散点图的解读、优化与避坑指南

# 散点图的解读、优化与避坑指南 ## 1. 散点图元素解析 散点图是一种强大的数据可视化工具，但添加过多细节可能会使其难以阅读。我们先从一家自行车店Allchains的简单散点图开始，该图比较了每种自行车类型的销售价值和利润。散点图主要包含以下几个关键元素： ### 1.1 多轴 与之前常见的单轴图表不同，散点图有两个轴（如图1所示）。这在直接比较两个指标时非常有用，两个轴形成一个二维空间，用于定位和比较数据点。  - **自变量与因变量**：通常，x轴代表自变量，即不受y轴影响的变量；y轴代表因变量，其值依赖于x轴。例如，在销售与利润的散点图中，销售价值通常放在x轴，因为没有销售就不会有利润，利润依赖于销售。 - **相关性模式**：散点图中的数据点形成的模式可归类为相关性模式。但要注意，“相关性并不等于因果关系”。比如，Allchains在晴天销售更多的自行车头盔，但这并不意味着晴天导致了更多的自行车装备销售，可能是因为晴天大多在夏天，整体温暖的季节天气促使人们更多地骑行。 - **相关性类型**： - **正相关**：当x轴上的指标增加时，y轴上的指标也随之增加（如图2所示），可以用趋势线来展示。 - **负相关**：当自变量增加时，因变量减少（如图3所示）。例如，Allchains为自行车提供维护服务的次数增加，客户次年的机械故障次数会减少。 - **强相关与弱相关**：数据点紧密围绕趋势线表示强相关（如图4所示），数据点离趋势线越远，相关性越弱（如图5所示）。也存在无相关性的情况，即x轴和y轴上的指标之间没有关系（如图6所示）。      ### 1.2 数据点 散点图中的数据点是核心。每个点代表两个数据值，分别来自x轴和y轴的指标（x, y）。 - **数据点数量问题**：数据点太少时，很难从图表中得出有用信息；而数据点过多则会导致过度绘图，使图表难以解读（如图7所示）。不过，这种图表仍能显示出异常值。 - **解决方法**： - **增加透明度**：当需要分析单个数据点时，可以增加数据点的透明度，这样能更清楚地看到重叠点的位置（如图8所示）。 - **添加边框**：为数据点添加边框，至少从表面上显示数据点的数量，使重叠的点更突出（如图9所示）。    ### 1.3 颜色 在散点图中，很难直观地看出每个点对应的分类值。可以通过添加颜色和颜色图例来解决这个问题（如图10所示）。  - **避免过度使用颜色**：过多的颜色会让观众难以记住每种颜色代表的含义，增加理解成本。 - **利用颜色的文化关联**：大多数文化对颜色有既定的含义，可以利用这一点来降低观众的认知负担。例如，用红色表示草莓、黄色表示香蕉来展示果蔬销售情况；用黑色和红色分别表示盈利和亏损。 - **颜色调色板类型**： - **分类颜色调色板**：用不同的颜色代表不同的类别，如用类似泥土的颜色表示山地自行车，石头色表示砾石自行车，灰色表示公路自行车。 - **顺序颜色调色板**：当数据点代表有序数据时，可以使用单一颜色的不同深浅来表示值的顺序，如从浅到深表示从低到高或从早到晚（如图11所示）。 - **发散颜色调色板**：用两种颜色表示超过或低于某个阈值的值，如一种颜色表示表现不佳，另一种颜色表示表现出色。 - **突出