京公网安备 11010802034615号
经营许可证编号:京B2-20210330
[数据分析师]信息图制作教程:关于数值的表现
在信息图的制作和数据可视化过程中,数值的表现是核心,常见的资金量、人数、个数、面积体积等等数值都是信息图中核心要表达的内容。那么这些数值在信息图中的表现有什么技巧呢?本文就给大家介绍常用的数值表现方式。
大家最熟悉的就是柱状图、曲线图和折线图。这三类相对简单,也最为常见,都是利用图形或数据点的高度(或者长度)来表现数值的大小。如图:
一般情况下,这三类图形化方法就已经能够满足可视化的需求,但是,在各项数值相差较大时,这种表现方式就有了问题。如《全球30大媒体的年营收》的数据中,营收最高的谷歌的营收额为379亿美元,而排在30名的Sanoma仅为25亿美元,如果使用常见的柱状图来表现,那么最大值的谷歌将是最小的Sanoma的15倍,我们用Excel做了尝试,在真实比例下效果如下:
如果实在数据报告中,或许这种比例不会有太大影响,但是在什么要求更高的信息图中,这种比例会带来一种不协调的感觉,就是常说的“一边重一边轻”,势必会在一边有很多的留白。另外,为了让小值之间能够清晰分辨,务必会造成最大值很突兀,或者为了控制最大值,让小值之间分辨不清。
那么为了追求美感,我们有木有更好的 表现方式呢?这个问题先放一边,我们来看看柱状图、折线图和面积图表现数值的逻辑。前面已经说过,这三类表现方式都是通过高度或者宽度来表现数值,柱状图的数值体现在矩形的高度,折线图和面积图的数值体现在数据点的高度,概括来说,三类方式的数值表现都是一维的,虽然柱状图有面积,但是其宽度没有具体的表现意义。因而,我们会有这样的思考,可不可以用二维图形,也就是面积来表现数值呢?
我们还是用谷歌和sanoma的数据来举例,两者的数据比例约为15,如果用一维表示,则两者图形的一维比例就是15:1,但那时如果用面积来表示数值呢?绘制两个面积比例为379:25的正方形,那么两个正方形的高度比约为4:1,相对于15:1的比例,减少了在高度上的巨大差别,为设计提供了更多方便而且还不影响用户对数值的理解。
同理,我们也可以用三维的体现方式来展现差距更大的数值。如在《图解力》中作者就提到了用堆砌起来的正方形块来表示军费比例,一个小正方形代表1亿,在图中,超过400倍的比例仍然能够清晰分辨而不显突兀。
另外,针对差别较大的数值,还可以使用视觉透视的方式来处理。在透视视角下,远处的图形会变小,这样处理也能减少数值差别较大时的突兀感。
上面主要讲述了一些常用的数据展现方式和当数据差距较大时的处理方式,在制作信息图中,往往还需要根据发布渠道和版面要求来做合适的处理,信息图设计师除了掌握基本的设计技术,也要发挥聪明才智,表现准确与涉及审美共举,才能设计出优秀的信息图。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24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