可视化新技能｜用哑铃图进行对比分析！

01

哑铃图，是指用一条横线连接两个点、看起来有点像哑铃的图，适用于强调从一个点到另一个点的变化。

比如说，对于某产品不同功能的用户满意度调查数据，我们可以用哑铃图来进行对比分析，效果图如下：

其中蓝色的点代表 2018 年、橙色的点代表 2019 年的用户满意度，蓝色的横线代表用户满意度提升，橙色的横线代表用户满意度下降，线条的长短代表变化的大小，线条越长，代表变化越大。

02

下面是用 matplotlib 画图的方法。

首先，导入所需的库，并设置中文字体和定义颜色等。

# 导入所需的库
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt


# 正常显示中文标签
mpl.rcParams['font.sans-serif'] = ['SimHei']


# 自动适应布局
mpl.rcParams.update({'figure.autolayout': True})


# 正常显示负号
mpl.rcParams['axes.unicode_minus'] = False


# 定义颜色，主色：蓝色，辅助色：灰色，互补色：橙色
c = {'蓝色':'#00589F', '深蓝色':'#003867', '浅蓝色':'#5D9BCF',
     '灰色':'#999999', '深灰色':'#666666', '浅灰色':'#CCCCCC',
     '橙色':'#F68F00', '深橙色':'#A05D00', '浅橙色':'#FBC171'}

其次，从 Excel 文件中读取随机模拟的数据，并定义画图用的数据。

# 数据源路径
filepath='./data/问卷调查结果2.xlsx'


# 读取 Excel文件
df = pd.read_excel(filepath)


# 定义画图用的数据
category_names = df.index
labels = df.columns
data = df.values


df['变化'] = df.iloc[:, 2] - df.iloc[:, 1]

接下来，开始用「面向对象」的方法进行画图。

# 使用「面向对象」的方法画图，定义图片的大小
fig, ax = plt.subplots(figsize=(8, 6))


# 设置背景颜色
fig.set_facecolor('w')
ax.set_facecolor('w')


# 设置标题
plt.title('\n用户满意度随时间的变化\n\n', loc='left', size=26, color=c['深灰色'])


# 定义范围
rng = range(1, len(df.index)+1)
rng_pos = list(map(lambda x:x+1, df[df['变化']>=0].index))
rng_neg = list(map(lambda x:x+1, df[df['变化']<0].index))


# 绘制哑铃图中间的线条
ax.hlines(y=rng_pos, xmin=df[df['变化']>=0].iloc[:, 1], xmax=df[df['变化']>=0].iloc[:, 2], color=c['浅蓝色'], zorder=1, lw=5)
ax.hlines(y=rng_neg, xmin=df[df['变化']< 0].iloc[:, 1], xmax=df[df['变化']< 0].iloc[:, 2], color=c['浅橙色'], zorder=1, lw=5)


# 绘制哑铃图两头的圆点
ax.scatter(df.iloc[:, 1], rng, color=c['蓝色'], label=df.columns[1], s=200, zorder=2)
ax.scatter(df.iloc[:, 2], rng, color=c['橙色'], label=df.columns[2], s=200, zorder=2)


# 显示数据标签
for i, (txt1, txt2) in enumerate(zip(df.iloc[:, 1], df.iloc[:, 2])):
    ax.annotate(df.columns[1] + ' ' + '{:.0%}'.format(float(txt1)), (df.iloc[:, 1][i], df.index[i]+0.8), color=c['蓝色'], ha='center', va='center', fontsize=12)
    ax.annotate(df.columns[2] + ' ' + '{:.0%}'.format(float(txt2)), (df.iloc[:, 2][i], df.index[i]+1.2), color=c['橙色'], ha='center', va='center', fontsize=12)


# 设置 Y 轴标签
plt.yticks(rng, df.iloc[:, 0], ha='left', color=c['深灰色'], size=16)


# 隐藏边框
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
ax.spines['bottom'].set_visible(False)
ax.spines['left'].set_visible(False)


# 设置 X 轴的取值范围
ax.set_xlim(0.65, 1.01)


# 隐藏 X 轴
ax.xaxis.set_visible(False)


# 倒转 Y 轴，让第一个功能排在最上面
ax.invert_yaxis()


# 隐藏 Y 轴的刻度线
ax.tick_params(axis='y', which='major', length=0)


plt.show()

你可以前往 https://github.com/linjiwx/mp 下载画图用的数据和完整代码。

03

数据可视化，不能只讲究美观，还要适用于特定的场景。图形给人的直观感受，是表达作者对待数据的看法，让观众能够快速地抓住重点。如果专业深度不够，就容易导致做出来的图表「华而不实」。

选择使用什么样的图表，取决于你想强调的重点。如果能平衡好「美观」与「适用」，那么数据分析工作可能就会变得更有价值，也会更加有趣。

对于同样一组数据，我们用了三种不同的图形进行展现，分别是斜率图、条形图和哑铃图。

大家更pick哪种类型的图呢？

End

    3秒画完了老板要求的30个折线图！    机器学习万字实战宝典！    数据分析里常用的五个统计学概念
小z微信坑位限时开放后台回复“芝麻开门”即可捕捉号主本人

“Get~”