Excel大表姐

我们一定可以利用工具让工作更高效

然后一起早下班

吃喝玩乐做自己

Hello，胖友们！好久不见，我终于粗线啦~

前段时间给大家分享了数据透视表的使用方法（建议先点击蓝字学习），今天再给大家分享另外一个强大的excel技巧，那就是数据透视图！

说到做图表，想必很多同学都不陌生。图表可以让数据可视化，使得数据内容更加清晰直观，比如进行类别比较的柱状图、占比分析的饼状图、看趋势走向的折线图等等。擅用图表，能够帮助我们进一步揭示数据背后的问题。

那么数据透视图和普通的图表有什么区别呢？它具体又有什么优势呢？举个栗子你就知道了~

如下表，这是一张原始数据表，老板咔咔咔甩给你，让你去做个分析报告~

这张表的信息量很大，你拿到了这张表，首先会思考可以从哪几个方向分析。比如不同年份的销售额、不同销售人员的销售额、各部门不同季度的销售趋势走向等等。

当我还不知道神马是数据透视图时，我选择先建立数据透视表，然后转换数据透视表到普通格式，再插入图表。就像下面这样......

那么问题来了，表是做出来了。但分析维度那么多，意味着我要创建n多个数据透视表！再把n多数据透视表转换成普通图表，然后插入图表......真是苦不堪言啊！！

直到有一天，我发现可以创建数据透视图，才知道以前的方法是多么的傻。数据透视图可以任意的修改分析维度，变更横轴纵轴类型，还可以轻松转换图表类型。让你分分钟创建各种图表，so easy~大家感受一下：

上面是我做的部门-销售额的分析，我可以轻松改变图表类型，找到展现最清晰的那一款，比如我想分析一下各部门销售额的趋势走向，就可以用折线图：

分析完部门的销售额维度，我还想看一下各地区的销售额情况，可以实现吗？很简单，修改数据透视图字段就可以，把区域字段拖进轴，把销售额拖进值，选择想要的图表类型，轻松搞定！

看！是不是很棒呢？面多海量数据的多维度分析，再也不需要笨笨的一个个整数据，做图表了，一个数据透视图就可以轻松搞定！而且excel图表类型不仅仅只有我列举的这些噢，大家可以根据自身情况选择最合适的图表类型，进行数据可视化的呈现。

温馨提示：我用的是2016版的office，由于版本不同，数据透视图的位置也可能不同噢！

如果你有所收获，欢迎分享转发，让身边更多胖友受益奥！

《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，

小编有一些文档、表格、PPT模板，比如考核表、年终总结、年会，什么的，有需要的小伙伴可私信或评论索取，么么哒~求关注、求评论、求包养，么哒哒~

今天教大家用WPS表格的图表画出已知曲线的切线

那么这个功能要如何实现呢？

我们先看一下最终效果图：

想学的同学打起醒精神来，我们一起往下看：

1.用WPS表格作出曲线图：在WPS表格工作表中输入一组 x 值，一组 与之对应的y值，选中所有数据，如下图所示（A2-A9为x值，B2-B9为y值）

2.选中A,B列-插入-图表-散点图

3.选中数据--右键--添加趋势线，然后双击趋势线，把趋势线的类型改成“多项式”，勾选“显示公式”

4.求算切线方程：

例如求曲线上（1，3）这个点的切线，记为切线1，首先（1，3）这个点是切点，即该点即在曲线上又在切线 1 上，而切线 1 的斜率可以通过对曲线方程求导而求得，k1=y′=2×2x=4x=4×1=4，然后通过点斜式即可求得切线1的方程：y=4x-1。同理，按同样的方法亦可求出其他点的切线

5.用求出的切线1的方程，在相应单元格输入函数：y=4*A2(A2代替x值)-1记得求出切线y值：

6.右击曲线图空白处-选择数据-系列--添加，然后把切线的x值和y值数据区域编辑后生成即可：

7.最后给切线方程也加上趋势线即可达到相应效果：

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。

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~

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。

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。

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。

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）