查看更多的专业文章、课程信息、产品信息，请移步至：

“人工智能LeadAI”公众号；

官网：leadai.org.

作者：HappyHorizon

原文链接：https://jianshu/p/7aa4b7639515

正文共2365个字，9张图，预计阅读时间11分钟。

工具：matplotlib,pandas

import matplotlib.pyplot as pltimport pandas as pdfrom pandas import Series, DataFrame

图的创建

（1）单个图的绘制

创建图对象: fig = plt.figure() # 设置figsize参数可以确保图片保存到磁盘时具备一定的大小和纵横比.

创建轴对象: axis = fig.add_subplot()

plt.gcf()可以获得当前的Figure引用.但是更常用的是获取axis对象，然后调用绘图成员函数完成绘图:

axis.plot(data, linestyle='--', color='k')matplotlib中的linestyle, color等设置与matlab基本相同.

（2）创建多图

可以用axis = fig.add_subplot(m,n,k)的方式定义增加的子图。但是更简单的方法是：fig, axes = plt.subplots(m,n) # m行n列的多图矩阵；

这句命令可以创建一个新的figure，并且axes就是一个含有已创建的subplot对象的Numpy数组，可以用调用数组元素的方式对subplot进行索引。还可以指定subplots的其他参数，例如使得子图之间具有相同的x轴或者y轴（否则matplotlib会自动缩放各子图的坐标轴界限）

（3）调整子图的间距

利用subplots_adjust函数可以调整各个子图之间的间距和图像大小。它的定义如下：subplots_adjust(left=None, bottom=None, right=None, top=None, wspace=None, hspace=None)

附上例子：

1import matplotlib.pyplot as plt

2import numpy as np

3fig, axes = plt.subplots(2,2,sharex=True, sharey=True) # 子图为2行2列，设置子图具有相同的x轴和y轴

4for i in range(2):

5for j in range(2):

6axes[i,j].hist(np.random.randn(500),bins=50, color='k',alpha=0.5)

7plt.subplots_adjust(wspace=0, hspace=0) # 将子图之间的间距收缩到了0

设置操作axis内部函数设置刻度set_xticks([ticks_list])或者set_yticks([ticks_list])设置刻度的描述文字set_xticklabels([ticks_label_list])或者set_yticklabels([ticks_label_list])设置标题set_title('title_string')设置坐标轴文字set_xlabel('xlabel_string')或者set_ylabel('ylabel_string')设置图例plt.legend(loc='best')

image.png

（4）设置刻度、标签和图例

这几个操作都需要调用axis对象的相关函数实现：

设置操作axis内部函数设置刻度set_xticks([ticks_list])或者set_yticks([ticks_list])设置刻度的描述文字set_xticklabels([ticks_label_list])或者set_yticklabels([ticks_label_list])设置标题set_title('title_string')设置坐标轴文字set_xlabel('xlabel_string')或者set_ylabel('ylabel_string')设置图例plt.legend(loc='best')

（5）保存图像

用plt.savefig()可以保存图像。

plt.savefig('test.png', bbox_inches='tight')

示例代码：

1import matplotlib.pyplot as plt

2import numpy as np

3import pandas as pd

4fig = plt.figure(1)

5ax = fig.add_subplot(1,1,1)

6data_one = np.random.randn(500).cumsum()

7data_two = np.random.randn(500).cumsum()

8data_three = np.random.randn(500).cumsum()

9time = pd.date_range('2007-01-28', periods=500, freq='D')

10ax.plot(time, data_one,'r--', label='red')

11ax.plot(time, data_two, 'b.', label='blue')

12ax.plot(time, data_three, 'k-', drawstyle='steps-post', label='steps-post')

13ticks = ax.set_xticks(['2007-01-28', '2007-10-01', '2008-03-01'])

14labels = ax.set_xticklabels(['zero', 'one','two'])

15ax.set_title('test of multi-linestyles and xticks')

16plt.legend(loc='best')

image.png

数据分析中的常用图形：

线型图：除了matplotlib， pandas的Series和DataFrame都具有许多根据其自身数据组织特点来创建标准绘图的高级绘图方法。

1import matplotlib.pyplot as plt

2import numpy as np

3import pandas as pd

4from pandas import Series, DataFrame

5s=Series(np.random.randn(100), index=np.arange(0,100))

6s.plot()

7df=DataFrame(np.random.randn(10,4).cumsum(0), columns=['A','B','C','D'], index=np.arange(0,100,10))

8df.plot()

image.png

image.png

柱形图：柱状图绘制的是x坐标对应的y取值，在plot代码中加入kind=‘bar’就可以得到垂直柱状图，‘barh’则是水平柱状图。

直方图：直方图histogram是一种可以对值的频率进行离散化显示的柱状图。可以通过调用Series或者DataFrame的hist函数得到。数据点被分割到离散的，间隔均匀的面元中，绘制的是各个面元中数据点的数量。其中参数bins表示面元的单位，可以用normed设置是否进行归一化。

密度图：密度图经常和直方图绘制在一起。它是通过计算可能会产生观测数据的连续概率分布的估计产生的。密度图也被称为KDE（kernel density estimate，核密度估计）。调用plot时在kind设置为‘kde’就可以生成密度图。

散布图：散布图是观察两个一维数据序列之间关系的有效手段。散布图也被成为散布图矩阵，它还支持在对角线上放置各个序列的直方图或者密度图。

附上代码:

1import pandas as pd

2from pandas import Series, DataFrame

3import matplotlib.pyplot as plt

4import numpy as np

5comp1 = np.random.normal(0,1,size=200)

6comp2 = np.random.normal(10,2,size=200)

7values = Series(np.concatenate([comp1, comp2]))

8data = Series(np.random.rand(16),index=list('abcdefghijklmnop'))

9combined = {'comp1':comp1, 'comp2':comp2}

10pd_combined = DataFrame(combined)

11fig = plt.figure()

12ax1 = fig.add_subplot(2,1,1)

13values.hist(bins=100, alpha=0.3, color='k', normed=True)

14values.plot(kind='kde',style='k--')

15ax2 = fig.add_subplot(2,1,2)

16plt.scatter(comp1,comp2)

17fig1, axes1 = plt.subplots(2,1)

18data.plot(kind='bar', ax=axes1[0], color='k', alpha=0.7)

19data.plot(kind='barh', ax=axes1[1], color='b', alpha=0.7)

20pd_combined = DataFrame(combined)

21pd.scatter_matrix(pd_combined, diagonal='kde')

22pd.scatter_matrix(pd_combined, diagonal='hist')

柱状图:

image.png

图中(上)是直方图和密度图, (下)是散点图:

image.png

散布图, 对角线是数据的密度图:

image.png

散布图, 对角线是直方图:

image.png

原文链接：https://jianshu/p/7aa4b7639515

查阅更为简洁方便的分类文章以及最新的课程、产品信息，请移步至全新呈现的“LeadAI学院官网”：leadai.org

Origin 是一款经典的图形可视化和数据分析软件，是科研人员和工程师常用的高级数据分析和制图工具。是公认的简单易学、操作灵活、功能强大的软件，既可以满足一般用户的制图需要，也可以满足高级用户数据分析、函数拟合的需要。

Origin 具有两大主要功能：数据分析和绘图。Origin的数据分析主要包括统计、信号处理、图像处理、峰值分析和曲线拟合等各种完善的数学分析功能。准备好数据 后，进行数据分析时，只需选择所要分析的数据，然后再选择相应的菜单命令即可。Origin的绘图是基于模板的，Origin本身提供了几十种二维和三维绘图模板，而且允许用户自己定制模板。绘图时只要选择所需要的模板就行。用户可以自定义数学函数、图形样式和绘图模板；可以和各种数据库软件、办公软件、 图像处理软件等方便的连接。

Origin 可导入包括ASCII、Excel、pClamp 在内的多种数据。另外，它可以把Origin图形输出到多种格式的图像文件，譬如JPEG、GIF、EPS、TIFF等等。Origin 支持编程，以方便拓展Origin的功能和执行批处理任务。Origin 有两种编程语言——LabTalk和Origin C。

本次更新为图形可视化及数据分析软件 Origin 2017 破解版。

感谢关注天善智能，走好数据之路↑↑↑

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！

本篇文章开始教大家如何使用矢量素材在Excel、PPT中自定义精美的数据分析图表。

使用矢量素材制作数据分析报告其实并不难，最常见的就是形式就是使用矢量地图制作数据地图报告了。这个需要其实涉及到的技能并不多，仅仅是一些基础的矢量素材处理与转换工作。

一、矢量素材转换：

假如说你已经获取了一份矢量地图素材（可能是SVG、AI、EPS、EMF格式的），首先需要使用AI等工具将其解散组合（通常矢量图都是编组过的），步骤如下：

（如何获取请参见上一篇图文：你想要的地图素材资源，我都帮你整理好了~ ）

使用AI解组并不是在所有场合下都需要的过程，如果你直接下载的就是ppt版的话，此步骤可以略过。

使用AI打开以上格式矢量地图之后，用鼠标选中你要导入的素材，右键单击——取消编组。

然后再全选素材——复制，回到ppt中，选择性粘贴（或者Ctrl+Alt+V）——粘贴为增强图元型文件（如有提示直接跳过）。

完成之后，选ppt中的图型，右键单击，选择取消组合，然后你会发现，每一个图形都是单独的，可编辑的形状（更改大小、更换颜色等）。

关于网络素材，因为有太多的网站提供这种素材，良莠不齐，很难分辨，而且好多矢量图本身是不可分解的（整体的一个矢量图形，无法分解出省份什么的）。

其实你在网络上看到的很多非常精美的信息图，很多都是可以在专业的素材网站找到矢量图源文件的，下次如果再看到的了，可以尝试下载它的源文件，试着用AI打开解组，并批量导入PPT中，使用以上所教你的方法将单个元素全部打散，根据你自己的需要，自行编辑、创作，详细你也可以做出很漂亮的作品的。

这里小编给大家提供一个免费的矢量地图获取网站：freevetormaps。

https://freevectormaps/

这里你可以分大洲下载所有国家的免费矢量地图。但是精度有限。下载完之后是矢量格式需要用AI编辑导入ppt中。

二、矢量地图素材编辑：

在正式开始矢量地图制作的讲解之前，我需要再强调一次关于编辑过程中的核心技巧。

导入的矢量地图素材如果是编组的，想要对某一个省份（地区）进行填充颜色，需要先解组，然后选中目标省份，进行形状、轮廓填充。

要整体移动整个地图，需要先将整个地图编组（或者全选（Ctrl+A）），然后在编组或者全选状态下，整体移动地图，否则可能导致只移动了某个省份（地区）图形，地图图形错位。

要整体缩放地图，需要先将整个数据地图编组，在编组状态下，选中地图，按住shift键，使用鼠标拖拽四角处的缩放手柄，这样可以保证地图等比例缩放，不会出现变形和错位。

关于编组：选中全部地图，在绘图工具——格式——组合中选择组合（或者单击右键——组合——组合）；快捷键：Ctrl+G

关于解除编组，选中编组后的地图，在绘图工具——格式——组合中解除组合（或者右键单击——解除组合）。快捷键：Ctrl+shift+G

在excel里准备地图省份数据指标；

3、使用条件格式，把指标分类填充颜色。

关于条件格式：

条件格式的特殊用法——创意百分比构成图

条件格式单元格图表

单元格格式/条件格式的妙用

按照条件格式所指，在ppt中给每一个省份填充对应颜色

（当然你也可以把地图copy到excel填充）。

建议大家先把指标列排序，然后条件格式会自动刷新，此时条件格式填充色会按照数值大小填充成连续颜色段，这样填充地图的时候不会太累。

关于填充颜色时的相关技巧：

如要填充相同颜色的省份：

Ctrl+依次选中各个相同颜色省份批量填充（或者使用F4键：重复上一步操作）；

填充的时候可以使用ppt自带的取色器（仅限2013及以上版本，若版本过低请参考历史文章：如何使用取色工具插件）。

制作热力地图色彩阀值：

这个你可以直接把刚才在excel里的复制过来。

完善图表其他元素，备注信息，数据来源等。

这样，一幅热力数据地图就搞定了。

填充用到的RGB色值：

三、给地图添加三维效果：

以上步骤跟大家分享过了如何在ppt中利用矢量地图图形编辑数据地图，因为是手工编辑，所以门槛不高，掌握编辑过程中的若干技巧足以！

接下来教大家怎么在ppt中将矢量地图做出三维效果。

通常我们在用地图展示数据的时候，并不是需要展示所有省份的数据，而是仅仅需要展示几个典型的省份，那么在编辑数据地图的时候，也可以只在地图上单独编辑那几个要显示数据的省份。

如果我们要展示五个地区：河南、甘肃、青海、吉林、安徽；其数据分别为19、23、15、21、14.

对这几个省份单独填充颜色：

当然这样填色其实已经失去了原数据的意义，因为填充的颜色是统一的，并不能区别具体指标大小。

下面我们通过三维效果来达到区分不同省份指标的目的。

首先给地图整体加三维效果（加厚度）：

将整个数据地图编组（顺便去掉所有图形轮廓颜色），选择格式——效果——棱台——三维效果。

然后在三维效果中设置：深度20磅，材料：塑料效果；照明：平衡。

继续设置地图的三维旋转格式：x轴2.2度，y轴317.5度，z轴355.3度。

最后设定一下阴影效果：透明度：0，模糊12磅，角度67度，距离10磅。

此时的效果已经很炫酷了，可是只是给整个地图加上了三维效果，需要展示的几个省份颜色仍然是一样的，无法区分具体指标，怎么办呢！

给这几个省份添加三维效果的数据条：深度值为根据具体指标换算的值。

河南、甘肃、青海、吉林、安徽

96、112、80、104、76

插入一个矩形形状，设置无轮廓，填充色与上述几个省份一致，深度设置为140磅，三维旋转（x:53.5度，y:301.3,z:302.4）。

设置三维格式：材料：塑料效果，照明：早晨。

将上述图形复制四份，分别按照换算指标，设置其深度值。96、112、80、104、76。

这样效果就出来了，可以使用文本框在每一个柱子上标出具体数值。

当然你觉得立方体的柱子你接受不了的话，也可以通过更改形状，将立方体改为圆柱体。

最后将对应的柱形形放置到对应身份位置上去。

这样的效果也是棒棒哒！

以上步骤在Excel中同样适用，因为office平台的诸多工具共享很多模块（常见的图表、表格、图形编辑、颜色库等），所以Excel内如何操作我就不演示了，当然之后的其他案例也会涉及到Excel矢量图编辑的内容。

本文作者：天善智能社区 杜雨

原文链接：https://ask.hellobi/blog/datamofang/9027

杜雨老师的推荐课程：9月12日 R语言可视化在商务场景中的应用

视频直播地址 ：https://edu.hellobi/course/195

直播时间：2017年09月12日 20:00 - 22:00

给大家整理一下本年度一些优质的文章，根据大数据相关的知识点一个个整理的，整理的内容包括知识点普及、学习书籍、学习路线图、学习笔记、学习资料、学习视频等等。

AI时代就业指南

未来已来：AI时代就业指南

AI时代就业指南：计算机、统计完全零基础，到底能不能学数据分析？

AI时代就业指南：数据科学人才成长之路

AI时代就业指南：Java 程序员如何转行做大数据？

AI时代就业指南：企业在招什么样的大数据工程师？

AI时代就业指南：女生适合做数据分析吗？

AI时代就业指南：数据挖掘工程师成长之路

AI时代就业指南：数学专业，你看不见的前尘似锦

AI时代就业指南：数据挖掘入门与指南

AI时代就业指南：普通程序员如何转向AI方向

AI时代就业指南：作为大数据从业人员，如何写好一份可堪入目的简历？

大数据

【入门】大数据行业如何入门-书籍、工具、案例（问题集锦）

【工具】2017 年你应该学习的编程语言、框架和工具

【资料】史上最全的“大数据”学习资源（上）

【资料】史上最全的“大数据”学习资源（下）

【路线图】大数据工程师学习路线图

【路线图】2017年最全的数据科学学习计划

【就业】2016年数据科学薪酬大盘点

【学习群】数据挖掘-机器学习

数据分析

【入门】数据分析那些事（数据分析师入门必看）

【职业】数据分析与数据挖掘类的职位必备技能

【职业】与大数据相关的工作职位有哪些？

【路线图】数据分析师学习路线图

【路线图】数据科学学习路线图

【书单】数据分析师的必读书单

【学习群】人人都是数据咖

统计学

【书单】统计学入门经典书单

【视频】大数据统计学基础

【学习群】大数据-统计分析

SQL

【文章】实用SQL语句大全

【笔记】SQL学习点滴合集

【视频】13次课了解sql2008的故事

Python

【教程】python快速教程

【文章】python爬虫实战

【文章】Python-pandas技巧系(量化小讲堂)

【路线图】python学习路线图

【路线图】Python大数据学习之路

【资料】python机器学习入门资料梳理

【视频】Python入门：数据分析与数据挖掘

【课程】Python进阶：数据挖掘实战

【学习群】Python数据挖掘-初级

【学习群】Python数据挖掘-高级

R

【文章】R语言知识体系

【文章】怎样学习R（上、下)

【文章】ggplot2绘图入门系列

【文章】R利剑NoSQL系列文章

【文章】R语言常用数据挖掘包

【路线图】R语言学习路线图

【视频】R学习免费学习视频

【课程】R语言入门

【课程】R语言实战

【课程】机器学习与R语言实践

【课程】R语言量化交易

【工具】全球最火的R工具包一网打尽，超过300+工具，还在等什么?

【学习群】R语言数据挖掘-初级

【学习群】R语言数据挖掘-中高级

Hadoop

【文章】Hadoop学习路线图

【文章】RHadoop实践系列文章

【教程】Spark入门实战系列教程

【课程】大数据实战工具Spark

【学习群】大数据-hadoop-spark

数据挖掘/机器学习

【入门】机器学习和数据挖掘推荐书单

【路线图】R语言学习路线图及R数据挖掘包

【路线图】Python数据分析和数据挖掘学习路线图

【路线图】机器学习路线图

【资料】近200篇机器学习&深度学习资料

【学习群】大数据-机器学习

因文本问题无法嵌入链接，请复制http://ppvke/Blog/archives/27665 至浏览器查看原文

大数据是一个非常好的发展方向。科学的数据统计与分析上至国家、企业，下至个人，都能提供出莫大的帮助，“不怕乱如麻，只怕不调查”数据是反馈一个集体或者个人以往表现最有力的证明。沧桑话巨变，数据铸辉煌。数据能力的强弱也能决定发展方向是否客观真实，决定了未来的可能成就。本文主要讲述数据分析等级是根据哪些方面划分的以及数据分析的日常工作。

1、数据分析师的日常工作内容是什么？

数据分析师这个职位，不同的公司，不同的行业，对于它的理解和工作内容都有所不同。在有些传统行业，数据分析师工作重点是做行业报告等；在阿里巴巴等大型互联网公司，职位区分比较明确，数据分析师大部分时间只做产品和运营的分析工作，至于基础数据处理、搭建数据产品等等不涉及;在创业公司等相对小型公司，数据分析师要干的活可能要不仅仅是产品和运营分析，基础数据采集和处理，数据产品搭建都属于数据分析师的工作范围。

明确了数据分析师的工作范围，大概也就清楚了每天要做些什么，比如：

产品和运营的数据提供(正常分析师工作)

基础数据采集和处理(类似ETL工作)

数据产品的思考和搭建(类似数据产品经理工作)

数据价值的挖掘(类似数据挖掘工程师工作)

2、数据分析师需要会什么？

①、数据分析理论要求及对数字的敏感性，包括统计学知识、市场研究、模型原理等。

②、工具使用，包括挖掘工具、数据库、常用办公软件（excel、PPT、VBA、word、脑图）等。

③、业务理解能力和对商业的敏感性。对商业及产品要有深刻的理解，因为数据分析的出发点就是要解决商业的问题，只有理解了商业问题，才能转换成数据分析的问题，从而满足部门的要求。

④、汇报和图表展现能力。这是临门一脚，做得再好的分析模型，如果不能很好地展示给领导和客户，成效就大打折扣，也会影响到数据分析师的职业晋升。

3、数据分析师的成长阶段

①第一阶段（一般岗位叫数据专员）

基本学会excel（VBA最好学会；会做透视表；熟练用筛选、排序、公式），做好PPT。这样很多传统公司的数据专员已经可以做了

②第二阶段

这一阶段要会SQL，懂业务，加上第一阶段的那些东西。大多数传统公司和互联网小运营、产品团队够用了。

③第三阶段（数据分析师）

统计学熟练（回归、假设检验、时间序列、简单蒙特卡罗），可视化，PPT和excel一定要溜。这些技术就够了，能应付大多数传统公司业务和互联网业务。

④第四阶段（分裂）

数据分析师（数据科学家）、BI等：这部分一般是精进统计学，熟悉业务，机器学习会使用（调参+选模型+优化），取数、ETL、可视化啥的都是基本姿态。

4.数据分析师就业方向

数据分析师 – 偏向商业化的数据分析，运营广告等活动效果分析，销售额或利润预测，用户特征描述等，需要较好的统计知识，需要懂1-2门数据分析工具如SAS、R等；

咨询顾问 – 面向客户，为客户提供数据抓取、数据分析、出数据报表、改进建议落实等咨询服务，需要有较好的沟通能力，需要懂1-2门数据分析工具如SAS、R等（咨询顾问其实也分技术和非技术，技术类的主要是为客户搭建数据平台）

数据产品经理 – 一般是互联网公司独有，数据量大的公司会有自己的数据产品，如阿里巴巴的数据魔方等，主要是针对数据产品从产品立项、提开发需求、跟进产品开发、测试一直到产品上线等工作（相对来说并不需要对从业者要求很高的数据分析或统计能力，属于目前市场上为数不多但高工资的职位）

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。

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 堆积柱状图

适用于两个属性列和一个数据列的二维数据结构，其中一个属性列作为总体的x轴，另一个则是每个总体的组成部分，数据列则作为显示比较高度的y轴。既可以利用图形高度反应数据的差异，也可以计算各个组成部分的占比情况。

优势：既能看到总体的大小，又能看到组成部分的变化，尤其是当需要看某一单位的综合以及各系列值的比重时，最适合。

2 条形图

适用于一个属性列和一个（或数个，数个时通过图例选中不同的显示效果）数据列的二维数据结构，属性列作为进行类别比较的竖轴，数据列作为显示比较高度的y轴。利用图形长度来反应数据的差异，条形图近似等于将柱状图按顺时针旋转90度。

优势：每个条都清晰表示数据，直观。

3 面积图

适用于一个属性列和一个（或数个，数个时通过图例选中不同的显示效果）数据列的二维数据结构，属性列作为进行类别比较的x轴，数据列作为显示比较高度的y轴。面积图显示各种数值随时间或类别变化的趋势线，尤其适用于强调数量随时间变化的趋势。

优势：强调数量随时间或类别而变化的程度，也可用于引起人们对总值趋势的注意。

4 帕累托图

适用于一个属性列和一个数据列的二维数据结构，属性列作为进行类别比较的x轴，数据列作为显示比较高度的y轴。帕累托图用双直角坐标系表示，左边纵坐标表示频数，右边纵坐标表示频率，分析线表示累积频率。横坐标表示影响质量的各项因素，按影响程度的大小（即出现频数多少）从左到右排列。帕累托图是按照发生频率大小顺序绘制的直方图，表示有多少结果是由已确认类型或范畴的原因所造成。它是将出现的质量问题和质量改进项目按照重要程度依次排列而采用的一种图表，可以用来分析质量问题，确定产生质量问题的主要因素。

优势：通过对帕累托图的观察分析可以抓住影响质量的主要因素。

5 数据透视表

适用于两个属性列和两个数据列的四维数据结构。数据透视表能够将筛选、排序和分类汇总等操作依次完成，并生成汇总表格。每一次改变版面布置时，数据透视表会立即按照新的布置重新计算数据。另外，如果原始数据发生更改，则可以更新数据透视表。

优势：可方便地调整分类汇总的方式，灵活地以多种不同方式展示数据的特征。

6 位置图

适用于一个属性列（必须是省份数据）和一个数据列的二维数据结构。位置图适用于有空间位置的数据分析。

优势：特殊状况下使用，涉及行政区域。

Gephi

Gephi是面向各种网络和复杂系统、动态图形和层次图形的交互式可视化和探索平台。是一款网络分析领域的数据可视化处理软件，开发者对它寄予的希望是：成为 “数据可视化领域的Photoshop”。

Gephi是开发和理解图形的工具。就像Photoshop一样，但是对于图形，用户可以通过创造数据表达方式，改变其结构、形状和颜色来显示隐藏目标数据的属性。目的是帮助数据分析人员在数据来源过程中做出假设、直观地发现模式、避免结构中存在的奇点或故障。它是传统统计学的一种补充工具，因为视觉思维和交互界面被认可以有效促进推理的方式。这是一个用于探索数据分析的软件，是一个视觉分析领域的研究范例。Gephi是在Netbeans平台上开发，语言是JAVA，并且使用OpenGL作为它的可视化引擎。依赖于它的APIs。Gephi 是一种开源软件，允许开发者去扩展和重复使用，他们可以编写自己感兴趣的插件，创建新的功能。

Gephi的用途？

在大数据蓬勃发展的今天，社交网络所表现出的社会影响力，远超于人们的想象。能更好理解社交网络中潜藏的巨大的信息量以及其快速迁移变化的属性，如何衡量信息传播的关系与效果，对于理解社会关系，政治，经济，文化等方面都是至关重要的。

Gephi就是一款处理表现关系的数据的软件。比如在高中年级中，谁喜欢谁；在社交媒体上，谁关注了谁；在投票选举中，谁投票给谁；在组织中，谁领导谁，谁和谁合作等等。现阶段，Gephi在学术界，新闻学和其他领域的一些研究项目起到了重要的辅助甚至推动的作用，例如：

1，在可视化纽约时报内容的全球连通；2，社会动荡中检查Twitter网络流量3，社会网络分析

以下是课程大纲：

课程1

1 介绍Gephi及其背景

2 Gephi图形的基本

3 Gephi软件的界面

4 Gephi的数据表的生成

5 Gephi的基础操作

课程2

1 制作Gephi关系数据图

2 更改算法布局

3 筛选数据

4 案例1（各国纸媒之间关系）

5 案例2（社交网络关系于地理关系）

Gephi软件的界面介绍

注：该课程介绍使用的是Gephi0.9.1, 最新版本为0.9.2（相似）

打开文件

输入报告调整

GRAPH执行栏

外观工具栏界面

此处不同的布局，基于不同的植入算法，进行边，点相互力的调整，达成平衡。

通过调整不同的参数，改变对点的吸引和排斥以收缩，或扩展的方式改变图面布局。

不同算法下，布局的展示（1）

不同算法下，布局的展示（2）

数据列表，可看到导入数据，也可在此界面编辑数据库及列表。

预览界面，相当于打印时的预览界面。导出数据图之前可以在预览页中调整输出格式及相关参数。

延伸案例操作

悲惨世界 Les Misérables中人物角色之间的关联性

来源：D. E. Knuth, The Stanford GraphBase: A Platform for Combinatorial Computing,Addison-Wesley, Reading,MA, 1993

其他操作练习

以下图来源：官网

注意事项

怎么做出Gephi可是别的数据文件

根据Gephi可识别的数据文件格式，最简单的格式为csv。那么什么是csv格式文件？

CSV（Comma Separated Values逗号分隔值）

.csv是一种文件格式（如.txt、.doc等），也可理解.csv文件就是一种特殊格式的纯文本文件。即是一组字符序列，字符之间已英文字符的逗号或制表符（Tab）分隔。

在windows系统环境上.csv文件打开方式有多种，如记事本、excel、Notepad++等，只要是文本编辑器都能正确打开。

（1）新建一个文本文档。

（2）打开“新建文本文档.txt”，进行编辑。

注意：关键字与关键字之间使用英文逗号隔开，第一行为引用字段，第二行为对应值。

（3）生成.csv文件。

方式一：文件-另存为-命名文件名-选择编码utf-8，最后保存。

方式二：保存文档后直接修改“新建文本文档.txt”为“使用记事本创建CSV文件.csv”。

各种格式文件优劣性对比

软件操作下载

官网下载：Windows, Mac OS X and Linux.

同时下载：Java SE Development Kit 10 Downloads

详细安装步骤请参考官网：https://gephi.org/users/install/

以上为本次课程的大纲介绍，由于篇幅设置没有给大家展示更多案例。但课程期间会给大家讲述到。

所有报名此课程的同学们均可得到对应的教程视频。（课程结束后的一个月后给大家）

面向人群：

学生

设计师（不享有优惠服务）

课程时间：

06.06（下周三）

06.08（下周五）

上课时间：pm 16:30开始（课程长度由老师把控）

费用：

99人民币

ASRI 学员免费

优惠条件：

1.在此博文下方留言并点赞最多的前三名即可免费学习此课程。

2.转发此博文到朋友圈集齐20个赞并截图给顾问老师，即可免去49人民币。

授课方式：

线上+线下

CCTALK直播

报名请私信：

-end-『 评估 』『 合作 』联系邮箱：as_office@163

关于ASRI

AS国际建筑与空间研究所（ASRI）作为设计先锋研究所，一直以来从事创造性设计。主张设计观点与批判精神作为建筑设计师的必备条件。可能性作为首要出发，以设计师独有的理解方式积极寻求工作方法及策略。

ASRI——反重力国际（Anti-gravity international）人才战略的计划执行者。 AS（ASRI)主张试验性的，自由的、开放的、纯粹的学术与设计交流平台，提倡建筑非线性设计，空间叙述性、动态的非预期设计、数字化时期空间设计等.

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）

来自：数据观 https://shujuguan

DT时代，我们每天都会收获来自各种渠道的海量数据，它们是对我们上一步行动的反馈，但人脑消化数据的能力却是有限的——如何及时洞察数据中的涵义，就需要数据可视化工具的帮助了。然而，图表的类型非常丰富，如何做出正确的选择，达到“一图胜千言”的效果呢？

［数据的五种关系］

首先，我们需要了解，数据通常包含五种相关关系：构成、比较、趋势、分布及联系。

构成

主要关注每个部分所占整体的百分比，如果你想表达的信息包括：“份额”、“百分比”以及“预计将达到百分之多少”，这时候可以用到饼图。

比较

可以展示事物的排列顺序——是差不多，还是一个比另一个更多或更少呢？“大于”、“小于”或者“大致相当”都是比较相对关系中的关键词，这时候会首选条图。

趋势

是最常见的一种时间序列关系，关心数据如何随着时间变化而变化，每周、每月、每年的变化趋势是增长、减少、上下波动或基本不变，这时候使用线图更好地表现指标随时间呈现的趋势。

分布

是关心各数值范围内各包含了多少项目，典型的信息会包含：“集中”、“频率”与“分布”等，这时候使用柱图；同时，还可以根据地理位置数据，通过地图展示不同分布特征。

联系

主要查看两个变量之间是否表达出我们预期所要证明的模式关系，比如预期销售额可能随着折扣幅度的增长而增长，这时候可以用气泡图来展示，用于表达“与……有关”、“随……而增长”、“随……而不同”变量间的关系。

对信息中包含的5种关系，可以简单归纳如下：

构成：占总体的百分比

比较：项目的排名

趋势：如何随着时间变化

分布：项目的频率情况

联系：变量之间的关系

［图表的具体适用场景］

下面，我们具体来看一下图表特点及适用场景：

以下图表均制作于数据观

条图

条图表达比较关系，按照强调的方式可以排列任何顺序，适用于高亮Top3或Top5数据，如在零售行业中统计畅销品的销售情况就是很好的应用。它是最通用的一种图表，应在所有的图集使用中占到25%。

柱图

柱图用高度反映数据差异，用来展示有多少项目（频率）会落入一个具有一定特征的数据段中，比如分析公司人员构成是否存在老龄化现象，可以通过柱图看到25岁以下的员工有多少，25岁到35岁之间员工有多少等这种年龄的分布情况。同时，柱图还可以用来表示含有较少数据值的趋势变化关系。

分析图形有单指标柱图、多指标柱图以及堆叠柱图类型。

（1）、单指标柱图

（2）、多指标柱图

（3）、堆叠柱图

线图

线图可用来反映随时间变化而变化的关系，尤其是在趋势比单个数据点更重要的场合。

在柱图与线图的选择过程中，可以考虑数据的本质。柱图强调的是数量的级别，它更适合于表现在一小段时间里发生的事件，产量的数据很适合这个领域。线图强调的是角度的运动及图像的变换，因此展示数据的发展趋势时最好使用它，存货量就是一个很好的例子。柱图和线图的使用应占到图集看板的50%左右。

线图类型中可以有单线图，还可以在图中进行多指标趋势性比较。

（1）、单线图

（2）、多指标趋势性比较

饼图

构成比例关系时，最好使用饼图，给人一种整体的形象，可以展示每一部分所占全部的百分比，比如产品A预计销售额占到所有产品销售额的最大份额。

为了使饼图尽量发挥作用，在使用中不宜多于6种成分。人的眼睛比较习惯于按顺时针方向进行观察，所以应该讲最重要的部分放在紧靠12点钟的位置，如果没有哪一个部分比其他部分更加重要，那么就应该考虑让它们从大到小的顺序排列。

数据观除了有标准饼图，还提供中空饼图和环形饼图两种类型。

（1）、标准饼图

（2）、中空饼图

（3）、环形饼图

Attention！不适用饼图的情况

饼图是通过面积呈现数据的变化，当各指标所占比例接近时，无法直观的判断面积的大小，此时选择条图来呈现，规律就更加清晰。饼图是应最少使用的图表，在所有的陈述和报告中其使用率应少于5%。

错误的图表类型：

正确的图表类型：

气泡图

气泡图判断两个变量之间是否存在某种关系，可反映五维数据。每个气泡的不同颜色或标签，以及气泡点大小，都可以反映一个维度。一般使用率为10%。

KPI图

最直接显示结果，适用于高亮关注指标值或者差异，可以通过主要指标和次要指标进行体现。信息量避免过多，越直观越好。

面积图

与折线图较为类似，面积图强调变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。用填充了颜色或图案的面积来显示数据，面积片数不宜超过5片。

漏斗图

漏斗图用来表示逐层分析的过程，从一个总值（最顶端），不断除去不关心的部分，最终得到关心的值的过程。

多用于业务流程比较规范、周期长、环节多的流程分析，通过比较各个环节宽窄大小，能够直观地发现和说明问题所在。常见应用场景：电商网站、营销推广、CRM等。

1）电商网站：通过转化率比较能充分展示用户从进入网站到实现购买的最终转化率。2）营销推广：反映搜索营销的各个环节的转化，从展现、点击、访问、咨询，直到生成订单过程中的客户数量及流失。

3）CRM：销售漏斗图用来展示客户各个阶段转化比较。

金字塔图

金字塔图用于展示类似金字塔的层级结构和数据量。例如某个国家的收入分配，金字塔顶部显示高收入类别，逐渐降低到代表低收入的底部。

雷达图

雷达图可以用来表现一个周期数值的变化，也可以用来表现特定对象主要参数的相对关系。

雷达图多用于在财务分析中，用来分析企业负债能力、运营能力、盈利和发展能力等指标。

地图

地图是信息密度最大的数据可视化方式，人们在日常生活中就使用地图，所以能直观理解地图。

数据观基于不同的视觉化原理提供三种地图：区域地图、散点地图和热力地图。

（1）、区域地图

区域地图是按照国家、省市行政区划分，用来展现地理信息，以及与地理位置有关的信息，指标的多少可以用颜色深浅区分。

（2）、散点地图

散点地图基于高德地图实现，通过定位经纬度，用散点来表示所在位置的信息指标。

（3）、热力地图

热力地图以特殊高亮的形式显示访客所在的地理区域的图示，不同颜色反映不同区域密度的分布。

表格

表格可以通过拖拽所关心的指标，如通过一级、二级分类，了解更加明细的数据，起到数据透视表功能。

综合使用

饼图、柱图、条图、线图、气泡图可以组成可视化报告90%图形，其他视觉化展示可以将图表组合起来综合使用。

以上就是为大家提供的图表基本使用原则，适用于日常工作中大多数的图表制作。

最后，希望大家都可以需要根据自己想要表达的信息选择合适的图表，让数据可视化帮助我们的大脑减负，替我们的数据说话。