微软研究团队提出的Data Formulator，旨在通过概念驱动的方法解决数据转换的难题。现有可视化工具通常需要“整洁数据”作为输入，而Data Formulator引入“概念绑定”范式，允许用户将数据“概念”绑定到可视化通道。用户可以通过自然语言提示或基于示例的输入来创建新概念，并利用AI后端推断必要的数据转换，生成候选可视化结果。用户可以通过直观的界面检查、优化和迭代可视化结果，从而简化数据可视化流程。测试结果表明，Data Formulator在任务完成度和可用性方面表现出色。

💡Data Formulator引入了“概念绑定”范式，简化了数据转换流程。用户不再需要手动进行繁琐的数据整理，而是可以将数据“概念”直接绑定到可视化通道，从而更专注于数据的探索和呈现。

🗣️Data Formulator支持两种创建新概念的方法：自然语言提示和基于示例的输入。用户可以通过自然语言描述所需的数据转换，或者提供示例数据来指导系统进行数据重塑，从而灵活地满足不同的数据处理需求。

📈Data Formulator的AI后端能够推断必要的数据转换，并生成多个候选可视化结果。系统还会为每个候选结果提供解释性反馈，帮助用户理解数据转换的过程和结果，并进行优化和迭代。

IT之家 2 月 15 日消息，科技媒体 marktechpost 昨日（2 月 14 日）发布博文，报道称微软 Microsoft Research 团队提出 Data Formulator，通过概念驱动的方法有效地解决了数据转换的持续挑战。

现有挑战

IT之家注：Charticulator、Data Illustrator、Lyra 等现代可视化工具，以及 ggplot2、VegaLite 等库，通常需要“整洁数据”作为输入，意味着每个可视化变量都是一列，每个观察值都是一行。

如果不是这种格式，用户就需要进行数据转换，即使原始数据完整无缺。这需要编程专业知识以及 tidyverse、pandas 或 Wrangler 等专业工具，导致工作流程低效，不断切换数据转换和可视化步骤。

Data Formulator

Data Formulator 引入“概念绑定”范式，用户将数据“概念”绑定到可视化通道。概念可以来自现有列，也可以按需创建。

创建新概念有两种方法：自然语言提示（用于数据推导）和基于示例的输入（用于数据重塑）。用户选择图表类型并映射所需概念后，Data Formulator 的 AI 后端会推断必要的数据转换并生成候选可视化结果。

系统为多个候选结果提供解释性反馈，用户可以通过直观的界面检查、优化和迭代可视化结果。结合自然语言和编程示例，用户可以使用熟悉的配置工具，同时访问强大的转换功能。

测试结果

用户测试结果表明 Data Formulator 在任务完成度和可用性方面表现出色。参与者平均在 20 分钟内完成所有分配可视化任务，其中任务 6 由于涉及 7 天移动平均值计算而耗时最长。

展望未来，这种概念驱动的可视化方法有望影响下一代可视化数据探索和创作工具，有可能消除可视化创建中长期存在的数据转换障碍。

参考

• Data Formulator 2: Iteratively Creating Rich Visualizations with AI

• GitHub