
Excel史上最全的气泡与方块系列的图表
这是Excel史上最全的气泡与方块系列的图表,包括气泡比较图、方块比较图、百分比气泡图、百分比方块图和饼形气泡图共5种不同类型的图表。
1. 气泡比较图
大家好,今天首先分享一则华尔街图表,如图:我们暂且称作气泡比较图
原始图表
仿制图表
这则图表本身不难,最大的难点就是底端对齐,就是每个气泡的Y坐标用开平方根的办法去寻找Y坐标数据的比例约束关系。函数表达式如图:
2. 方块比较图
具体生成图表怎么做就很简单了,不再做具体介绍。稍微变通一下,我们还可以做如下的方块面积图。
只要用做好的形状贴入进去就可以了。
大致效果如下:
3. 百分比方块图
假如碰到这种双方块正方形的华尔街图表,用气泡贴入法就不能胜任了。可以考虑使用面积图,这种图我们可以称作百分比气方块图。如图所示:
思路大致如下,由于是正方形,可以用 函数SQRT 对指标开平方根,正好对应方块的两条边,然后面积图的X轴使用时间序列刻度轴,由于时间刻度轴最小单位是1,所以开平方根的结果乘以100。
第1步:组织数据源时,大概有两种思路,一种是两组方块的数据共用一条X轴时间刻度的构造办法,另一种构造数据源的办法,使两组方块图的数据分别使用主副坐标轴,使两组方块在不同的X轴时间刻度上。
组织数据源基本是一道数学题目了,有点烧脑,希望童鞋们自己多想想啦!只用一条X轴坐标轴的数据构造如图所示:
第2步:这里 插入0 的作用是使得面积图断开来,形成不同的方块。我们就以构造两条X轴时间序列的数据进行画图吧!先插入一组数据做一组方块图,如图所示:
第3步:将X轴改为时间序列,依葫芦画瓢再插入另一组数据,启动双坐标轴,使两组数据在不同的X轴。
第4步:做到这一步大致成形,但是突然发现每个方块是不能分开填色的,这样又不得不对数据进行错行。这时又有两种思路进行错行,构造两条X时间刻度的数据源在错行时显得不够直观了, 每个Y1行都共用X1行的主X坐标轴,而每个Y2行共用X2的副X坐标轴,如图:
第5步:这时共用一条X轴时间序列的数据源反而更直观,如图所示:
有点烧脑了,不太好解释,可能有些童鞋一时转不弯来。
第6步:插入图表立马Excel就自动分开填色了,接下来就是美化工作,删除不必要的元素,使用华尔街相同的颜色,仿制的效果还是比较完美。
4. 百分比气泡图
假如要把双方块图改成双圆底端对齐的图表,那面积图就不太胜任了。使用文中介绍的气泡图思路技巧就简单不少。大致效果如下,这种图我们可以称作百分比气泡图。
当然也可以通过计算数据,调整得到这种商业风格的百分比气泡图:
5. 饼形气泡图
再谈一下气泡图贴入法的妙用。原图如下:
仿制图如下:
这张华尔街半圆气泡图,本来很容易,每个气泡面积的大小代表不同的指标,但是里面混合了半圆饼图就有点难,采用贴入法就简单了,缺点就是图表不能随着数据动起来。
第1步:我们先组织如下数据:
第2步:然后更改X轴标签最大刻度为9,气泡面积为300。
这里比较巧妙的就是把Y轴最小刻度改为0,这样就将气泡压缩成半圆气泡。
第3步:再做三个饼图,只要做好一个,有个巧妙的办法用格式复制,做出余下两个,这样省时间。
第4步:复制一下饼图,从这里粘贴过去。
第5步:接下来就是美化工作了,再将图表锚定在网格上,在单元格里做文字工作,最后效果如下:
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15