Python数据分析及可视化实例之可视化图表应用简介

Python数据分析及可视化实例之可视化图表应用简介

系列文章总目录:Python数据分析及可视化实例目录


摘自 天善智能 小伙伴:可视化图表初阶

简述

数据可视化-通过图表形式展现数据,帮助用户快速、准确理解信息。准确、快速是可视化的关键,好的可视化会“讲故事”,能向我们揭示数据背后的规律。对于可视化,有一个常见误区:分析师追求过于复杂的图表,反而使得业务人员难以理解。其实越简单的图表,越容易被理解,而快速易懂地理解数据,正是可视化最重要的目标

大多数人对于基础的数据图表都有一定的认知,但却未必清楚,在哪一种场景使用何种图表,本文主要给大家介绍基础图表的特性,让大家知道在何种场景使用该类型图表。

图表的基本组成元素

一张图表至少包含:标题、横纵坐标轴、数据系列、数据标签、图例等部分,每一部分都在图表中扮演特定的角色表达特定的信息。当然这些元素并不是必须具备的,当信息足够清晰时,你可以精简部分元素,使得图表更加简洁。

正确理解维度与指标

维度(Dimension)

类别型字段、一般是离散的、不可进行四则运算
常常是观察数据的角度,往往是横坐标

度量/指标(Measure)

数值型字段、一般是连续的、可进行四则运算
一般都是数据的数值化衡量,往往是纵坐标

------------------------分割线----下面是4种常见、常用基础图表-------------------------------

1. 折线图“家族”

折线图的核心思想是 趋势变化

作为信息最明了的图表,是各种图表中最容易解读的图表,以下是它的几种变种:

基础折线图

技巧1:添加关键运营事件标记
技巧2:添加趋势线,当R²>0.6时可采纳该趋势线,R²越接近1,趋势越可靠

堆积面积图

面积大小对应该类别数值大小,反映不同类别占比关系及其时间趋势变化。以下图为例,你可看出AppStore和360下载量Top1、2的渠道。
缺点:由色块面积来表示数值大小有时候不直观。以下图为例,需仔细看图才能知道AppStore和360手机助手是有做过投放的

折线图小结

1)折线图是点、线连在一起的图表,可反映事物的发展趋势和分布情况;

2.)适合在单个数据点不那么重要的情况下表现变化趋势、增长幅度。

2. 柱形图“家族”

柱形图的核心思想是 对比

累加柱形图

适合少量类别的对比,且对比信息特别清晰
与堆积面积图相比,堆积面积图比累加柱形图多一时间维度,它可表达时间维度上的趋势变化。

多指标柱形图

主要运用于多个指标进行对比分析的场景,但类别对象不宜过多,当超过5个,不适合使用此图表
技巧:当各对比指标大小相差10倍甚至更大时,可采用标准化,如:对数值取自然对数,既能有效缩小指标量度差距,也能保留同指标的大小关系

条形图

当对比对象类别>5时,将多指标柱形图更改为单指标的条形图,能有效提高数据对比清晰度
条形图,必须按照数值大小降序排列,这是提升条形图阅读体验的重要手段

瀑布图

核心是按维度/指标下钻分解,如:公司收入各用途分解、公司年利润按分公司分解、业绩按销售团队分解;
对比饼图的优势在于,拆解项较多时,瀑布图通过数字的标记仍可清洗辨别,而饼图在分解项>5时就不易辨别。

柱形图结合折线图

对比多个指标,尤其是对比指标与指标的增长率上非常适用,使得一个图表可以表现两个层次的信息。(当然要尽可能避免信息的重复。如下图,折线图含义如果换成团队签约数占公司总签约数比例,则意义不大)
使用双坐标轴,要表明清晰

直方图

当横坐标变成连续的分组,就可以制作直方图(与柱形图主要差别在于,直方图一般不同数据系列没有间距)
当组别划分无限细化,我们就可以绘制概率分布曲线或者称为密度曲线,最常见的就是正态分布,这里不举例。

柱形图小结

1) 核心是对比,柱形图的目的是将对比信息放大,直观呈现出来;

2) 由于直观,柱形图适合做结论的表达;

3) 柱形图一般不用在时间维度的变化;

4) 柱形图的数据系列和点不宜过多,否则建议改变图表形式;

5) 柱形之间的宽度尽量小于柱形本身的宽度。

3. 散点图“家族”

散点图的核心思想是 研究

研究型图表,适合用于发现变量间的关系与规律,不适合用于清晰表达信息的场景
基础散点图

基础散点图观察两个指标的关系

气泡图

在基础散点图上添加一个维度:用气泡大小表示新的一个维度
下图中,气泡大小表示配送费用

基于散点图的分类矩阵

分类运营,精准运营是现代化运营的一个重要课题,通过分类矩阵进行分类是一个有效手段
难点1: 构建指标可用于分类的横纵坐标轴指标,这需要很强的业务认识
难点2: 确定指标的分界点,同样需要足够的业务判断能力

散点图小结

1) 散点图作为研究型图表,经常在数据分析前期被使用,在报告中很少见;

2)散点图不够直观,大多时候不能直接表达结论;

3)散点图对于业务敏感度和数据意识要求较高;

4)散点图只是入门的钥匙,发现规律只是分析的切入口。

4. 饼图“家族”

饼图的核心思想是 分解

基础饼图

技巧:将需要突出显示的部分,置于左上角,顺时针方向

旭日图

旭日图在基础饼图上可表达更多层次的分解关系,如下图:有季度分解、月度分解、再到每周,且每个维度之间可兼容包含

饼图小结

1) 一般来说,数值最大的部分排在最前面,也就是12点钟方向顺时针;

2) 饼图的细分项不宜过多,一般不超过8项;

3) 不要制作三维的饼图,不直观;

4) 切忌将饼图拉得过开,若要突出某一块,可单独将其拉开。

其实,个人觉得饼图在实际场景中应当尽可能少的使用(因人眼对面积大小不敏感),而且对指标的分解柱形图同样能胜任,且远远清晰于饼图。

当且仅当,用于反应单个模块占整体比重时,适合用饼图,如下图:


Bokeh简介

Bokeh最大的优点就是开源,可以与Flask进行交互。其他优点见:Welcome to Bokeh

至于Seaborn,Ggplot2的优点也是比较多的,Bokeh也是可以和他们交互滴,如前者的风琴图。然而截至本文之前,国内并没有完整的Bokeh中文教程,而我也是摸索的发现一些可以总结知识点,并不全面。再次强调,官方文档是最好的教程,系列文章主旨是通过实例讲述。


胶水语言博大精深,

本主只得一二为新人带路:

Python数据分析及可视化实例目录


最后,别只收藏不关注哈

编辑于 2017-10-13

文章被以下专栏收录