这 7 类图表, 让你的报告瞬间变高级

在数据分析和报告撰写中，图表是传递信息、展示趋势和揭示数据背后故事的关键工具。然而，并非所有图表都能有效地传达复杂的信息，也不是所有图表都适合特定的数据类型。本文将为你介绍7类能够提升报告水平的高级图表，包括它们的设计思路和适用场景。

在《FundamentalsofDataVisualization》这本书中，作者介绍了一些数据可视化的案例和原则，可以让你的报告瞬间变高级。

下面分类汇总7类能提升报告水平的图表，简单剖析它们的设计思路，并讲一讲数据背后的故事。

一、对比

下面是一张热力图，它展示了20个国家/地区的互联网用户百分比，包括从1994年到2016年总共23年的数据，其中每个方块代表一个国家/地区在某一年的互联网用户百分比，颜色越明亮，对应的数值越大，按照2016年的数据降序排列。

虽然这种图表难以确定具体的数值（例如2016年中国互联网用户的确切百分比是多少？），但它可以清晰地展示数据的变化趋势。

通过颜色明亮程度的对比，我们可以清楚地看出，随着时间的推移，各国的互联网用户占比在不断增加，其中有些国家/地区起步相对较早，但2016年的排名相对靠后，例如UnitedStates（美国）。

而有些国家/地区虽然起步相对较晚，但互联网发展迅速，例如Israel（以色列）和France（法国）。

为了弥补热力图难以知道确切数值的不足，我们可以在方块内显示具体的数值。

二、分布

下面是一张密度图，它展示了4种不同奶牛的乳脂率分布。

从中可以快速看出，Holstein-Friesian（荷兰牛）的乳脂率比较低，且相对比较集中；而Jersey（泽西牛）的乳脂率比较高，且相对比较分散。

下面是一张Sina图，它把原始数据绘制成一定范围内随机抖动的点，并用小提琴图展示数据的分布情况。

图中显示了每一天的平均气温，并按照月份进行分组。可以看出6-8月份的平均气温明显比较高，且温差比较小；而12月份的平均气温明显比较低，且温差比较大。

Sina图是为了纪念首次用代码制作此类图表的人，他的名字叫SinaHadiSohi，跟新浪没有什么关系。

三、比例

饼图是展示比例的常见图表，但在数据科学家中备受诟病，因为当整体被分成很多部分时，难以对比不同部分的差别。

当数据可视化的目标是强调简单的分数，比如1/2、1/3时，饼图是一个不错的选择。

在下面的例子中，展示了德国议会三个党派的成员数。

其中CDU/CSU的占比接近50%，而SPD的占比很小。

如果把数据标签换成百分比的形式，不同党派的比例数据会更准确。

下面是一张百分比堆叠柱状图，直观地展现了男女比例随时间变化的趋势，大约从1980年开始，名字叫Riley的女性开始增加。

为了准确判断何时女性成为多数，图中添加了一条水平的虚线，位于50%的地方。基于这条虚线，我们可以知道，大约在2003年之后，女性占比超过了男性。

四、关系

如果想要展示两个变量之间的关系，散点图是一个比较好的选择。

例如，下图展示了知更鸟的头长与体重的关系。

从图中可以看出，在相同体重的情况下，雄鸟的头部通常更长，而雌鸟则相对较短。

我们还可以把点的大小，映射到另一个变量上，从而得到气泡图。

五、时间序列

用折线图来表示时间序列，是一种比较普遍的做法，它能体现数据的整体趋势。

下图展示了预印本服务器arXiv.org在定量生物学（q-bio）领域每月预印本数量的变化趋势，从2007年到2013年，每月数量呈现快速增长的趋势，但随后突然停止增长。

是什么原因导致数量增长发生剧烈变化呢？

我们运用数据分析的溯源思维，去深入了解一下数据背后的故事。

原来在20世纪90年代，随着互联网的发展，物理学家意识到，把论文草稿放在一个服务器中更高效，于是发明了预印本服务器，让科学家可以上传、下载和搜索尚未正式发表的预印本。

该平台建立后不久，开始向相关领域扩展并流行起来，包括数学、天文学、计算机科学、统计学、定量金融学和定量生物学等。

2013年11月，生物学专业预印本服务器bioRxiv正式上线，这是一家在生物学家中享有极高声誉的出版社（CSHL）推出的，迅速获得了生物学家们的认可，每月预印本数量呈现指数级增长，很快就超过了arXiv。

从图中可以直观地看出，arXivq-bio的增长停滞，与bioRxiv迅速增长的时间正好吻合。很多原本会把预印本上传至q-bio的科学家，似乎转而选择了bioRxiv。

六、地理空间

有些与现实世界中位置相关的数据，例如美国每个县的人口密度，即每平方公里的人数，可以在地图中用颜色的深浅来表示。

颜色越深的区域，代表人口数量越多。

从图中可以看出，美国东海岸的主要城市人口比较密集，而西部平原地区的人口密度较低，阿拉斯加的人口特别稀疏。

七、不确定性

几乎所有数据都存在一定程度的不确定性，我们该如何在图表中体现这种不确定性呢？

有两种常用的方法：一种是误差线，另一种是置信带。

例如，在柱形图的上方显示误差线，表示平均值+/-一个标准误差。

误差线比较长，代表数据波动比较大；反之，误差线比较短，则代表数据波动比较小。

从图中可以看出，Jersey（泽西牛）的平均脂肪含量比较高，且数据波动比较大。

下图用置信带来展示趋势线的不确定性，其中蓝色直线是对散点图的最优线性拟合，它周围的灰色区域是置信带，代表统计学中95%的置信水平。

基于体重与头长的关系，我们可以根据体重数据，大致预估头长的范围。

最后的话

在数据的海洋中，图表不仅是视觉的享受，更是洞察世界的钥匙。掌握好这把钥匙，你便能在信息的迷雾中，找到前行的方向。

数据可视化，不是简单的呈现，而是与数据对话的艺术。每一次凝视图表的背后，都是对现实世界的深刻理解与洞察。

让每一个数字都有温度，让每一张图表都有故事——这是数据的魅力，也是你的能力。

用事实数据和逻辑推理来传递洞见，把数据可视化图表融入到故事中，以便更好地吸引和激发受众。

选择一款适合自己的数据可视化软件，最好是能快速探索、制作、修改和复现图表的软件。

我在「数据化分析案例库」中，分享了很多用AI和Python制作各种图表的案例，涵盖了不同的领域和应用场景，希望能帮助你更好地理解和应用数据。

转发这篇文章，不只是分享知识，更是传递一种思维的力量。

愿你在数据分析的路上越走越远，用数据点亮生活的每一处角落。