数据可视化的方法和工具V1.1-技术圈

你好，我是林骥。

最近，我开始修订一些以前发表过的文章。

对我来说，这是一种复习和复盘，从中发现可以改进的地方，并完善自己的知识体系。

如果你以前看过这篇文章，那么你也可以再复习一遍，从而加深对相关知识的理解。

1. 数据可视化简介

数据可视化，是指用图形的方式来展现数据，从而更加清晰有效地传递信息，主要方法包括图表类型的选择和图表设计的准则。

随着互联网的广泛应用，我们的工作和生活等各个方面，每时每刻都在产生大量的数据。

数据可视化作为一种有效传递信息的手段，被越来越广泛地应用到很多领域，比如说，是淘宝双十一的数据可视化，在一块大屏幕上实时动态展示交易数据。

如果想要让数据发挥更大的价值，那么合理地运用数据可视化的方法和工具就显得特别重要。

2. 数据可视化的图表选择

根据数据分析的实际情况，需要有针对性地选择合适的数据可视化方法。

但是，可视化的图表花样繁多，我们应该如何选择并设计好你的图表呢？

下面这张图源自 http://chart.guide：

本文将把它拆分为 8 个部分，逐一进行介绍。

(1) 当你需要对不同的类别进行比较时，有很多种图形可供选择，其中条形图是最常见的，垂直瀑布图适合用来比较并分析各个组成部分的变化情况，词云图适用于大量文本的分析和比较。

(2) 当你想要直观反映关键业绩指标随时间的变化情况时，用柱形图或曲线图是比较好的选择。

(3) 当你需要展示二八定律时，用柏拉图(Pareto)能方便地找出主要因素。

(4) 当你希望展示数据之间的联系或关系时，漏斗图和散点图是比较好的选择。

对于气泡图，我个人觉得可以适当地加以运用，因为她能综合反应出 3 个重要的指标，在一些数据分析场景中，气泡图能有效地传递出重要的信息。

比如说，Hans Rosling 曾经利用动态气泡图，展现了全球人口、收入、健康的动态变化，在网站 http://www.gapminder.org 上也可以找到大量动态气泡图的应用。

(5) 当你关注数据的分布状况时，可以使用直方图或小提琴图。

刚开始看到小提琴图，可能会觉得她比较费解，但当你理解她代表的具体含义之后，就会知道她能传递很多专业的统计信息，包括数据的密度分布、中位数、四分位数等。

(6) 如果你想增强图表的表现力，那么可以增加箭头和标签等图表元素。

(7) 当你只需要突出显示某个单值，可以用放大的粗体文字或图片。

(8) 在进行数据可视化的过程中，应该时刻关注数据可视化的目标，记住这些图表设计的提示：

使用2D图表，不要使用三维立体效果
使用反映真实情况的刻度，避免造成误导
使用单一的 Y 轴，不要使用双轴图表
折线图用角度体现真实的数据变化，不要使用平滑效果
数据序列最多不超过 4 个
条形图按大小排序进行排列
不要使用无意义的颜色
高亮显示重要的图表元素
坐标轴等辅助元素尽量淡化

3. 数据可视化的六种制作方法

(一) 将指标值图形化

一个指标值就是一个数据，将数据的大小以图形的方式表现。比如说，用柱形图的高度表现数据大小。

(二) 将指标图形化

一般用与指标含义相近的 icon 图标来表现。

(三) 将指标关系图形化

当存在多个指标时，挖掘指标之间的关系，并将其图形化表达，可提升图表的可视化深度。

(四) 将时间和空间可视化

通过时间的维度来查看指标值的变化情况，一般通过增加时间轴的形式，也就是常见的趋势图。

当图表存在地域信息并且需要突出表现的时候，可用地图将空间可视化，地图作为主背景呈现所有信息点。

(五) 将数据进行概念转换

对数据进行概念转换，可加深用户对数据的感知，常用方法有对比和比喻。

(六) 让图表「动」起来

数据图形化完成后，可结合实际情况，将其变为动态化和可操控性的图表，用户在操控过程中能更好地感知数据的变化过程，提升体验。实现动态化主要有两种方式：交互和动画。

4. 数据可视化的十个准则

(一) 明确数据可视化的目的；

(二) 通过对比来反映问题；

(三) 提供数据指标的业务背景；

(四) 通过从总体到部分的形式，展示数据分析报告；

(五) 联系实际的生产和生活，对数据指标的大小进行可视化；

(六) 通过明确而全面的标注，尽可能消除误差和歧义；

(七) 将可视化的图标，同听觉上的描述，进行有机的整合；

(八) 通过图形化工具，增加信息的可读性和生动性；

(九) 允许但并非强制，通过表格的形式，呈现数据信息；

(十) 目标是：让受众思考呈现的数据指标，而非数据的呈现形式。

5. 数据可视化的工具

目前市面上的数据可视化工具多种多样，其中 Excel 作图工具是最常用的。

从数据可视化的自动化方面来看，建议使用 Python 编程来实现。

Python 中用于数据可视化的库有很多，比较常见的有：

Matplotlib（强大、复杂）
Seaborn（基于Matplotlib、简单）
pyecharts（基于Echarts、炫酷）
plotnine（移植于R的ggplot2、图形语法）
PyQtGraph（交互、高性能）

从数据可视化工具的敏捷性方面来看，建议使用 BI 软件，例如 Tableau、Power BI 等等。

最后的话

有些人打着数据可视化的幌子，片面追求视觉上的花哨，做出来的图表只是为了吸引眼球，这就违背了有效传递信息的目标。

数据可视化的目标，并不是单纯地为了「好看」，而是为了更加有效地传递信息，让人能准确快速地获取有价值的信息，从而更好地解决问题。

相关文章：Python编程实践（2）：数据可视化

关注林骥，更多干货早知道。

▲ 点击上方卡片...设为星标

点击↓「阅读原文」，免费加入知识星球。

和 3600+ 位骥友一起，用数据化解难题。