16 数据可视化之图表类型与应用场景

在上一篇中，我们讨论了常用的数据可视化工具，了解了如何使用这些工具来制作可视化效果。接下来，我们将深入探讨不同的可视化图表类型及其各自的应用场景。这是数据分析中一个至关重要的环节，因为选择合适的图表能够有效增强数据的可读性和信息传递的效率。

一、图表类型概述

数据可视化的图表种类繁多，常用的图表类型主要包括但不限于：

• 柱状图（Bar Chart）
• 折线图（Line Chart）
• 饼图（Pie Chart）
• 散点图（Scatter Plot）
• 面积图（Area Chart）
• 箱线图（Box Plot）
• 热力图（Heat Map）
• 雷达图（Radar Chart）
• 树图（Treemap）

下面我们详细介绍每种图表的应用场景及示例。

二、图表类型及应用场景

1. 柱状图（Bar Chart）

应用场景：适用于展示不同类别之间的对比。如：各城市的GDP、不同产品的销量等。

import matplotlib.pyplot as plt

# 示例数据
categories = ['A', 'B', 'C', 'D']
values = [3, 7, 2, 5]

plt.bar(categories, values)
plt.title('各类别对比')
plt.xlabel('类别')
plt.ylabel('值')
plt.show()

2. 折线图（Line Chart）

应用场景：适用于显示随时间变化的数据趋势。如：股票价格变化、气温变化等。

import matplotlib.pyplot as plt

# 示例数据
months = ['Jan', 'Feb', 'Mar', 'Apr', 'May']
temperatures = [10, 12, 15, 20, 25]

plt.plot(months, temperatures, marker='o')
plt.title('月份与温度变化')
plt.xlabel('月份')
plt.ylabel('温度(°C)')
plt.grid()
plt.show()

3. 饼图（Pie Chart）

应用场景：适合展示各组成部分占总体的比例。常用来呈现市场份额、人口分布等。

import matplotlib.pyplot as plt

# 示例数据
labels = ['A', 'B', 'C']
sizes = [15, 30, 55]

plt.pie(sizes, labels=labels, autopct='%1.1f%%')
plt.title('各组成部分比例')
plt.show()

4. 散点图（Scatter Plot）

应用场景：用于展示两个变量之间的关系，适合数据分布分析、相关性研究等。

import matplotlib.pyplot as plt

# 示例数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

plt.scatter(x, y)
plt.title('散点图')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

5. 面积图（Area Chart）

应用场景：适用于展示某一时段内的数据总量变化，强调总量及其构成。

import matplotlib.pyplot as plt

# 示例数据
years = [2018, 2019, 2020, 2021]
values = [100, 200, 250, 300]

plt.fill_between(years, values, color='skyblue', alpha=0.5)
plt.plot(years, values, color='Slateblue', alpha=0.6)
plt.title('年份与数据变化')
plt.xlabel('年份')
plt.ylabel('数据量')
plt.show()

6. 箱线图（Box Plot）

应用场景：用于展示数据的分布情况，特别是展示数据的中位数、四分位数及异常值。

import matplotlib.pyplot as plt
import numpy as np

# 示例数据
data = [np.random.normal(0, std, 100) for std in range(1, 4)]

plt.boxplot(data, vert=True, patch_artist=True)
plt.title('箱线图示例')
plt.xlabel('类别')
plt.ylabel('值')
plt.xticks([1, 2, 3], ['样本1', '样本2', '样本3'])
plt.show()

7. 热力图（Heat Map）

应用场景：用于展示数据的价值与位置关系，常用于显示相关性和聚类分析。

import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt

# 示例数据
data = np.random.rand(10, 12)
sns.heatmap(data)
plt.title('热力图示例')
plt.show()

8. 雷达图（Radar Chart）

应用场景：适合展示多变量数据的比较，尤其在评估性能指标时非常有效。

import matplotlib.pyplot as plt
import numpy as np

# 示例数据
categories = ['A', 'B', 'C', 'D']
values = [4, 3, 5, 2]

# 创建雷达图
angles = np.linspace(0, 2 * np.pi, len(categories), endpoint=False).tolist()
values += values[:1]  # 闭合图形
angles += angles[:1]

ax = plt.subplot(111, polar=True)
ax.fill(angles, values, color='green', alpha=0.25)
ax.set_yticklabels([])
ax.set_xticks(angles[:-1])
ax.set_xticklabels(categories)
plt.title('雷达图示例')
plt.show()

9. 树图（Treemap）

应用场景：用于展示分层数据的比例，适合展示复杂层次结构，如子公司业绩、网站分类等。

import squarify
import matplotlib.pyplot as plt

# 示例数据
labels = ['A', 'B', 'C', 'D']
sizes = [30, 10, 40, 20]

squarify.plot(sizes=sizes, label=labels)
plt.title('树图示例')
plt.show()

三、总结

在选择合适的图表类型时，需要考虑所要展示的数据特征及其背后的逻辑。例如，若希望展示分类之间的对比，柱状图便是一个理想的选择；而若关注数据随时间变化的趋势，折线图将是最佳之选。

通过掌握不同图表的应用场景，您将能够更加精准地传达数据背后的故事，为后续的案例分析奠定