《穹顶之下》是一部由柴静自费100万左右拍摄的雾霾深度调查纪录片，记录片于2015年2月28日播出。通过视频网站、社交网络等共同的力量，让数千万乃至上亿人再次认识到雾霾的危害，并且形象化的对雾霾的构成做了解读，并且通过柴静的行为来告诉我们自己可以做些什么。

当然，这不是数据小兵今天要说的，除了重新认识雾霾之外，我同样关心的是这段视频中露出的数据分析图表，简单来说，视频中的柱图、饼图、线图我们在数据分析报告中经常见到，是最基础、最多见的图表，但就是这些简单常见的图表，却带给我们完全不一样的易懂和震撼。

线形图

线图或折线图是使用最频繁图表之一，制作简单、容易理解，最能清楚的表达上升、下降、波动和保持不变等趋势，尤其是时间序列类的数据。

1、单线

清晰的表达出机动车辆数量逐年递增，上升趋势明显。

一条波动的单线，几个高峰，几个低谷，某些时段集中表现为较高状态。

2、多线

有2条以上折现时，就产生了对比和关联关系，尤其是关联关系包含的信息量更为丰富。

2条不同趋势的折线，尤其是二者本来还有一定正向关联关系，但结果是二者最后的趋势相反，这中间体现了人为能动作用的强大。

很多条线，用红色突出显示其中一条单线，突出强调的对比手法，效果很明显。

柱形图

柱形图用于显示一段时间内的数据变化或显示各项之间的比较情况的一种数据图表，几乎在各类分析报告中都能看到柱形图。它的强项有两个，第一是对比比较，第二是趋势。

每个对象一根柱子，想强调和突出表达就用对比色来标注。比较的效果很明显，一眼就看透。使用的技巧是按照柱子的高度从高到低，或从低到高排列，这样对比的效果会更加明显。

可以把这幅图理解为柱形图的特例，一般上业内也叫条形图，把柱形图横着看就是条形图了。它也是对比效果的高手，如果用主题对象的图形辅助一下的话，这种对比效果会更好。

饼图

饼给人的理解就像是蛋糕，如果你想表达成分占比，饼图最好的选择。制作饼图和浏览饼图时，注意配合理解一下百分比。最为关键的是，建议大家轻易不要用3维立体饼图，因为立体后，百分比的对比效果会下降。

1、单个饼图

两种成分的对比，不同的颜色，悬殊的分块，不用过多语言去解释，眼见就是结果。

2、多个饼图

两个以上饼图同时出现时，眼睛需要左右上下、移动对比。建议饼的个数不要超过2个，太多了，眼睛看不过来。

面积图

面积图强调数量随时间而变化的程度，也可用于引起人们对总值趋势的注意。面积图看上去就是线图带着底下的面积，它具备线图的趋势感，同时还能强烈的引起人们的注意。好大一片的感觉总是让人产生联想。

边沿的线代表波动，时有峰值，红色的面积给人真实。

两个不同面积的对比，配以对比强烈的颜色，孰大孰小一眼见高低。

穹顶之下，柴静是否孤单只有她自己能感受到，而我们能做的，除了学习一场精彩演讲带给我们的感知之外，或许还有更多，至少你分析报告中的图表能窥探一二。

本文由 数据小兵 原创，未经作者许可，请勿转载。百度搜索“数据小兵”可访问作者博客，

测量系统是用来对被测特性定量测量或定性评价的仪器或量具、标准、操作、方法、夹具、软件、人员、环境和假设的集合； 是用来获得测量结果的整个过程。从这个定义中可以看出， 测量过程实际上是一个制造数据的过程，获得正确的测量数据则是保证产品质量的第一步。如果不能科学地评价测量系统产生的数据的可靠性， 就无法对测量系统的有效性进行控制， 质量管理和控制就失去了最基本的前提。因此，在ISO/TS16949汽车行业质量体系标准中，测量系统分析（简称MSA）被列为该标准的五大工具之一。

测量系统分析（MSA） 的目的是确定测量数据的可靠性， 它实际上是一个对测量系统的监督检查程序， 在一定程度上可以看作是一个检验产品控制计划满足程度的把关程序。即对已判定为合格的零件进行抽样检查， 经过科学的统计理论分析， 找出因测量系统因素导致不合格的因素， 并加以整改， 逐渐减少产生不合格产品因素的存在，从而达到控制产品质量的最终目的。

1 基本MSA方法

测量系统分析，顾名思义针对的是整个测量系统的稳定性和准确性，它的核心是分析

测量系统的位置变差、宽度变差。在位置变差中包括测量系统的偏倚、稳定性和线性；在宽度变差中包括测量系统的重复性、再现性。测量系统的偏倚、稳定性、线性、重复性和再现性就是人们通常所说的“五性”。因此，MSA 可简单概括为：分析整个测量系统（仪器或量具、标准、操作、方法、夹具、软件、人员、环境和假设的集合）在测量过程中存在哪些风险和误差的过程。MSA采用的数据分析方法有：独立样本法、图表法、极差法、方差分析法等。按照测量系统分析过程前后顺序，相关方法摘记如下。

1.1 识别数据类型 在进行测量系统分析前首先要识别测量数据的类型，了解了数据的类型才能使用合适的方法进行测量系统分析。一般数据类型有两种：计数型数据和计量型数据。计数型数据是指不能连续取值的，如砂眼数、裂纹处、疵点数等。计量型数据是可以连续取值的，如长度、尺寸、温度等。

1.2 选定测量系统分析方法 测量系统分析常用的方法有Gage R&R研究、专家再评估、检验一致性和专家循环研究。重点研究Gage R&R。Gage R&R方法主要用于计量型数据，评定标准是用Gage R&R值。一般Gage R&R值在小于10%以下可接受，Gage R&R值在10%-30%之间为灰色区域，也许可接受，Gage R&R值大于30%，测量系统需改进。同时还要看可区分数NDC，当NDC大于等于5时，通常认为测量系统可靠。用Gage R&R值作为评定标准时还要考虑零件的关键特性，对关健特性测量系统分析结果Gage R&R值大于15%时，我们就要考虑对这个测量系统进行改进。

1.3 测量系统的重复性和再现性分析方法（简称%GR&R%或R&R） 确定研究主要变差形态的对象/量具（如：游标卡尺、电子秤、硬度计、千分尺等）。工序量具、产品和质量特性；选择使用极差法，均值和极差法中的其中一种方法对检验、测量和试验设备进行分析；从代表整个工作范围的过程中随机抽取样品进行；测量系统分析的工作人员在进行检验、测量和试验设备测量系统的重复性和再现性分析时，必须先对被分析的检验、测量和试验设备进行零件评价人平均值和重复性极差分析，同时所分析的零件评价人平均值和重复性极差之结果必须均受控方可进行被检验、测量和试验设备测量系统的重复性和再现性分析工作；否则该检验、测量和试验设备的测量系统不能检查出零件间的变差且不能将其用于过程控制中。

1.4 平均值和重复性极差分析 1）选择2-3个操作员（至少2人）在全然不知情的状况下利用校准合格的量具对随机抽取的5-10个样品进行盲测，每个操作员对同一样品的同一特性在盲测的情况下重复测量2-3次。 2）操作员或进行%R&R测量系统分析的工作人员将所测量的结果记录于“零件评价人平均值和重复性极差控制图”上。 3）负责组织此项测量系统分析研究的工作人员，依据“零件评价人平均值和重复性极差控制图”上的数据和产品质量特性规格进行计算和分析，并将其分析的结果记录于“零件评价人平均值和重复性极差控制图”上。

1.5 均值和极差法（X-R） 1）选择2-3个操作员（至少2人）在全然不知情的状况下利用校准合格的量具对随机抽取的5-10个样品进行盲测，每个操作员对同一样品的同一特性重复测量2-3次。 2）操作员或进行%R&R测量系统分析的工作人员将所测量的结果记录于“量具重复性和再现性X-R分析数据表”上。 3）负责组织此项测量系统分析研究的工作人员，依据“量具重复性和再现性X-R分析数据表”上的数据和产品质量特性/规格进行计算，并将其记录于“量具重性和再现性X-R分析报告”上。

1.6 极差法（R） 1）选取两位评价人和5个产品进行分析，每个评价人对每个产品进行盲测一次，并将测量结果记录于“量具极差法分析表”中（每个操作员应熟悉和了解使用量具的一般操作程序，避免应操作不一致而影响测量系统的可靠性），并评估不同操作员对量具使用的熟练程度； 2）针对重要特性（尤其指有特殊特性符号的）测量所使用量具的精度应是被测量产品公差的1/10（即其最小刻度应能读到1/过程变差或规格公差较小者），以避免量具的分辩力不足，而一般特性测量所使用量具的精度应是被测量产品公差的1/5； 　　

3）负责组织此项%R&R测量系统分析研究的工作人员，依据“量具极差法分析表”的数据和产品质量特性/规格进行计算，并将其计算结果记录于“量具极差法分析表”上；必要时，可将其作成X-R控制图。

4）%R&R接受准则： a）、%R&R<10%，可接受；b）、10%≤%R&R≤30%，依据量具的重要性、成本及维修费用等因素，决定是否可接受或不可接受；c）、%R&R>30%，不能接受，必须进行改进。

1.7 线性分析法

在测量系统工作范围内选定5个产品，它们的测量值应覆盖量具工作范围；在计量室或工具间用全尺寸检验设备（精密量具）测量每个产品10次，并计算其平均值，然后将其确定为“基准值”，同时确定它们各自所取得的“基准值”是否覆盖了被检量具的工作范围；让一位经常使用该量具的操作员（评价人）对5个产品以盲测的方式按随机抽取 顺序分别测量每个产品各10次（或更多次），并将其测量值记录于“量具线性分析报告”中，然后计算各产品的测量平均值，此值即为每个产品的“观察平均值”。

2 MSA与计量的关系

MSA主要针在现场环境下，由现场控制人员按照《控制计划》要求的频次，对具体的零件使用正确的监视或者测试设备，按照《检验作业指导书》的方法进行有效的检测和监控（即人机料法环等环节），在每个时期，针对不同的目的，采用不同的MSA方法，研究分析每个环节产生的变差（即分离分离各个变差），最后消除或减小变差，使得我们生产的产品满足技术要求。MSA的数学理论基础为《概率与数理统计》。

计量主要是实现单位统一和量值准确可靠的测量，它以保证测量统一和准确为目的。测量环境有严格的控制要求。测量的变差分析的数学理论基础为《误差分析与数据处理》，也是根据《概率与数理统计》原理基础上建立起来的。本文主要指计量体系和管理，不涉及具体计量内部运作，只谈与测量系统的相互关系。

MSA关注对产品技术要求测量的综合反应有影响的结果，用来研究和分析整个测量系统以及影响测量的各个因素。计量的含义则是保证量值传递或溯源准确可靠，而将影响量值的其他分量进行控制，如环境、温度等，更关注的是测量方法。可以这样说：综合研究的是MSA，测量系统分析；只研究测量的是计量，所以也称之为“测量分析”。

3 两个例子

3.1 案例一

盛玉在他的文章《MSA实例分析》中，针对一把高度尺应用MSA分析方法的全过程。

下面通过日常监控分析常用的线性和R&R 的实例。

1、线性———验证一把高度尺，基本内容见下表。

1）在现场取一根曲轴，选其上5 个不同尺寸；

2）选用比高度尺精度高（一般高3 倍以上）的精密三坐标测量出5 个尺寸的基准值；

3）用高度尺分别测量5 个尺寸，每个尺寸重复测12 次

4）输入软件，自动得到结果；

5）接收准则：≤5%接收，≥10%拒收；5%—10%有条件接收；

6） 结果处理：该例中线性自动计算为3%至5%，按照接收准则线性可接收。

若大于5%，我们要从人、机、料、法、环、测几个方面去查找根本原因并改进，若已对产品质量造成影响，还需去追溯造成影响的产品，重新检测，直到满足要求。

2、重复性和再现性，简称R&R

在实际生产应用中，R&R 通常一起分析。如：验证曲轴OP100 综合检具上法兰轴头直径∮88.8（+0.804/+0.004）,具体计算如下表所示。

1）按照MSA 计划分别在不同时段收集OP100曲轴共10 根；

2）3 名熟练操作工分别测量10 个工件，每个件重复测3 次；

3）把3 人3 次共90 个测量数据输入计算软件（表2 中有底色部分），则会自动得到结果；

4）接收准则：

a. R&R 低于10%，测量系统可接受；

b. 介于10%到30%之间，基于应用的重要性，该量具可能会被接受；

c. 大于30%，测量系统需要改善，识别出原因并纠正它们；

d. 数据分级数NDC>=5 测量系统可接受。

5）分析结果

前文表格中测量结果明显看出该测量系统不可接受，EV=65.7%、R&R=73.1%且NDC=1。我们测量小组一起到现场查找原因，通过排除法最终找到R&R 超差根本原因如下：

a. %EV=65.7% (计算软件要求%EV<30%)，零件安装时有转动，不稳定；

b. 数据分级数（NDC）=1 （计算软件要求NDC>=5，测量软件显示分辨力不够，稳定生产条件下被测件尺寸稳定，分组少。

6）解决方案

针对a. 零件安装时有转动问题，经过现场反复装夹测量，结果差异0.002mm，由于重新加工制作条件不成熟，对这影响量0.002 mm，我们和工艺一起确认采取收紧控制限方法避免；

针对b. NDC 分级数偏低问题，现场排除一切可能影响因素，分析软件仍显示分辨力不够，最终确认是10 件样件产品尺寸太接近造成，也可以说是我们现在的产品质量很稳定。对于NDC 偏低问题，在做MSA 取样时要充分考虑到尺寸范围，如留下换刀或平时偶发时发现的不合格产品。

7）重新取样

找到2 件接近公差限样件，重新测量输入测量软件后计算结果满足要求见下表，表明我们现在的测量系统稳定可靠，不需要去追溯已经测量的产品。

一般情况下如果重复性比再现性大，原因可能是：

1）仪器需要维护；

2）计量检测设备应重新设计来提高刚度；

3）夹紧和检验点需要改进；

4）存在过大的零件变异。

如果再现性比重复性大，原因可能是：

1）评价人需要更好的培训如何使用计量检测设备和数据读取方式；

2）计量检测设备刻度盘上的刻度不清楚或校正不良；

3）需要某种夹具帮助评价人提高使用计量检测设备的一致性。

3.2 案例二

作者洪涛在他的论文《MSA在电能表误差检验中的应用研究》中介绍了MSA方发在分析电能表测量误差中的具体应用过程。

（一） MSA在电能表误差检验中具体应用

(1) 研究方案

在测量系统分析中，准确性特性一般可通过检验装置的量值传递或对比来解决，目前电能表制造企业都已采用。本文重点介绍测量系统的R&R分析。本设计方案和具体实施都是依托国内某知名电能表生产企业的计量测试中心的电能表误差检验系统展开的，

具有一定的代表性。

(二) 稳定条件的确定

进行MSA分析前提是系统处于稳定状态。本文的研究涉及的稳定性包括两个方面：一是检验装置的稳定性，二是电能表的稳定性。综合起来就是电能表误差检验系统的稳定性。方案选择了7块电能表和3个检验装置作为研究对象。对于稳定性的研究，用标准试验室的标准装置（误差等级为0.01级，中国科学研究院比对校准）测试所选7块表的0.1Ib点误差：每块表测试5次，每次读取10个数据，共取得35组350个数据，每次测试前预热十分钟。整个试验是在标准试验室进行的，试验的温度都是严格控制在20±3℃以内。

试验所取得7块表的数据便是其真值，对数据修约后进行分析，做出Xbar- R控制图，如下图所示，进行分析和判定，发现2号表的误差不稳定，有多个均值统计量和极差统计量超出控制限，淘汰2号表用剩下的6块表做剩下的试验和研究。

采用同样的方法，对三台检验装置进行稳定性测试和判定，结果3台检验装置均符合要求。

(三) 重复性和再现性试验及研究

由于现在的电能表误差检验系统已经实现了测试、读数、计算、显示的自动化，人的影响因素已经消除，针对电能表误差检验系统而言，重复性是指在用同一检验装置检测同一批次电能表时，测试结果之间的一致程度。再现性是指用不同检验装置检测同一批次电能表时，测试�...

在传递信息时，有数据比没数据更有说服力，而一旦有了数据，那就牵涉到如何呈现。

你想表达什么？这个是所有数据可视化工作者都必须面对以及思考的一个问题。面对手中的数据，是想展示数据之间的比较结果，还是数据之间隐藏的联系，还是数据的时空分布，或者是要显示数据的构成等等不同的表现方式。

当我们想清楚此问题后，就可以沿着某方向找到一类图表，再根据数据本身的维度、记录形式以及实际项目的需求进行再次选择图表类型。

1单一数据的表示

有些时候（演讲类居多），我们只用提供一个最重要的数据，此时，我们可以选择：1.直接把该数据放大；2.通过简单图形颜色对比反映数据。关于注释：若确实为演讲辅助，那可以将其省略；但若为需要留存供以后阅读，则最好加上注释（字体可以大幅度缩小）。

2对比型数据的表示

在更多情况下，我们若只提供一个绝对值，那很容易让观者（听众）信服自己的观点。此时，同时提供竞争对手，或者自身前一年（环比）、前一月（环比）或者连续几年（时间序列）的数据，那论证效果肯定不言而喻。正如一句俗语所言：“对比产生差距。”

在对比型数据表示过程中，一个通用的图表就是条形图（或柱形图），长长短短一目了然。当然，我们也可以尝试用信息图的方式，利用颜色对比，或者大小变化来让信息更醒目。不过，个人对信息图的使用还是有点顾虑，一不小心就很容易弄巧成拙。关于这点，见仁见智吧。

3比例关系

饼图是比例关系当之无愧的“代言人”。当然，你也可以进行一些变换，比如用将圆改为方。 想要表达数据的构成关系，我们最先想到的应该是饼图（或是圆环图），饼图是一个静态的表达构成型数据的方式，若要随时间、周期表达几个构成型数据对象可以选择堆叠图表。

4相关关系

如果不清楚两个变量之间的关系，那就先画个散点图吧。

散点图和气泡图是表达联系型数据最常用的两种方式，二维数据之间的联系能够清晰地呈现出来。

5网络图

在GIS应用中，网络关系是常常被人们所提及的，如果能够一张图简单地表达出各个对象之间的网络分布以及相互之间的联系，无论是从视觉上还是从数据分析角度对于大众都是一个不错的选择。网络图主要有以下几种：传统的点线构成的网络图、力导向分布图、和弦图

6地图映射

80%的数据是与地理位置相关的，展示空间数据也是可视化分析中十分重要的一部分，目前无论是创意地图还是一些开源软件都为数据分析人员提供了非常好的素材。

7字符云

将文本数据进行可视化展示为数据可视化增添了新的手段。这种展示方式从视觉上比起单一的文字更具吸引和美感，从一堆看似排列无序但又有着内部联系的文字（单词）中能够准确地抓住重点，是美学和可视化的完美结合。

大家对可视化的使用认知或许来源于下面这张图。虽然结构很清晰，但它更多针对Excel的图表，不够丰富。本文会结合数据分析师的使用场景展示更多的可视化案例。

展示需要相比传统的用表格或文档展现数据的方式，可视化能将数据以更加直观的方式展现出来，使数据更加客观、更具说服力。在各类报表和说明性文件中，用直观的图表展现数据，显得简洁、可靠。在可视化图表工具的表现形式方面，图表类型表现的更加多样化，丰富化。除了传统的饼图、柱状图、折线图等常见图形，还有气泡图、面积图、省份地图、词云、瀑布图、漏斗图等酷炫图表，甚至还有GIS地图。这些种类繁多的图形能满足不同的展示和分析需求。

指标卡：直观展示具体数据和同环比情况；

计量图：直观显示数据完成的进度；

折线图：看数据的变动走势；

柱状图：直观展示对应的数据、可以对比多维度的数值；

双轴图：柱状图+折线图，这种图表大家都很经常用到；

饼图/环图：分析数据所占比例；

漏斗图：路径、数据转化情况；

词云：即标签云，展示词频分布；

矩形树图：分析不同维度数据的占比分布情

怎么样看到这里上面这些表，心里默数看看能做几个，一半以上不会的要学习了。

1.打开ppt以后先建立一个幻灯片，点击菜单栏上面的【新建幻灯片】---选择任意一个布局。

2.点击幻灯片中的图表的缩略图，这样就打开了插入图表的对话框。

3.选择一个图表的样式，然后点击确定。

4.打开了excel表格，在这个表格中输入数据，这些数据就是用于建立图表的，一开始给出了一些默认的数据，这些数据都是没用的，修改这些数据，改成需要的图标，如下图中第二幅图。

5.关闭excel，图表就自动创建了，看到这个图表就是刚才输入的那些数据建立的。

（本文内容由百度知道网友茗童贡献）

使用DataFocus中文自然语言数据分析系统时，可以经由用户的查询问题自动生成适合数据结构的可视化图表类型，但用户也可以将图表转化成自己需要的类型，我们整理了常用的一些数据图表对应的数据场景，帮助您在探索数据和展示数据时更加的直观丰满。

图表用来显示比较结果的方式大致为高度、大小、角度等。

1 经纬图

适用于有经纬度的数据集。DataFocus内置与百度地图的接口，只要建一张精准的定位信息数据集，上传之后会自动解析，准确定位到地址。百度地图是经纬度分布图，具体到乡镇街道分布都能看得清清楚楚，这是很多人都需要的地图类型，DataFocus地图功能就支持百度地图，可以将数据导入到地图里，得到自己最终需要的可视化报表。

优势：用地图来分析和展示与位置相关的数据，让人一目了然。

2 组合图

适用于一个属性列和两个数据列的三维数据结构。组合图，顾名思义，就是由两种（柱状图和折线图）的二维图表组合而成的图表形式，常用于展现同一变量的绝对值和相对值，而不适合制作其他图表类型的组合。

优势：特别通用，属于不同图表的组合使用，图表看起来简单直观。

3 仪表图

适用于一个属性列和一个数据列的二维数据结构。仪表图是为了关注单独一个指标的表现时使用，能给出指标的安全范围和警戒范围。例如将销售额分为三个区域，并分别以黄色、蓝色和红色来区分三个区域，其中黄色表示警戒区域。从下图可以看出东北、中南和西北地区的销售额在警戒区域内，需要引起重视。

优势：能给出指标的安全范围和警戒范围。

4 雷达图

适用于一个属性列和多个数据列的多维数据结构（四维及以上），但是每个维度必须可以排序，数据点一般6个左右，不能超过50个，太多的话辨别起来有困难。

优势：主要用来了解公司各项数据指标的变动情形及其好坏趋势。

5 树形图

适用于一个（或多个）属性列和一个数据列的数据结构。树形图，是用于展现有群组、层次关系的比例数据的一种分析工作，它通过矩形的面积、排列和颜色来显示复杂的数据关系，并具有群组、层级关系展现功能，能够直观体现同级之间的比较。

优势：适合用来展示构成项目较多的结构关系，如果它们还可以继续归纳分类的话，还可以展现分类之间的比例大小及层级关系。

6 词云图

适用于一个属性列和一个数据列的二维数据结构，属性列包含的属性值要尽可能多。

优势：显示词频，可以用来做一些用户画像、用户标签的工作。

文/GrowingIO

发布于2天前

阅读1524

评论0

喜欢0

标签：

产品经理

数据分析

单图 | 最基础的可视化数据分析工具

对产品和运营来说，和数据打交道成了日常。总结下来，你的需求具体是什么呢？

1. 数据监控

每次听到老板说，今天浏览量掉了很多。你就心头一紧，老板都知道了你还不知道？

老板：不应该。

产品和运营一定要对网站每天的 PV、UV 等总体数据有一个直观的把握，包括它们的数值、趋势等。用 GrowingIO 的单图建立图表，能让信息传达更迅速、直观，一旦出现数据过高或过低的情况，就可以马上拆解，及时介入。再也不用等老板来告诉你今天数据又掉了。

2. 数据分析，拆解问题

数据掉了，什么原因呢？你又心头一紧，可能是这届用户不行？

老板：加上「可能」，就是你无能。

当一个总体数据出现异常，比如浏览量突然降低，原因可能有很多，产品本身问题、运营问题等等。这时候就需要对浏览量这一指标进行不同维度的拆解，比如各个访问来源的变化，各个浏览设备的变化等，GrowingIO 的单图提供多种指标和维度，能让你准确定位问题，迅速解决问题。

3. 可视化展示

来，给团队同步一下项目进展。你还是心头一紧，毕竟只有一堆冷冰冰的数字啊。

老板：hmmm，不是很想看。

在集体协作中，你需要将分析结果更友好地展示给其他人，比如写周报、项目进展汇报等。而如何更好地呈现你的分析结果呢？来，接下来我们看图说话

一、趋势图

趋势分析是最基础的图表分析，包括线图、柱状图、堆积图等多种形式。

1. 线图

线图可以观察一个或者多个数据指标连续变化的趋势，也可以根据需要与之前的周期进行同比数据分析。

2. 柱状图 & 堆积图

柱状图可以观察某一事件的变化趋势；还可以同时将整体拆分可以做成堆积图，同时观察到部分所占比重及变化趋势。

产品经理和运营人员通过趋势图分析流量的实时走向，如每日 PV、UV、DAU 等基本数量指标以及停留时长、平均访问页面数等质量指标，可以及时把握产品的变化趋势。一旦趋势周期对比发生异常（异常高和异常低），我们需要及时介入排查原因、解决问题。

二、频数图

根据业务需求对指标按照一定维度拆分，对比不同组别的频数，便于分清轻重缓急。

条形图清晰展示了用户在不同类别上的频数，并且按照数量从大到小排序。上图展示的是某产品用户使用浏览器的频数分布，在资源有限的情况下产品可以先适配 Chrome 和 IE 浏览器以提升绝大部分用户体验。

上面的双向条形图展示了某 B 端产品的客户平均停留时长极端情况（非常高和非常低），企业 1-5 非常活跃，可以让运营人员促进客户增购、续约，而企业 6-10 活跃度非常低，用户即将流失，需要运营人员立刻介入干预。

三、比重图

比重分析主要是用来了解不同部分占总体的比例。横向比较，扇形图、环形图可以满足这类需求；纵向比较，百分比堆积图可以显示不同部分所占比例的趋势变化。

1. 环形图

「环形图」显示了某节点访问用户来源渠道比例。

2. 百分比堆积图

「百分比堆积图」动态显示了不同渠道比例的变化趋势，市场或者运营人员可以据此动态优化我们的资源投放。

四、表格

表格信息密集，可以同时分析多维度、多指标数据，适合对数据敏感的人群使用。虽然表格能看到具体的数值，但是不能直观看到趋势、比重。

通过表格不难发现，移动端访问用户占了非常大的比例，但是跳出率非常高。这样的表格数据启示我们有必要优化移动端产品，提升整体访问深度。

五、其他表格

下面介绍的是气泡图，气泡图用来展示一个事件与多个维度之间的关系，如分析 B 端产品客户成单周期与客户活跃度、登录账号数量之间的关系。

除了上述常见的图表，还有散点图、箱线图、股价图、雷达图等图表，在此不一一赘述。

六、写在最后

不同的图表样式可以满足你不同的分析需求，你可以根据自己的目的来选取最合适的指标、维度和图表样式。工具的作用在于，让上手过程更快更顺畅一些，让更多更高级的需求能够被满足和呈现。

GrowingIO 的单图功能提供了很低的门槛，以及很高的自由度。数据分析小白可以用单图做各种基础的数据分析，生成各种报表；对数据分析有深刻理解的人，可以将各种维度指标组合，针对业务场景做出极具洞察力的数据报表。

注：文中所有图表，皆来源于硅谷新一代用户行为数据分析工具 - GrowingIO。

本文由 @GrowingIO 原创发布于产品壹佰，未经许可，禁止转载。

工作中我们常常会遇到各种各样的数据，为了分析这些数据，往往会将其可视化。

数据可视化的第一步就是选择合适的图表。

怎么做图表？从Excel时代起，大家固有的思维就是按：有几个“分类”，分几个“系列”去填充数据。选择能直观展现结果的图表来展现。这个过程其实是先有大致的数据分析结果，后用图表来表达，我们称之为可视化1.0。而且，对于这种传统图表的展示形式，数据分析统计的人员来说往往会存在这样一些问题：

a.可视化效果取决于工具所提供的有限的图表类型

工具提供的图表类型是有限的，而分析的需求是无限的。设想一旦分析的结果是多维的，手中的图表就那么几个，那数据可视化就很受局限。

b.理解 “分类”/ “系列”等一系列人为定义的属性，本身就有很大的使用难度

这个小编深有体会，每次用excel做图表，我都不懂何为分类，何为系列，各种抓瞎点击。虽然excel 2013版本之后能自动出图表，但维度一多，免不了各种调试。其实“分类”，“系列”等概念，对于初步接触分析的用户来说，还是要花点时间深入理解的。

c.不知道用什么图表，为了做图而做图

从大部分想要数据分析的用户调研来看，有59%的用户表明“采用什么图表分析展示数据，是用户面临的最大问题。”

所以，现如今数据分析盛行且极有可能在未来成为必备技能的时代，图表更应该辅助分析，在庞大、杂乱无序的数据中讲信息精简出来，伴随分析思路，帮助探索式分析，我们称之为可视化2.0时代。

市面上的可视化工具大多是1.0，能辅助分析思路，可视化展现图表的工具并不多，Tableau是先驱。而最新出来的FineBI 5.0版本，除了探索式数据分析的体验，带有数据挖掘属性，可动态展现的特性，也同样值得推荐。

FineBI V5.0的可视化分析是基于著名的图形语法(The Grammar Of Graphics)设计，由此提供了无限的图表推荐，不限制属性映射效果以及全新的分析功能。

它取消了图表类型的概念，以“形状“和对应的“颜色“，“大小“，“提示“，“标签“等属性（除支持自由设置之外还支持与字段绑定动态展现）进行图表类型替代，这样一来FineBI也就摆脱图表类型对可视化效果的限制，从而达到无限制图表类型的展现能力。

智能图表推荐展现

FineBI能够根据用户拖入的字段（维度类型/个数、指标个数、数据周期性）进行智能图表类型推荐，用最适合的形态进行当前的数据统计呈现。

举个简单的例子，你拿到一串数据，比方说讲“月份”“销量“两个维度拖到面板汇总，就会自动选择用柱形图来展现。

如上图所示，从此以后再也不用纠结用饼图做好还是用折线图做好了。

FineBI可视化效果：

分析性图表

图表是追随于数据分析思路的。

比如“分面展示”其实是提供了一种将多项指标并列分析的数据观察视角。比如我想同时观察温度和衬衫销售的数据趋势，这个时候就可以使用分面分析来进行数据统计观察。通过分面，可以分析不同指标的相关性，从而发现数据的潜在关联。

列举一个简单的例子，我们使用分面展示模式来观察不同学历对加班时长和收入的影响（非实际数据）：

不同年份的销量与增长值之间的关联（非实际数据）：

Dashboard——构建数据分析故事

通常我们在做一些数据报告性质的场景下，需要利用数据创造出吸引人的、信息量大的、有说服力的故事。而FineBI除了提供无限的图表分析之外，仪表板还可供用户进行灵活地数据图表布局分析，轻松构建出你的数据图表思维逻辑，让你拥有独到的洞察性数据见解，进而达到有效沟通或者数据汇报的目的。

地产销售可视化数据分析故事

——销售额逐年逐月上涨

——各市房地产销售额均较高

——高层卖的好，销售面积遥遥领先

——住宅的销售在各年份都处于领先地位

多角度销售可视化数据分析故事

——何时何地应该出售什么？儿童服装、女士服饰、男士服饰？

——哪种品类销量最好？

——哪个区域销量最好？

——哪个门店销量最好

——哪个品牌销量最好

——哪一天销量最好？

图表自适应

除了丰富的图表呈现心态之外，FineBI中提供四种图表内部的自适应模式，包括：

标准适应：内置算法，当横纵向数据较多时，图表内部自动生成对应方向的滚动轴。

整体适应：横纵向填充满当前展示组件.

宽度适应：横向填充满数据，纵向根据数据情况，判断是否出现内部滚动轴。

高度适应：纵向填充满数据，横向根据数据情况，判断是否出现内部滚动轴。

四种适应模式，满足用户dashboard设计时，不同的布局需求。同时，FineBI还支持用户手动调整坐标轴元素宽度，满足更多的自定义展示需求。

动态图表呈现

除了静态的图表展现之外，FineBI还支持用户增加图表注释以及闪烁动画，可由用户自由定义条件进行动态展示，打破了传统图表静态呆板的呈现形式，让用户体验更加生动的数据图表展现效果。

大数据图表性能

此外，FineBI提供的图表大数据模式，依靠前端性能，可支撑百万以上数据量的图表展示。

数据分析人员的新利器——数据挖掘

FineBI这个数据分析工具，目前支持时间序列算法、聚类算法、分类算法等三类数据挖掘方法，还支持和R语言的集成。

如果你想预测未来的销售额，你想智能的给用户群分类，或者你想知道短信发给哪个用户获得的反馈可能性比较大，这些在FineBI中都将会成为现实。

此外，FineBI还将时间序列算法和聚类算法，和图表分析相结合，也就是大家不止可以实现预测和聚类，更进一步，只需要简单的拖拖拽着就可以立即看到预测和聚类的结果，让数据挖掘不止于能用，更要易用。

最后

由于篇幅限制，本文所讲的图表只是FineBI工具的冰山一角。其本质既是一个数据分析可视化工具，又是可以协助企业数据分析的工具。感兴趣的同学们可以到FineBI官网激活试用（个人免费），可以戳下↓↓↓了解！希望这款BI工具能够帮助大家提高日常工作中的数据分析效率。

欢迎关注天善智能，我们是专注于商业智能BI，大数据，数据分析领域的垂直社区，学习，问答、求职一站式搞定！

本文作者：天善智能社区数据小魔方杜雨

天善智能社区博客地址：https://hellobi/u/datamofang/articles

很久没有作图了，主要是一时找不到应该练手的案例。

然后昨天逛网易数独栏目的数据新闻，看到一幅还不错的案例，对于我来说值得一试，然后就手痒给照葫芦画瓢弄出来了。（主要是其中涉及到的细节处理很麻烦）

当然过程是花了些时间的，主要是需要慢慢打磨其中的细节，需要利用很多技术来处理图形版面的交接位置。

令我感触最深的是，想要用ggplot2随心所欲的画图，ggplot2掌握的再熟练，也只是勉强过的了技术关，而图表背后的思维和结构更考验人，更具有挑战性。

好在我学习R语言之前，就已经利用Excel临摹了大量的高难度信息图，这一点可视化素养的积累，再结合对ggplot2勤加练习获得的图感，分分钟做出一副自己喜欢的作品，已经不在话下了。

以下是该案例涉及到的扩展包：

library("plyr")

library("tidyr")

library("ggthemes")

library("sca")

library("dplyr")

library("showtext")

library("Cairo")

library("grid")

font.add("myfont","msyh.ttc")

font.add("myfzhzh","方正正粗黑简体.TTF")

我把该案例切割成了两部分来做：

（实际上如果放在一个图里做也是可以实现的，无非是多写一些代码罢了，但是涉及到颜色标度重复的问题，一时半会儿找不到解决方案，为了更加逼真的还原案例效果，我决定分开来做）。

原图中的下半部分（条形图）（以下简称模块1）

上半部分（堆积柱形图+连接带）（以下简称模块2）

导入数据源：

tea_data<-read.csv("D:/R/File/tea_data.csv",stringsAsFactors=FALSE,check.names=FALSE)

tea_data$State[12]<-"印度尼\n西亚"

tea_bump是上半部分（模块2）中堆积柱形图的数据源，我没有使用传统的堆积柱形图去做，而是使用了矩形几何对象，所以数据源中需要指定X轴起始点，Y轴起始点。

tea_bump<-na.omit(tea_data[,c("State","Yield","Ratio")])

tea_bump<-arrange(tea_bump,-Yield)

other_Ratio<-1-sum(tea_bump$Ratio)

other_Yield<-sum(tea_bump$Yield)/sum(tea_bump$Ratio)-sum(tea_bump$Yield)

data1<-data.frame(State="其他",Yield=other_Yield,Ratio=other_Ratio)

tea_bump<-rbind(tea_bump,data1)

tea_bump$end<-cumsum(tea_bump$Yield)

tea_bump$start<-c(0,tea_bump$end[1:nrow(tea_bump)-1])

tea_bump$id<-1:nrow(tea_bump)

tea_bump<-merge(tea_bump,tea_data[,c("State","Consum")],by="State",all.x=TRUE)

tea_bump<-arrange(tea_bump,-Yield)

以下是下半部分柱形图的数据源，同样我也没有使用普通的柱形图几何对象去做，而是使用了范围线图（geom_linerange），这样可以节省调整步骤，但须额外设置线的起始点。

tea_bar<-tea_data[,c("State","Consum")]

tea_bar$id<-1:nrow(tea_bar)

colorpal<-ifelse(tea_data$State %in% tea_bump$State,"#B4BFB4","#E5E5E5")

library("ggplot2")

library("showtext")

library("Cairo")

底部柱形图对象：

（因为需要拼图，所以图形对象要临时存储）

p1<-ggplot()+

geom_hline(aes(yintercept=1:7*400),colour="grey",linetype=2)+

geom_linerange(data=tea_bar,aes(x=id,ymin=max(tea_bar$Consum)-Consum,ymax=max(tea_bar$Consum),colour=Consum),size=24)+

geom_point(data=tea_bar,aes(x=id,y=max(tea_bar$Consum)+165,fill=colorpal),shape=22,colour="white",size=37.5)+

geom_text(data=tea_bar,aes(x=id,y=max(tea_bar$Consum)+165,label=State),size=6,family="myfont",vjust=.5)+

geom_text(data=tea_bar,aes(x=id,y=max(tea_bar$Consum)-Consum+80,label=Consum),size=6,family="myfont",vjust=0.5,colour="white")+

annotate("text",x =5,y=80,label="各国每年人均茶叶消费量（克）",family="myfzhzh",size=11,colour="#515551")+

ylim(0,4800)+

geom_linerange()+

guides(fill=FALSE,colour=FALSE)+

scale_colour_gradient(low="#A1C997",high="#47734A")+

scale_fill_manual(values=c("#B4BFB4","#E5E5E5"))+

theme_map(base_family="myfont") %+replace%

theme(

plot.margin=unit(c(0,1.5,0,1.5), "cm"),

)

以下数据是构造模块2辅助数据：

（上半部分堆积柱形图的下侧连接带数据）的辅助数据，我打算使用多边形几何对象了来模拟那些参差交错的连接带。这就意味着我要找到每一条带子，即四边形的四个拐点坐标，并按顺序排列。）

如果你看的不是很懂，实属正常，这种笨拙的想法，我也不知道是从哪里学来的。

tea_chord<-data.frame(State=tea_data$State)

tea_chord$id<-1:nrow(tea_chord)

tea_chord$mean<-sum(tea_bump$Yield)/nrow(tea_chord)

tea_chord$xend<-cumsum(tea_chord$mean)

tea_chord$xstart<-c(0,tea_chord$xend[1:nrow(tea_chord)-1])

tea_chord_data<-tea_chord[tea_chord$State %in% tea_bump$State,c("State","xstart","xend")]

tea_chord_data<-merge(tea_chord_data,tea_bump[tea_bump$State!="其他",c("State","start","end")],by="State")

tea_chord_data<-tea_chord_data[,c("State","start","end","xend","xstart")]

tea_chord_newdata<-data.frame(t(tea_chord_data),stringsAsFactors=FALSE)

names(tea_chord_newdata)<-tea_chord_data$State;tea_chord_newdata<-tea_chord_newdata[-1,]

rownames(tea_chord_newdata)<-NULL

tea_chord_newdata$order<-1:nrow(tea_chord_newdata)

tea_chord_newdata_final<-gather(tea_chord_newdata,State,long,-order)

tea_chord_newdata_final$lat<-5

tea_chord_newdata_final$lat[tea_chord_newdata_final$order==3|tea_chord_newdata_final$order==4]<--5

tea_chord_newdata_final$long<-as.numeric(tea_chord_newdata_final$long)

所以说上半部分的堆积柱形图（附加连接带）其实是用了两份不同的数据源模拟出来的。

以下是模块2的可视化代码部分：

p2<-ggplot()+

geom_rect(data=tea_bump,aes(xmin=start,xmax=end,ymin=5,ymax=15,fill=Consum),colour="white")+

geom_polygon(data=tea_chord_newdata_final,aes(x=long,y=lat,group=State),fill="#B1C6B0",colour=NA,size=.25,alpha=.8)+

labs(title="全国茶叶年产量406.7（万吨）")+

geom_text(data=tea_bump[tea_bump$State!="其他",],aes(x=start+5.5,y=13,label=round(Yield,1)),size=5.5,family="myfont",vjust=0.5,colour="white")+

geom_text(data=tea_bump[tea_bump$State!="其他",],aes(x=start+6,y=7,label=percent(Ratio,d=1,sep="")),size=5.5,family="myfont",vjust=0.5,colour="white")+

scale_fill_gradient(low="#A1C997",high="#47734A",na.value="#E5E5E5",guide=FALSE)+

theme_map() %+replace%

theme(

plot.title=element_text(size=35,family="myfzhzh",hjust=.5)

)

有了上下两部分的对象，剩下的就好办了，无非就是拼接起来嘛，但是拼接的过程相当考验人的耐性和毅力，不适合浮躁型的人来做。

CairoPNG(file="E:/bump_bar.png",width=1550,height=1200)

showtext.begin()

vie<-viewport(width=1,height=0.215,x=0.5,y=0.8)

p1;print(p2,vp=vie)

grid.text(label="全球茶叶消费排行榜\n喝茶最多的不是中国人",x=.80,y=.20,gp=gpar(col="black",fontsize=45,fontfamily="myfzhzh",draw=TRUE,just="right"))

grid.text(label="数据来源：Euromonitor、国际茶叶委员会（ITC）",x=.80,y=.13,gp=gpar(col="black",fontsize=20,fontfamily="myfzhzh",draw=TRUE,just="right"))

showtext.end()

dev.off()

为了与原图对比，我使用PS修饰了一些细节：

做完回头想想，做这个图我也是真够无聊的，大概要耗费半天的时间去调试，不过调试的过程能学到的东西倒是很有趣，最近看了不起的匠人，感觉多少有些被感染到了，这算不算是强迫症~_~

天善学院svip正火爆报名中！包含Excel BI、Python3爬虫案例、Python机器学习、Python数据科学家、大数据体系、数据分析报告、数据分析师体系、深度学习、R语言案例共10套课程，其他课程只需五折即可，欢迎大家关注报名！

图表对于数据分析师的作用是非常强大的。

图表是展示工作成果的利器，也是分析工作的精华。

字不如表，表不如图。

大概能代表了大部分的情况。

一、工具

新手做图表常用的工具：

百度echart

优点是配色比较好看。

Excel

基本可以完成大部分图表，操作难度这三者里最大。

Power BI

图表利器，配色的话一言难尽，建议自己下载配色方案。Mac用户需要装windows虚拟机。

二、常用图表

散点图的应用貌似并没有柱形图、饼图那么常见，

但散点图往往更能从大量的无规律数据中发现规律。

我们在拿到数据后，第一件事，就是要观察数据。

散点图就可以帮助我们做这件事。

单纯的散点图

这是一张最基础的散点图。由X轴、Y轴组成了单一象限，数据在象限中按坐标轴排列。

加入回归线的散点图

为了更好的看清楚数据规律，往往会在散点图中加入回归线。

回归线可以帮助我们更好的观察数据趋势。

下面介绍集中辅助线，可以根据业务需要添加。

带折线的散点图

带水平辅助线的散点图

带辅助坐标系的散点图

有时，还会增加散点图的维度。

三维散点图

在数据种类需要区分时，需要增加数据的维度。

按男、女分类数据的散点图

散点图与其他图结合使用，可以更直观的说明问题。

散点图+地图热力图

散点图+箱线图

散点图变种：气泡图

散点图应用

举了这么多散点图应用的案例，相信大家已经对散点图的应用有了一定的了解。之后会出如何制作散点图的教程。请多多关注支持哦~