技术人最不该忽视可视化数据分析！-InfoQ

一、前言

我所在的阿里企业数据化管理领域，数据可视化水平参差不齐，尤其是在汇报 PPT 和报表制作环节…今天，不深度探讨具体业务问题，仅给出一些可视化通用建议。

通过文章你可以获得的建议：

挑选顺手的工具
加工正确的数据
选择合适的图表
一个实例

二、数据可视化工具

在这里首先我想说下数据可视化追求的三个目标：准确、清晰、优雅。符合这三项的图表被称为高效的数据可视化：

准确：精准地反馈数据的特征信息（既不遗漏也不冗余，不造成读者疏漏 &误读细节）

清晰：获取图表特征信息的时间越短越好

优雅：美观（不是酷炫）、协调（相同场景的图表遵循统一规范）。

除此之外，这三项的重要性也有相对次序：准确>清晰>优雅，原则上我们该尽量往这三个方面靠拢。

问题来了，如何挑选顺手的工具帮助达成目标呢？

其实应当分情况来看，高效的数据可视化根据目的差异，大致分为两种类型（来自 Cole Nussbaumer Knaflic 的视频采访）：

解释型

已知目标数据的特征信息或者价值；
最大目的是传达解释给其他人自身的洞察；
追求极致的细腻表达。

探索型

未知目标数据的特征信息或者价值；
最大目的是自己分析探索数据；
追求快速高效的数据交互。

大家在开始动手前，不妨先想一下自己是哪种意图，通常情况下鱼和熊掌不可兼得，数据的灵活变换和细腻表达虽然不矛盾，但很难兼顾。这就促成了我们可用的工具都有一定的偏向性，简单易上手的 BI 工具可以帮助我们快速完成可视化，但有可能内容差强人意。一些专业的图表代码库理论上可以针对任何细节进行调整，但是效率和门槛存在明显劣势。

原则上工具没有孰优孰劣(事实上很多工具两方面都做得很好)，只是相对而言。笔者对常见种类的典型代表工具做了一个定性评估(个人意见)：

这里我将 Excel 与 Tableau 高亮了出来，Tableau 作为业界最著名的 BI 软件，容易上手，可视化效果也非常棒，有助于你分析探索数据。而 Excel 是一款被大多数人严重低估的产品，它可以很方便实现各类图表微调，画出漂亮的数据图。

如果你没什么倾向性，Excel 很适合作为你深入研究的第一款数据可视化工具。

三、选择有效的图表

3.1 可视化流程

抛开一些专业理论，简单来讲，我们制作图表的步骤分为 3 步：

选择要传达的数据信息
寻找可视化方法
实现方法并完善细节

对于步骤 1，主要考虑数据本身的信息与作者自身的洞察信息，列清楚这些信息，有助于你选择合适的可视化方法。下文我会讲述一些常用的方法论知识，但不是简单给出你要选择柱形图 or 饼图。至于具体的图表选用指南可以 Google 一下。

3.2 视觉编码

首先看两张图：

由于使用了视觉编码（颜色）传达信息，人们更容易理解原数据的特征了。

又比如普通的柱形图，我们使用了柱子的“高度”和“相对位置”传达了两组数据信息，而柱形图往往比没进行编码的表格数据更容易理解。

我们要来熟悉两个重要概念：“视觉编码”&“视觉通道”。如果把人类大脑看做是一个信息解码系统，那么可视化就是对信息(数据)的编码过程，信息通过视觉编码后，将内容通过眼睛传达至大脑，大脑解码信息并获取知识。

那么图形的视觉通道有这么多，该如何选择合适的视觉通道映射数据呢？这里需要通过数据的类型以及视觉通道的表现力进行综合判断，基础的学术理论有详细说明，这里我做一下简单介绍。

★ 数据类型

一般我们数据分为“类别型”、“有序型“和“数值型”三类，苹果、香蕉属于类别，几月几号属于有序，利润 5000 属于数值。在很多可视化商用工具的概念中，将”有序、类别型“的数据称为维度，”数值型“的数据称之为度量（指标）。

维度和度量所适用的视觉通道是有巨大差异的，例如颜色的色调适用于维度，但不适用于度量。选择正确的视觉通道，令信息传达更有效率。

★ 数据通道的表现力

在浙大教授陈为的著作《数据可视化》（陈为沈则潜陶煜波. 数据可视化[M]. 电子工业出版社, 2013）中，使用 4 个指标作为评判一个通道的表现力标准：

精确性
可辨认性
可分离性
视觉突出

深度理解这些标准，有助于我们明白一些可视化图表修改建议背后的深层次原因。

这组测量数据采用科学的方法反映了一些制作经验的合理性，比如：

一些专业设计师非常反对使用饼图——面积&角度与人类的感知联系不是线性变化。
使用长度映射数据的柱形图通常是最佳可视化选择——长度与感知是线性变化。
常规商业统计图表永远不要使用3D效果——体积严重影响人类感知的精确性。

可分离性告诉我们不能无限制的使用多种视觉通道，每增加一种通道来映射数据，都需要考量对已有编码方式的影响，尤其是尺寸（size）特别影响其他视觉通道的效果。

我们结合柱形图做一个举例，下图的柱图使用了宽度(size)映射了一个度量字段数据，宽度影响了长度的有效力，这两个通道的同时使用，使得感知上有趋近面积这一通道，从而影响了整体图表的效果。

有一次一位业务的同学问我为什么不给柱图的柱子加“圆角”功能，其实也是这个原因，过度的圆角会使长度损耗精确性，对于图表的整体表现力是破坏。

数据的视觉编码在学术上有一个冗长的表现力优先级列表，我在这里简化这些概念，只给出一份推荐使用的视觉通道，理论上这些通道之间都可以组合使用，请根据实际情况挑选最佳方案。

另外一个行之有效的实践方式是：不要从头构建可视化的方案，请在最基础的统计图类型之上选择追加视觉通道，然后不断尝试效果。不是什么图表都可以用所有通道的，例如行政地图就没有长度通道。

3.3 设计原则

设计图表，好的视觉编码是最重要的点，除此之外，对数据的筛选也是一项挑战，过大的信息量会使图表显得混乱，造成认知负荷。对于 JavaScript 构建的可视化内容，我们还需要关注数据交互。

★ 认知负荷

一般的可视化文章会用墨水比这一项指标来衡量负荷的轻重。设计的不合理，会给受众过度、冗余或者毫无意义的信息传达。

首先我们要关注的是是否呈现了过多数据、滥用了视觉通道。

其次，我们可以利用格式塔原理精简或者优化我们的图表元素，减轻认知负荷。

完整的原理一共有 8 项内容，这里我主要介绍最为重要的临近原则、相似原则 &闭合原则。

★ 临近原则

人们倾向物理上相近的元素为一个整体。

我简单打出一行点：

… … …

你会很自然地认为这是三个群体。利用这个心理学现象，我们构建了典型的“分组柱形图”

也可以用于引导用户阅读表格数据(来自 Cole Nussbaumer Knaflic 的 blog)：

★ 相似原则

人们倾向将颜色、大小或者形状等属性类似的对象看作一个整体（或者具备关联性）。

这种心理学现象，叠加颜色色调的处理，很容易促成视觉突出，使我们能够快速注意到被处理的目标数据。上文视觉编码数“5”的举例，便是相似原则的一个案例。

个人实践感觉颜色是应用相似原理最好的视觉通道，我们能够通过“图例”将图例标注信息与画图区域的内容对应起来，简单来说，也是这一心理学现象在起作用。

我们可以更进一步使用这一效应来帮助用户解读图表

★ 闭合原则

人们倾向物理上被包围在一起的元素为一个群体。

闭合原则经常被使用在标注注释上，使用少量的“水墨”便能将目标区域的视觉突出起来，我们拿上面相似原则的案例做进一步加工，来说明闭合原则的功效。

灵活利用格式塔原理与视觉编码特性，是数据可视化在具体图表之下的更为重要的知识技巧。篇幅原因，不再一一列举。

当我们看到一副图表，凭借自己朴素的美学经验指出图表缺陷时，不妨深入思考下，这个缺陷是违反了哪一条心理学原理，还是水墨比（信噪比）不平衡。

3.4 经验之谈

可视化的实践经验太多太多，我想再着重强调一下位置和颜色的巨大影响。

★ 位置

位置是一个丰富的概念，图表一切的元素都处于“位置”之中，你不得不谨慎对待元素的位置属性。无论是轴标记位置、文本说明位置、标题位置、图例位置还是图形本身的相对位置。摆正它们，可以使图表不显得信息杂乱，可以帮助用户更容易理解你想传达的信息。

对齐：心理学的“连续原则”使得对齐创造一条看不见的路径，引导人们更容易解读信息，任何时候都要注意对齐的使用。
排序：任何时候，我们都需要对数据排序。柱图的柱子从来都不该是被随意摆放的，排序是对元素的位置属性最重要的应用。没有规律的数据表达会给用户带来额外的解读负担。
参照：位置都是相对的，如果我们想准确解读数据的位置，就一定需要一个参照系。这个参照系可以是X轴Y轴，也可以是两个点或者柱子之间的相对参照，总之你得有一个。

★ 颜色

颜色是最重要也是最容易被滥用的视觉编码方式，颜色具有色调、饱和度、明度的三重变化，同时颜色的变化还牵引着人类的情绪，所以颜色的使用需要被数据可视化制作者认真考虑。在这里再补充一些实践上的心得：

尽量避免同时使用红色&绿色，色盲的同学无法分辨他们，这也是为什么大多数图表库和软件的默认颜色的第一序列是蓝色；
维度数据使用色调，度量（指标）数据使用饱和度和明度；
在保证信息完整传达的前提下，使用的颜色越少越好；
颜色在上下文需要保持统一步调，例如之前的图用“绿色”代表香港，下面的图就不应该使用“黄色”或者“红色”，“预测数据”使用绿色，“实际数据”使用蓝色，保持秩序，减轻用户认知负荷；
颜色能比其他视觉通道更能引起注意，也就意味着更容易使人疲劳。确保你使用的颜色是“有序”的，五彩斑斓、明暗跳跃的色彩序列并不可取；
设计之前，可以参照一些品牌设计手册，一般被叫做visual manual。阿里几乎每个BU都会有类似的材料，可以找你们的UED同学要。使用品牌色更容易获得目标人群的青睐。但是也不是所有的品牌色都适用，使用前应当思考下效果。
注意你使用颜色的场合，事实上由于各国文化和宗教信仰的不同，相同色彩在不同人群中的情感性质很不一样。比如中国人喜欢红色，但是不见得西方国家喜欢。还有医院和金融业，也是典型的颜色敏感行业，给炒股的老板看图表不要用绿色作为主色调…
放弃酷炫，我们看数据不是为了酷炫。

★ 统计图表选择推荐

这个网上资料一抓一大把，选择图表前，其实更多的是要想清楚你的数据想传达的目的。数据分析纷纷咋咋，总结起来，不外乎 4 个目的：对比、聚焦、归纳、演绎。基于这些初始目的出发，我们再选择实例化它。

下图是一张广为流传的图表建议：

英国的金融时报杂志也出过一版建议：

如何下载

上面这张图实在太大啦，关注“阿里技术”官方公众号，并在对话框内回复“分析”，即可获得原图下载链接啦~

四、准备数据

4.1 为可视化调整数据结构

一般来讲，制作数据图表前，或多或少有一系列数据的采集加工环节，以集团开发同学熟悉的 ODPS 为例，简单来讲如下图流程所示：

多数数据仓库为了满足一定的设计规范、维护能力与健壮性，不会允许数仓上层应用做定制化侵入设计，而各类应用所需要的数据格式不尽相同，在可视化领域，为最后的图表制作，对数据进行一些调整非常常见，特别是使用 BI 软件进行制图，包括不仅限于以下调整：

★ 1.行列转换

比如为了进行数据对比分析的簇状柱图，不同工具配合交互时，有不同的设置方法。需要对表中的行列数据进行灵活转换，以符合软件要求。

★ 2.可读性转换

原表数据中，很可能只有"ID"、“XXX 编码”、英文内容等特征数据，为了我们最后的可视化加工效果，为了图表易于解读，我们需要更多的额外数据进行关联处理，比如：

找到这张“事实表”的关联“维表”，拿到ID背后的中文名称、姓名等信息；
将英文翻译成对应中文，比如将male与female转换成“男”跟“女”；
找到“短名称”、“昵称”等易于识别的数据；
从时间数据字段中转换出“季度”、“财年”、“周”、“交易日”等契合业务场景的时间类型字段。

★ 3.针对业务场景的转换

此类转换需要结合一定的具体场景，一般来讲，原始表只提供原始数据，具体场景提供数据转换规则，典型的例如：

将“年龄”分段，原始表只记录用户的生日，后期加工成“18~24岁”、“25~30岁”等范围字段值，这类加工有助于用户解读和构建可视化内容。
新顾客、老顾客。“新”与“老”都是随着时间推移的相对概念，不太会存储在数仓的原始数据表中，用户需要根据当前分析的时间窗口，自助加工出新老顾客的定义字段。

4.2 剔除异常数据

原始数据中，不免混入异常数据，我们把错误数据(脏数据、测试数据)和不合理数据统称为异常数据。这些数据不剔除，会直接影响可视化最终的展现效果，从而影响分析效果和决策效能。我们在制作图表前，一定要做这一环的处理。

不合理数据也是相对于具体的分析场景而言的，例如，我们为衡量电话营销人员的表现设定了一个数据指标——平均每周成功 3 单推销即为优秀员工，这里就需要结合场景将“实习期员工”剔除，或者说，将工作年限过短的样本数据剔除。

4.3 对特殊值做精细化处理

为了可视化效果，我们需要关注那些含义不明的数据和“极端数据”，这些数据的存在有时候会直接影响我们的内容展现。

★ 空、null、0

这 3 个数据值是典型的“含义不明“数据，有些场景下，他们表达的意思相同，有些则代表了截然不同的信息。我拿”考试“作为一个 case 来比喻这三者的区别：

0：小明参加了语文考试，得了0分；
空：小明没参加语文考试；
null：小明没有语文这门考试。

在进行可视化表达时，一定要注意对数据的准确表达。

★ 极端数据

极端数据指一种样本数据极端分布不均匀的情况，比如“100 条某产品的销量分布，1 条记录 10W，其余 99 条记录在 0~1000 之间，“如实”反应数据的图表将很难看出大部分样本数据的特征信息。需要结合业务场景，做应对处理（比如剔除 &“矮化”极端数据，并做对应的文本解释）

4.4 汇聚数据到合理程度

在使用 BI 工具进行可视化展示的时候，需要注意原始数据的数据量大小。通常软件服务所在的服务器性能不是无限的，合适大小的数据量有助于取得交互展示的最佳表现。

当原始数据过大，我们可以根据实际场景，剔除某些字段，对数据进行汇聚。

另外，大部分工具都支持“派生字段”，尽量在“物化”或者“实体表”阶段固化这些派生数据，也有助于性能表现。对于 BI 软件需要计算的派生数据而言，计算发生的环节决定其性能表现：

计算在加速数据环节 > 计算下放计算引擎 > 内存计算 > 发生内外存交换的计算

五、一个实践案例

本文粗浅介绍了一些数据可视化的技巧，但是远远谈不上完整。要做到“可视化最佳实践”还需要大量知识补充，并且加以灵活应用。

在这里介绍一个可视化图表优化的优秀案例，原始材料来自 Cole Nussbaumer 的英文 blog，有兴趣的同学可以翻翻她的博客，会获益良多。同样 D3 作者 Mike Bostock 也产出了大量高质量的可视化内容，非常值得借鉴。

案例：对资本预算数据的可视化改进

★ 1. 原始图表

咋一看这图也没啥错，但是博客作者看到了一些改进点：

Y轴标签的可读性
X轴未区分过去与未来的区别

其实还有其他隐藏改进信息未指出：

上文讲述过视觉通道会相互影响有效性，这里图例中的小正方形尺寸过小，影响了颜色的解读，这就使得蓝色的major projects和浅蓝色的proposed allowance难以区分。（试想一下你在平常遇到的更极端的图例解读困境）；
轴的黑色标签的颜色饱和度太高，影响了图本身的视觉突出。（稍微浅色一点的label更容易将用户引导至关注数据本身）；
缺少度量数据说明。

★ 2. 改进版本一