展开全文

5、 去掉图例，直接在线条的附近标注，避免观察者在图例和数据之间来回移动；

6、去掉平均值线，让图表显得更加简洁；

7、更加谨慎而且有策略地使用颜色，去掉那些花花绿绿的颜色，换成只有蓝色和灰色，这样反而能够让重要的信息显得更加突出；

8、坐标轴和标签文字统一换成深灰色，让它们更自然地融入背景，在视觉上不与数据进行竞争；

9、把竖直的日期标签，换成横向的简化日期格式，以便提高阅读的体验，有研究表明，阅读 90 度角倾斜的文字，速度比阅读正常方向的文字平均慢 205%；

10、去掉最大值和最小值的具体数字，因为这里更加关心的是数据背后的事件，而不是数字本身；

11、增加 X 轴的标题「日期」，让它与最左侧的标签对齐；

12、增加 Y 轴的标题「产品销量」，让它与最上方的标签对齐，为了更加方便阅读，采用换行的方法，把 Y 轴的标题文字变成竖直的方向。

02

下面是画图的详细代码。

首先，导入所需的库，并设置中文字体和定义颜色等。

# 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colors = { ‘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。

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

# 定义画图用的数据x = [x.strftime( ‘%m-%d’) forx indf.日期] y = df.实际销量

接下来，开始用「面向对象」的方法进行画图。

# 设置标题ax.text(- 3.9, y.max+ 6, ‘n2019年9月每天产品销量的变化趋势n’, fontsize= 26, color=colors[ ‘深灰色’])

# 绘制折线图ax.plot(x, y, marker= ‘o’, color=colors[ ‘蓝色’], markevery=[y.idxmin, y.idxmax], mfc= ‘w’)

# 标注最大值对应的事件ax.annotate( ‘打折促销’, xy=(x[y.idxmax], y.max), color=colors[ ‘蓝色’], xytext=(y.idxmax- 4.2, y.max), arrowprops=dict(arrowstyle= ‘->’, color=colors[ ‘蓝色’]), fontsize= 16)

# 标注最小值对应的事件ax.annotate( ‘中秋节’, xy=(x[y.idxmin], y.min), color=colors[ ‘深灰色’], xytext=(y.idxmin- 3.6, y.min), arrowprops=dict(arrowstyle= ‘->’, color=colors[ ‘深灰色’]), fontsize= 16)

# 计算 7 天移动平均y2 = y.rolling( 7).mean # 绘制趋势线ax.plot(x, y2, ls= ‘-‘, color=colors[ ‘灰色’], label= ‘七天移动平均’) # 绘制趋势线末端的箭头plt.annotate( ”, xy=(x[- 1:], y2[- 1:]), xytext=(x[- 2:- 1], y2[- 2:- 1]), arrowprops=dict(arrowstyle= ‘->’, color=colors[ ‘灰色’], shrinkB= 0)) # 文字说明移动平均ax.text(len(x)- 7.8, y2[- 8:- 7], ‘七天移动平均’, color=colors[ ‘深灰色’], fontsize= 12, bbox=dict(facecolor= ‘w’, edgecolor= ‘w’))

# 隐藏边框ax.spines[ ‘top’].set_visible( False) ax.spines[ ‘right’].set_visible( False) ax.spines[ ‘bottom’].set_color(colors[ ‘灰色’]) ax.spines[ ‘left’].set_color(colors[ ‘灰色’])

# 隐藏 X 轴的刻度线ax.tick_params(axis= ‘x’, which= ‘major’, length= 0)

# 设置 X 轴显示的标签xt = []fori innp.arange(len(x)): ifi % 5== 0: xt.append(x[i])else: xt.append( ”) xt[- 1] = x[- 1] ax.set_xticklabels(xt, ha= ‘left’)

# 设置 X、Y 轴的标题，适当留白ax.text(- 0.1, – 5, ‘日期’, ha= ‘left’, fontsize= 16, color=colors[ ‘深灰色’]) ax.text(- 3.9, y.max+ 6.8, ‘产n品n销n量’, va= ‘top’, fontsize= 16, color=colors[ ‘深灰色’])

# 设置坐标标签字体大小和颜色ax.tick_params(labelsize= 16, colors=colors[ ‘深灰色’])

# 设置 y 轴的刻度范围ax.set_ylim( 0, y.max+ 6)

plt.show

运行之后，便得到上面那张改进之后的折线图。

你可以前往 https://github.com/linjiwx/mp 下载画图用的数据和完整代码，其中包含详细的注释。

03

一幅好看又好用的数据可视化作品，应考虑用户的需求，把用户放在第一位， 让形式服从功能。在突出重要内容的同时，还需要尽可能消除干扰，保持图表的简单易懂，去掉不必要的复杂元素。

有时候，在图表中适当地添加文字内容，有助于用户更加快速地理解信息，所以，不要惧怕在图表中使用文字。

多花些时间改进图表的细节，避免设计过度复杂的图表，永远不要为了添加而添加，应该认真思考，带着明确的目标，设计图表的时候多做减法，体现设计者的用心和对用户的尊重，这会耗费设计者的一些时间，但这么做是值得的，因为能让用户对图表有更多的耐心，进而能够增加成功传达信息的概率。

作者简介

我是林骥，从 2008 年开始从事「数据化分析」，坚持用心做原创，期待你的关注。

数据可视化｜用柱形图进行对比分析