可视化 & BI · 第 1 篇

数据可视化原则

为什么同样的数据，不同人做出的图表效果差距这么大？ 不是工具的问题，也不是审美的问题，而是有没有掌握可视化的底层原则。本篇不讲任何工具操作，只讲”道”——掌握这些原则后，无论你用 Excel、Tableau 还是 Python，都能做出专业的图表。

可视化的本质：减少认知负担

人类大脑处理视觉信息的速度是文字的 6 万倍。数据可视化的本质就是利用这一特点，把复杂的数据关系转化为人眼能直觉感知的图形。

好的可视化有三个标准：

1. 准确：不扭曲数据，不误导受众
2. 高效：受众在 5 秒内能抓住核心信息
3. 美观：专业感和信任感

Edward Tufte 在《The Visual Display of Quantitative Information》中提出：”优秀的图表展示的是数据，而不是设计。”这是数据可视化领域最重要的一句话。

图表选择框架

选择图表类型的核心问题是：你想表达什么关系？

按分析目的选图表

决策树：3 步选出正确的图表

1. 你有几个变量？
   • 1 个变量 → 分布图（直方图、箱线图）
   • 2 个变量 → 看下一步
   • 3+ 个变量 → 气泡图、热力图、分面图
2. 变量的类型是什么？
   • 分类 × 数值 → 柱状图/条形图
   • 时间 × 数值 → 折线图
   • 数值 × 数值 → 散点图
3. 你想表达什么？
   • 比较 → 柱状图（纵向放类别轴）
   • 趋势 → 折线图（横轴放时间）
   • 占比 → 饼图（少于 6 个类别时）
   • 分布 → 直方图/箱线图

视觉编码：数据如何映射到图形

视觉编码是指把数据属性映射到图形的视觉属性上。人眼对不同视觉属性的感知精度是不同的。

感知精度排序

从高到低排列，人眼对以下视觉属性的判断精度依次递减：

1. 位置（最精确）——散点图、折线图
2. 长度——柱状图
3. 角度/斜率——折线图的趋势
4. 面积——气泡图
5. 颜色深浅——热力图
6. 颜色色相——分类标注
7. 体积（最不精确）——3D 图表

实操建议：尽量用位置和长度来表达最重要的数据变量。颜色用来区分类别就好，不要承载太多定量信息。

颜色使用原则

颜色是最容易被滥用的视觉元素。以下是几条核心原则：

• 分类数据用离散色板（每个类别一种颜色，色相不同）
• 连续数据用渐变色板（如浅蓝到深蓝）
• 发散数据用双色渐变（如红-白-蓝，中间为基准值）
• 一张图中颜色不超过 5-7 种
• 考虑色盲友好：避免纯红-纯绿对比，可以用蓝-橙替代
• 重要数据用高饱和度色彩，背景和辅助线用低饱和度

常见反模式（千万别这样做）

反模式一：截断的 Y 轴

错误做法：Y 轴从 95% 开始，让 95% → 97% 的变化看起来像翻倍
正确做法：Y 轴从 0 开始，或者明确标注 Y 轴被截断

反模式二：3D 图表

3D 柱状图、3D 饼图是数据可视化的头号公敌。它们带来了严重的视觉扭曲：

• 3D 饼图中后方的扇区看起来比实际更小
• 3D 柱状图中远处的柱子看起来比近处的低
• 没有增加任何信息量，只增加了干扰

铁律：永远不要使用 3D 图表。这不是审美问题，是准确性问题。

反模式三：饼图类别过多

饼图适合展示 2-5 个类别的占比关系。当类别超过 6 个时，人眼无法准确比较扇区大小。

替代方案：

• 类别多 → 用水平条形图
• 需要看趋势 → 用堆叠柱状图
• 需要精确数值 → 直接用表格

反模式四：双轴图表陷阱

双轴图表（一个图中左右各一个 Y 轴）看起来很酷，但容易引发误解：

• 两个 Y 轴的刻度不同，容易让人错误地”比较”两条线
• 通过调整 Y 轴范围，可以人为制造任何”相关性”

替代方案：

• 如果是同一指标的两个维度 → 使用同一 Y 轴
• 如果是不同指标 → 使用上下两个子图

反模式五：过度装饰

Chart Junk（图表垃圾）是 Edward Tufte 提出的概念，指图表中所有不传达数据信息的视觉元素：

• 花哨的背景图片
• 不必要的渐变和阴影
• 多余的网格线
• 装饰性图标

原则：数据墨水比（Data-Ink Ratio）越高越好。图表上每一滴”墨水”都应该在传达数据信息。

信息密度与美学的平衡

数据墨水比

数据墨水比 = 用于表达数据的墨水量 / 图表总墨水量

提高数据墨水比的方法：

• 去掉背景色（或用非常浅的灰色）
• 降低网格线透明度或去掉网格线
• 去掉不必要的边框
• 不用加粗的坐标轴
• 标题简洁直接

5 秒规则

一张好的分析图表应该让读者在 5 秒内能回答：

1. 看什么？ → 标题告诉你
2. 结论是什么？ → 图表本身传达
3. 数据可信吗？ → 标注数据来源和时间

面向受众设计

不同的受众需要不同的可视化风格：

图表的叙事结构

一张图表不仅是数据的呈现，更是一个”故事”。好的数据故事有三个要素：

1. 标题即结论

不要用”月度 GMV 趋势”这种描述性标题，而是用结论性标题：

2. 高亮关键信息

• 用颜色对比高亮最重要的数据点
• 用标注（annotation）指出关键转折点
• 灰化不重要的数据，让核心数据”跳”出来

3. 提供上下文

• 加入参考线（如目标值、行业平均值）
• 加入同比/环比数据
• 说明异常值的原因

实用清单：做图之前过一遍

每次制作分析图表之前，用这份清单自检：

• 明确了分析目的（比较/趋势/占比/分布/关系）
• 选择了正确的图表类型
• Y 轴从 0 开始（或有合理理由截断并标注）
• 没有使用 3D 效果
• 颜色不超过 5 种
• 有明确的标题（最好是结论性标题）
• 坐标轴有标签和单位
• 有数据来源和时间标注
• 考虑了受众（给高管看还是给同事看）
• 打印成黑白也能看懂（不完全依赖颜色区分）

推荐阅读

小结

本篇覆盖了数据可视化的核心原则：

• 图表选择：根据分析目的和变量类型选择正确的图表
• 视觉编码：位置 > 长度 > 角度 > 面积 > 颜色
• 常见反模式：截断 Y 轴、3D 图表、饼图过多类别、双轴陷阱、过度装饰
• 信息密度：数据墨水比、5 秒规则
• 叙事结构：标题即结论、高亮关键信息、提供上下文

原则掌握了，接下来我们上手工具。下一篇 Tableau 入门 将教你用拖拽的方式，快速制作交互式可视化看板。