ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价
ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价

所有课程

数据科学导论
章节 1: 数据科学入门
数据科学的定义
数据科学的重要性
数据科学家的职责
必备技能概览
数据科学常用工具
第 1 章测验
章节 2: 认识数据基本知识
什么是数据?
结构化数据与非结构化数据
定量数据与定性数据
常见数据格式
理解数据属性和特征
元数据简介
第 2 章测验
章节 3: 数据科学流程
数据科学工作流程概述
明确问题或疑问
数据获取方法
数据准备概述
理解探索性数据分析
模型构建原理介绍
沟通发现
第 3 章测验
章节 4: 数据收集与准备
识别数据来源
导入数据
数据清洗简介
处理缺失值
识别潜在异常值
基本数据转换需求
动手实践:简单数据加载
第 4 章测验
章节 5: 进行基本数据分析
开始数据初步分析 (EDA)
计算汇总统计量
测量数据分散度
理解频率分布
区分相关性与因果关系
假设基本原理介绍
动手实践:计算基本统计量
第 5 章测验
章节 6: 数据可视化概览
数据可视化的目的
常见图表类型说明
选择合适的图表
有效可视化的原则
可视化工具概览
动手实践:制作基本图表
第 6 章测验

选择合适的图表

你已了解常见图表类型:条形图、折线图、饼图和散点图。但你如何决定哪种才是适合这项工作的工具呢?选择错误的图表可能会使你的信息不明确,甚至误导你的受众。然而,合适的图表能使你的数据易于理解,并突出主要规律。

选择过程通常取决于你想在数据中展示或比较什么。下面我们来分析常见目的以及最能满足这些目的的图表。

比较类别间的数值

当你需要比较不同的项目或组时,条形图通常是你的最佳选择。条形图使用条形的长度或高度来表示大小,使得容易看出哪些类别更大或更小。

  • 用途: 比较不同产品类别的销售额,显示来自不同国家的网站流量,或可视化不同选项的调查回复。
  • 变体:
    • 垂直条形图(柱状图): 在比较适中数量的类别(例如5-10个)时最适用。类别标签能很好地容纳在水平轴上。
    • 水平条形图: 当你有许多类别或类别名称很长,无法整齐地容纳在垂直图表的水平轴上时,这种图表最理想。

四种不同产品类别的月销售额。条形图清楚显示电子产品的销售额最高。

显示随时间变化的趋势

如果你的数据涉及追踪连续时间段(通常是天、月或年)内的变化或趋势,折线图通常是最有效的。折线图将数据点用线连接,使得容易看出该时间段内的增长、下降和波动。

  • 用途: 追踪一年内的股价,监测每月网站访客,显示一天中的温度变化。
  • 注意事项: 确保水平轴表示连续变量,如时间或距离。对离散类别(如上述产品类别)使用折线图可能会暗示类别之间不存在的关联。

每月追踪的网站访客数量。折线图清楚地展现了六个月期间的上升趋势。

显示整体的构成部分(构成)

当你需要显示总量如何分成部分或百分比时,饼图是一个常见选择。每块扇形表示整体的一个比例。

  • 用途: 显示竞争对手之间的市场份额分布,可视化按部门划分的预算分配,表示产品中不同成分的构成。
  • 注意: 当扇形过多(通常超过5或6个)或比例非常接近时,饼图会变得难以准确阅读和比较。在这种情况下,条形图可能更清晰。确保百分比总和为100%。

浏览器市场份额的分布。饼图强调了Chrome相比其他浏览器的主导份额。

检验两个变量之间的关系

为了了解两个不同的数值变量之间是否存在潜在关系或相关性,散点图是标准的可视化图表。图上的每个点表示一个观测值,其坐标对应于这两个变量的数值。

  • 用途: 检验学习时长与考试分数之间的关系,比较广告支出与销售收入,寻找身高与体重之间的规律。
  • 解释: 点的分布规律可以表明不同类型的关系:
    • 正相关: 点的趋势从左到右向上(当一个变量增加时,另一个变量也倾向于增加)。
    • 负相关: 点的趋势从左到右向下(当一个变量增加时,另一个变量倾向于减少)。
    • 无明确相关: 点随机分布,没有可辨别的规律。

学习时长与期末考试分数之间的关系。散点图表明积极趋势:学习时长越多通常对应更高的分数。

简单的决策指南

虽不尽全面,但这里有一个基本思考过程:

  1. 主要信息是什么? 你是在比较项目、显示随时间的变化、说明整体的构成部分,还是在寻找关系?
  2. 涉及多少个变量?
    • 一个变量跨类别?-> 条形图(比较)或饼图(构成,如果类别较少)。
    • 一个变量随时间变化?-> 折线图。
    • 两个数值变量?-> 散点图(关系)。
  3. 有多少个类别或数据点?
    • 许多类别?-> 水平条形图可能比垂直条形图更好。
    • 饼图扇形过多?-> 考虑使用条形图。

选择合适的图表是数据可视化中的一项基本技能。它确保你的数据故事清晰准确地呈现。随着你处理更多数据,你会形成直觉,但从这些指导开始提供了一个坚实的基础。请记住始终清晰标注你的轴,并为你的图表提供描述性标题。

  • The Visual Display of Quantitative Information, Edward R. Tufte, 2001 (Graphics Press) - 这部基础性著作确立了图形卓越的原则,强调数据可视化应清晰、精确、高效,以避免信息失真。
  • Storytelling with Data: A Data Visualization Guide for Business Professionals, Cole Nussbaumer Knaflic, 2015 (Wiley) - 为读者提供选择有效图表类型的实用建议,以清晰地传达见解并避免误导受众,侧重于受众和信息传达。
  • Fundamentals of Data Visualization, Claus O. Wilke, 2019 (O'Reilly Media) - 一本全面的数据可视化指南,涵盖了有效数据可视化的原则、适用于不同数据结构和目标的图表类型以及常见错误。

© 2026 ApX Machine Learning