前天，小熊妹的同事发过来一张图，问：“小熊小熊，你能从这个图里看出啥问题吗？”（如下图）
小熊妹当时就震惊了！从这张图，我们可以直观、清晰、明确的看出：“这位同学，你不会做数据图呀!”两个人比身高，不应该背靠背吗，为啥要叠罗汉呢……
那正确的图该咋画呢？今天小熊妹认真科普一下哦。做数据图只是个通俗说法，行业习惯叫：数据可视化。数据可视化，可以做出很多炫酷的图表，但也不是乱做的，需要遵循一些基本规范。
什么时候该做可视化
当数据描述很简单的时候，是不需要做可视化的。比如：小熊妹12月份全月个人消费了10000元。这时候只有1个对象，1个指标，1个时间，也没有细分这10000元到底都花到哪里去了，这就属于典型的简单数据，这时候不用做可视化，直接展示出来就好了，多清晰（如下图）
如果需要描述的数据变得复杂，就可以用图表的形式，让数据变得更容易看，更容易理解。评价数据是否复杂的，是对象，指标，时间，细分四个方面。下边来一个个看看吧~
简单的数据可视化
其他条件不变，当对象从1个变成N个，这时候可以用条形图来展示。比如大家看到小熊妹一个月花了10000大洋！就会想：“哇塞，小熊妹是不是个败家娘妹呢？”这个只有1个人肯定看不出高低，是勤俭持家还是败家，得和其他妹纸比一比（如下图）。
条形图很适合做多个对象之间的比较。因为这种从上到下的陈列方式，很符合人们心中“皇榜”“赛马图”的格局，因此一看过去便知道高低，比直接陈列数字看的清楚。这就是数据可视化的第一个优势：清晰。
只是，只是这么一对比，就显得小熊妹真的很败家了！才不是呢，哼！
其他条件不变，要考虑一个指标的内部结构，这时候可以用饼图。比如光看小熊妹月消费1万，看起来很败家，可到底花到哪里了呢？如果在北上深这种高消费城市，日常生活都不止1万吧。所以得看看这一万块的构成，这就是内部结构了（如下图）
饼图很适合看内部结构组成。因为切大饼的方法，很直观，能一眼看到占大头的是哪里。这就是数据可视化的第二个优势：直观。
只是，只是这么一对比，小熊妹的败家似乎更加实锤了！居然有那么大比例网购！肯定在12月剁手剁了不少，熊爪子估计都剁没了！
其他条件不变，要考虑一个指标的时间变化，这时候可以用条形图。比如想知道小熊妹是一直这么败家，还是偶尔剁剁手，光看一个月数据不行，还得多几个月，这时候可以如下图：
诶？这么一看，似乎为小熊妹洗白了一点：人家只是双十一，双十二的时候才败家吗，平时吃土吃的可积极了！这就是数据可视化的第三个优势：发现规律。数据走势本身，能反应很多问题。
如果把时间再放长一点，条条数量更多，可能看不清楚，这时候可以用折线图，比如看小熊妹过往2年的数据，这样至少有24个数，用折线图看的更清楚（如下图）
时间拉长，看趋势会更清楚。这么看的话，小熊妹就被洗的更白了：人家只是618，双十一，双十二，过年的时候花的多吗！平时是个积极的吃土小能手。
其他条件不变，要考虑多个指标的内部结构，这时候可以用雷达图。
但要注意，如果不同指标单位不一样，直接做雷达图会显得很奇怪，比如收入的单位是元，身高单位是厘米，颜值只能内心打分。这时候可以对每个指标，单独做评分或者做标准化处理，处理成统一的评分或者指数，再做雷达图。
复杂的数据可视化
如果用数据描述复杂的问题，对象，指标，时间，细分四个方面，就有两个方面及以上发生变化，做图就会复杂。
比如，我们不单单想知道小熊妹过去1年内每个月的消费，每个月的逛街次数，这两个孤立的数据。我们还想知道：是不是逛街越多，花钱就越多。这时候我们想发现的，是数据之间的相关关系，就可以做散点图（如下图所示）
散点图虽然不能严格论证相关关系，但是可以很直接的反应出来，如果散点图真的分布很散，就说明两个指标之间没啥关系，如果散点图出现一定的规律性，则表明有深入分析的机会点。这是数据可视化的第四个好处：方便。做个图可比做各种模型，算各种检验值方便多了。
如果想观察一个指标在不同时间的结构变化，可以用堆积图（如下图）
堆积图在分析问题的时候，非常有用！比如从上图，能直接看出来，小熊妹消费额变化，主要是网购份额变化导致的，真是网购小能手！
同样的，如果想对比两个对象的结构变化，也用堆积图比较合适。相比饼图，堆积图在反应不同个体的差异的时候，看的更清楚。比如下图，是不是一眼能看出来，萱萱是个吃货呢。
如果想对比N个对象在不同时间的指标变化，可以用折线图。这种对比会衍生出一种方法：趋势分析法，后续有机会再分享哦。如下图所示：
如果想对比N个对象在N个指标的差异，可以用雷达图。如下图所示：
小结来了
反映内部结构：饼图、堆积图
反映时间变化的：柱状图、折线图
反映排名顺序的：条形图
反映相关关系的：散点图
反映多个指标的：雷达图
