干货分享|如何做好数据可视化？

干货分享|如何做好数据可视化？_爱运营

数据可视化是指以图形的方式展示数据，帮助用户能够更快地识别模式；交互式可视化能够让决策者深入了解细节层次，展示方式的改变使得用户可以查看分析背后的事实。

在这篇文章中，您将学习到：

• 数据可视化的作用
• 提升数据可视化的技巧
• 数据可视化图表配色的技巧
• 图表可视化的常见误区

一、数据可视化的作用

1.化繁为简，方便理解

正所谓“一图胜千言”，使用图表来总结复杂的数据，这种沟通方式使业务领导者能够更快地理解和处理他们的信息。

2.发现新趋势、新机遇

企业收集到的消费者行为的数据，可以为适应性强的公司带来许多新的机遇。通过使用大数据可视化来监控关键指标，企业领导人可以更容易发现各种大数据集的市场变化和趋势。

3、增强数据交互

数据可视化的主要好处是它及时带来了风险变化。但与静态图表不同，交互式数据可视化鼓励用户探索甚至操纵数据来发现其他“秘密”。这就为使用分析提供了更好的意见。

二、提升数据可视化的技巧

1、避免使用饼图

尽管它们很受欢迎，但饼图并不是一种可视化数据的有效方法。 为什么？ 因为你的大脑很难确定每块馅饼的相对大小。多使用条形图， 它能使受众更容易理解和比较数据的相对大小。

Tip：按降序或升序对数据进行排序，能更轻松地比较数据。

2、避免数据噪音

正如“数据界的达芬奇”Edward Tufte 所说，图表上的每一点信息都应该有存在的理由。把不重要的东西减到最少或者去掉。这包括减弱或移除图形线，改变轴线、图形线的颜色，以及用浅灰色描绘电子表格行。使得“数据比率”可以达到一个很高的水平，听众会更容易明白其中的数据情况。

Tip: 如果有人评价你的图表华而不实，你只需要优化数据比率就好了。

3、使用简单易读的字体

有些时候，排版可以提升视觉效果，增加额外的情感和洞察力。但数据可视化不包括在内。坚持使用简单的无衬线字体(通常是Excel等程序中的默认字体)。无衬线字体即是那些文字边缘没有小脚的字体。

4、使用表格数字字体

表格间距赋予所有的数字相同的宽度，使它们排列时能彼此对齐，使比较更容易。大多数流行字体都内置了表格。不确定字体是否正确?就看小数点(或任何数字)是否对齐就行。

5、使用相同细节和精度的数字

添加的细节(和数字)越多，大脑处理的时间就越长。想想你想要用你的数据传达什么，以及最有效的方式是什么。

6、使用基础图形

一个很好的经验法则是，如果你不能高效理解，你的读者或听众可能也难理解。因此，坚持使用基础图形:直方图、条形图、维恩图、散点图和线形图。

三、数据可视化图表配色的技巧

1、多彩配色：宜克制

许多时候，我们容易首先考虑设置多彩的颜色去达到外观的酷炫，而没有考虑到这些颜色是否有实际的意义。显然，多彩的图表可能有助于广告效果，却分散了读者对于真正有价值的数据本身的注意力。

2、色调与明度：跨度要大

在把数据进行可视化的大多数情况下，我们需要让配色容易辨识与区分，也就是说，它们的明度差异一定要够大。对于明度与色调，跨度越大，就能承载越多的数据。下图中第二行就是一个反例，颜色之间辨识度太低，容易模糊不同数据系列的界限，你会很难分辨相邻两色的区别。

3、饱和度：尽量低

在配色过程中，有时我们挑选了喜欢的颜色，搭配出来的效果却不如人意。是颜色选的不合适吗？别着急，尝试降低它们的饱和度吧。

不过仍要注意颜色之间的辨别度，避免不同数据系列的颜色混淆。另外，避免广泛运用艳色的好处是，当你有某个很想要强调的数据时，你可以轻松使用明亮的色彩来表示。

4、善于向大自然取经

淡黄到深紫的过渡”与“淡紫到深黄的过渡”，这两种方案听起来是否感觉大概相似？但我们在下面可以看到，前者感觉很自然，后者则不是。

这是由于我们已经习惯于那些在自然界中随处可见的渐变。在华丽的日落中，我们就能看到明黄色向深紫色的渐变，但却没有哪里能看到淡紫色向深黄色的过渡。

5、巧用渐变色

无论你只需要2种颜色，还是需要10种颜色，渐变中都能提取出这些颜色，并让图表看起来和谐而自然，因此不失为一种保险的方法。当然，最深和最亮的颜色用于最需要突出的序列。

6、背景色的深浅选择

在绘制图表时，背景一般采用纯色，否则背景会干扰读者对图片主体信息的读取。

另外，浅色的背景显然更有利于用户阅读，可以提高数据的可读性。但是在界面内容过少的情况下，我们可以使用深色背景，使其看起来不那么单调。

四、图表可视化的常见误区

1、坐标轴处理不当

一种是出于夸大数据差异而对坐标轴起点不当截取。

另外是对坐标轴使用对数处理，减小了数据差异。

2、 图表拉伸

图表横纵坐标轴的比例异常也会影响数据信息表达，特别是表现趋势方向类的折线图等图表，横坐标和纵坐标的比例在1：1到2：1之间最为合适。

3、取值间隔

最易出现在波动性较大的数据处理中，间隔取值会得到完全不同的结果

－end－

原文始发于微信公众号（DataHunter）