高手总结的15个技巧，让你轻松玩转数据可视化！

以上就是「构成」类常用图表，可归纳如下。

三、分布&联系

通过分布&联系型图表能看到数据的分布情况，进而找到某些联系，如相关性、异常值和数据集群。

常见使用场景：客户的年龄段分布?单票成本与收件量的关系?

1. 两个变量 – 散点图

仍以业务为例，下图为全国网点的单票成本/收入分布情况。

△ 散点图

单单这样看，可能看不出什么，如果加两条平均线就不一样了。

加了平均线，就知道哪些网点高于平均线，哪些低于平均线。但网点那么多，总不能逐个点击查看是哪个大区的，给散点加上颜色后，就很有意义了。

通过此图，可以看出哪些大区单票利润较低，急需提升，比如广泛聚集于右下角的第四大区，单票收入低于平均线，单票成本却高于平均线。

2. 三个变量 – 气泡图

大家都知道，网点总利润除了和单票利润有关，还和体量(即收件量)有关，用散点的面积大小表示收件量，就变成了气泡图。

△ 气泡图

3. 结合地图 – 热力图

气泡图与地图结合可演变为热力图。通过热力图，能看到哪些网点收派件量较多，需进行资源调配。

△ 热力图

以上是 「分布&联系」类的常用图表，可归纳如下：

小结

当我们拿到数据后，先提炼关键信息，明确数据关系及主题，再选择合适的图表进行可视化。希望下图能给各位一些参考(结合可视化专家 Andrew Abela 的图表选择指南，进行了简化调整)。

数据可视化设计只要多练习、多总结，总有一天会得心应手。

【编辑推荐】

1. Python数据可视化：2018年北上广深空气质量分析（附完整代码）
2. Python数据可视化：2018年电影分析
3. 从睫毛膏到太空垃圾，2018年度最佳数据可视化作品都在这了！
4. Python数据可视化的四种简易方法
5. Python数据可视化：Python大佬有哪些？

（编辑：惠州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!