常用图表选择指南：什么数据用什么图表

今天我们要深入探讨一个每个数据分析师、报告编写者和信息传达者都会遇到的核心问题：如何为不同类型的数据选择合适的图表？选对图表，就像选对语言一样，能让你的数据故事娓娓道来；选错图表，则可能让最精彩的洞察被埋没在混乱的视觉表达中。

在这篇全面指南中，我将带你系统了解各类常用图表的适用场景、优缺点，并通过实际的Python代码示例展示如何创建这些图表。无论你是刚刚入门的数据新手，还是希望提升可视化技能的老手，这篇文章都能为你提供实用的参考。我们将从基础概念讲起，逐步深入到实践应用，确保你能真正掌握"什么数据用什么图表"的艺术。

I. 图表选择的重要性与基本原则

在我们深入具体图表之前，先来谈谈为什么图表选择如此重要。人类是视觉动物，我们大脑处理图像的速度比处理文字快6万倍。合适的图表能够：

快速传达复杂信息

揭示数据中的模式和趋势

支持决策过程

增强报告的说服力和影响力

相反，选择不当的图表会导致：

误导观众得出错误结论

掩盖重要的数据洞察

让观众感到困惑和沮丧

图表选择的四个基本原则

选择图表时，应该考虑以下四个关键因素：

考虑因素

说明

示例问题

数据维度

数据包含多少变量？

我需要比较单个变量还是多个变量？

数据关系

你想展示什么类型的关系？

是比较、分布、组成还是联系？

受众背景

谁将查看这个图表？

他们是专业人士还是普通大众？

传达信息

你想传达什么核心信息？

是突出趋势、显示比例还是比较值？

为了帮助你更好地理解这些原则，下面是一个图表选择过程的可视化总结：

记住这些原则，我们现在可以深入探讨具体的图表类型及其适用场景了。

II. 比较类图表

当需要比较不同类别之间的数值时，比较类图表是最佳选择。这类图表帮助我们回答诸如"哪个产品销量最好？"或"哪个月份的销售额最高？"等问题。

常用比较图表类型

图表类型

适用场景

优点

缺点

条形图

比较不同类别的数值

易于阅读和理解，尤其适用于多个类别

不适合显示连续数据的变化趋势

柱状图

与条形图类似，但柱子垂直放置

适合显示时间序列数据的比较

类别过多时可能显得拥挤

折线图

显示数据随时间的变化趋势

能清晰展示趋势和变化模式

只适用于连续数据，特别是时间序列

雷达图

比较多个定量变量

能够显示多个变量的相对表现

阅读和解释较为复杂，容易误导

实例：使用条形图比较产品销量

让我们通过一个实际例子来演示如何创建有效的比较图表。假设我们有一家公司的季度产品销售数据，我们想要比较不同产品的表现。

首先，我们需要导入必要的库并准备数据：

import matplotlib.pyplot as plt

import numpy as np

# 设置中文字体支持

plt.rcParams['font.sans-serif'] = ['SimHei'] # 使用黑体

plt.rcParams['axes.unicode_minus'] = False # 解决负号显示问题

# 示例数据：四种产品在四个季度的销售额（万元）

products = ['产品A', '产品B', '产品C', '产品D']

quarters = ['第一季度', '第二季度', '第三季度', '第四季度']

sales_data = {

'产品A': [120, 135, 148, 160],

'产品B': [90, 110, 130, 150],

'产品C': [80, 95, 110, 125],

'产品D': [70, 85, 100, 115]

}

# 创建图表

fig, ax = plt.subplots(figsize=(10, 6))

# 设置条形图的位置和宽度

x = np.arange(len(quarters))

width = 0.2 # 条形的宽度

# 为每个产品绘制条形

for i, product in enumerate(products):

offset = width * i

ax.bar(x + offset, sales_data[product], width, label=product)

# 添加标签和标题

ax.set_xlabel('季度')

ax.set_ylabel('销售额（万元）')

ax.set_title('各产品季度销售额比较')

ax.set_xticks(x + width * 1.5)

ax.set_xticklabels(quarters)

ax.legend()

# 显示图表

plt.tight_layout()

plt.show()

代码解释：

我们首先导入必要的库 - matplotlib用于绘图，numpy用于数值计算。

设置中文字体支持，确保中文标签能正确显示。

创建示例数据，包含四种产品在四个季度的销售额。

使用plt.subplots()创建图形和坐标轴对象。

使用np.arange()创建x轴的位置数组。

通过循环为每个产品绘制条形，使用不同的偏移量使条形并排显示。

添加必要的标签、标题和图例。

使用plt.tight_layout()自动调整布局，然后显示图表。

这个条形图有效地比较了不同产品在各季度的销售表现，我们可以清楚地看到产品A始终领先，而所有产品都呈现增长趋势。

折线图示例：显示销售趋势

当我们需要展示数据随时间的变化趋势时，折线图是更好的选择。下面是创建折线图的代码：

# 创建折线图显示销售趋势

plt.figure(figsize=(10, 6))

for product in products:

plt.plot(quarters, sales_data[product], marker='o', label=product, linewidth=2)

plt.xlabel('季度')

plt.ylabel('销售额（万元）')

plt.title('产品销售额趋势分析')

plt.legend()

plt.grid(True, linestyle='--', alpha=0.7)

plt.tight_layout()

plt.show()

代码解释：

创建新的图形对象。

对每个产品，使用plt.plot()绘制折线，并设置标记点、标签和线宽。

添加标签、标题和图例。

添加网格线提高可读性。

显示图表。

折线图清晰地展示了每个产品的增长趋势，特别适合显示时间序列数据的变化模式。

III. 分布类图表

分布类图表帮助我们了解数据的分布特征，包括中心趋势、离散程度和形状。当你需要回答"数据集中在什么范围？"或"数据中存在哪些异常值？"时，这类图表非常有用。

常用分布图表类型

图表类型

适用场景

优点

缺点

直方图

显示连续数据的分布情况

直观显示数据分布形状

箱数选择影响解读，可能隐藏细节

箱线图

显示数据分布的五数概括（最小值、第一四分位数、中位数、第三四分位数、最大值）

识别异常值，比较多个分布

不显示数据分布形状细节

密度图

显示连续数据的概率密度分布

平滑显示分布形状，适合大数据集

可能过度平滑掩盖重要特征

小提琴图

结合箱线图和密度图的优点

提供丰富的分布信息

阅读和解释相对复杂

实例：使用直方图和箱线图分析客户年龄分布

假设我们有一家电子商务公司的客户年龄数据，我们想要了解客户年龄的分布情况。

# 生成示例年龄数据

np.random.seed(42) # 确保结果可重现

customer_ages = np.concatenate([

np.random.normal(35, 5, 300), # 主要客户群体

np.random.normal(60, 8, 100) # 年长客户群体

])

# 创建子图：左侧直方图，右侧箱线图

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# 绘制直方图

ax1.hist(customer_ages, bins=20, edgecolor='black', alpha=0.7, color='skyblue')

ax1.set_xlabel('年龄')

ax1.set_ylabel('频数')

ax1.set_title('客户年龄分布直方图')

ax1.grid(True, linestyle='--', alpha=0.7)

# 绘制箱线图

ax2.boxplot(customer_ages)

ax2.set_xlabel('客户年龄')

ax2.set_ylabel('年龄')

ax2.set_title('客户年龄分布箱线图')

ax2.grid(True, linestyle='--', alpha=0.7)

plt.tight_layout()

plt.show()

代码解释：

使用np.random.normal()生成模拟的客户年龄数据，包含两个不同的正态分布群体。

创建包含两个子图的图形对象。

在左侧子图绘制直方图，显示年龄分布的详细形状。

在右侧子图绘制箱线图，显示年龄分布的五数概括和异常值。

为每个子图添加标签、标题和网格线。

使用plt.tight_layout()自动调整布局，然后显示图表。

直方图显示了客户年龄的双峰分布，表明可能有两个主要客户群体：一个 around 35岁，另一个 around 60岁。箱线图则清晰地显示了中位数、四分位数范围和潜在的异常值。

进阶示例：小提琴图

小提琴图结合了箱线图和密度图的优点，提供更丰富的分布信息：

# 假设我们有三个不同地区的客户年龄数据

ages_region1 = np.random.normal(35, 5, 200)

ages_region2 = np.random.normal(45, 7, 200)

ages_region3 = np.random.normal(30, 6, 200)

# 创建小提琴图

plt.figure(figsize=(10, 6))

violin_parts = plt.violinplot([ages_region1, ages_region2, ages_region3],

showmeans=True, showmedians=True)

# 设置颜色

for pc in violin_parts['bodies']:

pc.set_facecolor('lightblue')

pc.set_alpha(0.7)

# 添加标签和标题

plt.xticks([1, 2, 3], ['地区1', '地区2', '地区3'])

plt.xlabel('地区')

plt.ylabel('年龄')

plt.title('不同地区客户年龄分布小提琴图')

plt.grid(True, linestyle='--', alpha=0.7)

plt.tight_layout()

plt.show()

代码解释：

生成三个不同地区的模拟年龄数据。

使用plt.violinplot()创建小提琴图，显示均值和中位数。

设置小提琴的颜色和透明度。

添加地区标签、坐标轴标签和标题。

添加网格线提高可读性。

小提琴图不仅显示了每个地区年龄分布的五数概括（通过内部的箱线和须线），还通过形状展示了分布的密度，提供比简单箱线图更丰富的信息。

IV. 组成类图表

组成类图表展示整体中各部分的相对比例或贡献。当你需要回答"各部分占总体的百分比是多少？"或"资源的分配情况如何？"时，这类图表非常有用。

常用组成图表类型

图表类型

适用场景

优点

缺点

饼图

显示各部分占整体的比例

直观易懂，适合少量类别（<6个）

类别过多时难以阅读，难以精确比较相似比例

环形图

与饼图类似，但中间空白可显示额外信息

视觉上更轻量，中间可添加总结信息

与饼图有相同的局限性

堆叠条形图

比较各部分的绝对值和对整体的贡献

既能比较总量，也能比较组成

部分堆叠难以阅读，特别是底层部分

堆叠面积图

显示各部分随时间变化的组成

展示趋势和组成的双重信息

只适合时间序列数据，底层部分变化影响上层解读

实例：使用饼图和堆叠条形图展示产品销售组成

假设我们想要分析公司全年销售额的产品组成情况。

# 全年各产品销售额数据

yearly_sales = {

'产品A': 560,

'产品B': 480,

'产品C': 410,

'产品D': 370,

'产品E': 280

}

# 创建子图：左侧饼图，右侧堆叠条形图

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))

# 绘制饼图

colors = ['#ff9999', '#66b3ff', '#99ff99', '#ffcc99', '#c7a5ff']

wedges, texts, autotexts = ax1.pie(yearly_sales.values(),

labels=yearly_sales.keys(),

autopct='%1.1f%%',

colors=colors,

startangle=90)

# 美化饼图

ax1.axis('equal') # 确保饼图是圆形

ax1.set_title('全年销售额产品组成')

# 绘制堆叠条形图（按季度展示）

quarterly_sales_stacked = [

[120, 90, 80, 70, 50], # Q1

[135, 110, 95, 85, 60], # Q2

[148, 130, 110, 100, 80],# Q3

[160, 150, 125, 115, 90] # Q4

]

quarters = ['Q1', 'Q2', 'Q3', 'Q4']

products = list(yearly_sales.keys())

bottom = np.zeros(len(quarters))

for i, product in enumerate(products):

sales = [q[i] for q in quarterly_sales_stacked]

ax2.bar(quarters, sales, label=product, bottom=bottom, color=colors[i])

bottom += sales

ax2.set_ylabel('销售额（万元）')

ax2.set_title('各季度销售额产品组成')

ax2.legend()

plt.tight_layout()

plt.show()

代码解释：

创建全年各产品销售额数据。

创建包含两个子图的图形对象。

在左侧子图绘制饼图，显示各产品占全年销售额的比例。

设置饼图的颜色、起始角度和百分比格式。

在右侧子图绘制堆叠条形图，显示各季度中各产品的销售额组成。

使用bottom参数实现堆叠效果，并添加图例。

添加标签和标题，然后显示图表。

饼图直观地显示了产品A贡献了最大的销售额比例（22.4%），而堆叠条形图不仅显示了各季度的销售总额增长，还展示了各产品在每个季度的贡献变化。

环形图示例

环形图是饼图的变种，中间空白区域可以用来显示总结信息：

# 创建环形图

fig, ax = plt.subplots(figsize=(8, 8))

# 绘制环形图（通过设置wedgeprops的宽度）

wedges, texts, autotexts = ax.pie(yearly_sales.values(),

labels=yearly_sales.keys(),

autopct='%1.1f%%',

colors=colors,

startangle=90,

wedgeprops=dict(width=0.3)) # 设置环的宽度

# 在中间添加总结文本

total_sales = sum(yearly_sales.values())

ax.text(0, 0, f'总销售额\n{total_sales}万元',

ha='center', va='center', fontsize=12, fontweight='bold')

ax.set_title('全年销售额产品组成（环形图）')

plt.show()

代码解释：

创建单个图形对象。

使用wedgeprops=dict(width=0.3)参数将饼图变为环形图。

在图表中心添加文本，显示销售总额。

设置标题并显示图表。

环形图保留了饼图的直观性，同时中间区域可以用于显示关键总结信息，使图表信息更丰富。

V. 关系类图表

关系类图表用于展示两个或多个变量之间的关系。当你需要回答"两个变量之间有关联吗？"或"多个变量如何相互影响？"时，这类图表非常有用。

常用关系图表类型

图表类型

适用场景

优点

缺点

散点图

展示两个连续变量之间的关系

直观显示相关性、聚类和异常值

过度绘制可能隐藏模式，不适合分类变量

气泡图

散点图的变种，第三个变量通过点的大小表示

可展示三个变量之间的关系

大小对比可能不精确，复杂度过高

热力图

显示两个分类变量之间的关系矩阵

高效展示大量数据，识别模式

不显示精确值，需要颜色解释

相关系数矩阵

显示多个变量两两之间的相关系数

快速识别强相关变量对

只显示线性关系，可能忽略非线性关系

实例：使用散点图和热力图分析变量关系

假设我们想要分析电子商务网站上产品价格、评价分数和销量之间的关系。

# 生成示例数据

np.random.seed(42)

n_products = 100

price = np.random.uniform(10, 500, n_products)

rating = np.random.uniform(2.5, 5, n_products)

# 销量与价格负相关，与评价正相关

sales = 1000 - 1.5 * price + 300 * rating + np.random.normal(0, 100, n_products)

# 创建子图：左侧散点图，右侧热力图

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))

# 绘制散点图：价格 vs 销量，点大小表示评价分数

scatter = ax1.scatter(price, sales, c=rating, s=rating*20, alpha=0.6, cmap='viridis')

ax1.set_xlabel('价格（元）')

ax1.set_ylabel('销量')

ax1.set_title('产品价格、销量和评价关系散点图')

cbar = plt.colorbar(scatter, ax=ax1)

cbar.set_label('评价分数')

# 计算相关系数矩阵

data = np.array([price, rating, sales])

corr_matrix = np.corrcoef(data)

# 绘制热力图

im = ax2.imshow(corr_matrix, cmap='coolwarm', vmin=-1, vmax=1)

ax2.set_xticks([0, 1, 2])

ax2.set_yticks([0, 1, 2])

ax2.set_xticklabels(['价格', '评价', '销量'])

ax2.set_yticklabels(['价格', '评价', '销量'])

ax2.set_title('变量相关系数热力图')

# 在热力图上添加数值标注

for i in range(3):

for j in range(3):

text = ax2.text(j, i, f'{corr_matrix[i, j]:.2f}',

ha="center", va="center", color="w", fontweight='bold')

plt.tight_layout()

plt.show()

代码解释：

生成模拟数据：产品价格、评价分数和销量，其中销量与价格负相关，与评价正相关。

创建包含两个子图的图形对象。

在左侧子图绘制散点图，x轴表示价格，y轴表示销量，点颜色和大小表示评价分数。

添加颜色条并设置标签。

计算价格、评价和销量三个变量的相关系数矩阵。

在右侧子图绘制热力图，显示相关系数矩阵。

在热力图上添加数值标注，显示具体的相关系数。

添加标签和标题，然后显示图表。

散点图清晰地显示了价格和销量之间的负相关关系（价格越高，销量越低），同时颜色和点大小显示了评价分数的影响。热力图则定量地展示了三个变量两两之间的相关系数，确认了价格和销量的强负相关（-0.84），以及评价和销量的强正相关（0.77）。

进阶示例：气泡图

气泡图是散点图的扩展，通过点的大小表示第三个连续变量：

# 创建气泡图展示四个变量之间的关系

plt.figure(figsize=(10, 8))

# 添加第四个变量：广告投入

ad_spend = np.random.uniform(100, 1000, n_products)

# 绘制气泡图

scatter = plt.scatter(price, sales, s=ad_spend/10, c=rating, alpha=0.6, cmap='viridis')

plt.xlabel('价格（元）')

plt.ylabel('销量')

plt.title('产品价格、销量、评价和广告投入关系气泡图')

# 添加颜色条

cbar = plt.colorbar(scatter)

cbar.set_label('评价分数')

# 添加图例表示气泡大小（广告投入）

for area in [500, 1000, 1500]:

plt.scatter([], [], s=area/10, c='gray', alpha=0.5, label=f'广告投入: {area}')

plt.legend(scatterpoints=1, frameon=True, labelspacing=1, title='气泡大小表示', loc='upper right')

plt.grid(True, linestyle='--', alpha=0.7)

plt.tight_layout()

plt.show()

代码解释：

添加第四个变量：广告投入。

使用s参数设置点的大小与广告投入成正比。

使用c参数设置点的颜色与评价分数相关。

添加颜色条表示评价分数。

创建自定义图例，展示不同气泡大小对应的广告投入值。

添加网格线提高可读性。

气泡图同时展示了四个变量之间的关系：x轴（价格）、y轴（销量）、点大小（广告投入）和点颜色（评价分数），提供了丰富的多维数据洞察。

VI. 高级图表与选择指南

在前面的章节中，我们介绍了四大类基本图表类型。在实际应用中，我们常常需要结合多种图表类型，或者使用更高级的可视化技术来传达复杂的数据故事。

高级图表类型

图表类型

适用场景

优点

缺点

组合图表

同时显示多种关系或多个量级的数据

丰富的信息量，多角度分析

可能过于复杂，需要谨慎设计

小型多图

比较多个分组或条件下的数据模式

便于比较，避免过度绘制

占用空间较大，需要一致的比例尺

树状图

显示层次结构数据的比例

高效利用空间，显示层次结构

难以比较非相邻部分，复杂层次难解读

桑基图

显示流量或资源转移

直观显示流动路径和比例

复杂流动可能难以跟踪，设计挑战大

图表选择指南总结

为了帮助你快速选择合适的图表类型，下面是一个综合指南表：

你想展示…

推荐图表类型

示例

比较少量类别

条形图/柱状图

不同产品销量比较

比较多个时间点

折线图

月度销售趋势

部分与整体关系

饼图/环形图（少量类别）堆叠条形图（多个类别）

市场份额分布

数据分布形状

直方图/密度图

客户年龄分布

统计分布摘要

箱线图/小提琴图

地区收入分布比较

两个变量关系

散点图

价格与销量关系

三个变量关系

气泡图

价格、销量、评价关系

多个变量相关关系

热力图

变量相关系数矩阵

地理空间数据

地图 Choropleth

地区销售分布

实例：创建组合图表和小型多图

让我们通过一个综合示例展示如何创建高级图表：

# 创建组合图表：柱状图+折线图

fig, ax1 = plt.subplots(figsize=(10, 6))

# 柱状图：各月销售额

months = ['1月', '2月', '3月', '4月', '5月', '6月']

sales = [120, 135, 148, 160, 175, 190]

ax1.bar(months, sales, color='skyblue', alpha=0.7, label='月度销售额')

ax1.set_xlabel('月份')

ax1.set_ylabel('销售额（万元）', color='skyblue')

ax1.tick_params(axis='y', labelcolor='skyblue')

# 创建第二个y轴

ax2 = ax1.twinx()

growth_rate = [0, 12.5, 9.6, 8.1, 9.4, 8.6] # 环比增长率

ax2.plot(months, growth_rate, color='coral', marker='o', linewidth=2, label='环比增长率')

ax2.set_ylabel('增长率（%）', color='coral')

ax2.tick_params(axis='y', labelcolor='coral')

# 添加标题和图例

plt.title('上半年销售额与增长率')

fig.tight_layout()

plt.show()

# 创建小型多图：各产品季度销售趋势

fig, axes = plt.subplots(2, 2, figsize=(12, 10))

products = ['产品A', '产品B', '产品C', '产品D']

quarters = ['Q1', 'Q2', 'Q3', 'Q4']

for i, ax in enumerate(axes.flat):

product_data = sales_data[products[i]]

ax.plot(quarters, product_data, marker='o', linewidth=2)

ax.set_title(f'{products[i]}销售趋势')

ax.set_ylabel('销售额（万元）')

ax.grid(True, linestyle='--', alpha=0.7)

# 设置相同的y轴范围便于比较

ax.set_ylim(60, 180)

plt.suptitle('各产品季度销售趋势比较', fontsize=16)

plt.tight_layout()

plt.show()

代码解释：

创建组合图表：使用双y轴，左侧y轴显示月度销售额（柱状图），右侧y轴显示环比增长率（折线图）。

使用twinx()创建第二个y轴，确保两个量级不同的变量可以在同一图表中显示。

设置不同的颜色和标签区分两个变量。

创建小型多图：2x2网格显示四个产品的季度销售趋势。

为每个子图设置相同的y轴范围，便于跨产品比较。

使用suptitle()添加总标题。

组合图表同时展示了销售额的绝对值和增长率的变化，提供了更全面的业务洞察。小型多图则允许我们同时比较多个产品的销售趋势，避免了在单一图表中过度绘制的问题。

VII. 结论与最佳实践

通过本指南，我们系统探讨了各种常用图表类型的适用场景、优缺点和实现方法。正确选择图表类型是有效数据沟通的关键一步，但同样重要的是遵循数据可视化的最佳实践。

数据可视化最佳实践

简洁明了：避免不必要的装饰和复杂效果，专注于清晰传达信息。

标签清晰：确保坐标轴、标题和图例清晰易读。

颜色明智：使用颜色突出重要信息，避免过多颜色造成混乱，考虑色盲友好配色。

比例诚实：保持坐标轴比例适当，避免误导性可视化。

受众适配：根据受众背景调整图表复杂度和解释深度。

故事讲述：使用图表序列讲述连贯的数据故事，而不是孤立展示图表。

最终建议

记住，没有"一刀切"的最佳图表类型。选择图表时始终考虑：

你的数据特点和想要展示的关系

你的受众和他们的熟悉程度

你想要传达的核心信息

实践是提高数据可视化技能的关键。多尝试不同的图表类型，学习优秀可视化的设计原则，并不断从反馈中改进你的可视化作品。