查看原始数据，就像一次只盯着几颗像素去理解一张照片。将数据绘制成图表，能让您“拉远镜头”，一眼看清全貌。可视化也是一种方便的营销工具，便于向利益相关者展示数据，帮助人们一眼看出模式、关系与洞见。这是让数据变得有意义的最快方式之一。
在本指南中，我们将逐一介绍常见的图表类型及其使用时机。我们会探讨优秀可视化与误导性可视化的区别，并回顾几幅塑造该领域的经典范例。读完之后，您将更清楚如何创建与评估能够讲述清晰、诚实故事的数据可视化。
如果您从零开始， Introduction to Data Visualization with Julia 提供了对绘图与数据叙事基础的入门友好学习路径。
数据可视化的类型
数据可视化可以按变量数量来分类。您是在关注单个变量的分布？想描述两个变量之间的关系？还是对多个变量之间的相互作用感兴趣？下面逐一介绍每种情境以及相应的图表选择。
为帮助您理清这些图表类型，我推荐这份实用的 数据可视化速查表。它提供快速参考，帮助您判断不同数据类型最合适的图表。您也可以看看 适用于各种场景的数据可视化技术。
单变量可视化
先从最简单的情况开始：您只对一个变量感兴趣。单变量可视化可让您聚焦于一个变量，帮助您快速了解其分布、频率或构成。下面来看几种最常见的类型。
柱状图
柱状图用于比较不同类别的信息。每个类别对应一个柱子，该类别的计数通过柱子的高度表示。
有时您会看到横向的柱状图，柱子水平延伸而非垂直。以我的经验，当比较的类别很多且按从长到短自上而下排序时，横向柱状图最有用。若只是几个类别，我更偏好竖向柱状图。
饼图
饼图将整体的各部分显示为圆形切片。是否使用饼图常让数据从业者感到为难。相较于估计矩形的部分面积，我们的大脑通常更难准确判断圆形扇区的大小。
想想为了争论两块苹果派是否一样大，兄弟姐妹吵了多少次。尽管如此，饼图仍很受欢迎，部分原因是圆形可以打破原本清一色矩形仪表板的视觉单调感。
选择使用饼图时，首先，仅在需要比较的类别很少时使用。类别过多会让图表显得杂乱、难以阅读。其次，在每个切片上标注实际百分比。即便读者难以比较相对大小，也能据此解读图表。
甜甜圈图
甜甜圈图与饼图关系密切，因此同样的注意事项适用：仅在比较少数几个类别时使用，并在图上显示数值占比以便解读。
甜甜圈图的一个实用优势是中央留白可用于放置标签。如果您的仪表板开始显得拥挤，这能节省空间。它也更具美感，能增添饼图所欠缺的一些视觉效果。
直方图
直方图用于可视化分布的形状。它通过将数值分组到箱（bins）中，并绘制各箱中数值的数量来工作。这有助于识别最常见的取值以及发现离群点。
虽然看起来像柱状图，但它在一个关键点上不同：x 轴是连续变量，而非离散变量。
这里是花园中向日葵幼苗高度的直方图。我们可以看到大多数幼苗在 22cm 到 28cm 之间。少数矮至 15cm，一些接近 34cm。
密度图
密度图可视为平滑后的直方图，以连续曲线呈现。它能更精致地展示底层分布。需要注意的是，y 轴显示的并非计数，而是密度，反映数据在某个取值附近的集中程度。曲线下的总面积始终为 1。
该图适合观察分布的形状而非绝对值。将多条分布绘制在同一图上，还可以彼此比较。为避免杂乱，建议将分布数量限制在 3 条以内。最好为每条线使用不同的颜色或明暗度，尤其当分布彼此接近时，以免混淆。
我们绘制了两个不同图书馆每次来访的阅读时长。通过同时显示两者的密度，可以看到访客去月光图书馆时，往往比去阳光图书馆阅读更久。
箱线图
如果您想比较多个分布，可以考虑使用箱线图。箱线图用中位数、四分位数和离群点来概括分布。这类图非常有用，能快速呈现大量信息，让您一眼把握多个数据集的总体范围与对比。
一般而言，如果两个分布的箱体没有重叠，它们可能在统计上存在显著差异；若有重叠，则可能并无显著差异。当然，要确定仍需进行统计检验，如 t 检验，但箱线图能为需要比较的分布提供直观线索。
在这个箱线图中，我们展示了三所魔法学校的考试成绩分布。我们可以快速看出哪些学校的平均分更高。通过观察离群点，也能看出哪些学校可能有成绩特别出色或明显落后的学生。这个简单的图表能非常迅速地传达大量有用信息。
双变量可视化
到目前为止，我们只看了单变量图表。如果您想展示两个变量之间的关系，双变量图表正合适。它们有助于发现趋势、模式与相关性。
散点图
散点图或许是最普遍的图。它以简单方式将每个数据点在两个数值轴上的位置可视化，适合发现关系、聚类与离群点。
散点图既可用于展示相关性，也可用于展示因果关系。若要展示因果关系，惯例是将自变量放在 x 轴，因变量放在 y 轴，以此向读者传达因果方向。此外，若确有因果关系，您应在图上显示用于判定因果的统计量及其 p 值。
在该散点图中，我们绘制了雨滴大小与其下落速度之间的关系。这两个变量呈明显正相关，显示雨滴越大，下落越快。
需要强调的是，这张图显示的是相关性，本身并不代表因果。因此我们不能仅凭该图就说雨滴因为更大所以下落更快。要做出这种判断，我们需要额外信息，如统计检验或实验，并且应在图上标明这些信息。
折线图
折线图与散点图关系密切，但自变量通常是时间，并且各数据点与相邻点相连。它最适用于时间序列数据，用来突出随时间的趋势或变化。
这里我们用折线图绘制了一个月内我们每天的阅读时长。这样可以快速看出我们何时读书动力下降，又何时恢复常态。如果持续绘制多个月，可能会逐渐显现某种模式。
想了解更多如何突出时间趋势与变化的示例，请查看 呈现趋势的数据可视化。
面积图
面积图与折线图非常相似，但会填充曲线下方的区域。这能让读者更容易理解累积总量或体积。但请注意，尽管一张图可以绘制多条折线图，面积图每张图最好只绘制一条。由于曲线下方区域被填充，若在同一图中绘制多条面积图，容易造成遮挡与难以阅读。
该面积图显示了一年内采集蜂蜜的体积。由于填充了曲线下方区域，能帮助读者直观理解我们讨论的是“体积”。
分组柱状图与堆叠柱状图
柱状图有两种子类型，可用于跨第二个变量比较类别。
首先是分组柱状图。它突出不同子类别之间的差异。y 轴与大多数柱状图相同，但 x 轴上每个组内包含一簇柱子，通常用颜色或明暗区分，以显示子组。这类图能非常快速地传达大量信息。
每个组最好只包含少量子组（我建议最多 2–5 个）。另外要注意，如果添加过多组或子组，这类图很容易在水平方向上拉得很长，占用大量空间。若为数字化展示而设计，请特别留意在移动端的观感。
在该分组柱状图中，我们绘制了三个幼儿园班级的果汁偏好。只需一眼，您就能知道如何最合理地为每个班分发果汁盒。
接下来是堆叠柱状图。它展示多个组中的部分与整体关系。与分组柱状图类似，我们可以比较各组间的细微差异。
但相较于分组柱状图，它有两大优点。首先，它还能显示每个类别的总量。因此您既可以像普通柱状图那样先比较各类别总量，再观察子分组的差异。其次，它更为紧凑，在更少空间里呈现更多信息。
不足之处在于，有时从图中精确读出各部分比例较为困难。添加包含该信息的数据标签可缓解此问题，但也要避免过于拥挤。
该堆叠柱状图展示了不同年龄段的阅读偏好。在每个年龄段内，我们可以看到各体裁所占比例；横向比较不同年龄段，又能同时看到各体裁比例的变化以及总体借阅量的变化。例如，很容易看出成年人总体借书最多，而老年人比青少年更偏爱非虚构类。
热力图
热力图用颜色强度来表示网格上的数值。可考虑用于相关矩阵、列联表，或任何您认为用颜色能更易看出模式的场景。
使用此类图表时，一个重要注意点是选择合理的颜色渐变。例如，没有内在理由认为红色比绿色代表更大的数值，因此选用红到绿的渐变可能并不理想。但人们会直觉认为颜色越深表示数值越大。因此选择单色的明暗渐变，能更直观地让读者理解您所绘制的内容。
例外情况是绘制“温度”这类字面意义上的热值。通常红色对应更高温、蓝色对应更低温。因此若您在热力图上绘制热度，红到蓝的渐变可能更符合直觉。总之，始终让数据引导您的可视化设计。
该热力图展示了一只慵懒家猫在一周内每天每小时的活动水平。颜色更深的蓝色表示猫非常活跃，可能在跑跳；更浅的蓝色表示几乎不动，甚至在睡觉。借助颜色，我们很容易看出这只猫夜间更活跃，白天大多在睡觉，白天也有几次玩耍时间（也许是主人发起的）。
如果您想在专业分析平台上尝试这些双变量图表， Data Visualization in Power BI 和 Data Visualization in Tableau 都会演示如何创建交互式仪表板，清晰突出模式与趋势。
多变量可视化
有时我们需要展示两个以上变量之间的更复杂关系。多变量图表可以帮助您揭示三种或更多变量之间的关系，便于在保持可解读性的同时探索更复杂的数据集。下面介绍几种常见选择。
气泡图
气泡图在散点图的基础上，将第三个变量编码为气泡大小。大多数人已经熟悉如何解读散点图，因此它易于阅读。将变量用大小编码也符合直觉。为最大化这种直觉，最佳做法是让气泡大小与某个“量级”相对应。
您可以进一步用颜色编码引入第四个变量。只需确保图例与说明足够清晰，便于读者准确解读您的图表。
该气泡图显示了在不同花朵大小的花园中，瓢虫与蚜虫的相对丰度。更大的气泡对应更多蚜虫。我们可以看到图上方出现更大的气泡，表明瓢虫越多的地方蚜虫也越多。我们还看到矮些的花上虫子更多。
雷达图
可以把雷达图看作一种环形的柱状图。不同属性沿圆周排列，您的“轮廓”从中心出发，沿各轴绘制。它适合做画像，或在相同维度上比较若干对象。注意不要叠加太多“轮廓”，否则会拥挤、难以快速阅读。同时建议使用透明填充，便于相互透视。
这里我们在五个技能维度上比较了三位《龙与地下城》角色的画像。这是展示不同角色能力差异的一种清晰方式。
平行坐标
将雷达图“展开”，就得到平行坐标图。这类图将每个变量放在独立的纵轴上。当您需要同时比较多个连续变量时，它是更好的选择，因为重叠区域更少。
您需要仔细考虑 y 轴的取值方式。如果各属性拥有共同的计量单位（如上面的角色画像），那就不成问题；但如果属性的单位不同，您可能需要在 y 轴上采用相对化的比较方式，提高可读性。目标是便于比较不同折线彼此之间的相对关系，而非精确读取每条线的绝对数值。
在该图中，我们比较了不同玩具机器人型号的相对属性。我们可以轻松在四个关注特性上将每个机器人与其他机器人进行比较。尽管无法精确读出每个机器人的速度值，但我们可以轻松看出 RoboMax 远快于 RoboMini。
矩形树图
矩形树图以美观的方式展示层级信息。它将一个矩形划分为嵌套的小矩形，尺寸随数值而变。通常使用不同颜色再添加一层细分。它适用于展示层级数据，或多层级中的部分—整体关系。
需要提醒的是：并非所有人都熟悉如何阅读矩形树图，因此应尽量让其易于解读。确保方框边界清晰、颜色区分明显。我认为这类图特别需要配合图例、标签与说明文字。
这里我们创建了一张矩形树图，展示一位虚构冒险者在不同类别中的黄金花费。颜色表示支出类别，各矩形大小显示相对花费金额。
桑基图
桑基图是我所见用于可视化“流”的最佳方式之一。此类图表追踪数据从起点到各个终点的历程。箭带的相对粗细显示原始总量分别流向各目的地的多少。它非常适合可视化能量流、客户旅程或任何具有分支路径的系统。
这里我们绘制了一个家庭的能源使用以及能源用途。可以看到该家庭在供暖与舒适方面的能耗最高，而烹饪与休闲所占比例很小。
分级设色地图
分级设色地图与热力图类似，使用颜色传达信息，但它叠加在地理底图上，展示在州或县等地理区域上的模式演变。您或许在新冠疫情期间见过此类地图，用于显示病例飙升的地区。美国总统选举后也常见，用于展示选举人团结果。
这里我们制作了一张非常基础的分级设色地图，显示美国各州的森林覆盖率估计值。森林覆盖更多的州用更深的绿色表示，便于一眼分辨。
优秀与糟糕的数据可视化
有用与误导性的图表，通常差别在于设计。好的可视化能澄清数据；糟糕的可视化则会扭曲数据。要全面了解这一点，我推荐 Edward Tufte 的 The Visual Display of Quantitative Information。这是可视化领域最具影响力的著作之一，凡是经常与数据打交道的人都应收藏。
高效可视化的特征
图表应当一目了然。这意味着保持简洁明了，在合适的地方添加数据标签，并有效使用标题、图例与轴标签。Tufte 用“数据-墨水比”来阐述这一点。
可视化还应尽可能准确。这意味着要警惕比例或尺度上的任何扭曲。例如，谨慎使用坐标轴断点；若使用，应清晰标注。
为提高效率，应确保图上每个元素都“有其必要”。不要过度使用网格线。在某些图表中，网格线有助于读取精确数值；但在许多图表，尤其是更简单的图表中，它们只是“图表噪音”。最糟糕的情况下，甚至会遮挡数据。其他“图表噪音”的例子还包括不必要的图片或无助于清晰度的多余线条。
最后，要慎重使用颜色。要理解颜色可以与数字一样传达含义。比如选择渐变时，通常让更深的颜色对应更大的数值、更浅的颜色对应更小的数值是个好主意。
对于分类数据，考虑与该类别常见联想的颜色。如果我们用绿色来表示橙汁偏好，那就很奇怪。
糟糕可视化中的常见问题
有一些常见错误需要留意。首先与刻度有关。请关注坐标轴与图表元素（箱体/气泡等）的尺度。不要盲目信任任何软件的默认绘图。确保坐标轴从零开始（极少数情况除外）、各轴设置保持一致、并且图表元素的比例与您的数据相匹配。
我经常看到的常见问题是使用 3D 效果。这些效果看起来很酷，但也可能扭曲图形、增加解读难度。为观众着想，大多数情况下请坚持使用二维图表。
双 y 轴也是容易出问题的地方。在绝大多数情况下，如果您需要两个 y 轴，或许应该将数据拆成两张图。在极少数确有必要使用双轴的情形，请确保清楚标示每组数据对应哪条轴。我最喜欢的方式是用颜色，例如左侧坐标轴为黑色，对应黑色点；右侧坐标轴为红色，对应红色点。
最容易犯的错误之一就是让图表过度拥挤。我们容易因为想“讲全”数据的故事而不断添加柱子、标签或折线，使故事越来越复杂。然而这可能导致观众什么也没带走。相反，最好选定一个您希望观众从数据中获得的简单信息，并以尽可能干净、优雅的方式呈现出来。.
如何识别误导性可视化
不幸的是，您并不罕见会遇到为推销某种立场而被操纵的图表，广告、政治与社交媒体中都很常见。每当看到图表，都应在接受之前进行批判性评估。
第一步是对照本文前面的章节，查看相关图表是否遵循我们讨论的最佳实践。如果没有，即便是无意为之，该图也可能具有误导性。
接着，考虑更隐蔽的动机。问问自己：
- 来源是谁，他们的议程是什么？
- 您的直观印象是否与实际数字一致？
- 时间轴为何从这里开始、到那里结束？
- 被比较的项目是否真正可比？
- 是否有数据缺失或被弱化？
- 是否把相关性误当作因果性？
并非所有误导性可视化都出于恶意。但识别其缺陷，并对其结论持保留态度，至关重要。
关于包容性设计的一点提示
在构建可视化时，请记住，设计选择也会影响谁能看到您的作品。为扩大受众，请考虑如何让图表更易获取。例如，使用适合色盲的配色方案与较大、易读的字体，以提升可读性；使用有意义的替代文本与说明文字，也能提升视障观众的可达性。
历史上的著名可视化
历史上有一些可视化对数据可视化领域产生了深远影响。有的发明了全新的图表类型；有的改变了我们理解事件、社会或系统的方式。我们来回顾几幅最著名的历史图表，以及它们如何启发后来的制图者。
William Playfair 的发明（1786–1801）
我们今天常见的图表类型并非凭空出现。我们讨论的许多图表可追溯到 18 世纪末的苏格兰工程师与政治经济学家 William Playfair。1786 年，Playfair 发表了 The Commercial and Political Atlas，首次将折线图与柱状图用于理解经济数据。数年后，他又在 The Statistical Breviary 中引入了饼图。
这张图被广泛认为是 1786 年 William Playfair 首次引入的折线图。图片来源于 Wikipedia。
当时大多数数字信息以密集的表格呈现，难以快速解读。Playfair 认为，图形形式可以让趋势与比较一目了然，即便是没有数学训练的读者也能理解。
被认为是第一张柱状图，该图由 William Playfair 于 1786 年发表。图片来源于 Wikipedia。
Playfair 的影响不仅在于发明了新图表类型，更在于他对人们如何感知信息的洞察。他将数字映射为视觉属性，使读者能一眼比较数值。他的图表常用于论证政治与经济观点，如国债或贸易差额的长期变化。
Playfair 的工作为现代统计图形奠定了基础，也早早提醒我们：清晰的视觉编码能从根本上改变人们理解数据的方式。
被认为可能是第一张饼图，由 William Playfair 于 1789 年发表。来源： Wikipedia。
Charles Minard 的拿破仑俄罗斯战役地图（1869）
1812 年，拿破仑进军俄罗斯并遭遇惨败。五十多年后，退休土木工程师 Charles Minard 创作了这幅标志性地图，展示了军队的推进、撤退以及兵力的悲剧性锐减。
来源： brilliantmaps。
这是早期的桑基图范例，带状宽度反映兵力规模。它叠加在地图上，融合了行进方向、气温、地理与时间，讲述了一段令人动容的入侵故事。它优雅地展示了如何在不引起混乱的情况下并置多个变量，被认为是史上最具辨识度的图表之一。
Florence Nightingale 的玫瑰图（1858）
另一幅著名的战争图表出自统计学家、现代护理学创始人 Florence Nightingale。她使用极坐标面积图（也称玫瑰图）来展示：克里米亚战争中，死于霍乱、斑疹伤寒等可预防疾病的人数，超过了直接死于战伤的人数。
来源： https://www.historyofinformation.com/
图中每个扇区代表一个月，不同颜色区分死因。可预防疾病致死为蓝色，战伤致死为红色，其他原因为黑色。
1855 年 4 月，卫生委员会抵达军医院改善卫生条件，随后死亡率大幅下降，这在 Nightingale 的图中格外显眼。该可视化说服政府在军队与民用医院推行卫生改进。
John Snow 的霍乱地图（1854）
公共卫生领域的另一场胜利，来自 John Snow 绘制的伦敦霍乱死亡地图。1854 年，伦敦苏活区爆发严重霍乱，数周内造成 600 余人死亡。Snow 在伦敦街道地图上标注霍乱死亡（用短横表示）与水泵位置（用圆圈表示）。
来源： londonmuseum.org。
他的地图揭示了 Broad Street 水泵周围的死亡聚集。官员拆除了该水泵的把手，使之无法使用后，疫情便逐渐消退。这张地图帮助解决了当地的暴发事件。如今，它提醒我们：选择正确的可视化会影响其效果；例如，散点图就无法找到此次暴发的原因。Snow 选对了可视化，从而促成了改变。
Étienne-Jules Marey 的列车时刻图（1885）
我个人最喜欢的历史图表是 1885 年的这张列车时刻图。一张图就展示了从巴黎到里昂的每一趟列车：速度、停靠站，以及列车交汇的时间。横轴是时间，纵轴上的车站间距按距离比例绘制。每列车是一条倾斜的线，越陡表示越快，水平段表示列车在站内停靠。
来源： commons.wikimedia.org
通常，这些信息会以文字繁多的时刻表呈现。而这张图将空间与时间信息优雅结合，使铁路管理者能够避免排程冲突，甚至预防列车相撞！它提醒我们：设计良好的可视化能够承载的信息量有多么惊人。
W.E.B. Du Bois 的数据画像（1900）
在 20 世纪之交，社会学家与民权运动先驱 W.E.B. Du Bois 率领研究团队，为 1900 年巴黎博览会创作了一系列大胆而原创的图表。这些可视化记录了黑人民众在解放后一代人的社会、经济与教育状况。在种族主义伪科学主导公共话语的时代，Du Bois 用数据直接对抗有害的刻板印象。
这张来自 Du Bois《数据画像》的图表，戏剧性地呈现了解放宣言如何改变了非裔美国人的生活。图片来源于 How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century。
这些图表涵盖识字率、财产拥有、就业、人口增长与迁徙模式等主题。许多图表由手工绘制与上色，使用鲜明色彩与非常规布局。有些图类似柱状图或饼图，另一些则尝试螺旋、放射与抽象构图。Du Bois 并未拘泥于传统，而是优先考虑传达效果与影响力。
这张改造过的饼图展示了 20 世纪初黑白美国人的职业分布。图片来源于 How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century。
Du Bois 并不追求“中立”。这些图表明确旨在说服、教育，并以数据彰显非裔美国人的人性与成就。通过这样做，Du Bois 展示了可视化从来不只是呈现数字，它关乎现实的框定、故事的讲述，以及塑造社会如何理解自身。这些图表现已收入 W.E.B. Du Bois's data portraits : visualizing Black America : the color line at the turn of the twentieth century 一书。
Du Bois 毫不畏惧采用激进的图表类型来表达观点，比如这张展示 1890 年非裔美国人人口分布的螺旋图。图片来源于 How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century。
结语
可视化并非中立；您所做的每一个选择，都会影响观众对数据背后故事的解读。想进一步了解如何有效讲述数据的故事，请查看我们的数据叙事与沟通速查表。
若想获得关于工具选择的实用建议，我们对 2025 年 12 大数据可视化工具 的概览是很好的资源。如果您准备让这些复杂图表具备交互性并适配网页， Interactive Data Visualization with Bokeh 将带您用 Python 构建响应式、适合浏览器的可视化。
查看原始数据，就像一次只盯着几颗像素去理解一张照片。将数据绘制成图表，能让您“拉远镜头”，一眼看清全貌。可视化也是一种方便的营销工具，便于向利益相关者展示数据，帮助人们一眼看出模式、关系与洞见。这是让数据变得有意义的最快方式之一。
在本指南中，我们将逐一介绍常见的图表类型及其使用时机。我们会探讨优秀可视化与误导性可视化的区别，并回顾几幅塑造该领域的经典范例。读完之后，您将更清楚如何创建与评估能够讲述清晰、诚实故事的数据可视化。
如果您从零开始， Introduction to Data Visualization with Julia 提供了对绘图与数据叙事基础的入门友好学习路径。
数据可视化的类型
数据可视化可以按变量数量来分类。您是在关注单个变量的分布？想描述两个变量之间的关系？还是对多个变量之间的相互作用感兴趣？下面逐一介绍每种情境以及相应的图表选择。
为帮助您理清这些图表类型，我推荐这份实用的 数据可视化速查表。它提供快速参考，帮助您判断不同数据类型最合适的图表。您也可以看看 适用于各种场景的数据可视化技术。
单变量可视化
先从最简单的情况开始：您只对一个变量感兴趣。单变量可视化可让您聚焦于一个变量，帮助您快速了解其分布、频率或构成。下面来看几种最常见的类型。
柱状图
柱状图用于比较不同类别的信息。每个类别对应一个柱子，该类别的计数通过柱子的高度表示。
有时您会看到横向的柱状图，柱子水平延伸而非垂直。以我的经验，当比较的类别很多且按从长到短自上而下排序时，横向柱状图最有用。若只是几个类别，我更偏好竖向柱状图。
饼图
饼图将整体的各部分显示为圆形切片。是否使用饼图常让数据从业者感到为难。相较于估计矩形的部分面积，我们的大脑通常更难准确判断圆形扇区的大小。
想想为了争论两块苹果派是否一样大，兄弟姐妹吵了多少次。尽管如此，饼图仍很受欢迎，部分原因是圆形可以打破原本清一色矩形仪表板的视觉单调感。
选择使用饼图时，首先，仅在需要比较的类别很少时使用。类别过多会让图表显得杂乱、难以阅读。其次，在每个切片上标注实际百分比。即便读者难以比较相对大小，也能据此解读图表。
甜甜圈图
甜甜圈图与饼图关系密切，因此同样的注意事项适用：仅在比较少数几个类别时使用，并在图上显示数值占比以便解读。
甜甜圈图的一个实用优势是中央留白可用于放置标签。如果您的仪表板开始显得拥挤，这能节省空间。它也更具美感，能增添饼图所欠缺的一些视觉效果。
直方图
直方图用于可视化分布的形状。它通过将数值分组到箱（bins）中，并绘制各箱中数值的数量来工作。这有助于识别最常见的取值以及发现离群点。
虽然看起来像柱状图，但它在一个关键点上不同：x 轴是连续变量，而非离散变量。
这里是花园中向日葵幼苗高度的直方图。我们可以看到大多数幼苗在 22cm 到 28cm 之间。少数矮至 15cm，一些接近 34cm。
密度图
密度图可视为平滑后的直方图，以连续曲线呈现。它能更精致地展示底层分布。需要注意的是，y 轴显示的并非计数，而是密度，反映数据在某个取值附近的集中程度。曲线下的总面积始终为 1。
该图适合观察分布的形状而非绝对值。将多条分布绘制在同一图上，还可以彼此比较。为避免杂乱，建议将分布数量限制在 3 条以内。最好为每条线使用不同的颜色或明暗度，尤其当分布彼此接近时，以免混淆。
我们绘制了两个不同图书馆每次来访的阅读时长。通过同时显示两者的密度，可以看到访客去月光图书馆时，往往比去阳光图书馆阅读更久。
箱线图
如果您想比较多个分布，可以考虑使用箱线图。箱线图用中位数、四分位数和离群点来概括分布。这类图非常有用，能快速呈现大量信息，让您一眼把握多个数据集的总体范围与对比。
一般而言，如果两个分布的箱体没有重叠，它们可能在统计上存在显著差异；若有重叠，则可能并无显著差异。当然，要确定仍需进行统计检验，如 t 检验，但箱线图能为需要比较的分布提供直观线索。
在这个箱线图中，我们展示了三所魔法学校的考试成绩分布。我们可以快速看出哪些学校的平均分更高。通过观察离群点，也能看出哪些学校可能有成绩特别出色或明显落后的学生。这个简单的图表能非常迅速地传达大量有用信息。
双变量可视化
到目前为止，我们只看了单变量图表。如果您想展示两个变量之间的关系，双变量图表正合适。它们有助于发现趋势、模式与相关性。
散点图
散点图或许是最普遍的图。它以简单方式将每个数据点在两个数值轴上的位置可视化，适合发现关系、聚类与离群点。
散点图既可用于展示相关性，也可用于展示因果关系。若要展示因果关系，惯例是将自变量放在 x 轴，因变量放在 y 轴，以此向读者传达因果方向。此外，若确有因果关系，您应在图上显示用于判定因果的统计量及其 p 值。
在该散点图中，我们绘制了雨滴大小与其下落速度之间的关系。这两个变量呈明显正相关，显示雨滴越大，下落越快。
需要强调的是，这张图显示的是相关性，本身并不代表因果。因此我们不能仅凭该图就说雨滴因为更大所以下落更快。要做出这种判断，我们需要额外信息，如统计检验或实验，并且应在图上标明这些信息。
折线图
折线图与散点图关系密切，但自变量通常是时间，并且各数据点与相邻点相连。它最适用于时间序列数据，用来突出随时间的趋势或变化。
这里我们用折线图绘制了一个月内我们每天的阅读时长。这样可以快速看出我们何时读书动力下降，又何时恢复常态。如果持续绘制多个月，可能会逐渐显现某种模式。
想了解更多如何突出时间趋势与变化的示例，请查看 呈现趋势的数据可视化。
面积图
面积图与折线图非常相似，但会填充曲线下方的区域。这能让读者更容易理解累积总量或体积。但请注意，尽管一张图可以绘制多条折线图，面积图每张图最好只绘制一条。由于曲线下方区域被填充，若在同一图中绘制多条面积图，容易造成遮挡与难以阅读。
该面积图显示了一年内采集蜂蜜的体积。由于填充了曲线下方区域，能帮助读者直观理解我们讨论的是“体积”。
分组柱状图与堆叠柱状图
柱状图有两种子类型，可用于跨第二个变量比较类别。
首先是分组柱状图。它突出不同子类别之间的差异。y 轴与大多数柱状图相同，但 x 轴上每个组内包含一簇柱子，通常用颜色或明暗区分，以显示子组。这类图能非常快速地传达大量信息。
每个组最好只包含少量子组（我建议最多 2–5 个）。另外要注意，如果添加过多组或子组，这类图很容易在水平方向上拉得很长，占用大量空间。若为数字化展示而设计，请特别留意在移动端的观感。
在该分组柱状图中，我们绘制了三个幼儿园班级的果汁偏好。只需一眼，您就能知道如何最合理地为每个班分发果汁盒。
接下来是堆叠柱状图。它展示多个组中的部分与整体关系。与分组柱状图类似，我们可以比较各组间的细微差异。
但相较于分组柱状图，它有两大优点。首先，它还能显示每个类别的总量。因此您既可以像普通柱状图那样先比较各类别总量，再观察子分组的差异。其次，它更为紧凑，在更少空间里呈现更多信息。
不足之处在于，有时从图中精确读出各部分比例较为困难。添加包含该信息的数据标签可缓解此问题，但也要避免过于拥挤。
该堆叠柱状图展示了不同年龄段的阅读偏好。在每个年龄段内，我们可以看到各体裁所占比例；横向比较不同年龄段，又能同时看到各体裁比例的变化以及总体借阅量的变化。例如，很容易看出成年人总体借书最多，而老年人比青少年更偏爱非虚构类。
热力图
热力图用颜色强度来表示网格上的数值。可考虑用于相关矩阵、列联表，或任何您认为用颜色能更易看出模式的场景。
使用此类图表时，一个重要注意点是选择合理的颜色渐变。例如，没有内在理由认为红色比绿色代表更大的数值，因此选用红到绿的渐变可能并不理想。但人们会直觉认为颜色越深表示数值越大。因此选择单色的明暗渐变，能更直观地让读者理解您所绘制的内容。
例外情况是绘制“温度”这类字面意义上的热值。通常红色对应更高温、蓝色对应更低温。因此若您在热力图上绘制热度，红到蓝的渐变可能更符合直觉。总之，始终让数据引导您的可视化设计。
该热力图展示了一只慵懒家猫在一周内每天每小时的活动水平。颜色更深的蓝色表示猫非常活跃，可能在跑跳；更浅的蓝色表示几乎不动，甚至在睡觉。借助颜色，我们很容易看出这只猫夜间更活跃，白天大多在睡觉，白天也有几次玩耍时间（也许是主人发起的）。
如果您想在专业分析平台上尝试这些双变量图表， Data Visualization in Power BI 和 Data Visualization in Tableau 都会演示如何创建交互式仪表板，清晰突出模式与趋势。
多变量可视化
有时我们需要展示两个以上变量之间的更复杂关系。多变量图表可以帮助您揭示三种或更多变量之间的关系，便于在保持可解读性的同时探索更复杂的数据集。下面介绍几种常见选择。
气泡图
气泡图在散点图的基础上，将第三个变量编码为气泡大小。大多数人已经熟悉如何解读散点图，因此它易于阅读。将变量用大小编码也符合直觉。为最大化这种直觉，最佳做法是让气泡大小与某个“量级”相对应。
您可以进一步用颜色编码引入第四个变量。只需确保图例与说明足够清晰，便于读者准确解读您的图表。
该气泡图显示了在不同花朵大小的花园中，瓢虫与蚜虫的相对丰度。更大的气泡对应更多蚜虫。我们可以看到图上方出现更大的气泡，表明瓢虫越多的地方蚜虫也越多。我们还看到矮些的花上虫子更多。
雷达图
可以把雷达图看作一种环形的柱状图。不同属性沿圆周排列，您的“轮廓”从中心出发，沿各轴绘制。它适合做画像，或在相同维度上比较若干对象。注意不要叠加太多“轮廓”，否则会拥挤、难以快速阅读。同时建议使用透明填充，便于相互透视。
这里我们在五个技能维度上比较了三位《龙与地下城》角色的画像。这是展示不同角色能力差异的一种清晰方式。
平行坐标
将雷达图“展开”，就得到平行坐标图。这类图将每个变量放在独立的纵轴上。当您需要同时比较多个连续变量时，它是更好的选择，因为重叠区域更少。
您需要仔细考虑 y 轴的取值方式。如果各属性拥有共同的计量单位（如上面的角色画像），那就不成问题；但如果属性的单位不同，您可能需要在 y 轴上采用相对化的比较方式，提高可读性。目标是便于比较不同折线彼此之间的相对关系，而非精确读取每条线的绝对数值。
在该图中，我们比较了不同玩具机器人型号的相对属性。我们可以轻松在四个关注特性上将每个机器人与其他机器人进行比较。尽管无法精确读出每个机器人的速度值，但我们可以轻松看出 RoboMax 远快于 RoboMini。
矩形树图
矩形树图以美观的方式展示层级信息。它将一个矩形划分为嵌套的小矩形，尺寸随数值而变。通常使用不同颜色再添加一层细分。它适用于展示层级数据，或多层级中的部分—整体关系。
需要提醒的是：并非所有人都熟悉如何阅读矩形树图，因此应尽量让其易于解读。确保方框边界清晰、颜色区分明显。我认为这类图特别需要配合图例、标签与说明文字。
这里我们创建了一张矩形树图，展示一位虚构冒险者在不同类别中的黄金花费。颜色表示支出类别，各矩形大小显示相对花费金额。
桑基图
桑基图是我所见用于可视化“流”的最佳方式之一。此类图表追踪数据从起点到各个终点的历程。箭带的相对粗细显示原始总量分别流向各目的地的多少。它非常适合可视化能量流、客户旅程或任何具有分支路径的系统。
这里我们绘制了一个家庭的能源使用以及能源用途。可以看到该家庭在供暖与舒适方面的能耗最高，而烹饪与休闲所占比例很小。
分级设色地图
分级设色地图与热力图类似，使用颜色传达信息，但它叠加在地理底图上，展示在州或县等地理区域上的模式演变。您或许在新冠疫情期间见过此类地图，用于显示病例飙升的地区。美国总统选举后也常见，用于展示选举人团结果。
这里我们制作了一张非常基础的分级设色地图，显示美国各州的森林覆盖率估计值。森林覆盖更多的州用更深的绿色表示，便于一眼分辨。
优秀与糟糕的数据可视化
有用与误导性的图表，通常差别在于设计。好的可视化能澄清数据；糟糕的可视化则会扭曲数据。要全面了解这一点，我推荐 Edward Tufte 的 The Visual Display of Quantitative Information。这是可视化领域最具影响力的著作之一，凡是经常与数据打交道的人都应收藏。
高效可视化的特征
图表应当一目了然。这意味着保持简洁明了，在合适的地方添加数据标签，并有效使用标题、图例与轴标签。Tufte 用“数据-墨水比”来阐述这一点。
可视化还应尽可能准确。这意味着要警惕比例或尺度上的任何扭曲。例如，谨慎使用坐标轴断点；若使用，应清晰标注。
为提高效率，应确保图上每个元素都“有其必要”。不要过度使用网格线。在某些图表中，网格线有助于读取精确数值；但在许多图表，尤其是更简单的图表中，它们只是“图表噪音”。最糟糕的情况下，甚至会遮挡数据。其他“图表噪音”的例子还包括不必要的图片或无助于清晰度的多余线条。
最后，要慎重使用颜色。要理解颜色可以与数字一样传达含义。比如选择渐变时，通常让更深的颜色对应更大的数值、更浅的颜色对应更小的数值是个好主意。
对于分类数据，考虑与该类别常见联想的颜色。如果我们用绿色来表示橙汁偏好，那就很奇怪。
糟糕可视化中的常见问题
有一些常见错误需要留意。首先与刻度有关。请关注坐标轴与图表元素（箱体/气泡等）的尺度。不要盲目信任任何软件的默认绘图。确保坐标轴从零开始（极少数情况除外）、各轴设置保持一致、并且图表元素的比例与您的数据相匹配。
我经常看到的常见问题是使用 3D 效果。这些效果看起来很酷，但也可能扭曲图形、增加解读难度。为观众着想，大多数情况下请坚持使用二维图表。
双 y 轴也是容易出问题的地方。在绝大多数情况下，如果您需要两个 y 轴，或许应该将数据拆成两张图。在极少数确有必要使用双轴的情形，请确保清楚标示每组数据对应哪条轴。我最喜欢的方式是用颜色，例如左侧坐标轴为黑色，对应黑色点；右侧坐标轴为红色，对应红色点。
最容易犯的错误之一就是让图表过度拥挤。我们容易因为想“讲全”数据的故事而不断添加柱子、标签或折线，使故事越来越复杂。然而这可能导致观众什么也没带走。相反，最好选定一个您希望观众从数据中获得的简单信息，并以尽可能干净、优雅的方式呈现出来。.
如何识别误导性可视化
不幸的是，您并不罕见会遇到为推销某种立场而被操纵的图表，广告、政治与社交媒体中都很常见。每当看到图表，都应在接受之前进行批判性评估。
第一步是对照本文前面的章节，查看相关图表是否遵循我们讨论的最佳实践。如果没有，即便是无意为之，该图也可能具有误导性。
接着，考虑更隐蔽的动机。问问自己：
并非所有误导性可视化都出于恶意。但识别其缺陷，并对其结论持保留态度，至关重要。
关于包容性设计的一点提示
在构建可视化时，请记住，设计选择也会影响谁能看到您的作品。为扩大受众，请考虑如何让图表更易获取。例如，使用适合色盲的配色方案与较大、易读的字体，以提升可读性；使用有意义的替代文本与说明文字，也能提升视障观众的可达性。
历史上的著名可视化
历史上有一些可视化对数据可视化领域产生了深远影响。有的发明了全新的图表类型；有的改变了我们理解事件、社会或系统的方式。我们来回顾几幅最著名的历史图表，以及它们如何启发后来的制图者。
William Playfair 的发明（1786–1801）
我们今天常见的图表类型并非凭空出现。我们讨论的许多图表可追溯到 18 世纪末的苏格兰工程师与政治经济学家 William Playfair。1786 年，Playfair 发表了 The Commercial and Political Atlas，首次将折线图与柱状图用于理解经济数据。数年后，他又在 The Statistical Breviary 中引入了饼图。
这张图被广泛认为是 1786 年 William Playfair 首次引入的折线图。图片来源于 Wikipedia。
当时大多数数字信息以密集的表格呈现，难以快速解读。Playfair 认为，图形形式可以让趋势与比较一目了然，即便是没有数学训练的读者也能理解。
被认为是第一张柱状图，该图由 William Playfair 于 1786 年发表。图片来源于 Wikipedia。
Playfair 的影响不仅在于发明了新图表类型，更在于他对人们如何感知信息的洞察。他将数字映射为视觉属性，使读者能一眼比较数值。他的图表常用于论证政治与经济观点，如国债或贸易差额的长期变化。
Playfair 的工作为现代统计图形奠定了基础，也早早提醒我们：清晰的视觉编码能从根本上改变人们理解数据的方式。
被认为可能是第一张饼图，由 William Playfair 于 1789 年发表。来源： Wikipedia。
Charles Minard 的拿破仑俄罗斯战役地图（1869）
1812 年，拿破仑进军俄罗斯并遭遇惨败。五十多年后，退休土木工程师 Charles Minard 创作了这幅标志性地图，展示了军队的推进、撤退以及兵力的悲剧性锐减。
来源： brilliantmaps。
这是早期的桑基图范例，带状宽度反映兵力规模。它叠加在地图上，融合了行进方向、气温、地理与时间，讲述了一段令人动容的入侵故事。它优雅地展示了如何在不引起混乱的情况下并置多个变量，被认为是史上最具辨识度的图表之一。
Florence Nightingale 的玫瑰图（1858）
另一幅著名的战争图表出自统计学家、现代护理学创始人 Florence Nightingale。她使用极坐标面积图（也称玫瑰图）来展示：克里米亚战争中，死于霍乱、斑疹伤寒等可预防疾病的人数，超过了直接死于战伤的人数。
来源： https://www.historyofinformation.com/
图中每个扇区代表一个月，不同颜色区分死因。可预防疾病致死为蓝色，战伤致死为红色，其他原因为黑色。
1855 年 4 月，卫生委员会抵达军医院改善卫生条件，随后死亡率大幅下降，这在 Nightingale 的图中格外显眼。该可视化说服政府在军队与民用医院推行卫生改进。
John Snow 的霍乱地图（1854）
公共卫生领域的另一场胜利，来自 John Snow 绘制的伦敦霍乱死亡地图。1854 年，伦敦苏活区爆发严重霍乱，数周内造成 600 余人死亡。Snow 在伦敦街道地图上标注霍乱死亡（用短横表示）与水泵位置（用圆圈表示）。
来源： londonmuseum.org。
他的地图揭示了 Broad Street 水泵周围的死亡聚集。官员拆除了该水泵的把手，使之无法使用后，疫情便逐渐消退。这张地图帮助解决了当地的暴发事件。如今，它提醒我们：选择正确的可视化会影响其效果；例如，散点图就无法找到此次暴发的原因。Snow 选对了可视化，从而促成了改变。
Étienne-Jules Marey 的列车时刻图（1885）
我个人最喜欢的历史图表是 1885 年的这张列车时刻图。一张图就展示了从巴黎到里昂的每一趟列车：速度、停靠站，以及列车交汇的时间。横轴是时间，纵轴上的车站间距按距离比例绘制。每列车是一条倾斜的线，越陡表示越快，水平段表示列车在站内停靠。
来源： commons.wikimedia.org
通常，这些信息会以文字繁多的时刻表呈现。而这张图将空间与时间信息优雅结合，使铁路管理者能够避免排程冲突，甚至预防列车相撞！它提醒我们：设计良好的可视化能够承载的信息量有多么惊人。
W.E.B. Du Bois 的数据画像（1900）
在 20 世纪之交，社会学家与民权运动先驱 W.E.B. Du Bois 率领研究团队，为 1900 年巴黎博览会创作了一系列大胆而原创的图表。这些可视化记录了黑人民众在解放后一代人的社会、经济与教育状况。在种族主义伪科学主导公共话语的时代，Du Bois 用数据直接对抗有害的刻板印象。
这张来自 Du Bois《数据画像》的图表，戏剧性地呈现了解放宣言如何改变了非裔美国人的生活。图片来源于 How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century。
这些图表涵盖识字率、财产拥有、就业、人口增长与迁徙模式等主题。许多图表由手工绘制与上色，使用鲜明色彩与非常规布局。有些图类似柱状图或饼图，另一些则尝试螺旋、放射与抽象构图。Du Bois 并未拘泥于传统，而是优先考虑传达效果与影响力。
这张改造过的饼图展示了 20 世纪初黑白美国人的职业分布。图片来源于 How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century。
Du Bois 并不追求“中立”。这些图表明确旨在说服、教育，并以数据彰显非裔美国人的人性与成就。通过这样做，Du Bois 展示了可视化从来不只是呈现数字，它关乎现实的框定、故事的讲述，以及塑造社会如何理解自身。这些图表现已收入 W.E.B. Du Bois's data portraits : visualizing Black America : the color line at the turn of the twentieth century 一书。
Du Bois 毫不畏惧采用激进的图表类型来表达观点，比如这张展示 1890 年非裔美国人人口分布的螺旋图。图片来源于 How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century。
结语
可视化并非中立；您所做的每一个选择，都会影响观众对数据背后故事的解读。想进一步了解如何有效讲述数据的故事，请查看我们的数据叙事与沟通速查表。
若想获得关于工具选择的实用建议，我们对 2025 年 12 大数据可视化工具 的概览是很好的资源。如果您准备让这些复杂图表具备交互性并适配网页， Interactive Data Visualization with Bokeh 将带您用 Python 构建响应式、适合浏览器的可视化。