Rectangular treemaps are often the method of choice to visualize large hierarchical datasets. Nowadays such datasets are available over time, hence there is a need for (a) treemaps that can handle time-dependent data, and (b) corresponding quality criteria that cover both a treemap's visual quality and its stability over time. In recent years a wide variety of (stable) treemapping algorithms has been proposed, with various advantages and limitations. We aim to provide insights to researchers and practitioners to allow them to make an informed choice when selecting a treemapping algorithm for specific applications and data. To this end, we perform an extensive quantitative evaluation of rectangular treemaps for time-dependent data. As part of this evaluation we propose a novel classification scheme for time-dependent datasets. Specifically, we observe that the performance of treemapping algorithms depends on the characteristics of the datasets used. We identify four potential representative features that characterize time-dependent hierarchical datasets and classify all datasets used in our experiments accordingly. We experimentally test the validity of this classification on more than 2000 datasets, and analyze the relative performance of 14 state-of-the-art rectangular treemapping algorithms across varying features. Finally, we visually summarize our results with respect to both visual quality and stability to aid users in making an informed choice among treemapping algorithms. All datasets, metrics, and algorithms are openly available to facilitate reuse and further comparative studies.

中文翻译：

---

时变树状图的定量比较

矩形树状图通常是可视化大型分层数据集的首选方法。如今，随着时间的推移，此类数据集是可用的，因此需要 (a) 可以处理时间相关数据的树形图，以及 (b) 涵盖树形图的视觉质量及其随时间的稳定性的相应质量标准。近年来，已经提出了各种各样的（稳定的）树映射算法，具有各种优点和局限性。我们旨在为研究人员和从业人员提供见解，让他们在为特定应用程序和数据选择树图算法时做出明智的选择。为此，我们对时间相关数据的矩形树图进行了广泛的定量评估。作为评估的一部分，我们为时间相关数据集提出了一种新的分类方案。具体来说，我们观察到树映射算法的性能取决于所用数据集的特征。我们确定了四个潜在的代表性特征，它们表征了与时间相关的分层数据集，并相应地对我们实验中使用的所有数据集进行了分类。我们在 2000 多个数据集上通过实验测试了这种分类的有效性，并分析了 14 种最先进的矩形树映射算法在不同特征上的相对性能。最后，我们直观地总结了我们在视觉质量和稳定性方面的结果，以帮助用户在树图算法中做出明智的选择。所有数据集、指标和算法都是公开可用的，以促进重用和进一步的比较研究。我们确定了四个潜在的代表性特征，它们表征了与时间相关的分层数据集，并相应地对我们实验中使用的所有数据集进行了分类。我们在 2000 多个数据集上通过实验测试了这种分类的有效性，并分析了 14 种最先进的矩形树映射算法在不同特征上的相对性能。最后，我们直观地总结了我们在视觉质量和稳定性方面的结果，以帮助用户在树图算法中做出明智的选择。所有数据集、指标和算法都是公开可用的，以促进重用和进一步的比较研究。我们确定了四个潜在的代表性特征，它们表征了与时间相关的分层数据集，并相应地对我们实验中使用的所有数据集进行了分类。我们在 2000 多个数据集上通过实验测试了这种分类的有效性，并分析了 14 种最先进的矩形树映射算法在不同特征上的相对性能。最后，我们直观地总结了我们在视觉质量和稳定性方面的结果，以帮助用户在树图算法中做出明智的选择。所有数据集、指标和算法都是公开可用的，以促进重用和进一步的比较研究。并分析 14 种最先进的矩形树映射算法在不同特征上的相对性能。最后，我们直观地总结了我们在视觉质量和稳定性方面的结果，以帮助用户在树图算法中做出明智的选择。所有数据集、指标和算法都是公开可用的，以促进重用和进一步的比较研究。并分析 14 种最先进的矩形树映射算法在不同特征上的相对性能。最后，我们直观地总结了我们在视觉质量和稳定性方面的结果，以帮助用户在树图算法中做出明智的选择。所有数据集、指标和算法都是公开可用的，以促进重用和进一步的比较研究。