比較 Figures 4.2–4.3，理解 Big Data 情境下 Sampling 與 Visualization Design 如何影響資料探索。
辨識小樣本 Scatter Plot 的限制，並理解 Heat Map 如何在保留完整 Dataset 的情況下壓縮與呈現資訊。
原書使用一份超過 100,000 respondents 的 time-use survey，比較 Age、每週 Television Hours 與 Weekly Earnings。Figure 4.2 只畫出不到 1% 的資料；Figure 4.3 改用 Heat Map 呈現完整 Dataset。
| 項目 | Figure 4.2 | Figure 4.3 |
|---|---|---|
| 資料範圍 | 不到完整資料的 1% | Entire Dataset |
| Visualization | Scatter Plot | Heat Map |
| x-axis／matrix dimension | Weekly Earnings | Earning Level 與 Age Group |
| Television Hours | y-axis | Colour Gradient |
| Age | Colour | Age Group |
| Observation Count | Points | Box Size |
先以 Scatter Plot 查看小樣本，再以 Heat Map 將完整資料依 Earnings 與 Age 分組；Box Size 表示 observations 數量，Colour Gradient 表示 Television Hours。
原書指出 Survey 超過 100,000 respondents，Figure 4.2 使用 less than 1% 的 available data。原書未在正文提供各 Heat Map cell 的完整數值，因此不自行補算。
Sampling 可以降低繪圖負擔，但也會限制 Big Data 的潛在價值。Heat Map 的設計將數量與 Television Hours 編碼到 Size 與 Colour，使完整資料較容易理解。
「比較小樣本 Scatter Plot 與完整資料 Heat Map 的資訊損失與可讀性，僅依我提供的 Figure 設定與原書描述分析。」
題目： 如果只使用不到 1% 的 Scatter Plot，最大的分析風險是什麼？
參考解答： 樣本可能無法充分呈現完整 Dataset 的 Pattern；原書因此以此例說明 Big Data Visualization 不應只靠抽樣解決顯示問題。