可视化帮助我们更容易地理解复杂的数据，视觉分析利用了我们的前注意属性——人类通过感官记忆自动处理视觉线索。

有些图能定量展示数据，有些种类的图可以更好地定性展示数据；好的图表应该易于阅读和理解，并且不应该对人产生误导。

对人产生误导的图表示例：

① 度量轴不从0刻度开始，这幅图一眼看上去，是不是觉得3种品类的运费差距巨大？事实是这样吗？

反映真实情况的图表，其实是这样的：

② 颜色造成的混淆

我们大脑中，通常会把数值大的和较深的颜色联系在一起，如果图中选择的颜色反了，不符合我们的直觉，就可能让人不小心产生混淆；

③ 图表类型使用错误

应该使用条形图：

来看一下不同情况适合使用的图表：

1、条形图：对比不同类别的数据大小，比如：不同品类的销量对比，或者 研究一个国家或地区的人口年龄结构；

示例：这个条形图展示了 不同种类产品的利润率，从这幅图中你可以看出哪些信息？

上图是细分产品的利润率图，如果按照产品分类来制图，如下：

相比于细分产品利润率条形图，按大粒度产品分类，没有发现什么？——Tables是不盈利的。

2、折线图：观察数据在一段时间的变化，比如：网站几个月的浏览量的变化，或者 股票价格几年内的变化等；

示例：这幅折线图展示了2012年每个月的销量变化，你可以看出哪些信息？

销量整体上是增长的，在年末，销量比年初有显著提高；

在夏天（尤其是7月）销量大幅下降，在9月份大幅回升；在年底再次大幅提升；

下面来对消费人群细分维度，是不是可以看出更多信息？

可以看到蓝色线条代表的普通客户，在9月份销售额大幅上涨，可能是什么原因？或许是因为开学季；

橙色代表的公司/机构客户，销售额在年底有大幅上涨，可能是因为

在看折线图时，要注意：

3、散点图：研究定量的值之间的关系，比如：男性和女性相比，在不同年龄，患肺癌的可能性，或者 使用散点图分析收入与教育水平的关系；

示例：这幅散点图展示了市场营销费用和销售额之间的关系；

从上图中看出，市场营销费用和销售额大体上是正相关的；

（注意，相关性并不意味着因果性）

图中，还可以看到一个异常值，市场营销费用很高、但是对销量的影响很小，这是脏数据，还是有其它原因？

实际上，在这个案例数据源中，这个点代表的区域是大学城，是否意味着公司的营销对学生群体不受用？

4、子弹图：根据指标评估绩效，比如：展示销量增长是否达到预期 或者 展示KPI完成情况；

5、直方图：理解数据的分布规律，比如：学生成绩的分布情况；

6、盒须图/箱形图：它能显示出一组数据的最大值、最小值、中位数、及上下四分位数；适用于比较多组数据的分布情况。