在现今这个时代，数据可视化已经成为办公标配，很多策划、运营、分析师都需要制作以图表为主要元素的数据报告。数据报告的制作工具有很多，其中excel是大家比较常用的；另外很多低代码配置工具也渐渐开始流行起来，比如图表秀、网易有数、镝数、FineReport、Tableau等。这些工具提供了丰富多元的图表，覆盖了各种各样的使用情景；但也因为多，在图表选择上也带来了门槛。如果把“单线折线图”和“多线折线图”当做不同图表来算的话，目前常见的图表就多达70种。针对这样的情况，我分享一些自己选图表的经验，希望能给大家的工作带来一点帮助。

图表选择的本质：将数据分析结论如实、直观的展示出来。

图表选择的步骤：

1. 明确数据分析结论；
2. 梳理数据表结构；
3. 根据数据分析结论和数据表结构，选择合适的图表。

接下来，我针对每个步骤进行详细说明：

【步骤一：明确数据分析结论】

基于分析目的，大致可划分出八种数据分析结论：

一、看落差

定义：通过比较值的大小，帮助读者了解事物之间的差距

问题：

1、哪个多，哪个少？

2、多多少，少多少？

典型图表：

基本柱状图

二、看趋势

定义：展示某个序列的数值变化过程，以此预测该序列的发展趋势（如时间序列，帮助读者了解历史的变化，预测未来的趋势）。

问题：

1、整体变化是上升、下降，还是波动？

2、上升了多少，下降了多少，哪个序列段在波动？

典型图表：

基本折线图

三、看构成

定义：帮助读者了解一个整体由哪些部分构成，以及每个部分的各自占比。

问题：

1、由几个部分构成，主要组成部分是什么？

2、各部分的占比分别是多少？

典型图表：

基本饼状图

四、看位置

定义：帮助读者了解事物在空间上所处的相对位置，一般用于地理位置的呈现。

问题：

1、事物之间的相对位置，即谁在谁的前/后/上/下/左/右？

1. 事物之间的距离值？

典型图表：

地区分布图

五、看分布

定义：关注数据整体情况，如最大值、最小值，平均数、中位数、众数、离散程度、异常值等。往往会通过定量值在数轴上各间隔间的频次分布，帮助读者识别事物在某一维度上的分布形状、主要集中区域、异常情况等。

问题：

1、大致的分布情况是否服从某种规范（如平均分布、正态分布），主要集中区域，异常情况突出吗？

2、在每个间隔上的具体频次各是多少，哪些间隔不服从规范，哪些间隔有异常值，异常值分别是多少？

典型图表：

跨度图（看最大值最小值）

箱型图（看平均值、中位数、离散、异常）

六、看关系

定义：帮助人们了解变量之间的关系（包括正负相关、层级、流向等不同关系），发现变量间的相关性、上下层级和分流比例等。

问题：

1、数据之间存在哪种关系，如正负相关、层级、流向等？

2、数据之间的关联程度、各层级流失率、起点分流到不同终点的比例？

典型图表：

散点图

漏斗图（看层级）

桑基图（看流向）

七、看重点

定义：当某个数据很重要时，帮助读者锁定、记住它。

问题：

1、这个重要数据是什么（一般要突出维度）？

1. 数据值是多少（一般要突出度量）？

典型图表：

数字图

八、看好坏

定义：通过基准值/线，帮助读者判断数据的好与坏。

问题：

1、这个数据是好还是坏？

2、数据比标准高了多少，低了多少？

典型图表：

带标准线的图表

【步骤二：梳理数据表结构】

基于分析目的，大致可划分出八种数据分析结论：

数据表通常由三个部分组成：维度、度量、数据实例。

单维度单度量数据表结构

如上图所示：左边这列字段是字符串，这样的字段通常就是维度，右边这列字段是数值，这样的字段通常是度量。首行下的具体数据内容，我们可以称为数据实例。

有些表会复杂一些，有多个维度和多个度量，但我们可以看到度量通常是独立的，彼此之间不相关；但维度通常是有层级关系的，一层套一层。

多维度多度量数据表结构

总的来说，按照维度和度量的列数不同，数据表结构可以分为：单维度单度量、单维度双度量、单维度多度量、双维度单度量、多维度单度量、多维度多度量。

除此之外，数据表结构还有一些其他特征会影响图表选择，如维度名称的总长度、最大值和最小值之间的差距、数据实例的行数等。

【步骤三：根据数据分析结论和数据表结构，选择合适的图表】

接下来，我以“看落差-柱状图”为例来具体讲讲选择图表的全过程：

1、明确数据分析结论

（1）假设我的数据分析结论是要“看落差”，即回答一系列同类事物中，哪个多/哪个少、多多少/少多少的问题。

（2）基于上回分享的内容，“看落差”的典型图表类型就是柱状图。

2、梳理数据表结构

根据维度和度量的列数不同，确认数据表结构属于哪种类型：单维度单度量、单维度双度量、单维度多度量、双维度单度量、多维度单度量、多维度多度量。

3、根据数据分析结论和数据表结构，选择合适的图表

3.1 数据表结构：单维度单度量

数据表结构：单维度单度量

推荐图表：基本柱状图

基本柱状图

如果：维度列数>10

那么：基本柱状图 → 基本条形图

基本条形图

如果：维度名称长度>单柱宽

那么：基本柱状图 → 基本条形图

基本条形图

如果：柱宽及间隔之和>呈现框长度

那么：基本柱状图 → 径向柱状图

径向柱状图

如果：条宽及间隔之和>呈现框长度

那么：基本条形图 → 径向条形图

径向条形图

如果：度量最大值/最小值>10

那么：径向柱形图 → 玫瑰面积图

玫瑰面积图

3.2 数据表结构：单维度双度量

数据表结构：单维度双度量

推荐图表：分组柱状图

分组柱状图

如果：维度名称字符长度>单柱宽

那么：分组柱状图 → 分组条形图

分组条形图

如果：柱宽及间隔之和>呈现框长度

那么：分组柱状图 → 分组径向柱状图

分组径向柱状图

如果：强调度量间的反向关系

那么：分组条形图 → 双向条形图

双向条形图

3.3 数据表结构：单维度多度量

数据表结构：单维度多度量

推荐图表：分组柱状图

分组柱状图

如果：强调度量间的合并关系

那么：分组柱状图 → 简单堆叠柱状图

简单堆叠柱状图

如果：维度列数>10

那么：分组柱状图 → 分组条形图

分组条形图

如果：强调度量间的合并关系

那么：分组条形图 → 简单堆叠条形图

简单堆叠条形图

如果：柱宽及间隔之和>呈现框长度

那么：分组柱状图 → 分组径向柱状图

分组径向柱状图

如果：强调度量间的合并关系

那么：分组径向柱状图 → 简单堆叠式径向柱状图

简单堆叠式径向柱状图

如果：度量之和的最大值/最小值>10

那么：简单堆叠式径向柱状图 → 简单堆叠式玫瑰面积图

简单堆叠式玫瑰面积图

3.4 数据表结构：双维度单度量

数据表结构：双维度单度量

推荐图表：矩形树图

 

（矩形树图）

3.5 数据表结构：多维度单度量

数据表结构：多维度单度量

推荐图表：图表钻取

图表钻取

3.6 数据表结构：多维度多度量

我暂时想不到什么好办法，先用表格直接展示吧。因为在一个图表里展示太多信息，一般超过5个信息，这个图表的解读性就大打折扣了。

数据表结构：多维度多度量

 

 

综上所述，把前面的图表选择汇总成一个总览路径图，可以看出第一列就是数据表结构，第二列和第三列都是维度相关因素，第三列就是度量因素：

图表选择路径

标签：选择,图表,数据表,柱状图,可视化,维度,条形图,度量
来源： https://www.cnblogs.com/IT-Evan/p/15607709.html