關聯(lián)圖表用于可視化2個或更多變量之間的關系。 也就是說，一個變量如何相對于另一個變化。

散點圖是用于研究兩個變量之間關系的經(jīng)典的和基本的圖表。 如果數(shù)據(jù)中有多個組，則可能需要以不同顏色可視化每個組。

有時，您希望在邊界內顯示一組點以強調其重要性。

如果你想了解兩個變量如何相互改變，那么最佳擬合線就是常用的方法。 下圖顯示了數(shù)據(jù)中各組之間最佳擬合線的差異。

針對每列繪制線性回歸線：

通常，多個數(shù)據(jù)點具有完全相同的 X 和 Y 值。 結果，多個點繪制會重疊并隱藏。 為避免這種情況，請將數(shù)據(jù)點稍微抖動，以便您可以直觀地看到它們。

避免點重疊問題的另一個選擇是增加點的大小，這取決于該點中有多少點。 因此，點的大小越大，其周圍的點的集中度越高。

邊緣直方圖具有沿 X 和 Y 軸變量的直方圖。 這用于可視化 X 和 Y 之間的關系以及單獨的 X 和 Y 的單變量分布。 這種圖經(jīng)常用于探索性數(shù)據(jù)分析(EDA)。

邊緣箱圖與邊緣直方圖具有相似的用途。 然而，箱線圖有助于精確定位 X 和 Y 的中位數(shù)、第25和第75百分位數(shù)。

相關圖用于直觀地查看給定數(shù)據(jù)框(或二維數(shù)組)中所有可能的數(shù)值變量對之間的相關度量。

矩陣圖是探索性分析中的最愛，用于理解所有可能的數(shù)值變量對之間的關系。 它是雙變量分析的必備工具。

如果您想根據(jù)單個指標查看項目的變化情況，并可視化此差異的順序和數(shù)量，那么散型條形圖 (Diverging Bars) 是一個很好的工具。它有助于快速區(qū)分數(shù)據(jù)中組的性能，并且非常直觀，并且可以立即傳達這一點。

發(fā)散型文本 (Diverging Texts)與發(fā)散型條形圖 (Diverging Bars)相似，如果你想以一種漂亮和可呈現(xiàn)的方式顯示圖表中每個項目的價值，就可以使用這種方法。

發(fā)散型包點圖 (Diverging Dot Plot)也類似于發(fā)散型條形圖 (Diverging Bars)。 然而，與發(fā)散型條形圖 (Diverging Bars)相比，條的缺失減少了組之間的對比度和差異。

帶標記的棒棒糖圖通過強調您想要引起注意的任何重要數(shù)據(jù)點并在圖表中適當?shù)亟o出推理，提供了一種對差異進行可視化的靈活方式。

通過對軸和線之間的區(qū)域進行著色，面積圖不僅強調峰和谷，而且還強調高點和低點的持續(xù)時間。 高點持續(xù)時間越長，線下面積越大。

有序條形圖有效地傳達了項目的排名順序。 但是，在圖表上方添加度量標準的值，用戶可以從圖表本身獲取精確信息。

棒棒糖圖表以一種視覺上令人愉悅的方式提供與有序條形圖類似的目的。

包點圖表傳達了項目的排名順序，并且由于它沿水平軸對齊，因此您可以更容易地看到點彼此之間的距離。

坡度圖最適合比較給定人/項目的“前”和“后”位置。

啞鈴圖表傳達了各種項目的“前”和“后”位置以及項目的等級排序。如果您想要將特定項目/計劃對不同對象的影響可視化，那么它非常有用。

直方圖顯示給定變量的頻率分布。下面的圖表示基于類型變量對頻率條進行分組，從而更好地了解連續(xù)變量和類型變量。

類型變量的直方圖顯示該變量的頻率分布。 通過對條形圖進行著色，可以將分布與表示顏色的另一個類型變量相關聯(lián)。

密度圖是一種常用工具，用于可視化連續(xù)變量的分布。 通過“響應”變量對它們進行分組，您可以檢查 X 和 Y 之間的關系。以下情況用于表示目的，以描述城市里程的分布如何隨著汽缸數(shù)的變化而變化。

帶有直方圖的密度曲線匯集了兩個圖所傳達的集體信息，因此您可以將它們放在一個圖中而不是兩個圖中。

Joy Plot允許不同組的密度曲線重疊，這是一種可視化大量分組數(shù)據(jù)的彼此關系分布的好方法。 它看起來很悅目，并清楚地傳達了正確的信息。

分布式包點圖顯示按組分割的點的單變量分布。 點數(shù)越暗，該區(qū)域的數(shù)據(jù)點集中度越高。 通過對中位數(shù)進行不同著色，組的真實定位立即變得明顯。

箱形圖是一種可視化分布的好方法，記住中位數(shù)、第25個第45個四分位數(shù)和異常值。 但是，您需要注意解釋可能會扭曲該組中包含的點數(shù)的框的大小。 因此，手動提供每個框中的觀察數(shù)量可以幫助克服這個缺點。

包點+箱形圖 (Dot + Box Plot)傳達類似于分組的箱形圖信息。 此外，這些點可以了解每組中有多少數(shù)據(jù)點。

小提琴圖是箱形圖在視覺上令人愉悅的替代品。 小提琴的形狀或面積取決于它所持有的觀察次數(shù)。 但是，小提琴圖可能更難以閱讀，并且在專業(yè)設置中不常用。

人口金字塔可用于顯示由數(shù)量排序的組的分布。 或者它也可以用于顯示人口的逐級過濾，因為它在下面用于顯示有多少人通過營銷渠道的每個階段。

分類圖可用于可視化彼此相關的2個或更多分類變量的計數(shù)分布。

用于顯示更大群體中的組的組成。

餅圖是顯示組成的經(jīng)典方式。 然而，現(xiàn)在通常不建議使用它，因為餡餅部分的面積有時會變得誤導。 因此，如果您要使用餅圖，強烈建議明確記下餅圖每個部分的百分比或數(shù)字。

樹形圖類似于餅圖，它可以更好地完成工作而不會誤導每個組的貢獻。

條形圖是基于計數(shù)或任何給定指標可視化項目的經(jīng)典方式。 在下面的圖表中，我為每個項目使用了不同的顏色，但您通?？赡芟Ｍ麨樗许椖窟x擇一種顏色，除非您按組對其進行著色。

時間序列圖用于顯示給定度量隨時間變化的方式。 在這里，您可以看到 1949年 至 1969年間航空客運量的變化情況。

下面的時間序列繪制了所有峰值和低谷，并注釋了所選特殊事件的發(fā)生。

自相關圖(ACF圖)顯示時間序列與其自身滯后的相關性。 每條垂直線(在自相關圖上)表示系列與滯后0之間的滯后之間的相關性。圖中的藍色陰影區(qū)域是顯著性水平。 那些位于藍線之上的滯后是顯著的滯后。

那么如何解讀呢?

對于空乘旅客，我們看到多達14個滯后跨越藍線，因此非常重要。這意味著，14年前的航空旅客交通量對今天的交通狀況有影響。

PACF在另一方面顯示了任何給定滯后(時間序列)與當前序列的自相關，但是刪除了滯后的貢獻。

交叉相關圖顯示了兩個時間序列相互之間的滯后。

時間序列分解圖顯示時間序列分解為趨勢，季節(jié)和殘差分量。

您可以繪制多個時間序列，在同一圖表上測量相同的值，如下所示。

如果要顯示在同一時間點測量兩個不同數(shù)量的兩個時間序列，則可以在右側的輔助Y軸上再繪制第二個系列。

如果您有一個時間序列數(shù)據(jù)集，每個時間點(日期/時間戳)有多個觀測值，則可以構建帶有誤差帶的時間序列。 您可以在下面看到一些基于每天不同時間訂單的示例。 另一個關于45天持續(xù)到達的訂單數(shù)量的例子。

在該方法中，訂單數(shù)量的平均值由白線表示。 并且計算95%置信區(qū)間并圍繞均值繪制。

堆積面積圖可以直觀地顯示多個時間序列的貢獻程度，因此很容易相互比較。

未堆積面積圖用于可視化兩個或更多個系列相對于彼此的進度(起伏)。 在下面的圖表中，您可以清楚地看到隨著失業(yè)中位數(shù)持續(xù)時間的增加，個人儲蓄率會下降。 未堆積面積圖表很好地展示了這種現(xiàn)象。

與時間序列相比，日歷地圖是可視化基于時間的數(shù)據(jù)的備選和不太優(yōu)選的選項。 雖然可以在視覺上吸引人，但數(shù)值并不十分明顯。 然而，它可以很好地描繪極端值和假日效果。

季節(jié)圖可用于比較上一季中同一天(年/月/周等)的時間序列。

樹形圖基于給定的距離度量將相似的點組合在一起，并基于點的相似性將它們組織在樹狀鏈接中。

簇狀圖 (Cluster Plot)可用于劃分屬于同一群集的點。 下面是根據(jù)USArrests數(shù)據(jù)集將美國各州分為5組的代表性示例。 此圖使用“謀殺”和“攻擊”列作為X和Y軸。 或者，您可以將第一個到主要組件用作X軸和Y軸。

安德魯斯曲線有助于可視化是否存在基于給定分組的數(shù)字特征的固有分組。 如果要素(數(shù)據(jù)集中的列)無法區(qū)分組(cyl)，那么這些線將不會很好地隔離，如下所示。

平行坐標有助于可視化特征是否有助于有效地隔離組。 如果實現(xiàn)隔離，則該特征可能在預測該組時非常有用。