你有数据，你有问题。你知道那里有一个图表或图表会显示你想要查看的数据，但是在没有一些试验和错误的情况下知道哪个图表适合你并不容易。

本文中厦门艾科思移动报表平台将图表与您正在分析的数据类型以及您想要回答的问题进行配对，以帮助您找到适合您需求的图表。

那么，哪张图表适合你？将数据转换为有效的可视化（任何类型的图表）或仪表板是让数据产生影响的第一步。以下是进行有意义的视觉分析的一些最佳做法：

1.条形图

条形图是最常见的数据可视化之一。借助它们，您可以快速分辨类别之间的差异，清楚地显示趋势和异常值，并一目了然地显示历史高点和低点。条形图在您可以将数据分成多个类别时尤其有效。

条形图适用于：

比较跨类别的数据。条形图最适合于可以分成几个组的数据。例如，不同大小的衬衫数量，网站流量以及部门开支的百分比。

提示：

在仪表板上包含多个条形图。同时比较多个条形图要比试图在多个幻灯片上查找模式要容易得多。

为图表添加色彩以添加辨识度，可以轻松进行深入比较。

使用堆叠栅格或并排栅格。堆叠式和并列式条形图使您可以进一步细分数据，从而为您的分析提供更多深度。

将条形图与地图组合在一起。地图是一种强大而直观的数据可视化方式。使用地图作为过滤器，观众可以深入了解并找到详细的答案。

绘制沿同一轴的正面和负面数据点使趋势和异常值脱颖而出。

通过结合条形图和表格计算来尝试帕累托分析。使用表格计算创建帕累托图表，显示多个类别的积累。

折线图

折线图或曲线图是另一种用于显示数据的熟悉方法。它连接了几个不同的数据点，将它们呈现为一个持续的演变。结果是一种简单直接的方式，可以将一个值相对于另一个值的变化可视化。

折线图适用于会随着时间的推移有某种趋势的数据。折线图通常用于显示随时间变化的数据，但不限于此。任何维度日期类型，时间间隔和其他序数据都可以用作横轴。例如，五年内的股价变化，一个月内的网站浏览量以及四分之一的收入增长。

提示：

将折线图与条形图组合在一起。条形图和折线图能有效地相辅相成。在同一轴上显示两种信息可为数据增加强大的数据关联。

根据线条阴影区域。根据折线图阴影区域提供了一个直观的数量视觉提示，并且可以改善图形的外观和感觉。当您的图形包含多行时，请使用多种颜色显示每一行对整体的相对贡献。

饼形图

饼图对于向其他可视化添加细节功能强大。单独一个饼图不能让观众快速准确地比较信息。由于观看者必须自己创建上下文，因此您的数据中的关键点会被忽略。不要将饼图作为仪表板的焦点，而是尝试使用它们深入研究其他可视化。这种方法使用饼图的简单性来添加信息，而不会从大图中分散注意力。

饼图适用于：

用于向其他类型的图表和图表添加信息时，饼图的影响力最大。

深入研究其他可视化。这种方法使用饼图的简单性来添加信息和关联性，而不会从大图中分散注意力。

提示：

限制种类数量。如果您有太多的比例可供比较，观众可能无法从图表中获得意义。同样，将仪表板限制为小数量的饼图。

覆盖饼图在地图上。饼图可以进一步分解数据中的地理趋势，创建引人注目的可视化。

地图

无论是邮政编码，省市地区，国家名称还是您自己的自定义地理编码，地图对于任何类型的位置信息的可视化都是不费吹灰之力。地图以每个人都知道和理解的格式突出显示地理趋势。

地图适用于显示地理编码数据。如果您的地理信息与您的数据相关联，则地图是一种简单而有说服力的方式，可以显示位置与数据趋势之间的关系。例如，各省市的保险索赔，各国的产品出口目的地，邮政编码的车祸以及自定义销售区域。

提示：

使用地图作为其他类型的图表，图表和表格的过滤器。地图提供了直观的方式来深入了解您的数据。用户可以一目了然地看到大趋势，并使用筛选器操作快速进一步调查。

地图上的图层数据点。标记可以叠加在地图上以更精确地显示单个数据点。尝试改变它们的大小，为分析添加更多视觉细节。

将数据放在单独的静态图中会限制您可以解决的问题的数量和深度。让你的分析成为企业的核心，用它来加速勘探。组合相关的图表，添加地图，提供过滤器以深入挖掘。它的影力响？那就是直接的业务洞察力和对实际推动业务决策的问题的答案。

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~

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。

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。

中商情报网讯：2018年1-6月一汽集团一共销售1712506辆车，其中轿车销量为1207812辆占比最大为70.5%，其次是四驱运动型车销量为191401辆占比11.2%，两驱运动型车占比6.1%销量为104982辆。其它只占0.6%包括交叉型乘用车1705辆、客车3819辆、多功能乘用车2228辆。货车非完整车销量94962辆和半挂牵引车销量88041辆分别上半年销售量的5.5%，5.1%。

数据来源：中商产业研究院数据库

2018年上半年一汽集团一共销售1712506辆车，其中一汽大众汽车有限公司销售了979666辆车，占一汽集团上半年销售的57.2%。在一汽大众汽车有限公司主要销售的是轿车，销售量为878361辆，其次是四驱运动型100287辆，最后是两驱运动型1018辆。一汽丰田销售公司上半年销量为360932辆，基本型乘用车占了268724辆。中国第一汽车集团有限公司销售的车辆中，货车非完整车销量94962辆占比最大。天津一汽夏利汽车股份有限公司主要销售了轿车9012辆和两驱运动型3995辆。

数据来源：中商产业研究院数据库

中商情报网讯，据统计局最新数据显示，2018年1-7月份，全国网上零售额47863亿元，同比增长29.3%。其中，实物商品网上零售额36461亿元，增长29.1%。

2017-2018年中国网络零售额及增长速度

数据来源：中商产业研究院整理

从增长速度来看，随着信息技术的进步和网络覆盖范围的扩大，尤其是国家对农村地区网络建设的支持力度不断加大，网络购物用户规模持续壮大，网络零售额增速远远超过社会商品零售总额的增速。2018年1-7月，网络零售额同比增长速度达到29.3%。

2017-2018年中国网络零售额与社会消费品零售总额增速

数据来源：中商产业研究院整理

我国零售业线上与线下、批发与零售、城市与乡村流通市场共同发展的新格局形成。中国网络零售额占全社会消费品零售总额比重超过10%，2018年1-7月，全国网络零售额47863亿元，同比增长29.3%。

2017-2018年网络零售额与社会消费品零售总额增速情况

数据来源：中商产业研究院整理

根据Wikibon的结论，全球大数据市场软件与服务收入预计将由2018年的420亿美元增长至2027年的1030亿美元，年均复合增长率（简称CAGR）高达10.48%。

Forrester公司预计，全球大数据软件市场将在今年年内迎来310亿美元总值，较上一年增长14%。预计全球软件市场总营收将达到6280亿美元，其中应用程序将达到3020亿美元。

根据埃森哲的一项研究，79%的企业高管认为拒绝大数据发展趋势的企业将失去其竞争地位，甚至面临着灭顶之灾。更有83%的企业正积极利用大数据项目夺取竞争优势。

根据普华永道公司的调查结论，59%的企业高管表示，人工智能技术的引入能够改善公司的大数据处理能力。

销售与营销、研发、供应链管理（简称SCM，包括分销）以及工作场所管理与运营（包括大数据）正成为目前企业营收增长的最大贡献因素。麦肯锡分析公司于2018年1月发布的研究报告《Analytics Comes of Age》对如何利用分析技术与大数据实现全新生态系统作出了全面概述，并将其视为实现人工智能（简称AI）的一项前提条件。麦肯锡方面发现，分析与大数据在基础材料与高科技行业当中作出的贡献最为可观。以下第一份图表即来自麦肯锡分析公司的研究，其中突出了分析与大数据技术如何彻底改变销售与营销领域中的多种基本业务流程。

在麦肯锡分析公司开展的调查当中，近50%受访者表示分析与大数据技术从根本上改变了其销售与营销类职能的业务行为。此外，超过30%的受访者表示各行业研发工作同样受到重大影响。其中高科技、基础材料与能源领域的受访者们表示，分析与大数据技术改变了其相当一部分固有职能。资料来源：2018年1月发布的《Analytics Comes of Age》。

全球大数据市场软件与服务收入预计将由2018年的420亿美元增长至2027年的1030亿美元，年均复合增长率（简称CAGR）为10.48%。与此同时，Wikibon方面还估计称，全球大数据市场在2017年到2027年之间将以11.4%的年均复合增长率持续扩张，总体规模则由350亿美元增长至1030亿美元。资料来源: Wikibon 与 Statista相关报告。

根据NewVantage Venture Partners的统计，大数据将通过减少开支（49.2%）与创造新的创新途径（44.3%）为企业带来最大价值。通过将高级分析与大数据相结合以发现降低成本及提供可量化结果的新机遇，目前各个行业都在积极探索将这两股力量引入自身的具体方式。69.4%的受访者已经开始利用大数据建立数据驱动文化，而有27.9%已经获得初步成果。资料来源: NewVantage Venture Partners, Big Data Executive Survey 2017。

Hadoop与大数据市场总值预计将由2017年的171亿美元增长至2022年 993.1亿美元，年均复合增长率高达28.5%。预计增长速度最快的阶段为2021年与2022年，届时市场的年价值总量将首次突破300亿美元。资料来源: StrategyMRC与Statista相关报告。

大数据应用程序与分析将由2018年的53亿美元增长至2026年的194亿美元，年均复合增长率为15.49%。全球大数据市场（包括专业服务在内）将由2018年的165亿美元增长至2026年的213亿美元。资料来源: Wikibon与 Statista相关报告。

对高级分析与大数据相关硬件、服务与软件的全球需求进行比较，其中软件部分拥有明显优势。软件部分预计将成为增长速度最快的门类，将由2018年的140亿美元增长至2027年的460亿美元，年均复合增长率为12.6%。资料来源: Wikibon; SiliconANGLE; Statista估计以及 Statista相关报告。

中国的高级分析与大数据收入预计将在2020年达到578亿人民币（折合约90亿美元）。中国市场预计将成为全球范围内发展速度最快的区域之一，其年均复合增长率可能达到31.72%。资料来源: 社会科学学术出版社（中国）与Statista。

非关系型分析数据存储预计将成为大数据领域中增长速度最快的技术类别，其2015年至2020年期间的年均复合增长率将达到38.6%。认知软件平台（年均复合增长率为23.3%）以及内容分析（17.3%）则与非关系数据库共同成为2015年至2020年期间三大增长速度最快的技术类型。资料来源: Statista。

利用大数据创建高效能分组集群的分散式一般零售商的销售额将增长3%至4%。大数据已经成为零售行业实现转型的催化剂，其能够为本地化带来远超以往的准确度水平。目前，大数据技术被广泛用于增加终端促销活动的投资回报率、优化货架设计、改善追加销售以及交叉销售业绩，同时优化高销量商品的价格设定。资料来源: 2018年2月8日，波士顿咨询集团，《Use Big Data to Give Local Shoppers What They Want》。

84%的企业推出了自己的高级分析与大数据项目，旨在提高准确度并加速自身决策流程。 NewVantage Venture Partners近期发布的调查结果显示，专注地这一方向的大数据项目拥有最高的成功率表现（69%）。超过三分之一的企业（36%）认为这一领域正是高级分析与大数据投资的首要方向。资料来源: NewVantage Venture Partners调查与 Statista。

这样的动态销售仪表盘，可以多角度展现年度销售情况，包括每月总销售额的变动趋势、各种产品分类的销售占比、明星产品排行、销售员业绩排名，还可以按地区和城市进行动态筛选，想必通过这样的数据分析，一定会让领导看出销售整体状况的子丑寅卯，也为未来制定销售战略提供了可靠的数据依据，怎么样？对这样的实效强而颜值高的仪表盘，你心动了吗？那就随我一起来实现它吧。

首先，我们一定要做好一张最关键的表，就是源数据表，源数据相当于地基，地基不打牢，盖啥样的房子都是白搭！

下面，基于源数据表创建数据透视表，数据透视表是基于源数据表进行变表的最佳工具，拖拽之间即可完成炫酷报表，简单又百变，所有表亲们都值得拥有！

通过拖拽设置数据透视表的报表字段，对于月销售额分析，将“订单日期”拖到“行字段”中，将“金额”拖到“值字段”中，此时，在行字段中将自动出现“月”，由于我们仅按月份统计销售额，因此，将“订单日期”再从“行字段”中拖出去，仅保留“月”即可；

基于月销售额分析数据透视表，制作数据透视图并进行美化，这样的透视图表，即可实现随着源数据的改变而动态变化，保证了数据的正确性和一致性！

复制月销售额分析数据透视表，以制作Top5明星产品数据透视表，调整报表字段，将“月”从行字段中拖出去，将“产品名称”拖入到行字段中，点击“行标签”，选择“值筛选”中的“前10项”，更改为“最大5项”：

基于Top5明星产品数据透视表，插入条形图，以制作Top5明星产品排行表，并进行图表美化：

复制月销售额分析数据透视表，以制作产品分类占比数据透视表，调整报表字段，将“产品分类”设置为行字段，并设置“金额”值字段的显示方式为“列汇总的百分比”：

基于产品分类占比数据透视表，插入饼图，以制作产品分类占比图表，并进行图表美化：

复制月销售额分析数据透视表，以制作销售业绩汇总数据透视表，调整报表字段，将“销售员”设置为行字段，并设置行标签按“求和项：金额”进行降序排序：

基于销售业绩汇总数据透视表，插入簇状柱形图，以制作销售业绩汇总排名表，并进行图表美化：

最后插入两个切片器，一个是“城市”切片器，一个是“地区”切片器，设置切片器的样式，并设置切片器的报表连接，以实现切片器对多个透视图表的数据联动：

OK，炫酷的仪表盘做好了，你学会了吗？

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。

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。