⚡

数据可视化Skill data-visualization

数据可视化技能涉及使用Python库如matplotlib、seaborn和plotly来创建图表，选择合适的图表类型，应用设计原则如色彩理论和可访问性，以有效展示和传达数据洞察。关键词：数据可视化、Python、matplotlib、seaborn、plotly、图表设计、可访问性。

数据可视化 0 次安装 0 次浏览 更新于 3/18/2026

name: 数据可视化 description: 使用Python（matplotlib、seaborn、plotly）创建有效的数据可视化。在构建图表、为数据集选择正确的图表类型、创建出版物质量的图形或应用如可访问性和色彩理论的设计原则时使用。

数据可视化技能

图表选择指南、Python可视化代码模式、设计原则和可访问性考虑，用于创建有效的数据可视化。

图表选择指南

按数据关系选择

您要展示的内容 最佳图表 替代方案
随时间趋势 折线图 面积图（如果显示累积或组成）
跨类别比较 垂直条形图 水平条形图（多个类别）、棒棒糖图
排名 水平条形图 点图、斜率图（比较两个时期）
部分到整体组成 堆积条形图 树形图（分层）、华夫饼图
随时间组成 堆积面积图 100%堆积条形图（用于比例焦点）
分布 直方图 箱形图（比较组）、小提琴图、带状图
相关性（2个变量） 散点图 气泡图（添加第三个变量作为大小）
相关性（多个变量） 热力图（相关矩阵） 配对图
地理模式 等值区域图 气泡地图、六边形地图
流/过程 桑基图 漏斗图（顺序阶段）
关系网络 网络图 和弦图
性能与目标 子弹图 量表（仅单个KPI）
多个KPI同时 小倍数图 带单独图表的仪表板

何时不使用某些图表

  • 饼图：避免使用，除非类别少于6个且精确比例不如粗略比较重要。人类不善于比较角度。使用条形图代替。
  • 3D图表：永远不要使用。它们扭曲感知且不添加信息。
  • 双轴图表：谨慎使用。它们可能通过暗示相关性而误导。如果使用，请清楚标记两个轴。
  • 堆积条形图（多个类别）：难以比较中间段。使用小倍数图或分组条形图代替。
  • 环形图：比饼图稍好，但存在相同根本问题。最多用于单个KPI显示。

Python可视化代码模式

设置和样式

import matplotlib.pyplot as plt
import matplotlib.ticker as mticker
import seaborn as sns
import pandas as pd
import numpy as np

# 专业风格设置
plt.style.use('seaborn-v0_8-whitegrid')
plt.rcParams.update({
    'figure.figsize': (10, 6),
    'figure.dpi': 150,
    'font.size': 11,
    'axes.titlesize': 14,
    'axes.titleweight': 'bold',
    'axes.labelsize': 11,
    'xtick.labelsize': 10,
    'ytick.labelsize': 10,
    'legend.fontsize': 10,
    'figure.titlesize': 16,
})

# 色盲友好调色板
PALETTE_CATEGORICAL = ['#4C72B0', '#DD8452', '#55A868', '#C44E52', '#8172B3', '#937860']
PALETTE_SEQUENTIAL = 'YlOrRd'
PALETTE_DIVERGING = 'RdBu_r'

折线图（时间序列）

fig, ax = plt.subplots(figsize=(10, 6))

for label, group in df.groupby('category'):
    ax.plot(group['date'], group['value'], label=label, linewidth=2)

ax.set_title('按类别的指标趋势', fontweight='bold')
ax.set_xlabel('日期')
ax.set_ylabel('值')
ax.legend(loc='upper left', frameon=True)
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

# 格式化x轴日期
fig.autofmt_xdate()

plt.tight_layout()
plt.savefig('trend_chart.png', dpi=150, bbox_inches='tight')

条形图（比较）

fig, ax = plt.subplots(figsize=(10, 6))

# 按值排序以便阅读
df_sorted = df.sort_values('metric', ascending=True)

bars = ax.barh(df_sorted['category'], df_sorted['metric'], color=PALETTE_CATEGORICAL[0])

# 添加值标签
for bar in bars:
    width = bar.get_width()
    ax.text(width + 0.5, bar.get_y() + bar.get_height()/2,
            f'{width:,.0f}', ha='left', va='center', fontsize=10)

ax.set_title('按类别的指标（排名）', fontweight='bold')
ax.set_xlabel('指标值')
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

plt.tight_layout()
plt.savefig('bar_chart.png', dpi=150, bbox_inches='tight')

直方图（分布）

fig, ax = plt.subplots(figsize=(10, 6))

ax.hist(df['value'], bins=30, color=PALETTE_CATEGORICAL[0], edgecolor='white', alpha=0.8)

# 添加均值和中间值线
mean_val = df['value'].mean()
median_val = df['value'].median()
ax.axvline(mean_val, color='red', linestyle='--', linewidth=1.5, label=f'均值: {mean_val:,.1f}')
ax.axvline(median_val, color='green', linestyle='--', linewidth=1.5, label=f'中间值: {median_val:,.1f}')

ax.set_title('值的分布', fontweight='bold')
ax.set_xlabel('值')
ax.set_ylabel('频率')
ax.legend()
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

plt.tight_layout()
plt.savefig('histogram.png', dpi=150, bbox_inches='tight')

热力图

fig, ax = plt.subplots(figsize=(10, 8))

# 为热力图格式透视数据
pivot = df.pivot_table(index='row_dim', columns='col_dim', values='metric', aggfunc='sum')

sns.heatmap(pivot, annot=True, fmt=',.0f', cmap='YlOrRd',
            linewidths=0.5, ax=ax, cbar_kws={'label': '指标值'})

ax.set_title('按行维度和列维度的指标', fontweight='bold')
ax.set_xlabel('列维度')
ax.set_ylabel('行维度')

plt.tight_layout()
plt.savefig('heatmap.png', dpi=150, bbox_inches='tight')

小倍数图

categories = df['category'].unique()
n_cats = len(categories)
n_cols = min(3, n_cats)
n_rows = (n_cats + n_cols - 1) // n_cols

fig, axes = plt.subplots(n_rows, n_cols, figsize=(5*n_cols, 4*n_rows), sharex=True, sharey=True)
axes = axes.flatten() if n_cats > 1 else [axes]

for i, cat in enumerate(categories):
    ax = axes[i]
    subset = df[df['category'] == cat]
    ax.plot(subset['date'], subset['value'], color=PALETTE_CATEGORICAL[i % len(PALETTE_CATEGORICAL)])
    ax.set_title(cat, fontsize=12)
    ax.spines['top'].set_visible(False)
    ax.spines['right'].set_visible(False)

# 隐藏空子图
for j in range(i+1, len(axes)):
    axes[j].set_visible(False)

fig.suptitle('按类别的趋势', fontsize=14, fontweight='bold', y=1.02)
plt.tight_layout()
plt.savefig('small_multiples.png', dpi=150, bbox_inches='tight')

数字格式化助手

def format_number(val, format_type='number'):
    """为图表标签格式化数字。"""
    if format_type == 'currency':
        if abs(val) >= 1e9:
            return f'${val/1e9:.1f}B'
        elif abs(val) >= 1e6:
            return f'${val/1e6:.1f}M'
        elif abs(val) >= 1e3:
            return f'${val/1e3:.1f}K'
        else:
            return f'${val:,.0f}'
    elif format_type == 'percent':
        return f'{val:.1f}%'
    elif format_type == 'number':
        if abs(val) >= 1e9:
            return f'{val/1e9:.1f}B'
        elif abs(val) >= 1e6:
            return f'{val/1e6:.1f}M'
        elif abs(val) >= 1e3:
            return f'{val/1e3:.1f}K'
        else:
            return f'{val:,.0f}'
    return str(val)

# 与轴格式化器使用
ax.yaxis.set_major_formatter(mticker.FuncFormatter(lambda x, p: format_number(x, 'currency')))

使用Plotly的交互式图表

import plotly.express as px
import plotly.graph_objects as go

# 简单交互式折线图
fig = px.line(df, x='date', y='value', color='category',
              title='交互式指标趋势',
              labels={'value': '指标值', 'date': '日期'})
fig.update_layout(hovermode='x unified')
fig.write_html('interactive_chart.html')
fig.show()

# 带悬停数据的交互式散点图
fig = px.scatter(df, x='metric_a', y='metric_b', color='category',
                 size='size_metric', hover_data=['name', 'detail_field'],
                 title='相关性分析')
fig.show()

设计原则

色彩

  • 有目的地使用色彩：色彩应该编码数据，而不是装饰
  • 突出故事：使用明亮的强调色表示关键洞察；其他用灰色
  • 顺序数据：使用单色渐变（从浅到深）表示有序值
  • 发散数据：使用双色渐变，中性中点表示有意义的中心数据
  • 分类数据：使用不同的色调，最多6-8个，否则会混淆
  • 避免仅使用红/绿：8%的男性是红绿色盲。使用蓝/橙作为主要配对

排版

  • 标题陈述洞察：“收入同比增长23%”优于“按月收入”
  • 副标题添加上下文：日期范围、应用的过滤器、数据源
  • 轴标签可读：避免旋转90度。缩短或换行
  • 数据标签添加精度：在关键点使用，而不是每个条形
  • 注释高亮：用文本注释标注特定点

布局

  • 减少图表杂物：移除不携带信息的网格线、边框、背景
  • 有意义排序：类别按值排序（而不是字母顺序），除非有自然顺序（月份、阶段）
  • 适当纵横比：时间序列宽于高（3:1到2:1）；比较可以更方形
  • 留白是好的：不要将图表挤在一起。给每个可视化空间呼吸

准确性

  • 条形图从零开始：总是如此。从95到100的条形夸大了5%的差异
  • 折线图可以有非零基线：当变化范围有意义时
  • 跨面板一致比例：比较多个图表时，使用相同的轴范围
  • 显示不确定性：当数据不确定时，使用误差条、置信区间或范围
  • 标记轴：不要让读者猜测数字的含义

可访问性考虑

色盲

  • 永远不要仅依赖色彩来区分数据系列
  • 添加图案填充、不同的线样式（实线、虚线、点线）或直接标签
  • 使用色盲模拟器测试（例如Coblis、Sim Daltonism）
  • 使用色盲友好调色板：sns.color_palette("colorblind")

屏幕阅读器

  • 包括描述图表关键发现的替代文本
  • 提供数据表替代方案与可视化一起
  • 使用语义标题和标签

一般可访问性

  • 数据元素和背景之间有足够的对比度
  • 文本大小最小10pt用于标签，12pt用于标题
  • 避免仅通过空间位置传递信息（添加标签）
  • 考虑打印：图表在黑白中是否有效？

可访问性检查清单

分享可视化前：

  • [ ] 图表在没有色彩的情况下有效（图案、标签或线样式区分系列）
  • [ ] 文本在标准缩放级别可读
  • [ ] 标题描述洞察，不仅仅是数据
  • [ ] 轴标记有单位
  • [ ] 图例清晰且不遮挡数据
  • [ ] 数据源和日期范围已注明