在平时的数据分析项目中我经常会遇到比较两个相关数据集的变化情况。这时传统的做法是使用堆积条形图或簇状条形图但它们存在一个共同问题当我们需要精确追踪每个项目在两个时间点或两种条件下的变化时这些图表会让我们的眼睛在条形之间来回跳跃难以直观把握变化的幅度和方向。今天我要向大家推荐一种更优雅的替代方案--哑铃图。1. 哑铃图是什么哑铃图Dumbbell Plot有时也称为DNA图或杠铃图是一种用于比较两个相关数据点的可视化图表。它源于人们对更有效数据比较方式的持续探索。在传统的时间序列比较中我们通常使用两条折线但当需要比较的项目较多时折线图会变得混乱。哑铃图通过将比较焦点放在每个项目的两个状态上解决了多项目对比时的视觉混乱问题。它的基本结构很简单每个观察单位如产品、地区、时间段对应两个数据点这两个数据点由一条直线或线段连接整个图形看起来像一排排哑铃因而得名2. 实现原理哑铃图的核心设计理念是最小化认知负荷。当我们需要比较A和B时最直接的方式就是把它们放在一起用一条线连接然后观察这条线的长度差异大小和方向哪个更大。在matplotlib中创建哑铃图我们主要使用以下元素散点图表示两个数据点直线段连接两个相关点颜色编码通常用不同颜色区分前后状态或不同组别标签系统清晰标识每个观察单位3. 实战示例接下来我们看看哑铃图在实际场景中的显示效果。假设我们是一家电商公司的数据分析师需要比较8个主要产品类别在2022年和2023年的销售额变化。完整的代码在文章末尾提供下载地址文中只截取部分代码先创建一些测试数据# 示例数据8个产品类别在2022年和2023年的销售额单位万元 categories [ 电子产品, 服装鞋帽, 家居用品, 美妆护肤, 图书音像, 运动户外, 食品饮料, 母婴用品, ] sales_2022 [85, 92, 78, 65, 45, 60, 88, 72] sales_2023 [95, 87, 85, 78, 52, 73, 95, 80]然后我们绘制传统的簇状条形图和哑铃图来对比一下效果# 创建子图对比两种可视化方法 fig, (ax1, ax2) plt.subplots(1, 2, figsize(14, 8)) # 簇状条形图 x np.arange(len(categories)) bars1 ax1.bar(x - width/2, sales_2022, width, label2022年, color#4C72B0, alpha0.8) bars2 ax1.bar(x width/2, sales_2023, width, label2023年, color#DD8452, alpha0.8) # 在每个条形上添加数值标签 # 省略 ... # 哑铃图 # 设置y轴位置每个类别的垂直位置 y_pos np.arange(len(categories)) # 绘制连接线 for i, (y2022, y2023) in enumerate(zip(sales_2022, sales_2023)): # 确定线颜色增长为绿色下降为红色 line_color #55A868 if y2023 y2022 else #C44E52 ax2.plot([y2022, y2023], [i, i], colorline_color, linewidth2.5, alpha0.7, zorder1) # 绘制数据点 ax2.scatter(sales_2022, y_pos, s120, color#4C72B0, alpha0.9, label2022年, zorder2, edgecolorswhite, linewidth2) ax2.scatter(sales_2023, y_pos, s120, color#DD8452, alpha0.9, label2023年, zorder2, edgecolorswhite, linewidth2) # 省略 ... plt.tight_layout() plt.show()通过上面的对比我们可以清晰地看到哑铃图的优势变化一目了然连接线的长度直观表示变化幅度方向表示增长或下降减少视觉跳跃眼睛不需要在条形间来回移动而是沿着水平线自然追踪突出比较重点专注于每个项目的两个状态对比而非绝对数值进一步我们还可以给哑铃图排序按照增长由快到慢给各个品类排序这样自然形成从下降最显著到增长最显著的连续谱模式自动显现无需刻意寻找。比如上面的哑铃图中【服装鞋帽】这个品类其实销售额是下降的混在一堆哑铃中不容易看出来吧# 创建排序后的哑铃图 fig, ax plt.subplots(figsize(10, 8)) # 按变化幅度排序 sorted_indices np.argsort( [sales_2023[i] - sales_2022[i] for i in range(len(categories))] ) sorted_categories [categories[i] for i in sorted_indices] sorted_2022 [sales_2022[i] for i in sorted_indices] sorted_2023 [sales_2023[i] for i in sorted_indices] # 绘制连接线 # 省略 ... # 绘制数据点 # 省略 ... # 添加变化箭头标注 # 省略 ... plt.tight_layout() plt.show()这样改造后由上到下的哑铃越来越短也就是增长越来越慢最底部的那个是负增长用了红色来标注。4. 总结数据可视化的核心目标是有效传达信息。当我们需要强调变化、比较两个相关状态时哑铃图提供了一种简洁而强大的解决方案。就像选择合适的工具完成工作一样在面对数据比较任务时我们应该根据具体需求选择最合适的可视化形式当需要比较多个项目的两个状态时选择哑铃图当需要展示单个项目的多个组成部分时选择堆积条形图当需要比较多个项目的多个类别时选择簇状条形图最好的可视化不是最复杂的而是能让观众在最短时间内理解最多信息的那个。哑铃图正是这样一种高效的工具它用最简单的线条连接讲述了数据世界中最动人的变化故事。
哑铃图：数据对比的优雅之选
在平时的数据分析项目中我经常会遇到比较两个相关数据集的变化情况。这时传统的做法是使用堆积条形图或簇状条形图但它们存在一个共同问题当我们需要精确追踪每个项目在两个时间点或两种条件下的变化时这些图表会让我们的眼睛在条形之间来回跳跃难以直观把握变化的幅度和方向。今天我要向大家推荐一种更优雅的替代方案--哑铃图。1. 哑铃图是什么哑铃图Dumbbell Plot有时也称为DNA图或杠铃图是一种用于比较两个相关数据点的可视化图表。它源于人们对更有效数据比较方式的持续探索。在传统的时间序列比较中我们通常使用两条折线但当需要比较的项目较多时折线图会变得混乱。哑铃图通过将比较焦点放在每个项目的两个状态上解决了多项目对比时的视觉混乱问题。它的基本结构很简单每个观察单位如产品、地区、时间段对应两个数据点这两个数据点由一条直线或线段连接整个图形看起来像一排排哑铃因而得名2. 实现原理哑铃图的核心设计理念是最小化认知负荷。当我们需要比较A和B时最直接的方式就是把它们放在一起用一条线连接然后观察这条线的长度差异大小和方向哪个更大。在matplotlib中创建哑铃图我们主要使用以下元素散点图表示两个数据点直线段连接两个相关点颜色编码通常用不同颜色区分前后状态或不同组别标签系统清晰标识每个观察单位3. 实战示例接下来我们看看哑铃图在实际场景中的显示效果。假设我们是一家电商公司的数据分析师需要比较8个主要产品类别在2022年和2023年的销售额变化。完整的代码在文章末尾提供下载地址文中只截取部分代码先创建一些测试数据# 示例数据8个产品类别在2022年和2023年的销售额单位万元 categories [ 电子产品, 服装鞋帽, 家居用品, 美妆护肤, 图书音像, 运动户外, 食品饮料, 母婴用品, ] sales_2022 [85, 92, 78, 65, 45, 60, 88, 72] sales_2023 [95, 87, 85, 78, 52, 73, 95, 80]然后我们绘制传统的簇状条形图和哑铃图来对比一下效果# 创建子图对比两种可视化方法 fig, (ax1, ax2) plt.subplots(1, 2, figsize(14, 8)) # 簇状条形图 x np.arange(len(categories)) bars1 ax1.bar(x - width/2, sales_2022, width, label2022年, color#4C72B0, alpha0.8) bars2 ax1.bar(x width/2, sales_2023, width, label2023年, color#DD8452, alpha0.8) # 在每个条形上添加数值标签 # 省略 ... # 哑铃图 # 设置y轴位置每个类别的垂直位置 y_pos np.arange(len(categories)) # 绘制连接线 for i, (y2022, y2023) in enumerate(zip(sales_2022, sales_2023)): # 确定线颜色增长为绿色下降为红色 line_color #55A868 if y2023 y2022 else #C44E52 ax2.plot([y2022, y2023], [i, i], colorline_color, linewidth2.5, alpha0.7, zorder1) # 绘制数据点 ax2.scatter(sales_2022, y_pos, s120, color#4C72B0, alpha0.9, label2022年, zorder2, edgecolorswhite, linewidth2) ax2.scatter(sales_2023, y_pos, s120, color#DD8452, alpha0.9, label2023年, zorder2, edgecolorswhite, linewidth2) # 省略 ... plt.tight_layout() plt.show()通过上面的对比我们可以清晰地看到哑铃图的优势变化一目了然连接线的长度直观表示变化幅度方向表示增长或下降减少视觉跳跃眼睛不需要在条形间来回移动而是沿着水平线自然追踪突出比较重点专注于每个项目的两个状态对比而非绝对数值进一步我们还可以给哑铃图排序按照增长由快到慢给各个品类排序这样自然形成从下降最显著到增长最显著的连续谱模式自动显现无需刻意寻找。比如上面的哑铃图中【服装鞋帽】这个品类其实销售额是下降的混在一堆哑铃中不容易看出来吧# 创建排序后的哑铃图 fig, ax plt.subplots(figsize(10, 8)) # 按变化幅度排序 sorted_indices np.argsort( [sales_2023[i] - sales_2022[i] for i in range(len(categories))] ) sorted_categories [categories[i] for i in sorted_indices] sorted_2022 [sales_2022[i] for i in sorted_indices] sorted_2023 [sales_2023[i] for i in sorted_indices] # 绘制连接线 # 省略 ... # 绘制数据点 # 省略 ... # 添加变化箭头标注 # 省略 ... plt.tight_layout() plt.show()这样改造后由上到下的哑铃越来越短也就是增长越来越慢最底部的那个是负增长用了红色来标注。4. 总结数据可视化的核心目标是有效传达信息。当我们需要强调变化、比较两个相关状态时哑铃图提供了一种简洁而强大的解决方案。就像选择合适的工具完成工作一样在面对数据比较任务时我们应该根据具体需求选择最合适的可视化形式当需要比较多个项目的两个状态时选择哑铃图当需要展示单个项目的多个组成部分时选择堆积条形图当需要比较多个项目的多个类别时选择簇状条形图最好的可视化不是最复杂的而是能让观众在最短时间内理解最多信息的那个。哑铃图正是这样一种高效的工具它用最简单的线条连接讲述了数据世界中最动人的变化故事。
