37个图表轻松看懂复杂数据，职场生活必备技能大公开

在信息爆炸的时代，如何快速、准确地理解和分析数据成为了职场人士的一项重要技能。图表作为一种直观的数据呈现方式，可以帮助我们更好地理解复杂数据背后的规律和趋势。本文将介绍37种图表类型，帮助你轻松看懂复杂数据，提升职场竞争力。

1. 折线图

折线图主要用于展示数据随时间变化的趋势。它通过将数据点用线段连接起来，使人们能够清晰地观察到数据的变化过程。

import matplotlib.pyplot as plt
import numpy as np

# 示例数据
x = np.arange(0, 10, 0.1)
y = np.sin(x)

plt.plot(x, y)
plt.xlabel('时间')
plt.ylabel('值')
plt.title('正弦函数')
plt.show()

2. 柱状图

柱状图用于比较不同类别或组的数据。它通过柱子的高度来表示数据的大小。

import matplotlib.pyplot as plt

# 示例数据
categories = ['类别A', '类别B', '类别C']
values = [10, 20, 30]

plt.bar(categories, values)
plt.xlabel('类别')
plt.ylabel('值')
plt.title('柱状图示例')
plt.show()

3. 饼图

饼图用于展示各部分占整体的比例。它通过扇形的面积来表示各部分的比例关系。

import matplotlib.pyplot as plt

# 示例数据
labels = ['部分A', '部分B', '部分C']
sizes = [25, 35, 40]

plt.pie(sizes, labels=labels, autopct='%1.1f%%')
plt.title('饼图示例')
plt.show()

4. 散点图

散点图用于展示两个变量之间的关系。它通过坐标轴上的点来表示两个变量的值。

import matplotlib.pyplot as plt

# 示例数据
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]

plt.scatter(x, y)
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.title('散点图示例')
plt.show()

5. 散点图（气泡图）

气泡图是散点图的一种变体，它通过气泡的大小来表示第三个变量的值。

import matplotlib.pyplot as plt

# 示例数据
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
sizes = [10, 20, 30, 40, 50]

plt.scatter(x, y, s=sizes)
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.title('气泡图示例')
plt.show()

6. 热力图

热力图用于展示数据矩阵的分布情况。它通过颜色深浅来表示数据的大小。

import matplotlib.pyplot as plt
import numpy as np

# 示例数据
data = np.random.rand(10, 10)

plt.imshow(data, cmap='hot', interpolation='nearest')
plt.colorbar()
plt.title('热力图示例')
plt.show()

7. 雷达图

雷达图用于展示多个变量之间的比较关系。它通过角度和长度来表示变量的大小和关系。

import matplotlib.pyplot as plt
import numpy as np

# 示例数据
angles = np.linspace(0, 2 * np.pi, 6, endpoint=False)
values = np.random.rand(6)

plt.polar(angles, values)
plt.fill(angles, values, alpha=0.25)
plt.title('雷达图示例')
plt.show()

8. 堆积柱状图

堆积柱状图用于展示多个类别在一段时间内的变化趋势。它通过柱子的高度和宽度来表示数据的大小。

import matplotlib.pyplot as plt

# 示例数据
categories = ['类别A', '类别B', '类别C']
values = [[10, 20, 30], [15, 25, 35], [20, 30, 40]]

plt.bar(categories, values[0], label='A')
plt.bar(categories, values[1], bottom=values[0], label='B')
plt.bar(categories, values[2], bottom=[v[0] + v[1] for v in values[:2]], label='C')
plt.xlabel('类别')
plt.ylabel('值')
plt.title('堆积柱状图示例')
plt.legend()
plt.show()

9. 水平柱状图

水平柱状图与垂直柱状图类似，但数据以水平方式展示。

import matplotlib.pyplot as plt

# 示例数据
categories = ['类别A', '类别B', '类别C']
values = [10, 20, 30]

plt.barh(categories, values)
plt.xlabel('值')
plt.ylabel('类别')
plt.title('水平柱状图示例')
plt.show()

10. 漏斗图

漏斗图用于展示数据在各个阶段的转化率。它通过漏斗的宽度来表示各个阶段的转化率。

import matplotlib.pyplot as plt

# 示例数据
stages = ['阶段1', '阶段2', '阶段3', '阶段4']
values = [50, 40, 20, 10]

plt.bar(stages, values, width=0.5)
plt.xlabel('阶段')
plt.ylabel('转化率')
plt.title('漏斗图示例')
plt.show()

11. 堆积折线图

堆积折线图用于展示多个类别在一段时间内的变化趋势。它通过折线的颜色和形状来表示数据的大小。

import matplotlib.pyplot as plt

# 示例数据
categories = ['类别A', '类别B', '类别C']
values = [[10, 20, 30], [15, 25, 35], [20, 30, 40]]

plt.plot(categories, values[0], label='A')
plt.plot(categories, values[1], label='B', linestyle='--')
plt.plot(categories, values[2], label='C', linestyle='-.')
plt.fill_between(categories, values[0], values[0] + values[1], color='gray', alpha=0.3)
plt.fill_between(categories, values[0] + values[1], values[0] + values[1] + values[2], color='green', alpha=0.3)
plt.xlabel('类别')
plt.ylabel('值')
plt.title('堆积折线图示例')
plt.legend()
plt.show()

12. 箱线图

箱线图用于展示数据的分布情况。它通过箱体、中位数、四分位数和异常值来表示数据的分布特征。

import matplotlib.pyplot as plt
import numpy as np

# 示例数据
data = np.random.normal(0, 1, 100)

plt.boxplot(data)
plt.title('箱线图示例')
plt.show()

13. 直方图

直方图用于展示数据的频率分布。它通过柱子的高度来表示数据在各个区间的频率。

import matplotlib.pyplot as plt
import numpy as np

# 示例数据
data = np.random.normal(0, 1, 100)

plt.hist(data, bins=10)
plt.title('直方图示例')
plt.show()

14. 联合图

联合图用于展示两个变量之间的关系。它通过散点图和直方图来表示两个变量的分布情况。

import matplotlib.pyplot as plt
import numpy as np

# 示例数据
x = np.random.normal(0, 1, 100)
y = np.random.normal(0, 1, 100)

plt.hist2d(x, y, bins=10)
plt.colorbar()
plt.title('联合图示例')
plt.show()