数据可视化正迅速成为数据分析和数据科学中的一项核心技能，金融、教育、医疗等众多行业都需要优秀的数据可视化能力。这并不令人意外：分析师面对的复杂且多样的数据量与日俱增，而数据可视化提供了一套方法，帮助我们理解数据并有效传达洞见。
数据可视化曾被视为数据科学中的次要话题，如今却在心理学、神经科学等不同学科的推动下，涌现出大量有趣的技术、工具与理论。如果您想成为数据可视化高手，DataCamp 可以满足您的需求。查看我们的数据可视化课程目录，由顶尖专家授课，涵盖多种热门技术，超过 30 门课程可供选择。
本文将概览数据可视化的现状，重点介绍最常见的可视化分析、技术与工具。继续阅读！
优秀数据可视化的力量
数据可视化通过图形化方式呈现数据，如图表、图形和地图。可视化让数据科学家能够将成千上万行、上百列的复杂数据浓缩为易于理解、便于获取的形式。与描述性统计或数据表相比，可视化更有助于分析数据，包括识别模式、分布、相关性，以及在复杂数据集中发现离群点。
借助富有洞察力的图形与图表让数据“鲜活”，数据可视化在决策过程中至关重要。无论是数据分析师向非技术干系人讲解发现，数据科学家为营销目的进行 A/B 测试，还是机器学习工程师解释像 ChatGPT 这类复杂大型语言模型中的潜在偏差，数据可视化都是从数据洞见走向决策的关键。
尽管采用了数据可视化，许多缜密详尽的分析仍可能被束之高阁，只因未能吸引受众的注意——无论是决策者、干系人还是团队成员。
得益于神经科学等学科的进展，我们如今知道，可视化的呈现方式会显著影响人们的感知。您在设计图表时的选择——例如颜色、布局与尺寸——都可能带来巨大差异。对数据可视化背后的理论感兴趣？我们的理解数据可视化课程是很好的起点。
虽然数据可视化在传达数据洞见方面扮演重要角色，但成功沟通的“配方”更为复杂。这正是数据叙事的理念：用可视化、叙述和数据，将洞见转化为行动。想进一步了解数据叙事？收听我们的DataFramed 播客，我们与 Blast Analytics 的洞察与数据叙事高级总监、《Effective Data Storytelling》作者 Brent Dykes 对话。
数据可视化分析类型
数据可视化用于直观分析数据集中不同变量的行为，例如变量中数据点之间的关系或其分布。根据您希望同时研究的变量数量，可区分三种数据可视化分析类型。
- 单变量分析：用于一次仅总结一个变量的行为。
- 双变量分析：用于研究两个变量之间的关系。
- 多变量分析：允许一次分析两个以上的变量。
关键数据可视化技术
下面来看看最流行的数据可视化技术！
折线图
作为使用最广泛的可视化之一，折线图非常适合跟踪变量随时间的变化。通常将时间变量置于 x 轴、要分析的变量置于 y 轴。例如，下图展示了 2022 年道琼斯工业平均指数股价的走势。
来源：DataCamp
想了解如何创建引人注目的折线图，请参阅我们的Python Matplotlib 折线图教程。
条形图
条形图根据多个类别的取值对数据进行排序。它由若干矩形组成，每个矩形的长度与对应类别的数值成正比。条形图广受欢迎，因为它们易于阅读。企业常用条形图进行比较，例如不同品牌的市场份额或不同地区的收入。条形图有多种类型，各自适用于不同目的。
常见的条形图类型包括纵向条形图、横向条形图和分组条形图。
纵向、横向与分组条形图。
我们的Python 数据科学入门课程涵盖多种数据可视化技术，包括条形图。
直方图
直方图是分析数据分布最常用的可视化之一。它通过条形展示数值型变量的分布。
构建直方图时，先将数值数据划分为若干区间（bins），并统计每个区间的出现频数。横轴显示区间范围，纵轴表示该区间的频数或百分比。
直方图可以立即展示变量分布的偏态或峰值位置。以下示例摘自我们的“揭秘数据”系列：捕捉分布的可视化。
箱线图
箱线图同样适合用来总结变量分布。它以直观、有力的方式帮助识别以下要素：
- 中位数。数据集中位于中间的位置，50% 的数据小于中位数，50% 大于中位数。
- 上四分位数。数据集的第 75 百分位，75% 的数据小于上四分位数，25% 大于它。
- 下四分位数。数据集的第 25 百分位，25% 的数据小于下四分位数，75% 大于它。
- 四分位距。上四分位数减去下四分位数。
- 上邻值。俗称“最大值”，等于上四分位数加 1.5 倍四分位距。
- 下邻值。俗称“最小值”，等于下四分位数减 1.5 倍四分位距。
- 离群值。高于“最大值”或低于“最小值”的任何数值。
箱线图剖析。来源：Galarnyk
例如，下面这个基于 seaborn 的箱线图展示了著名的 iris 数据集中三种鸢尾花萼片长度的分布。我们的Python Seaborn 新手教程将带您使用 Python 流行的可视化包 Seaborn 创建箱线图及其他图形。
散点图
散点图用于可视化两个连续变量之间的关系。图中的每个点代表一个数据点，其在 x、y 轴上的位置对应两个变量的取值。它常用于数据探索，以理解数据并快速发现潜在相关性。
下面的示例依然使用 iris 数据集，绘制萼片宽度与萼片长度的关系。
想查看更多散点图示例，请阅读我们的“揭秘数据”系列：捕捉关系的可视化。您也可以在我们的Matplotlib 作图教程中学习创建包括散点图在内的多种图形。
气泡图
散点图可以很容易地通过添加代表新变量的元素来扩展。例如，若要按不同鸢尾花品种展示萼片宽度与长度的关系，可以为点添加颜色，如下所示：
我们也可以根据另一变量调整点的大小，这正是气泡图的特征。例如，下图生动展示了国家寿命与人均 GDP 的关系，并用颜色表示地区、用大小表示人口。
来源：Gapminder
我们在课程用 R 掌握 plotly 的交互式数据可视化（中级）中介绍气泡图及其创建方法。
矩形树图
矩形树图适合展示部分与整体之间的关系。它将层级数据显示为一组矩形。每个矩形代表某个变量中的一个类别，矩形面积与该类别的大小成正比。与饼图等类似可视化相比，矩形树图通常更直观、也更受青睐。
下面是一个示例。
在我们的R 语言情感分析课程中，您将学习如何使用矩形树图来可视化文档群的情感。
热力图
热力图是一种常见且美观的矩阵图，可用于以图形方式概括两个变量之间的关系。两个变量的相关程度由颜色编码表示。
例如，下图摘自我们的Seaborn 数据可视化（中级）课程，分析了 1999–2012 年期间《每日秀》嘉宾的职业分布。如预期，来自表演和媒体行业的嘉宾最为常见。
想进一步了解如何创建热力图，可参阅我们使用 Power BI 制作热力图的教程。
词云
词云适用于可视化文本或数据集中常见的词语。它与条形图类似，但通常更具视觉吸引力。不过，有时词云也更难解读。词云适用场景包括：
- 快速识别海量文本中的关键主题或话题。
- 理解一篇文本的整体情感或语气。
- 探索包含文本信息的数据中的模式或趋势。
- 以更具吸引力的视觉方式传达关键观点或概念。
查看我们的Python 词云生成教程，学习如何创建属于您的词云。
来源：Datacamp
地理空间地图
每天生成的数据中有相当一部分天然具有空间属性。空间数据（也称地理空间数据或地理信息）为每条记录关联了特定位置。
每个空间数据点都可以在采用特定坐标参考系的地图上定位。例如，下图摘自我们的GeoPandas 教程，展示了巴塞罗那的不同行政区。
地理空间分析是数据科学中快速发展的领域，而地图是其核心。查看我们的Python 地理空间数据处理课程，今天就开始绘制地图！
网络图
多数数据以表格形式存储，但这并非唯一格式。所谓图（graph）更适合分析以网络形式组织的数据，从 Facebook、Twitter 等在线社交网络，到地铁线路等交通网络。网络分析是利用图研究网络的数据科学分支。
网络图由两大组成部分构成：节点与边（也称关系）。下面是一个简单的网络图示例。
很酷吧？网络图的可能性几乎无穷。想要温和入门，强烈推荐我们的Python 网络分析入门课程。
数据可视化正迅速成为数据分析和数据科学中的一项核心技能，金融、教育、医疗等众多行业都需要优秀的数据可视化能力。这并不令人意外：分析师面对的复杂且多样的数据量与日俱增，而数据可视化提供了一套方法，帮助我们理解数据并有效传达洞见。
数据可视化曾被视为数据科学中的次要话题，如今却在心理学、神经科学等不同学科的推动下，涌现出大量有趣的技术、工具与理论。如果您想成为数据可视化高手，DataCamp 可以满足您的需求。查看我们的数据可视化课程目录，由顶尖专家授课，涵盖多种热门技术，超过 30 门课程可供选择。
本文将概览数据可视化的现状，重点介绍最常见的可视化分析、技术与工具。继续阅读！
优秀数据可视化的力量
数据可视化通过图形化方式呈现数据，如图表、图形和地图。可视化让数据科学家能够将成千上万行、上百列的复杂数据浓缩为易于理解、便于获取的形式。与描述性统计或数据表相比，可视化更有助于分析数据，包括识别模式、分布、相关性，以及在复杂数据集中发现离群点。
借助富有洞察力的图形与图表让数据“鲜活”，数据可视化在决策过程中至关重要。无论是数据分析师向非技术干系人讲解发现，数据科学家为营销目的进行 A/B 测试，还是机器学习工程师解释像 ChatGPT 这类复杂大型语言模型中的潜在偏差，数据可视化都是从数据洞见走向决策的关键。
尽管采用了数据可视化，许多缜密详尽的分析仍可能被束之高阁，只因未能吸引受众的注意——无论是决策者、干系人还是团队成员。
得益于神经科学等学科的进展，我们如今知道，可视化的呈现方式会显著影响人们的感知。您在设计图表时的选择——例如颜色、布局与尺寸——都可能带来巨大差异。对数据可视化背后的理论感兴趣？我们的理解数据可视化课程是很好的起点。
虽然数据可视化在传达数据洞见方面扮演重要角色，但成功沟通的“配方”更为复杂。这正是数据叙事的理念：用可视化、叙述和数据，将洞见转化为行动。想进一步了解数据叙事？收听我们的DataFramed 播客，我们与 Blast Analytics 的洞察与数据叙事高级总监、《Effective Data Storytelling》作者 Brent Dykes 对话。
数据可视化分析类型
数据可视化用于直观分析数据集中不同变量的行为，例如变量中数据点之间的关系或其分布。根据您希望同时研究的变量数量，可区分三种数据可视化分析类型。
关键数据可视化技术
下面来看看最流行的数据可视化技术！
折线图
作为使用最广泛的可视化之一，折线图非常适合跟踪变量随时间的变化。通常将时间变量置于 x 轴、要分析的变量置于 y 轴。例如，下图展示了 2022 年道琼斯工业平均指数股价的走势。
来源：DataCamp
想了解如何创建引人注目的折线图，请参阅我们的Python Matplotlib 折线图教程。
条形图
条形图根据多个类别的取值对数据进行排序。它由若干矩形组成，每个矩形的长度与对应类别的数值成正比。条形图广受欢迎，因为它们易于阅读。企业常用条形图进行比较，例如不同品牌的市场份额或不同地区的收入。条形图有多种类型，各自适用于不同目的。
常见的条形图类型包括纵向条形图、横向条形图和分组条形图。
纵向、横向与分组条形图。
我们的Python 数据科学入门课程涵盖多种数据可视化技术，包括条形图。
直方图
直方图是分析数据分布最常用的可视化之一。它通过条形展示数值型变量的分布。
构建直方图时，先将数值数据划分为若干区间（bins），并统计每个区间的出现频数。横轴显示区间范围，纵轴表示该区间的频数或百分比。
直方图可以立即展示变量分布的偏态或峰值位置。以下示例摘自我们的“揭秘数据”系列：捕捉分布的可视化。
箱线图
箱线图同样适合用来总结变量分布。它以直观、有力的方式帮助识别以下要素：
箱线图剖析。来源：Galarnyk
例如，下面这个基于 seaborn 的箱线图展示了著名的 iris 数据集中三种鸢尾花萼片长度的分布。我们的Python Seaborn 新手教程将带您使用 Python 流行的可视化包 Seaborn 创建箱线图及其他图形。
散点图
散点图用于可视化两个连续变量之间的关系。图中的每个点代表一个数据点，其在 x、y 轴上的位置对应两个变量的取值。它常用于数据探索，以理解数据并快速发现潜在相关性。
下面的示例依然使用 iris 数据集，绘制萼片宽度与萼片长度的关系。
想查看更多散点图示例，请阅读我们的“揭秘数据”系列：捕捉关系的可视化。您也可以在我们的Matplotlib 作图教程中学习创建包括散点图在内的多种图形。
气泡图
散点图可以很容易地通过添加代表新变量的元素来扩展。例如，若要按不同鸢尾花品种展示萼片宽度与长度的关系，可以为点添加颜色，如下所示：
我们也可以根据另一变量调整点的大小，这正是气泡图的特征。例如，下图生动展示了国家寿命与人均 GDP 的关系，并用颜色表示地区、用大小表示人口。
来源：Gapminder
我们在课程用 R 掌握 plotly 的交互式数据可视化（中级）中介绍气泡图及其创建方法。
矩形树图
矩形树图适合展示部分与整体之间的关系。它将层级数据显示为一组矩形。每个矩形代表某个变量中的一个类别，矩形面积与该类别的大小成正比。与饼图等类似可视化相比，矩形树图通常更直观、也更受青睐。
下面是一个示例。
在我们的R 语言情感分析课程中，您将学习如何使用矩形树图来可视化文档群的情感。
热力图
热力图是一种常见且美观的矩阵图，可用于以图形方式概括两个变量之间的关系。两个变量的相关程度由颜色编码表示。
例如，下图摘自我们的Seaborn 数据可视化（中级）课程，分析了 1999–2012 年期间《每日秀》嘉宾的职业分布。如预期，来自表演和媒体行业的嘉宾最为常见。
想进一步了解如何创建热力图，可参阅我们使用 Power BI 制作热力图的教程。
词云
词云适用于可视化文本或数据集中常见的词语。它与条形图类似，但通常更具视觉吸引力。不过，有时词云也更难解读。词云适用场景包括：
查看我们的Python 词云生成教程，学习如何创建属于您的词云。
来源：Datacamp
地理空间地图
每天生成的数据中有相当一部分天然具有空间属性。空间数据（也称地理空间数据或地理信息）为每条记录关联了特定位置。
每个空间数据点都可以在采用特定坐标参考系的地图上定位。例如，下图摘自我们的GeoPandas 教程，展示了巴塞罗那的不同行政区。
地理空间分析是数据科学中快速发展的领域，而地图是其核心。查看我们的Python 地理空间数据处理课程，今天就开始绘制地图！
网络图
多数数据以表格形式存储，但这并非唯一格式。所谓图（graph）更适合分析以网络形式组织的数据，从 Facebook、Twitter 等在线社交网络，到地铁线路等交通网络。网络分析是利用图研究网络的数据科学分支。
网络图由两大组成部分构成：节点与边（也称关系）。下面是一个简单的网络图示例。
很酷吧？网络图的可能性几乎无穷。想要温和入门，强烈推荐我们的Python 网络分析入门课程。