数据可视化图表类型并没有统一的官方分类。微软的 Power BI 文档按比较与趋势、部分与整体、分布与关系、地图、KPI 等用途组织图表。英国皇家统计学会的数据可视化指南建议,先明确图的用途、要发现什么、读者是谁,再按数据类型或数据关系选择图形。两种思路指向同一件事,先有问题,再有图表。
实务中更便于操作的做法,是按分析任务把常见图表分成六类,包括比较、趋势、构成、分布、关系和空间。流向、变化与进度类图表在业务看板和汇报里也经常出现,放在后面补充。下面讲常见图表和选择条件,不比较具体工具,也不追求穷尽所有图形。
选图可以按五步走。
- 用一句话写清这张图要回答什么,包括对象、指标、时间范围和读者要做的动作。
- 判断数据关系,是比较、趋势、构成、分布、关系,还是空间。
- 看数据形态,包括分类还是连续、类别有多少、时间跨度多长、有没有地理字段或层级。
- 选一张主图和一张备选,按读者熟悉程度决定是否换成更简单的图。
- 检查坐标轴、颜色、样本量、标题和注释,排除常见误读。
这套按分析问题选图的顺序,重点在图表类型和判断条件。交互、联动和下钻另文展开。
一、先判断问题,再选图表类型
图表承担表达关系的任务。读者看完一张图,应该能回答一个具体问题,或者决定下一步做什么。英国皇家统计学会的指南建议先问三个问题。这张图是用来发现问题的,还是向别人说明观点?想发现什么?读者是谁?读者对箱线图、热力图、桑基图的熟悉程度不同,同样的数据可能需要不同的表达。
把这三个问题落到工作里,可以用下面这张表做判断。
| 判断项 | 要问自己的问题 | 对选图的影响 |
|---|---|---|
| 读者任务 | 这张图是找异常、做比较、汇报结论,还是支持一次讨论 | 决定信息密度和图表复杂度 |
| 数据关系 | 要表达比较、趋势、构成、分布、关系,还是空间位置 | 决定图表大类 |
| 数据形态 | 字段是分类还是连续,类别有多少,有没有时间、地理或层级 | 决定具体图型和是否需要聚合 |
| 读者经验 | 读者是否熟悉箱线图、热力图、桑基图 | 决定解释成本和备选图 |
| 输出场景 | 报表、电脑看板、手机、大屏 | 决定字号、标签和交互空间 |
同一份数据可以画出多张图。问题变了,要表达的关系就变了,图表也应该跟着换。
二、比较类任务常用条形图、柱状图和分组图
比较类任务回答的是谁高谁低、差距多大。常用的是条形图和柱状图。两者的区别主要在方向,条形图横向排列,柱状图纵向排列。类别名称长、类别数量多时,条形图更容易读。类别少、想强调时间分段时,柱状图更合适。
| 图表 | 适合什么 | 需要注意 |
|---|---|---|
| 条形图 | 比较不同渠道、地区、版本的同一指标,类别多或名称长 | 按数值排序,横轴从 0 开始 |
| 柱状图 | 类别较少,或按周、月、季度比较 | 纵轴从 0 开始,类别多时改用条形图 |
| 分组柱状图 | 同一类别下比较 2 到 3 个系列 | 系列多会拥挤,考虑拆成小倍数图 |
| 点图或棒棒糖图 | 类别多,想减少视觉重量 | 保留排序,适合展示单一指标 |
| 雷达图 | 少量对象的多指标轮廓比较 | 指标要固定且可解释,不适合精确比较和对象过多 |
比较类图表值得优先做的动作是排序。 没有自然顺序时,按数值从大到小排列,读者很快能看到头部、尾部和异常项。按字母排序会把有用的差异藏起来。
柱状图和条形图的数值轴要从 0 开始。截断轴会把小幅差异放大,读者容易得出错误结论。折线图可以截断,但要在图上标明。
雷达图在较少数组、固定指标时能展示轮廓,例如比较两款产品在 5 个能力维度上的差异。指标一多、量纲不一致,或者读者需要精确比较时,雷达图会增加理解成本。
三、趋势类任务常用折线图、面积图和柱状图
趋势类任务回答的是一段时间里怎么变,读者关心方向、拐点、波动和异常。折线图把连续时间上的值连起来,适合看整体形状。柱状图也能表达时间变化,更适合离散的时间点或周期对比,读者会先比较每个周期的量,再看变化。
| 图表 | 适合什么 | 需要注意 |
|---|---|---|
| 折线图 | 连续时间上的趋势、拐点和异常 | 时间间隔尽量稳定,线条控制在 4 到 5 条以内 |
| 柱状图 | 按周、月、季度比较数值 | 强调每个周期的量,纵轴从 0 开始 |
| 面积图 | 强调总量随时间的变化 | 多条面积叠加会遮挡,适合少量系列 |
| 堆叠面积图 | 同时看总量和构成变化 | 中间层难比较,重要系列放在底部 |
| 小倍数图 | 多个渠道、地区分别看趋势 | 每张小图使用相同坐标范围,便于比较 |
折线图超过 4 到 5 条线,读者很难区分每条线对应哪个系列。 线条多时,优先高亮重点系列,其余用灰色,或者拆成小倍数图,一张小图看一个渠道。From Data to Viz 把线条过多的折线图称为面条图,原因就是读者无法从缠绕的线里提取结论。
双轴图要谨慎。两个指标单位不同、又必须共享同一时间轴时可以考虑,但两个纵轴都要标清单位和范围。只想比较趋势时,拆成两张图通常更清楚。
四、构成类任务常用饼图、堆叠图和层级图
构成类任务回答的是整体由哪些部分组成,各部分占多大比例。它和比较类任务容易混在一起。比较多个类别的数值高低,用条形图更直接。看各部分对整体的贡献,才轮到构成类图表。
| 图表 | 适合什么 | 需要注意 |
|---|---|---|
| 饼图或环形图 | 少量类别的部分与整体关系 | 类别控制在 5 到 6 个以内,不要比较相近的扇形,不要用 3D |
| 百分比堆叠条形图 | 多组数据的构成对比,类别较多 | 比饼图更容易比较,每组总和统一为 100% |
| 堆叠柱状图 | 同时看总量和构成 | 中间层难比较,重要系列放在底部 |
| 树状图 | 层级构成,类别较多 | 面积比较不如长度精确,适合看大致比例 |
| 旭日图 | 层级构成,层级不深 | 外圈扇形难读,层级越多越复杂 |
饼图适合少量类别的粗略占比,不适合精确比较。 人的眼睛对角度和面积的判断不如对长度敏感。扇形接近时,读者很难看出 23% 和 25% 的差别。类别多、需要比较多个组的构成,百分比堆叠条形图通常更稳。
树状图和旭日图适合展示层级,例如按地区、品类、渠道逐层拆分。层级太深、类别太多时,图上的标签会挤在一起。重要结论仍然要回到条形图或表格。
五、分布类任务常用直方图、箱线图和散点图
分布类任务回答的是数值集中在哪里、尾部有多长、有没有异常值。它关注一批数据的形状,不关注单个类别的高低。直方图把连续数值分成若干区间,用柱子的高度表示每个区间的数量或频率。
| 图表 | 适合什么 | 需要注意 |
|---|---|---|
| 直方图 | 连续数值的分布,看集中、尾部、双峰 | 分箱方式会改变形状,说明样本量和箱宽 |
| 箱线图 | 比较多个组的分布和异常值 | 隐藏样本量和分布形状,非专业读者可能看不懂 |
| 小提琴图或密度图 | 看分布形状和多个组的差异 | 样本少时不稳定,需要解释读法 |
| 条带图或蜂群图 | 小样本时展示每个数据点 | 点太多会重叠,适合样本量不大的场景 |
| 散点图 | 两个连续变量的分布和聚类 | 点重叠时用透明度、抽样或分面 |
直方图的分箱方式会改变读者看到的形状。 箱宽太大会抹掉细节,箱宽太小会让随机波动看起来像规律。做完直方图,可以换一两种箱宽再看,并在标题或注释里说明样本量和分箱方式。
箱线图能压缩信息,也会隐藏样本量和分布形状。 它适合给熟悉统计图的读者快速比较多个组,不适合让不了解四分位数的读者直接下结论。样本少时,条带图或蜂群图把每个点画出来,读者能看到真实分布。
六、关系类任务常用散点图、气泡图和热力图
关系类任务回答的是两个或多个变量是否一起变化、有没有聚类、哪些点值得进一步调查。散点图是直接的表达,一个点代表一条记录,横轴和纵轴各放一个连续变量。
| 图表 | 适合什么 | 需要注意 |
|---|---|---|
| 散点图 | 两个连续变量的相关、聚类和异常点 | 相关不等于因果,点重叠时用透明度、抽样或分面 |
| 气泡图 | 在两个变量的基础上加入第三个变量 | 气泡面积容易误读,标清大小尺度和图例 |
| 热力图 | 两个分类维度的数值高低或密度 | 有序数据用单色渐变,不要用彩虹色,空白多时不适合 |
| 相关矩阵 | 多个变量两两之间的关系 | 适合筛选变量,不适合直接下因果结论 |
| 网络图 | 节点之间的连接、中心节点和社群 | 节点和连线过多会变成毛线球,需要筛选和分组 |
散点图显示两个变量同向变化,标题不要写成导致。 相关可能来自共同原因、反向因果或数据口径问题。标题可以写同时变化、值得进一步验证,因果判断需要实验或更强的研究设计。
热力图用颜色表示数值,适合两个分类维度的矩阵数据。有序数值用单色渐变,正负偏差用发散色,类别颜色要控制数量并检查色盲可读性。From Data to Viz 提醒,彩虹色不适合表示有序数值,因为读者无法从颜色顺序判断大小。
七、空间类任务常用哪些地图
空间类任务回答的是在哪里、分布是否集中、从哪里流向哪里。地图只有在位置本身影响判断时才有价值。比较各省销售额,条形图通常更直接。看门店覆盖密度、配送范围或区域差异,地图才承担了其他图表替代不了的信息。
| 图表 | 适合什么 | 需要注意 |
|---|---|---|
| 分级统计地图 | 按区域看比率或水平,例如各地区的渗透率 | 面积大的区域视觉权重大,优先用比率,不用绝对值 |
| 点地图或气泡地图 | 具体位置、密度和区域差异 | 气泡大小容易误读,标清尺度和图例 |
| 流向地图 | 起点到终点的流量,例如物流、迁移、投放 | 线条多会混乱,只保留主要流向 |
| 热力地图 | 密度分布,例如用户点击和活动范围 | 不适合精确比较,颜色要有图例 |
地图上展示绝对值,会让面积大的区域占据视觉优势。 人口少的地区面积大,颜色或气泡看起来更重,读者容易把面积当成数量。展示比率、密度或人均值时,地图更接近真实差异。
如果位置不是问题的一部分,地图可能只是装饰。 一张地图占用的空间大,标签和边界还会增加阅读成本。先用条形图比较区域数值,确认位置差异值得看,再决定是否上地图。
八、流向、变化与进度类图表
业务看板里还有几类图表,回答的是流程走到哪一步、流量去了哪里、目标完成得怎么样。它们不属于前面六类分析任务,但在运营、财务和管理看板中很常见。
| 图表 | 适合什么 | 需要注意 |
|---|---|---|
| 漏斗图 | 顺序流程的转化和流失,例如注册、激活、付费 | 各阶段定义要一致,不要用它比较不同流程 |
| 桑基图 | 流量在多个节点之间的分配和去向 | 适合多级流向,节点太多会复杂 |
| 瀑布图 | 从一个总量到另一个总量的增减变化 | 解释增减构成,不是占比图 |
| 子弹图 | 实际值与目标、基线的对比 | 比仪表图更易读,标清目标线和区间 |
| KPI 卡或仪表图 | 单个关键数字、目标进度 | 仪表图占空间、精度低,KPI 卡要配对比基准 |
| 甘特图 | 任务排期和进度 | 不适合展示数值大小,适合项目和时间计划 |
瀑布图解释增减,不解释占比。 收入从月初到月末增加了多少,哪些因素在拉动,哪些因素在拖累,瀑布图能把这些变化按顺序拆开。要看各部分占整体的比例,回到饼图、堆叠图或树状图。
仪表图适合展示单个指标的健康状态,不适合放进信息密集的看板。 它占空间,刻度也不容易精确读取。用子弹图或带目标线的条形图,读者更容易比较实际值和目标。
九、同一组数据,换一个问题就换一张图
假设有一份渠道月度数据,字段包括渠道、月份、新增用户、投放费用、付费金额和地区。下面用演示数据说明选图顺序,数值不代表真实业务结果。
| 要回答的问题 | 图表 | 读者要做的动作 |
|---|---|---|
| 哪个渠道新增用户最多 | 排序条形图 | 找头部渠道和异常渠道 |
| 新增用户 12 个月怎么变化 | 折线图,重点渠道高亮 | 看趋势、拐点和波动 |
| 各渠道新增用户占多大比例 | 百分比堆叠条形图 | 看构成和渠道份额 |
| 渠道付费金额集中在哪些区间 | 直方图或箱线图 | 看集中、尾部和异常值 |
| 投放费用与新增用户有没有关系 | 散点图 | 形成假设,等待进一步验证 |
| 新增用户来自哪些地区 | 分级统计地图 | 看区域差异和覆盖空白 |
同一份数据可以支持多张图。问题决定要表达的关系,关系再决定图表类型。 先写问题,再打开图表库,比先选一个好看的图再找数据更容易得到有用的结果。
图表标题也应当跟着问题走。只写新增用户,读者还要自己找重点。写成华东渠道新增用户连续三周高于其他渠道,读者一眼能看到结论,再决定是否下钻。副标题交代时间范围、样本量和筛选条件。
十、选图后还要检查什么
图表类型选对,只完成了一半。坐标轴、颜色、样本量和标题仍会改变读者得出的结论。下面这些检查项适合在图表发布前过一遍。
| 检查项 | 常见问题 | 修正方式 |
|---|---|---|
| 坐标轴 | 柱状图或条形图不从 0 开始,折线图截断不标注 | 柱状图和条形图从 0 开始,折线图截断要标注并说明原因 |
| 类别和线条数量 | 饼图类别太多,折线太多,读者无法区分 | 换用百分比堆叠图、条形图或小倍数图 |
| 颜色 | 彩虹色表示有序数值,颜色过多 | 有序数据用单色渐变,正负偏差用发散色,检查色盲可读性 |
| 样本量和口径 | 小样本被当成整体趋势,分母、单位、时间范围不一致 | 标清样本量、分母、单位和时间范围,小样本只做观察 |
| 标题和注释 | 只写指标名,异常点没有解释 | 标题写结论,注释标出上线、活动、口径变更等已知事件 |
| 相关和因果 | 散点图同向变化,标题写成导致 | 用相关、同时变化、值得验证等表述,因果需要实验或更强设计 |
| 3D 效果 | 3D 饼图、3D 柱状图遮挡和扭曲数值 | 改用 2D 图表,用颜色、排序和注释突出重点 |
图表选对只是第一步,坐标轴、颜色和标题仍会改变读者结论。 如果一张图要发布到看板或大屏,还要检查字号、标签和加载后的实际效果。图表在电脑上清楚,到了手机或远距离屏幕上不一定可读。
更完整的误读和数据安全风险,可以看数据可视化风险这篇文章。
十一、工具与 AI 能帮到什么程度
图表工具可以根据字段类型和分析意图推荐图形,AI 也能根据自然语言问题生成图、做初步归因、支持连续追问。它们适合处理重复性高的日常分析,例如按渠道拆分留存、找出漏斗中降幅最大的步骤、对异常指标做初步定位。
ThinkingAI 的数据分析 Agent把自然语言问数、多轮对话、自动归因和智能可视化放在一条分析链路里,支持一键导出报告。Agentic Engine 平台提供事件分析、漏斗分析、留存分析、用户分群和数据看板等能力。业务人员可以先把问题问出来,再把需要深挖的部分交给分析师。ThinkingAI 已服务全球超 1500 家企业,接入产品超 8000 款。
AI 生成的图仍要经过同一套检查。问题、指标口径、读者经验、样本量和因果判断不在字段里,工具无法替业务决定。图表生成得越快,口径不一致带来的分歧也会被放大。
如果团队还没有统一指标定义,先补指标口径和语义层,再讨论自动出图。
工具能降低操作成本,不能替业务定义问题。
参考资料
- Microsoft Learn,Power BI 中的可视化效果概述,https://learn.microsoft.com/zh-cn/power-bi/visuals/power-bi-visualization-types-for-reports-and-q-and-a
- Royal Statistical Society,Choosing a visualisation type,https://royal-statistical-society.github.io/datavisguide/docs/choosing.html
- From Data to Viz,https://www.data-to-viz.com/
以上资料核对于 2026 年 11 月。
常见问题
直方图和柱状图有什么区别?
柱状图比较不同类别的数值,每根柱子对应一个类别。直方图展示连续数值的分布,每根柱子对应一个数值区间。看渠道销售额用柱状图,看订单金额集中在哪些区间用直方图。
饼图最多放几个类别?
没有统一上限,实务上控制在 5 到 6 个以内更容易读。类别多、扇形接近,读者很难比较,改用百分比堆叠条形图或条形图。如果只需要表达一个总数和少量构成,饼图或环形图可以胜任。
折线图最多画几条线?
常见建议是控制在 4 到 5 条以内。线条再多,颜色和图例会增加阅读负担。需要比较更多渠道时,高亮重点,其余用灰色,或者拆成小倍数图。
雷达图适合什么场景?
适合少量对象在多个固定指标上的轮廓比较,例如两款产品在 5 个能力维度上的差异。指标数量多、量纲不一致,或者读者需要精确比较时,改用条形图或表格。
地图什么时候不适合用?
位置本身不影响结论时,地图往往不如条形图直接。比较各省销售额、渠道排名或版本表现,条形图更容易读。地图上展示绝对值还会放大面积大的区域,优先使用比率、密度或人均值。
3D 图表能用吗?
不建议在业务报表里使用 3D 饼图、3D 柱状图。透视会遮挡和扭曲数值,读者难以比较。需要突出层次时,用颜色、排序、注释或小倍数图。






