收益：
- 能够根据所提出的问题（比较、趋势、关系、部分-整体、分布）而不是数据的形状来选择图表类型
- 能够通过按值排序、单一突出显示颜色和直接标记来提高可读性
- 能够避免3D蛋糕、多层蛋糕、关系棒等错误匹配
图表本质上是一句话：“这个数据说明了这一点。”错误类型的图表要么会使该句子难以理解，要么使其变得谎言。在本单元中，我们将学习如何选择适合当前问题的图表类型，并在该选择中使用人工智能作为顾问。规则是：先知道你想说什么，然后再选择图形。
先问问题，再看图表
图表的类型取决于您提出的问题，而不是数据的“形状”。五个基本问题系列：
- 比较：“哪个更大？” → 条形图。
- 随着时间的推移而变化（趋势）：“它发生了怎样的变化？” → 折线图。
- 部分-整体（组成）：“它在总数中所占的份额是多少？” → 堆叠的酒吧，有时是蛋糕（带有少量切片）。
- 关系（相关性）：“两个变量一起移动吗？” → 散点图。
- 分布：“值是如何分布的？” → 直方图、箱线图。
几个术语：分类数据是类别（城市、产品）；数值数据为测量值（收入、温度）；时间序列是一段时间内的测量结果（月销售额）。
你想问
数据类型
正确的图表
应避免
比较类别
分类+数字
水平/垂直条
3D蛋糕
随时间变化的趋势
时间序列
线
多片蛋糕
部分-整体（2-4部分）
分类份额
堆叠式酒吧/磅蛋糕
8片蛋糕
两个数的关系
数字+数字
分散
杆
奇数分布
数字
直方图/箱线图
线
单个有效数字
单值
大数字（KPI卡）
力图形
提示：饼图仅适用于 2-4 个切片，并且份额显着不同。如果需要 5 个以上的切片，则水平条几乎总是更具可读性。
一步一步：选择正确的图表
- 用一句话写下问题。 “哪个地区增长最快？”喜欢。
- 确定问题族。比较、趋势、关系？
- 计算变量的数量和类型。有多少个维度，分类维度还是数字维度？
- 选择候选图表（从表中）。
- 简化。丢弃不必要的轴、网格、颜色和效果。
- “一眼就看出来了吗？”进行测试；向某人展示 5 秒钟并询问他们理解什么。
要查阅 AI 的图形类型，请给出数据结构和您的问题（不是原始敏感数据）：
您的角色：数据可视化顾问。我的数据具有以下结构：[列名称和类型，例如“月份（日期）、地区（类别）、销售额（数量）”]。行数 ~[N]。我要回答的问题是：“[单句]”。任务：建议以最诚实和可读的方式显示此问题的图表类型。给出 1 个主要选项、1 个替代选项，并写出为什么它适合/不适合每个选项。还请告诉我为什么我应该避免潜在的误导性选项（例如 3D 蛋糕）。
不同的问题需要来自相同数据的不同图表：
为同一数据集生成 3 个不同的问题，并为每个问题匹配最合适的图表类型。那么请告诉我“从问题中减去图表类型”的原理。数据结构：[...]。
颜色、分类和标签
仅有正确的种类是不够的；还需要有合适的种类。可读性在于细节：
- 排序：按值（从大到小）对条形进行排序，而不是按字母顺序；这就是眼睛进行比较的方式。
- 突出显示颜色：不要为所有内容着色；突出显示您想要表达的单个条形/线条，将其余部分保留为灰色。
- 直接标注：如果可能的话，将名字写在行尾；观看者不必从图例（颜色描述框）中浏览栏。
- 低网格：保持背景线条微弱；突出显示数据。
为条形图提供可读性建议：排序（按值？）、单突出显示颜色选择、直接标记、删除不必要的网格/轴。我的目标是表明：“[X 区明显领先]”。具体说一下。
三个迷你箱子
案例 1——从蛋糕到棒。一个团队用9片饼图展示了9种产品的市场份额；切片靠得很近，什么也看不懂。他们切换到按值排序的水平条。观众一眼就看到，前三名的产品占比高达61%。
案例 2 — 错误的问题，错误的图表。一位分析师试图用条形图显示“广告支出与销售之间的关系”；这种关系是不可见的。人工智能说这是一道关系题，需要散点图。当我们切换到散点图时，一种积极但较弱的关系（某个点后饱和）变得清晰起来。
案例 3 — 强调色。一位经理用不同的颜色展示了所有 12 个条形；眼睛不知道该看哪里。他们只将要解释的栏设为橙色，其余部分设为灰色。会议的“真实信息”在第一秒就被捕捉到；讨论围绕着右栏展开。
弱提示/强提示
弱：
将这些数据绘制成图表。
没有问题；模型随机（并且经常错误地）选择一种类型。
强的：
您的角色：数据可视化顾问。数据结构：月（日期）、渠道（类别：4个值）、收入（数量）。我的问题：“过去 12 个月中哪个渠道增长最快？”这是一个趋势+比较问题。建议最诚实的图表类型，告诉我如何在一张图表中显示 4 个通道、突出显示哪一个以及是否从 0 开始轴。消除误导性选项并提供理由。
第二个包括问题、数据结构和公平性关注（轴）；这个建议是准确的。
小多图：非常小而不是单个大
当您在图表中放入太多行/类别时，就会出现“意大利面条图”；没有读取任何行。一个强大的替代方案是小倍数：分别为每个类别重复相同的小图并排。例如，您可以将 8 个区域的销售趋势并排显示为 8 个小折线图，而不是在单个图表中显示 8 条线。所有缩略图都具有相同的比例，因此眼睛可以轻松进行比较。
您的角色：数据可视化顾问。我有 8 个地区 12 个月的趋势数据。 8 条线混合在一张图表中。如何将其设置为“小倍数”？给出具体的建议，例如公共轴比例、布局（多少列）、每个小图表中要突出显示的内容。目的：轻松比较区域。
提示：“我应该在一张图表中放入 8 条线吗？”如果您犹豫不决，答案通常是否定的。 4-5 行之后，小的多重图几乎总是更具可读性。
5秒测试和简化
选择正确的类型后，简化图表。所有可以删除的都被删除：不必要的网格线、框边缘、阴影、背景颜色、三维度。这通常被称为“减少图形墨水”；也就是说，任何不显示数据的像素都会分散注意力。然后进行 5 秒测试：向某人展示图表 5 秒，关闭它并询问“你明白什么？”问。如果它不能说出正确的信息，那么图表要么是错误的类型，要么是太拥挤。这个测试比冗长的解释更快地说出真相。
常见错误
- 在问题变得清晰之前选择图表：首先选择一种类型并尝试将数据放入其中。
- 到处都是蛋糕：有多个切片或相似部分的蛋糕是不可读的。
- 按字母顺序排列：使比较变得困难；按值排序。
- 颜色膨胀：为每个类别着色并弱化它。
- 相关性问题的障碍：相关性需要散点图。
- 将图表强制为单个数字：大型 KPI 卡足以显示单个有效数字。
综上所述
图表的类型不是源自数据的形状，而是源自您提出的问题：比较需要条形图，趋势需要线条，部分整体需要堆叠条形图/行星图，关系需要分布图，分布需要直方图/方框图。按值排序，用纯色突出显示，直接标记，丢弃多余的。给定数据结构和你的问题，AI 擅长建议正确的类型；但你做出最终决定并进行诚实检查。
应用任务
为您的一组数据写 3 个不同的问题。 (1) 将每个问题放入一个问题族（比较/趋势/关系/部分整体/分布）。 （2）将数据结构和问题交给人工智能，得到图表类型推荐。 (3) 比较错误类型（例如饼图）和正确类型（例如条形图）的图表，并用一句话写出哪一个更能清楚地传达信息。
清单
- [ ] 在选择图表之前，我用一句话写下了这个问题。
- [ ] 我将问题放在一个家庭中（比较/趋势/关系/...）。
- [ ] 键入适合问题和变量类型的内容。
- [ ] 我按值对条形图进行了排序。
- [ ] 我使用了一种高光颜色并中和了其余的颜色。
- [ ] 我避免了误导性的类型（3D蛋糕、多层蛋糕）。