收益：
- 能够将每个图表与一个明确的问题联系起来并选择适当的图表类型（时间线、比较条形图、关系分布）
- 能够识别误导性元素（虚线轴、樱桃采摘、意大利面条图）并生成诚实、简单的视觉效果
- 能够通过以结果为导向的标题和数据讲述故事将发现转化为决策
只有当其他人能够理解分析并做出决策时，分析的价值才会显现出来。世界上最精确的模型如果解释得不好，也只能束之高阁。一个得到充分解释的普通发现可以改变公司的方向。本单元的主题是数据可视化（用图形表达数据）和数据讲故事（将发现转化为决策故事）：选择正确的图形，诚实地绘制它，并在观众的脑海中留下清晰的信息。 AI 编写图表代码，建议图表类型，并为发现起草标题；但要由人类来决定给出什么信息以及图形是否具有误导性。
图表有一个作用：回答问题
初学者犯的最大错误是绘制图表来“显示数据”。然而，一张好的图表可以回答一个问题。 “随着时间的推移，销售额是否有所增加？”问题的答案是折线图； “哪个城市卖得更多？”是条形图； “价格和需求有关系吗？”是散点图。在绘制图表之前，先问自己：这张图表回答了什么问题，观看者一眼就能看出来吗？
图表选择的基本映射：
目的
正确的图表
错误的选择
随着时间的推移而改变
折线图
饼图
品类比较
条形图
3D蛋糕
两个数的关系
散点图
杆
分布形状
直方图/箱
平均单条
整体的部分（几个类别）
棒状或普通蛋糕
多片蛋糕
多元关系
热图
重叠线
提示：尽可能避免使用饼图；人眼比较角度的能力很差。如果有两个以上的切片，则顺序条形图几乎总是更具可读性。
诚实的图表：最容易误导的方法
图表可能会在没有意识到的情况下撒谎（有时是故意的）。数据专业人员的道德责任是绘制诚实的图表。最常见的欺骗形式：
虚线 y 轴：如果轴从 95 而不是 0 开始，2% 的差异看起来就像一座山。在比较条形图中，轴通常应从 0 开始。
轴刻度不正确：使用对数轴而不指定它或扭曲轴。
精挑细选：仅显示支持您的信息的时期/片段并隐藏其余部分。
信息过多：重叠 12 条线以创建“意大利面条图”；没有消息被读取。
误导性添加：添加行为不同的图表并隐藏真实模式（辛普森悖论）。
注意：如果你告诉人工智能“让这种差异看起来令人印象深刻”，它可能会建议使用带有虚线轴的夸张图表。道德责任在于您：图表不应使数据大于或小于实际数据。诚实先于令人印象深刻。
颜色、标签和简单性
好的图形是简单的图形。数据墨比原则：丢弃一切不承载数据的东西（不必要的网格、阴影、3D效果、装饰色）。颜色应该传达意义，而不是装饰性的：一种颜色突出一个类别，其余的为灰色。留意色盲（大约十二分之一的男性很难辨别红绿色）；使用安全托盘。每个图表都应该有一个清晰的标题——最好的标题不是描述图表，而是说明结果：“第三季度销售额下降 18%”而不是“每月销售额”。
突出显示和描述：将注意力集中在消息上
好的图形会告诉观众该往哪里看。前注意属性——大脑在几分之一秒内感知到的颜色、位置、大小等视觉线索，无需有意识的努力——是实现这一目的的工具：如果你留下一个带有强调色的条，其余的为灰色，眼睛会自动去那里。直接添加到图表中的注释也很强大：单个箭头表示“活动于本月开始”比一段描述更有效。设计仪表板时也适用同样的原则：将最重要的指标放在顶部和最大的位置，将次要信息放在底部和较小的位置。目的不是让观众淹没在信息之中，而是让他们一眼就能做出正确的决定。 AI可以为您生成突出显示颜色和注释代码；但你可以决定强调什么，即真正的信息是什么。
三个迷你箱子
案例 1——断轴丑闻。一个团队向管理层展示了一张条形图，y 轴从 980 开始，以显示“增长”；从 1,000 点到 1,020 点的抛售看起来非常巨大。实际增幅为2%。当经理注意到这个关键点时，整个演示的可信度就会动摇。课程：比较条中的轴从 0 开始。
案例 2 — 意大利面条图。一位分析师将 14 种产品的 24 个月销售额放在一张图表上，分为 14 条线。没有人能读懂任何东西。通过仅突出显示变化最大的 3 个产品并将其余产品设为浅灰色，信息变得清晰：“产品 A 正在崩溃，产品 B 正在上涨。”教训：不要展示一切，展示信息。
情况 3 — 标题说明结果。一份报告掩盖了一张题为“区域分布”的地图；没有人采取行动。当标题变成“东部地区低于目标40%”时，同一张图在一次会议上催生了紧急行动计划。教训：标题应该说明决定，而不是图形。
四个可复制模板
1）图表类型选择：
您的角色：可视化顾问。建议使用一个图表来回答以下问题：“过去 12 个月中哪个渠道（网络/移动）增长更快？”我每月都有渠道中断的销售。告诉我最合适的图表类型以及原因；提醒我避免误导性选项（饼图、虚轴）。使用 matplotlib 导出代码。
2）诚实的绘图控制：
检查此条形图代码是否诚实：y 轴是否从 0 开始，颜色是否有意义，标题是否说明了结果，是否有任何不必要的 3D/阴影？纠正任何误导性的项目并解释纠正它们的原因。
3）简化：
我有一个 14 条线的时间序列图，它不可读。为具有清晰标题和高数据墨水比率的版本编写代码，该版本仅突出显示 3 个变化最大的系列，并使其余部分呈浅灰色。
4）以结果为导向的标题和叙述：
我会给出这样的结论：“东部地区比第三季度目标下降了40%，主要原因是物流延误。”为此，请创建：(1) 目标与现实条形图，(2) 说明结果的标题，(3) 3 句话执行摘要大纲。我会核实数字；配件。
弱提示/强提示
弱提示：
根据这些销售数据制作一个漂亮的图表。
“美丽”是主观的；目前还不清楚哪个问题、哪个受众、哪个信息。人工智能会生成一个随机的、可能具有误导性的图表。
强力提示：
您的角色：数据可视化助手。受众：高级管理人员。消息：“移动渠道在 12 个月内超越了网络渠道。”我有每月的渠道销售。任务：(1) 清晰显示此消息的折线图代码 (matplotlib)，(2) y 轴从 0 开始，移动悬停颜色，网页灰色，(3) 告诉结果的标题。使用误导性的量表；按原样显示数据。我将提供数字。
这里的受众、信息、诚实规则和图表类型都很明确。
常见错误
- 绘制图表而不将其与问题联系起来。无目的的图形会让观看者感到疲劳，并且不会产生决定。
- 用破损/弯曲的轴来误导。相比之下，轴应该从0开始；道德责任在于您。
- 将所有内容塞进一张图表中。意大利面条图案扼杀了信息；强调，其余的保持沉默。
- 图表类型错误（尤其是多层饼图）。使用线条表示时间，使用条形进行比较。
- 标题描述了图表。好的标题告诉我们结果/决定，而不是专栏名称。
提示：完成每个图表后，进行 5 秒测试：向某人展示 5 秒并询问“你理解什么？”如果它不能说出正确的信息，那么图表还没有准备好；简化、强调，使标题以结果为导向。
综上所述
可视化是将分析转化为决策的桥梁。一张好的图表可以回答一个问题；选择正确的类型（时间线、比较条、关系分布）；诚实地绘制（轴从 0 开始，有意义的颜色，没有挑选）。它的标题信息是简单和结果。人工智能可以快速生成图形代码和起草标题，但人类决定传达什么信息以及图形是否诚实；道德责任在于叙述者。
应用任务
选择一个发现并将其转化为一个以结果为导向的图表。绘制图表后，进行诚实检查：轴是否从 0 开始、颜色是否有意义、标题是否说明了结果？然后进行“5 秒测试”（向某人展示并询问他们理解什么）并根据收到的反馈简化图表。
清单
- [ ] 我的图表是否回答了明确的问题？
- [ ] 图表类型是否适合目的（时间/比较/关系）？
- [ ] 轴是否诚实（比较中从 0 开始）？
- [ ] 色彩和简洁支撑着信息，难道它们不变得具有装饰性吗？
- [ ] 标题是否说明了结果/决定而不是描述了图表？