扫码加入数据分析学习群

数据可视化，是将抽象的数据、指标、概念进行具象图形可视的过程。其在几个世纪前就是人们理解数据之间相互关联的首选方法。举个例子，最早的条形图开发在1786年，由威廉·普莱费尔发布的《The Commercial and Political Atlas》，这是有史以来第一个线性图和条形图。

（史上第一张条形图）

威廉·普莱费尔想比较苏格兰一年内（1780-1781）的进口总额和出口总额，并按照进出口的来源和目的地进行细分。为了绘制进出口总额，区分进出口的来源和目的地，他尝试了许多方法，最后发现条形图和标尺的组合可以达到他想要的效果。这就是世界上第一个有记录的条形图的来源，它最后的呈现结果如上所示。

数据在可视化之前，纵使作者阐述时巧舌如簧，效果也会大打折扣。原因很简单，字不如表，表不如图。数据本身是有沟通障碍的，尤其是当读者或者上级对数据不敏感时，此时的可视化就相当于是一种“翻译”，将数据以及数据背后的逻辑，准确又高效地传递给对方。

在日常的工作中，我们经常会遇到这样的情况：即使是完全相同的原始数据，不同的表达方式会让读者有完全不同的理解。下面我们将会针对几个常见可视化案例，来探讨数据可视化过程中的陷阱和处理办法。（以下数据已脱敏）

案例1：百变的坐标抽

背景说明：

11月下旬网易某产品更新了版本，对产品样式进行了较大调整。图1-1是某个模块的曝光情况。通过以下折线图数据，A同学得出结论：新版对该模块的曝光没有明显影响。

事实上：

图1-1是一个折线图：横轴展示了最近2个多月的样本点；纵轴同时展示了4个指标，但每个轴的高度很有限。

如果我们改变横轴的时间周期、调整纵轴的轴范围，我们会发现一个更加符合实际的情况结论（如图1-2）：新版发布后，该模块的曝光人数下降了10%以上，无论是周末的高峰还是周中的平峰；且随着新版本的逐步覆盖，下降仍在继续。

一个简单的折线图，我们通过调整横轴和纵轴的轴范围，最终得到了问题的答案。

案例2：图表样式的选择

背景说明：

图2-1是某公司A-E这5款产品的月销量数据。但领导看到这个图以后仍然提出了几个问题：每个商品的销售趋势如何？谁更有发展潜力？每个月的销量排名是怎样的？哪些产品高于平均水平？

事实上：

很显然，图2-1展示的条形图样式，没有快速解答领导的疑惑。

如果我们改变图表样式，调整横轴和颜色的维度，我们会发现领导提出的几个关键问题都在图上得到了答案（如图2-2）：商品销量逐月上涨，其中商品B的增幅最快；每个月的销量排名在图中一目了然，其中AB商品的销量大部分情况下都高于平均水平。

合理的图表样式和展示形式，能让读者快速理解数据，得到关键结论。

案例3：过度可视化

背景说明：

图3-1是某公司各城市的利润数据，每个城市对应一个条形图的颜色。

事实上：

图3-1的这种形式可能看起来像一个有趣的视觉效果，但它并没有创造任何新的数据信息或使图形更容易阅读。

如果我们改变样式，用颜色来标识各省对应的地区，我们会发现更多的信息（如图3-2）：华东和中南地区包揽了利润前7的省份；但同时，负利润的7个城市中，华东和中南地区也占了3个，说明两大区内部的利润表现极差较大，可以尝试做一些内部优化。

颜色是增强数据可视化的一种非常有效的方法，但不恰当或者过多的颜色选择也会破坏视觉效果、适得其反。颜色的使用必须是基于某一个目的的，而不是用来分散注意力的。

数据可视化是一个提问与回答的过程。问题通常不仅透露你想要知道的内容，还透露你实际知道的内容，更好的问题意味着更佳的理解。将问题分门别类，找到合适的图表类型进行匹配，是一个需要长期实践和探索的过程。

最后，希望大家都可以根据需求正确理解数据、合理表达，让数据可视化帮助我们的大脑减负，替我们的数据说话。