参众两院和州长的实时计票情况。
我（未经证实）的判断是纽约时报（New York Times, NYT）使用的是AP的数据，因为他们的更新间隙基本在前后15秒之内。点击进入每一个州，可以细分到州里每个郡的红蓝票仓情况。
从下面几张图里不难发现，此役红营获胜的关键就是“农村包围城市”。集中看几个摇摆州：密歇根就是底特律等几个大城市为蓝色，其他郡县基本都翻红；
同理，宾州的费城和匹兹堡为蓝色，其他大部分地方为红色；佐治亚就是以亚特兰大为核心的区域为蓝色，剩余地方大多被红色占领；内华达基本只有拉斯维加斯为蓝色，等等（注：圆圈越大代表越是人口众多的大城市）⬇️
3）以及，这张“毛茸茸”有点密集恐惧症的图耐人寻味——这张体现出哪些地方出现了集中的倒戈，也就是跟4年前相比，纷纷转投“敌营”了。
这里需要岔开解释一下，为什么各家媒体在开票过程中的阶段性结果很不一样。例如，在美东时间5日晚上10点左右，NBC显示的结果是“红对蓝”为“201票对91票”，但同一时间段，AP的结果显示的却是198票对109票。这里可能有几个原因，且互相作用——
第一，数据来源不同。
AP通常直接从地方选举办公室同步较新数据，并会依靠自己的记者网络核实，这种方式有时可能略慢，但是精准度较高。而电视台可能会依赖多个数据来源，包括民调和第三方数据汇总，在某些情况下希望更快地做出预测。
第二，决策团队的模型和标准不同。
一般而言，AP以保守做法著称，往往会等待更高比例的开票数据再宣布该州的获胜者，而某些电视台可能会根据历史投票情况、选民人口特征和早期的投票趋势等综合来做预判。如果早期的计票结果大幅偏向某位候选人，并且这些地区的投票模式可以代表整个州的趋势，他们就可能提前预测结果，把票数全部加到某一阵营。比如昨天加州才刚刚开始计票，大部分媒体就立刻把它划为蓝色。这样做有风险吗？理论上确实是有翻盘的可能性，但总体概率较低。例如，昨天我观察到传统的红州德州在开票初期竟然是浅蓝的，吃了一惊，不过没一会儿就翻红了。
第三，报道风格不同。
AP作为世界级新闻通讯社，承载着为多家媒体提供原始数据的责任，因此更注重数据精准性，遵从更保守的报道时间表。而NBC作为电视网络，会更想争取观众注意力，因此在某些情况下可能会有“抢跑”的压力，以保持观众的关注度。
接下来以NYT为例简单梳理几个实现这些酷炫效果的可能技术/工具（注，这是从一个非技术出身的观察者视角总结出的不完全清单，如下可能有更新，有叠加使用，也可能有已经被边缘化的，但万变不离其宗）
1. R语言
R语言本质上一种用于统计分析和图形可视化的编程语言。它用于：
1）数据清洗、统计分析和基本数据。往往适合在项目的初始阶段使用，尤其是当数据需要进行复杂的分析和处理时。R 可以轻松读取各种格式的数据文件，如 CSV、Excel、数据库。
2）内置了各种专业的统计包。
3）数据可视化的工具，也可以实现交互式可视化。还有机器学习和预测的功能。
2. Datawrapper
Datawrapper是一款容易上手的的在线工具，用于制作互动图表和地图。这个工具的最大特点是，无需掌握深奥的编程知识就能上手。其官网显示，纽约时报是主要客户之一。
Datawrapper主要可以呈现三大类的可视化形式，而这些在选举开票报道中都已经看到了——
1）图表
有20多种交互式响应图表类型，从简单的条形图和线条图到箭头图、范围图和散点图。
2）地图
有三种交互式响应式地图类型，可创建从定位器地图到专题分级统计图和符号地图的各种内容。
3） 表格
响应式数据表提供多种样式选项，包含条形图、柱形图、折线图、热力图、搜索栏和分页等。
操作起来也相对便捷，只需要三步：
1）复制黏贴数据
2）编辑图表
3）嵌入或下载
3. 数据可视化工具：D3.js
D3.js 是一个用于构建高度定制化和动态可视化的 JavaScript库，适合创建复杂的、互动性强的数据图表。
相比Datawrapper, D3.js 基于 JavaScript 开发者可以精确控制图表的每个元素，适用于复杂的交互和动态数据展示。因此在需要高度自定义定制化、复杂数据可视化方面更具优势。
事实上很多年之前NYTimes的图像制作组就开始使用D3了，我考古发现了一期2013年的播客节目（！），当时的负责人回顾了它的前世今生，有兴趣的可以去听听——
https://datastori.es/data-stories-22-nyt-graphics-and-d3-with-mike-bostock-and-shan-carter/
4. Mapbox
Mapbox是一款用于地理空间数据可视化的工具，能够生成互动式地图。几个特点：
1） Mapbox GL JS （可以理解为一个开源客户端库，用于渲染 Web 端的可交互地图）和 Geocoding API （把地址转换为经纬度坐标以及地点 ID，或者将经纬度坐标或地点 ID 转换为地址）能提供精准的地图定位，提升数据可视化的可靠性。
2），矢量瓦片和栅格瓦片技术，保证了数据可视化体验流畅和直观。
*注：
矢量瓦片(vector tiles)：将地图数据（如道路、建筑）分割成小块并以矢量形式（如线条和多边形）呈现。矢量瓦片具有缩放灵活、细节清晰的特点，能在不同缩放级别保持高分辨率，同时消耗更少的网络资源。因此用户在查看地图时可以流畅地放大、缩小地图而不失真。
用在本次选举报道时，矢量瓦片就可用于动态展示各州、县或投票区的边界和实时开票数据。例如，用户可以在地图上缩放查看某一州的具体县级区域时，矢量瓦片会显示每个县的边界线、候选人支持率和实时票数。
栅格瓦片(raster tiles)：将地图信息以像素图（类似照片的形式）分割成小块，适合展示静态的地理信息或背景图。这类瓦片不像矢量瓦片那样灵活缩放，但适合快速加载较大的地图区域，应用在不需要复杂交互的场景中。
用在本次选举报道时，栅格瓦片可用于在地图的背景层展示不需要频繁更新的信息，例如人口密度、历史选举结果的热力图或地形背景。
以上这些都是data journalism的一部分，而可视化在整个数据分析里的链路里面也只是靠后的阶段（前期还有数据收集、准备、清理、分析等，才轮到可视化，也会用到Python, SQL, Tableau等工具，而如今GenAI已经可以大大简化某些前期步骤了）。要实现酷炫效果其实不难，但得有一个关键的前提，那就是数据本身的公开，透明，可及，规范。
