
一招洪荒之力,让你的图表逼格飞
好的数据分析必须要配好的图表,好的图表才能自己会说话,并且受众看起来也赏心悦目。但是好看的图表并不一定是好的图表,图表既是为做图者的目的服务的,也是为受众读图服务的。
首先什么样的数据类型决定了用什么样的图表形式,有些人做了一辈子的图表都没有离开过三俗图(曲线图、柱状图、饼图)。其实图表类型丰富多彩,条形图、面积图、散点图、雷达图、股价图等等。
其次,图表适当的美化能提高受众愉悦感,谁不希望自己做得图表非常漂亮呢?例如下面这个南丁格尔玫瑰图,是不是非常的漂亮?
南丁格尔号称数据可视化的鼻祖,是著名的英国护士和统计学家。话说当年战争期间她申请了一批医疗物资,结果上司多次不批准,于是灵机一动,把申请报告画成了玫瑰的样式,报告一递上去就批准了(愉悦度提升了)。于是就有了南丁格尔玫瑰图,但是图表美化的前提是不能喧宾夺主,不能误导受众,不能形式大于内容(例如上图)。
今天教大家一招既简单又能有效提高图表逼格的应用。就是图表中的“填充”功能。下图是年终汇报时可以用的图表,和我们常规柱状图不一样的是,柱体是金元宝。
我用截止到今天的奥运会金牌数据来演示如何做这样的图。这是数据源。
我选择用条形图来展示金牌榜的情况,柱体用金牌数量体现,如下图。
首先做一个条形图,然后在网上找一张金牌图案,然后作为素材保存下来。接下来选中图中的柱体,点击鼠标右键,选择“设置数据系列格式”。
接下来一次点击“填充”、“图片或纹理填充”、“文件”,选择刚才保存的金牌文件即可(也可以使用剪贴板,前提是图片在剪贴板中)。
“关闭”后效果如下图。
好丑!
原因是系统自动默认为“伸展”模式了,改成“层叠”模式即可。
使用层叠格式有时候会出现好多图片,秘密麻麻的情况,这个时候就用“层叠并缩放”功能就行。例如销售额是800万元,就可以填入100单位/图片,此时柱体中只会出现8张图片的层叠。
这样,一张金牌榜的柱状图就做好了。其实在图表的每个地方都可以使用“填充”图片功能,会有不一样的效果。
将整个图表区域填充成中国国旗
将绘图区填充成里约奥运会标准
还有坐标轴、标题、图例、标签等,这样说吧,只要是图表中出现的地方都可以通过填充的方式替换成自己想要的图片。
用这种方式可以愉快地把企业LOGO,产品图片等放到自己的数据图表中去了,这样的图表自然是高逼格的图表。因为图表有场景化了!
不过需要注意:简单就是美,绝对不能让你的图看起来乱七八糟的。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09