一、前言

（1）本篇简述

  1. 本篇主要教你使用最常用的的六种可视化图型，分别为：
    1. 条形图
    2. 直方图
    3. 折线图
    4. 饼图
    5. 凸显表
    6. 矩形树图

  2. 本篇包含了大量的基本操作与思路，基本上本篇学完，你应该可以开始进行一些基本的数据分析工作了

    （2）用哪个图型做可视化？

  3. 市面上部分教程有两个特点

    1. 大而空，看似讲了一堆实则大而无用，在门口蹭了半天就是不进去，学完等于没学
    2. 只关注结果并落于使用而不理解成因，具体表现：不解释“为什么”，给了你一堆操作步骤让你跟着去做，学完后似会非会，你说操作也确实会操作，但是真要做的时候又不知道该怎么下手了
      1. 第一类无非也就是“成功学”式的鸡汤课，大不了当看本小说
      2. 这类大多还要给自己冠以“干货之名”，动辄几百页ppt、上百个视频，（假如你能耐着性子）花极大量的时间跟着操作完了，最后真要做的时候该不会还是不会

  4. 要明确两点，数据可视化无非就是两个目的

    1. 产出报表，用于分享、展示、汇报，这时我们会更关注展示效果，这个目的下大家需要的是尽可能了解更多的图型与工具，选出最适合的展示效果
    2. 数据分析，这时可视化只是为分析服务的工具，展示“炫酷”不再那么重要，不同图型往往用于不同的分析场景（也有重合），此时切忌随便套个图型or在某一型上陷入纠结

      （3）Tableau中的维度与度量

  5. 第一课中我们已经介绍了维度与度量的概念，这两者是Tableau制图中非常重要的组成部分，我们再来简单回顾一下

    1. image.png
    2. 蓝色部分的字段称之为“维度”，绿色部分的字段称之为“度量”
    3. 每一张可视化图表，都会由“维度”与“度量”组成，不同图型的构成需求不一样，例如某些图型需要2个以上的维度构成，有些可能1个就足够
    4. 你可以简单的把度量理解为数值型数据、可用于计算、统计；而维度则是客观描述或属性本身，往往用于区分
      1. Tableau会根据你的数据类型自动为你把字段分为维度与度量，但并不是100%准确，有时你需要手动对其进行调整
      2. 在数据分析过程中，有些字段既可以作为维度也可以作为度量，这时你可以复制一个字段，将其移入维度或度量
      3. 错误的将字段变为度量或维度，将无法产出可视化图表
    5. 我们以下图为例，大致看一下哪些字段是维度、哪些是度量
      1. image.png
      2. 典型的维度：名字、类型、产地、上映时间、首映地点
      3. 典型的度量：投票人数、时长
      4. 年代、评分这类字段，它们的范围基本是可以确定的，例如评分就是趋于0~10内带一位小数点的数字，它们既可以作为度量、也可以作为维度
      5. 比如评分，你可以将其作为维度，统计不同评分下的电影数量；也可以将其作为度量，统计不同产地下的评分总和
    6. Tableau还会自动为你生成两个度量（部分版本可能没有，所以建议使用新版）
      1. image.png
      2. 度量值代表了所有可以作为度量的字段，你在实际操作过程中如果选择了度量值，就会自动帮你将所有度量字段都填入
        1. 本质上是一个快捷的合并操作，一口气帮你把所有的度量都拖进分析区，一般不使用，大家还是根据实际需求直接选择对应的字段即可
      3. （计数）代表了数据有多少行，即计算多少条数据
        1. 非常常用，也有其他方法可以实现同样的效果，不过直接用计数字段比较便捷
    7. 本篇接下来的案例均会使用该数据来完成，请大家再观察一下这份数据

      二、条形图

      （1）条形图简介

  6. 条形图是日常使用最为广泛的图型

    1. image.png
    2. 对于一些基础需求，条形图+饼图就可以满足所有
  7. 条形图有个兄弟叫直方图，大部分人都应该见过，但是分不清楚，等下会说到

  8. 条形图的特点

    1. 可以横向也可以纵向，长度越长、表示数量越大
    2. 一般用于比较不同条件下数量的大小
    3. 表达维度的轴，内容之间可以是毫无关系的（不连续），例如图中动画与动作，彼此是孤立的数据，各个条形之间有空隙

      （2）用Tableau制作条形图

  9. 做图前先想一想，这份数据有哪些维度可以用作比较呢？我们先从简单的数量开始，随便举几个例子

    1. 不同类型下分别有多少电影？
    2. 不同产地分别贡献了多少电影？
  10. 不做过多延伸，我们就拿“不同类型下分别有多少电影？”来实际操作一下
    1. image.png
    2. 分别将作为维度的“类型”与作为度量的“计数”移入行与列（两者顺序可以互换，对应横向或是纵向的图）
    3. 将“计数”按住键盘上的“control”复制一份到标签的位置上，或者直接从左侧再选一个“计数”移上去，以把对应数值显示在图表上
      1. 将什么字段放在标签上，就自动会把对应的值显示在图表上（划重点，大家想想可以有什么延伸）
    4. 这样一张简单的条形图就完成了，我们可以很轻松的看到剧情片数量占比是绝对的no.1，这是一个非常基础的数据分析
    5. 不过目前这样的显示并不利于直观的对比数量分布情况，我们可以再按倒序排列一下，让其更加直观
    6. image.png
    7. 现在我们可以得到一张不同类型下电影数量的排行图
  11. 单单是这样我们可以得到的信息还是非常有限的，我们可以对其进行进一步加工，例如我们现在有了单独的数据排行，我能否直观的显示出所有类型的平均数量呢？
    1. image.png
    2. 在字段区的上方选择“分析”面板，点击“平均线”拉入“表”的位置，我们就可以得到整体的平均数量了
    3. 通过加入这条平均线我们可以得出结论：不同电影类型的数量分布差距极大，呈两级分布，且由于存在极端大值，导致最终实际只有5个类型的影片数量是大于平均值的，大量的电影类型都是炮灰，市面上的电影几乎都集中在这几个类型里，也算是一种资本投资的偏向性
    4. （具体的分析这里也不过多展开了，还是以软件教程为主，一些简单的分析穿插，实际过程中一些数据分析是存在误导偏差的，但是先不展开了，这属于进阶的部分，有基础的同学看到后文的分析如果存在偏差、请无视，我这里都只基于表层数据来做分析，方便0基础的同学理解）
    5. 表、区、单元格分别代表了以什么数据范围为单位进行平均值计算（有时可能涉及多个维度）
      1. image.png
      2. 如图所示，当维度变成了年-季时，数据按2015、2016变成了两个分区
      3. 这种情况，如果我想知道不同年份（分区）下的平均值情况，就需要将“平均线”拉入“区”的位置，单元格同理
      4. 整个分析部分之后会细讲，这边先跳过

  12. 继续返回“不同类型下的电影数量”，我还希望做更深一层的信息挖掘，我们是不是可以再做一个交叉？

    1. image.png
    2. 移除标签内原本的“计数”
    3. 将“评分”移入“标签”
    4. 右键移入后出现的小卡片，在弹窗内将“度量”里的选项改为平均值（这种非系统自带的度量值，带入分析区后默认都会是总和，请注意根据需求修改）
    5. 这样就会在不同类型的条形图上分别显示其“评分的平均值”，此时条形越高代表数量越多、数值直接显示电影评分的平均值
    6. 剧情片数量多、市场的评分情况也不低，难怪受资本市场喜爱了（拍了这么多）
    7. 根据实际情况，你也可以显示“最大值”、“最小值”等等

      三、直方图（向上，表示连续、显示分布，不能有间隙）

      （1）直方图简介

  13. 直方图与条形图其实很好区分，以下图为例

    1. image.png
    2. 大家发现其与条形图的差别了吗？

  14. 直方图的特点

    1. 直方图的维度是“连续”的，是一个范围，用于表示趋势变化，与条形图的区别就在于此
    2. 一般来说行业惯例纵向展示条形，长度越长、表示数量越大（虽然你可以设置为横向，但我们正常展示都是宽度>高度，横向是更有利于表示连续关系的）
      1. image.png
      2. 我们放一个负面案例给大家看一下效果，此时你还能清晰的看出不同年份下的数量走势关系吗？
    3. 一般用于比较不同条件下数量的大小
    4. 表达维度的轴，彼此之间是连续发生的，例如图中的不同年份，因此各个条形之间不可以有空隙，要表示清楚连续关系

      （2）用Tableau制作直方图

  15. 直方图我们就简单跟着做一下就可以，实际上现在直方图用的并不多，折线图是一个更好的形式

  16. 之所以要单独把直方图拿出来讲，是因为要引入一个新的概念“数据桶”，这是一个非常便捷的数据分层工具
  17. 我们首先需要对“年代”这个字段进行处理，如果大家没有自己处理过，它现在应该还是一个字符串类型的，这并不是我们想要的
    1. image.png
    2. 首先转化为整数的格式
    3. image.png
    4. 继续右键，基于“年代”来创建一个“数据桶”
  18. 数据桶是什么？
    1. image.png
    2. 我们刚刚把“年代”变成了整数，即现在所有的“年代”是一串数值，这里面包含个上百个年份
    3. 数据桶就是根据你设定的切割值，将某个字段里的所有数值分为多个区间
    4. 切割值就是图中的“数据桶大小”，例如我们设置为20，现在有1~100一共100个数，数据桶就会把这一百个数按0~19、20~39、40~59、60~79、80~99、100，一共6个区间
      1. 然后我们就可以基于每个区间，来统计一些数据，例如0~19的区间里一共有多少部电影之类
      2. 数据桶切割大家应该已经清楚了，但为什么不是我们理想中的1~20、21~40、41~60、61~80、81~100呢？
      3. Tableau是默认从0作为起点开始计算的，即使是负数，也是从0向前倒推
      4. 而数据桶一般用于大量数据的快捷分组，很多时候还存在小数，所以不太需要太在意这个，可以直接使用他的建议值
      5. 数据桶一个非常大的作用在于，将原本无法用作“维度”的“度量”值，通过分区的方式变成“维度”、这样对数值也可以进行统计了
      6. 如果存在精细化分组的需求，可以使用“创建-组”来完成
      7. image.png
      8. 你可以手动、批量将数据归为某一个组，并为其命名；但要注意，组由于默认不是连续数据，是无法创建直方图的
  19. 创建完数据桶后，你需要将其转化为连续（直方图必须是连续数据）
    1. image.png

  20. 后面的操作大家应该都会了

    1. image.png
    2. 将创建后的数据桶拖入列、计数拖入行，并将计数移至标签

      四、折线图（表示趋势、可以双轴/柱线或者多线）

      （1）折线图简介

  21. 折线图也是非常常见的图型

    1. image.png

  22. 折线图的特点

    1. 折线图用于表示趋势变化，维度大多是时间
    2. 折线图的维度不强迫为连续数值，仅需表示有序即可，因此实际使用时比直方图灵活许多
    3. 根据实际情况，也可以使用面积图，用于更直观的表示
    4. 实际使用过程中，往往存在“多条线”，用于趋势间的比较

      （2）用Tableau制作折线图

  23. 这里需要说明一点，同一张图在Tableau里往往也有多个方式可以完成，大家选择自己习惯的一条路径即可，前期可以跟着我做，后期再去发现其他方法

  24. 单纯把上图拿出来做一下，我相信对大家应该已经没有什么难度了，我们稍微加一点点条件，来匹配真实场景的路径，先看一下制作后的图，大家能不看教程自己做出来吗？
    1. image.png
    2. 接下来我们一步步来完成这张图

  25. 五、饼图（表示分布、可以环形）

    （1）饼图简介

    （2）用Tableau制作直方图

    六、凸显表（颜色差异阶变化）

    （1）凸显表简介
    （2）用Tableau制作直方图

    七、矩形树图（表示差异比较，可视化更强，颜色大小可以分开表示）

    （1）矩形树图简介
    （2）用Tableau制作直方图