`

数据可视化:基本图表【转】

 
阅读更多

作者: 阮一峰

日期: 2014年11月29日

"数据可视化"可以帮助用户理解数据,一直是热门方向。

图表是"数据可视化"的常用手段,其中又以基本图表----柱状图、折线图、饼图等等----最为常用。

用户非常熟悉这些图表,但如果被问道,它们的特点是什么,最适用怎样的场合(数据集)?恐怕答得上来的人就不多了。

本文是电子书《Data Visualization with JavaScript》第一章的笔记,总结了六种基本图表的特点和适用场合,非常好地回答了上面的问题。

零、序言

进入正题之前,先纠正一种误解。

有人觉得,基本图表太简单、太原始,不高端,不大气,因此追求更复杂的图表。但是,越简单的图表,越容易理解,而快速易懂地理解数据,不正是"数据可视化"的最重要目的和最高追求吗?

所以,请不要小看这些基本图表。因为用户最熟悉它们,所以只要是适用的场合,就应该考虑优先使用。

一、柱状图(Bar Chart)

柱状图是最常见的图表,也最容易解读。

它的适用场合是二维数据集(每个数据点包括两个值x和y),但只有一个维度需要比较。年销售额就是二维数据,"年份"和"销售额"就是它的两个维度,但只需要比较"销售额"这一个维度。

柱状图利用柱子的高度,反映数据的差异。肉眼对高度差异很敏感,辨识效果非常好。柱状图的局限在于只适用中小规模的数据集。

通常来说,柱状图的X轴是时间维,用户习惯性认为存在时间趋势。如果遇到X轴不是时间维的情况,建议用颜色区分每根柱子,改变用户对时间趋势的关注。

上图是英国足球联赛某个年度各队的赢球场数,X轴代表不同球队,Y轴代表赢球数。

二、折线图(Line Chart)数据

折线图适合二维的大数据集,尤其是那些趋势比单个数据点更重要的场合。

它还适合多个二维数据集的比较。

上图是两个二维数据集(大气中二氧化碳浓度,地表平均气温)的折线图。

三、饼图(Pie Chart)

饼图是一种应该避免使用的图表,因为肉眼对面积大小不敏感。

上图中,左侧饼图的五个色块的面积排序,不容易看出来。换成柱状图,就容易多了。

一般情况下,总是应该用柱状图替代饼图。但是有一个例外,就是反映某个部分占整体的比重,比如贫穷人口占总人口的百分比。

四、散点图(Scatter Chart)

散点图适用于三维数据集,但其中只有两维需要比较。

上图是各国的医疗支出与预期寿命,三个维度分别为国家、医疗支出、预期寿命,只有后两个维度需要比较。

为了识别第三维,可以为每个点加上文字标示,或者不同颜色。

五、气泡图(Bubble Chart)

气泡图是散点图的一种变体,通过每个点的面积大小,反映第三维。

上图是卡特里娜飓风的路径,三个维度分别为经度、纬度、强度。点的面积越大,就代表强度越大。因为用户不善于判断面积大小,所以气泡图只适用不要求精确辨识第三维的场合。

如果为气泡加上不同颜色(或文字标签),气泡图就可用来表达四维数据。比如下图就是通过颜色,表示每个点的风力等级。

六、雷达图(Radar Chart)

雷达图适用于多维数据(四维以上),且每个维度必须可以排序(国籍就不可以排序)。但是,它有一个局限,就是数据点最多6个,否则无法辨别,因此适用场合有限。

下面是迈阿密热火队首发的五名篮球选手的数据。除了姓名,每个数据点有五个维度,分别是得分、篮板、助攻、抢断、封盖。

画成雷达图,就是下面这样。

面积越大的数据点,就表示越重要。很显然,勒布朗·詹姆斯(红色区域)是热火队最重要的选手。

需要注意的时候,用户不熟悉雷达图,解读有困难。使用时尽量加上说明,减轻解读负担。

七、总结

图表 维度 注意点
柱状图 二维 只需比较其中一维
折线图 二维 适用于较大的数据集
饼图 二维 只适用反映部分与整体的关系
散点图 二维或三维 有两个维度需要比较
气泡图 三维或四维 其中只有两维能精确辨识
雷达图 四维以上 数据点不超过6个

(完)

分享到:
评论

相关推荐

    【源码】数据可视化:基于 Echarts + Vue 实现的大屏范例15-世界人口统计大屏.zip

    标题中的“【源码】数据可视化:基于 Echarts + Vue 实现的大屏范例15-世界人口统计大屏”表明这是一个使用Echarts图表库和Vue.js前端框架创建的数据可视化项目,具体应用在构建一个展示世界人口统计信息的大屏界面...

    Python数据可视化:学术图表可视化

    图表是学术论文中很重要的一部分,学术论文中实验结果一般以图表的形式呈现。...一图抵千言 ,学术图表设计是否精确和合理直接影响数据的完整与准确表达,从而影响论文的质量。 项目可直接编译运行~

    Matlab数据可视化:在图表中添加数据标签的详细指南

    在Matlab中进行数据可视化时,为图表添加数据标签是一种常见的需求,它可以帮助观众更直观地理解数据点的具体值。本文将详细介绍如何在Matlab中为不同类型的图表添加数据标签,包括基本的2D图表、3D图表以及如何使用...

    数据可视化实战使用D3设计交互式图表.pdf+源码

    数据可视化是一种将复杂的数据集转化为易于理解的图形或图像的过程,它在数据分析、决策制定以及信息传达中扮演着至关重要的角色。本资源是关于“数据可视化实战:使用D3设计交互式图表”的教程,结合了理论知识与...

    Python数据可视化编程

    《Python数据可视化编程》是一本深入探讨如何使用Python进行数据可视化的著作,由爱尔兰的Igor编著,中国的颛清山翻译。这本书旨在帮助读者掌握使用Python语言进行数据呈现的各种技术和工具,提升数据分析和解释的...

    python数据可视化编程

    在实战中,我们会不断地遇到各种数据可视化的问题,比如如何处理缺失数据、如何选择最佳的数据可视化类型、如何优化图表的布局、如何利用交互式可视化增加用户体验等。这些都需要我们在掌握基础知识后,通过不断的...

    数据可视化:基本图表

    图表是"数据可视化"的常用手段,其中又以基本图表----柱状图、折线图、饼图等等----最为常用。用户非常熟悉这些图表,但如果被问道,它们的特点是什么,最适用怎样的场合(数据集)?恐怕答得上来的人就不多了。 ...

    Python数据可视化手册.pdf

    《Python数据可视化手册》是一本专注于利用Python中最流行的库来创建吸引人的可视化...通过本书,读者不仅能够掌握数据可视化的基本概念和方法,还能够通过大量的实战练习,提高使用Python进行数据可视化的实际能力。

    数据可视化.zip

    学习数据可视化不仅需要掌握基本的统计知识,还需要对色彩理论、用户界面设计和信息架构有所了解,这样才能创建出既有洞察力又具有吸引力的数据故事。 总之,"数据可视化.zip"提供的资料对于想要深入了解和提升数据...

    数据可视化:柱状图雷达图等六种基本图表的特点和适用场合优质资料.doc

    数据可视化:柱状图、雷达图等六种基本图表的特点和适用场合优质资料 数据可视化是指使用视觉效果来传递信息的过程,图表是其中最常用的手段。基本图表,如柱状图、折线图、饼图等,是数据可视化的基础。虽然这些...

    python数据可视化

    Python数据可视化是一个重要的领域,它涉及使用Python编程语言来创建直观、吸引人的图表和图形,以便更好地理解、解释和传达复杂的数据集。Python有多个强大的库支持数据可视化,如Matplotlib、Seaborn、Plotly和...

    数据可视化:柱状图、雷达图等六种基本图表的特点和适用场合.doc

    数据可视化:柱状图、雷达图等六种基本图表的特点和适用场合.doc

    Python数据可视化:创造有力的数据图表与图形.md

    #### 二、数据可视化基本原则与选择 ##### 1.2 数据可视化基本原则与选择 **数据可视化的基本原则** 1. **清晰性**:确保图表简单明了,避免过多的装饰元素干扰信息传递。 2. **简洁性**:尽可能减少不必要的文字...

    数据可视化实战:使用D3设计交互式图表-示例代码

    本篇将围绕“数据可视化实战:使用D3设计交互式图表”这一主题,深入探讨D3库的核心概念、常用功能和实际应用。 D3的设计理念是将数据绑定到DOM(文档对象模型)元素,并允许开发者通过数据驱动的方法操作这些元素...

    PYTHON数据可视化编程实战_code

    这个库是Python中最常用的数据可视化库,它提供了丰富的图表类型,如折线图、散点图、直方图、饼图等。在实战代码中,你可能会看到如何使用`pyplot`模块创建基本图形,以及如何通过`Figure`和`Axes`对象进行更复杂的...

    数据可视化:揭示数据价值的艺术与科学.docx

    通过将复杂、抽象的数据转换成直观、易懂的图形或图表,数据可视化能够帮助人们快速捕捉数据中的关键信息,理解数据背后的意义,并从中发现潜在的规律和趋势。这对于提高决策质量、加速问题解决、增强团队间的沟通...

    数据可视化基础统计图表.ppt

    数据可视化是信息技术领域中一种强大的工具,用于将复杂的数据集转化为易于理解的图形表示。"数据可视化基础统计图表.ppt" 提供了关于如何有效地...遵循这些基本原则和技巧,可以创建出既美观又有效的数据可视化作品。

    Python数据可视化课后习题_答案.docx

    17. **数据可视化的基本步骤**:确定目标、数据导入、数据探索、数据清洗、数据转换、选择合适的图表类型、绘制图表、解释和解读结果。 18. **数据可视化最佳实践**:选择合适的图表类型、保持清晰简洁、注重色彩...

    专注R语言可视化&商务图表实战视频教程

    6. 数据交互性:现代的数据可视化往往需要具有交互性,R的`shiny`包提供了一种构建Web应用的方法,使得用户能够直接与图表互动,探索数据的不同方面。 7. 实战项目:教程中的实战部分将指导你如何将所学应用于实际...

Global site tag (gtag.js) - Google Analytics