科技的进步让我们积累了越来越多的数据，如何更好的利用这些数据，将它们转化为有用的信息并驱动我们作出更好的决策，关键在于将它们可视化。

但是，即便科技再进步，可视化工具再精益，也无法遏制劣质图表的泛滥。因为很多人并不知道该如何从那么多类型的图表中，选择最适合的一种来表达数据。

今天，我会为大家分享4大类型共12种图表，并解释它们适合使用的场景以供大家参考。本篇适合收藏起来，需要的时候找出来看一遍。

1、柱形图和条形图

在呈现非连续性数据指标时，常常使用柱形图和条形图。两者的区别上，柱形图适合以时间元素为类别的使用场景，而条形图则更适合以非时间元素(如项目、用户特征等)为类别的使用场景。

另外，在每个类别中展示多个系列的指标值的时候，如果需要对比每个系列的指标值，可以使用分组柱形图或分组条形图；如果以展示各类别数值总和为主，则可以使用堆积柱形图或堆积条形图；如果要强调各系列在各类别中的占比而非数值，则可以使用百分比堆积柱形图或百分比堆积条形图。

2、折线图

在呈现指标数值的连续性样貌、变化或走势时，常常使用折线图。这里提示一下，在折线图中加上数据标记可增强图表的可读性哦~

1、直方图

在统计数值型维度或指标的数量分布时，可使用直方图。例如，统计某个样本中年龄与用户的分布。虽然直方图与柱形图在外形上很相似，但它俩的用途和表达的内容天差地别，注意区分。

2、散点图

散点图可以在一张图中同时展示实体的两个指标，图中的每个点均代表一个实体，而两个指标的取值决定了实体在图中的位置，这意味着散点图可以用于观察实体的两个指标所呈现的相关性。例如，用散点图观察用户在视频APP中观看视频时暂停时长和再次播放时回退的时长，图中每个点都代表了一个用户。

1、桑基图

桑基图可以用来分析一类实体在多个维度间的数量分布或转化。例如，某产品某日新增用户各个特征维度的分布，每一列代表一个维度，列中的色块对应维度的取值，而列之间的波浪柱表示用户数量分布。

2、热力图

热力图可以用来观察一个页面中用户的操作焦点或视觉焦点的分布。例如，描述用户7天内在一个页面不同区域的用户单击量，越接越深的区域表示单击量越高。

热力图也常与地图结合，描述人口聚集或用户的地理分布。

3、同期群图

同期群图常用于观察用户行为周期和生命周期。例如，要分析新用户的留存趋势，可以跟踪每一日新注册的用户，列出他们于注册日之后每一天的登录情况。颜色越深代表数值越高。

1、饼图

饼图以扇形占据圆盘的面积，来表达部分与整体的组成关系。但是，饼图的局限性比较多，如对差异较小的数据之间难以精确对比、不适合项目过多的数据等。因此，很多情况下我们会优先选择使用条形图。

2、雷达图

雷达图多用于展示具有相同取值范围的多个指标，以各指标在图中所围成的面积表达这些指标形成的整体效应。但雷达图缺少水平或垂直的基准，因此不利于对指标进行精确对比。

3、面积图

将折线图曲线下方填充颜色，形成单指标面积图。堆积面积图和百分比堆积面积图则以表达各指标总和为主，对比各指标的差异为辅，兼具折线图和柱形图的表达力，但不具备折线图、柱形图或条形图的数据精度。

4、气泡图

气泡图在散点图的基础上，通过每一个点的面积大小，来表示第三个指标的数值，从而实现三个指标在一张图上的关系展示。但同样的，面积大小的差异只能依靠读者的主观判断，缺乏精确量化。而且，由于气泡之间会相互覆盖造成视觉干扰，因此不宜通过气泡图展示过多的实体。

Excel是最基础、简单的数据分析工具，它也有数据可视化功能，可以实现少量数据的可视化。

其次，是一些专业的可视化软件，之前有给大家一一介绍过，相比Excel的可视化，功能更加齐全、图表更加多样精美。数据分析入门：8个超实用数据可视化工具，菜鸟也能轻松上手

最后，是Python编程语言，matplotlib是最流行的用于绘制图表和其它二维数据可视化的Python库，非常适合创建出版物上使用的图表。

数据可视化，很多人本末倒置，把数据做成颜色多样、看似高级的图表，其实比不上最简单基础的图表所展现出的内容精细化程度。所以，在选择图表的时候，优先从基础的图表选择，对于“经常被滥用的图表”类型慎选。