数据可视化设计指南：从数据到新知（全彩）

本书介绍了数据可视化的基本原理和设计方法，适合初学者或希望系统学习数据可视化设计的读者阅读。本书特色：内容翔实，基于大量的中外案例，对数据可视化进行了多方位的解剖，展现了数据可视化的丰富性和趣味性；注重实践，提供了切实可行的工具、数据集和教程，供读者能够“在学中做，在做中学”；通俗易懂，将专业术语和学术成果转化为平实的语言，让知识不再“高冷”。

蓝星宇，复旦大学新闻学院青年副研究员，数据可视化博士。研究方向主要为数据可视化叙事、信息设计、人机交互，在多个数据可视化顶级学术期刊及会议上发表论文，拥有多年的数据可视化实践与创作经验。

优秀的数据可视化应当有利于从数据到信息、再到知识的转化。我们所追求的可视化，应当不仅仅是把数据画出来，而是帮助挖掘和彰显数据中的价值。

如何让数据变得更清晰、更有效、更能发挥价值？这将是贯穿全书的出发点，也构成了本书的基本底色。

自序

对很多人而言，数据可视化可能是一个既熟悉又陌生的词。熟悉，是因为我们每天都在和数据打交道——我们会在起床时查看天气数据，会用手机和手环记录自己的健康数据，会用外卖软件查看骑手的骑行数据，会看股市和基金的数据，还会处理公司的业务数据……在这样一个信息化的时代，数据已经成为一种生活要素，乃至是生活方式。

以上的所有场景，无一不伴随着数据可视化。如果没有数据可视化，这些数据将停留在“数字”层面。设想一下，假如外卖软件只用文字显示骑手与你的距离，却没有显示地图，你在等餐时是否会焦虑一些？如果股市软件不显示 K 线图、不用红绿色展示涨跌，你在投资决策时是否会困难一些？因此，通俗地说，数据可视化就是一门让用户快速、准确地理解数据信息，进而对人产生价值的学问。

不过，尽管数据可视化已经无处不在，它作为一个特定的知识“领域”，或者说一项专门的“技艺”，却未必那么深入人心，这或许正是很多人对数据可视化感到陌生的原因。比如，在谈到“这张图是怎么画出来的？”“背后的设计逻辑是什么？”“这样的可视化是一个好设计吗？”“怎样才是最优的设计”这些问题时，你可能会迟疑或犹豫。事实上，在当今社会喷薄而出的数据洪流之下，我们对数据的掌控力和解释能力，还远远没有发展到足够纯熟的境地。其中，数据可视化是一个不可忽视的环节。

本书的副标题“从数据到新知”，正包含了我对数据可视化的理解和期许。这句话的英文翻译是“From Data to Knowledge”。Data 指“数据”，它是我们从世界中取样、观测得来的“原材料”，是客观的、理性的。Knowledge 指“知识”，是我们懂得的道理、发现的规律，也是我们行为和判断的依据。数据和知识之间并不一定直接连通。有了数据后，我们首先需要对这些数据进行分析（如比较、取极值、算平均值等），才会产生“信息”（Information）。作为运算的结果，信息往往是事实性的。而在搜集了足够的信息后，信息之间可能会发生更深层的推理、整合，或者与我们脑中本身已经存在的信息产生对话，才会升华成“知识”（Knowledge）。

举个例子，我们在逛超市的时候，会浏览每种水果的价格，这些价格就相当于我们获得的原始数据。此时，如果我们只是匆匆一眼掠过，未加思考，那么这些数据也就只是停留在数字的层面了。相反，假设我们对价格进行对比，那么数据就会被加工为一些事实性的信息，比如“阳光玫瑰葡萄比一般的葡萄贵”“最贵的水果是榴莲”等。再进一步，如果我们在对比完价格之后，又对“贵的水果都有什么共性”进行推理，就可能得到“进口水果比本地水果售价高”这一知识，即我们对水果售价规律的一个认知。

我想，优秀的数据可视化应当有利于从数据到信息、再到知识的转化。我们所追求的可视化，应当不仅仅是把数据画出来，而是帮助挖掘和彰显数据中的价值。

如何让数据变得更清晰、更有效、更能发挥价值？这将是贯穿全文的出发点，也构成了本书的基本底色。

在具体的章节设置和行文上，本书则受到了一些现实需求的驱使，在此也提前做一个说明。

其一，尽管数据可视化的需求很大，但用什么工具来制作可视化，如何成功地把图表画出来，依然是一个比较广泛的痛点。因此，本书提供了详细的案例教学（主要在第 4 章），从原始数据开始，一步步演示从数据到可视化的完整分析、绘图流程。

同时，在选取案例时，尽量兼顾了不同的使用场景、数据类型，以及数据分析的需求。

当然，这一痛点之所以存在，还有一个重要原因，那就是数据可视化的跨领域特征非常明显，既与数据分析有关，又与设计、开发有关。相应地，数据可视化工具的种类非常繁多、用户形态也非常多样，既可能是办公人员，也可能是数据分析师、程序员、设计师、新闻记者。不同类型的用户，擅长的技能不同，习惯使用的工具也不同。这使得我们在做工具教学的时候，常常难以覆盖所有人的需求。因此，为了让更多的读者受益于本书的教学，本书在介绍可视化工具时，为这些工具设立了优先级 ：优先介绍的是大部分人最熟悉的办公软件（如 Excel），其次是零代码、好上手的在线工具（如 Rawgraphs），接着是设计类工具（如 Adobe ilIustrator），最后是编程类工具（如 Python、D3.js）。换言之，当低门槛方法存在时，就优先介绍低门槛方法。当免费工具存在时，就优先介绍免费工具。

因此，本书并不是一本专门讲解某一个工具 / 软件用法的工具书。如果你希望深入地掌握某个特定工具 / 软件（如 Tableau、Python、D3.js、Processing 等），阅读专门的工具教程是不错的选择，市面上也有诸多优秀的图书。

而本书的重点，更多偏重于数据可视化的设计原理。尽管也会涉及到可视化的“技术实现”，我认为根本的还是需要掌握“技”背后的“道”。一个掌握了很多工具的人，不一定能创作出真正好的可视化作品。相反，一个懂得判断什么是好的可视化的人，在使用工具时却能更聪明，也更审慎。因此，本书会较多地讲解可视化图表背后的原理、图表的类型，以及图表的设计要点，帮助读者理解可视化的底层逻辑，从而做到举一反三。在案例教学中，我也将对每一个步骤进行解释和阐发，即，为什么这一步骤是必要的，从而让读者更深入地理解可视化设计的迭代过程。

“技术焦虑”是可视化初学者常见的一大困惑。“我不会用设计软件”“我不会编程”，常常变成阻碍其学习可视化的绊脚石。因此，我也希望通过本书缓解一下读者的这类焦虑：可视化工具本身不是目的，学会所谓“高端”的工具也不是可视化的本质。

找到最适合、最高效的工具，实现数据分析和价值挖掘 , 才是我们最终的目的。如果你可以用一些低门槛的工具就达成目的，为什么不先去试试呢？

其二，可视化是科学与艺术的结合体。艺术性的存在让可视化设计没有绝对的公式可言，并且有的时候非常依赖经验、感性和灵感。因此，根据我的观察，翻看设计案例是可视化创作中一个非常常见的需求。通过案例，你可以了解到某种图表的具体用法、判断它适合哪类数据集，还能学习他人的视觉表达技术和创意。当然，通过反面案例，你也可以避免自己重蹈覆辙。尤其是初学者，多看、多模仿是很好的入门策略。因此，本书在讲解过程中纳入了较多优秀的数据可视化案例，以期对书本内容有更形象、生动的阐发。希望阅读本书的你，也能有脑洞大开的感受。

好了，让我们一起踏上这段新奇的可视化之旅吧！

作 者

1 引言 我们为什么需要数据可视化 ／ 001
1．1 什么是可视化 ／ 001
1．2 数据可视化能做什么 ／ 007
2 图表纵览 认识可视化家族 ／ 015
2．1 视觉通道映射 ／ 015
2．2 按用途给图表归类 ／ 022
2．2．1 比较 ／ 022
2．2．2 趋势 ／ 042
2．2．3 占比 ／ 052
2．2．4 分布 ／ 058
2．2．5 相关性 ／ 065
2．2．6 层级 ／ 069
2．2．7 关联 ／ 075
2．2．8 逻辑示意 ／ 083
2．2．9 地理 ／ 086
2．2．10 复合目的 ／ 093
2．3 如何选取合适的可视化图表 ／ 103
3 量体裁衣 选择可视化工具 ／ 115
3．1 哪些工具可以用于制作可视化 ／ 115
3．1．1 办公软件 ／ 116
3．1．2 在线平台 ／ 118
3．1．3 商业智能软件 ／ 122
3．1．4 设计软件 ／ 124
3．1．5 编程语言 ／ 126
3．1．6 专项工具 ／ 132
3．2 如何选取合适的工具 ／ 134
4 案例实战 从数据到可视化 ／ 139
4．1 案例一 ：国际贸易 ／ 141
4．1．1 进出口总值增长情况如何 ／ 141
4．1．2 最重要的贸易伙伴都是谁 ／ 148
4．1．3 出口、进口的货物都是什么 ／ 164
4．1．4 哪些口岸最重要 ／ 171
4．2 案例二 ：大气污染 ／ 177
4．2．1 上海市的大气污染变化情况 ／ 177
4．2．2 污染和风力有关系吗 ／ 182
4．2．3 污染还和哪些天气指标有关系 ／ 185
4．2．4 城市 GDP、人口与污染程度有关系吗 ／ 191
4．3 案例三 ：企业概况 ／ 196
4．3．1 企业的发展历程是什么 ／ 196
4．3．2 企业的组织架构如何 ／ 200
4．3．3 企业的财务状况如何 ／ 206
4．3．4 企业的实际控制人是谁 ／ 211
4．4 案例四 ：歌词文本 ／ 215
4．4．1 周杰伦在唱什么 ／ 215
4．4．2 周杰伦真的很爱唱“离开”吗 ／ 223
4．4．3 哪首歌最积极，哪首歌最消极 ／ 227
4．4．4 消极的歌会更长吗 ／ 233
5 精益求精 打磨可视化设计 ／ 236
5．1 数据的准确性 ／ 236
5．2 设计的可读性 ／ 245
5．3 传达的有效性 ／ 254
5．4 信息的完整性 ／ 267
后记 ／ 277