摘要：AI 时代的浪潮下，数据可视化与 AI 碰撞出耀眼火花。本文将带你领略这场变革中，数据分析师如何借助 AI 提升工作效率，挖掘数据深层价值，以及掌握数据可视化核心原则的重要性。

AI 时代的浪潮下，数据可视化与 AI 碰撞出耀眼火花。本文将带你领略这场变革中，数据分析师如何借助 AI 提升工作效率，挖掘数据深层价值，以及掌握数据可视化核心原则的重要性。

在数据爆炸的 AI 时代，数据可视化不再只是展示，而是洞察的催化剂。

当数据可视化遇见 AI，我发现数据分析师的工作方式正在经历一场前所未有的变革。

最近，我在思考 AI 时代怎么做好数据可视化，通过 https://clauswilke.com/dataviz 阅读了《Fundamentals of Data Visualization》这本书。

书中内容源于作者过去成千上万的数据可视化经验，主要讲了数据可视化的一般原则，而不是具体工具的应用。

我觉得无论 AI 技术怎么发展，理解数据可视化的基础知识，仍然是有价值的。

如果掌握了数据可视化的底层逻辑，就能更好地举一反三，把它应用到实际工作和生活中，去创造更大的价值。

反之，如果一个人缺乏数据可视化的基本常识，虽然用 AI 提升了制作图表的效率，做出了看起来很漂亮的数据仪表盘，但是无法判断 AI 生成结果的好坏，不能从数据中洞察有价值的信息，甚至把一些花花绿绿的垃圾当成宝贝，就会让人觉得不够专业。

数据可视化的质量，可能决定了数据分析成果的影响力：是赢得尊重？还是默默无闻？

作者在引言中举了一个例子，其中包括 4 个图表：

（a）合理的图表（Reasonable）：看起来可能平平无奇，但至少是可以接受的，没有明显的缺陷。

（b）丑陋的图表（Ugly）：虽然技术上没问题，但是视觉上不够美观。例如，颜色过于鲜艳、字体混乱、背景网格过于突出等。

（c）糟糕的图表（Bad）：第二个图表存在感知方面的缺陷，可能不够清晰、过于复杂或令人困惑。例如，使用不同的 Y 轴刻度展示多个数据系列，容易让人误以为数据差异小于实际情况。

**（d）错误的图表（Wrong）****：存在数学方面的问题，在客观上是错误的，无法正确体现真实数据。例如，没有明确的Y轴刻度，使得数据的实际值无法确定。

审美是一种主观的感受，对于同一个图表，有些人认为是丑陋的，而有些人则认为可以接受，但无论如何，只有提升自己的审美能力，才能做出更加好看的图表。

所有数据可视化图表都是一些基本元素的排列组合，包括：位置、形状、大小、颜色、线宽、线型等，其中有些元素可以同时表示连续数据和离散数据（位置、大小、颜色、线宽），而另一些元素只能表示离散数据（形状、线型）。在不同的语境中，大小包含长度、角度和面积等。

例如，下面这个图表，用位置和方块表示每个月不同的地区，用颜色的亮度对应温度的高低。

颜色是数据可视化中最强大的、也是最容易被滥用的视觉元素。

合理使用颜色，可以增强信息传递，而不当使用颜色，则可能导致混淆或误导。

颜色主要有 3 种基本用途：区分数据组、表示数据值、突出重点。

（1）区分数据组

使用不同颜色来区分不同类别，确保颜色之间有足够的对比度。

例如，下图用颜色区分不同的地区。

（2）表示数据值

使用一种颜色的不同饱和度，或者使用不同颜色的渐变来表示数值的变化。

例如，下图用颜色表示不同的百分比数值，蓝色表示白人占多数。

（3）突出重点

为了避免分散受众的注意力，可以把重点突出的类型设置为深色，而把其他类型设置为浅色或灰色。

例如，下图用红色强调径赛运动员的身高和体脂率是相对比较低的。

数据可视化的类型有很多，包括：对比、分布、比例、关系、时间序列、地理空间和不确定性。

（1）展示对比的图表有常见的柱形图、条形图、点图、热力图等。

（2）展示分布的图表有直方图、密度图、累计密度图、Q-Q 图、箱线图、小提琴图、带状图、Sina 图等。

（3）展示比例的图表有饼图、柱形图、条形图、堆积柱状图等。

（4）展示关系的图表有散点图、气泡图、配对散点图、斜率图等。

（5）展示时间序列的图表有折线图、面积图、堆积面积图、扇形预测图等，下图源自《Python 数据可视化之美》。

（6）展示地理空间的图表有地图、分级统计地图、变形地图、 变形热力地图等。

（7）展示不确定性的图表有水平误差图、垂直误差图、二维误差图、渐变误差图等。

在实际工作中，面对纷繁复杂的问题和图表类型，我们还是需要具体问题具体分析，选择合适的图表类型，并利用 AI 和高效的图表制作工具，做出更具有洞察力的数据可视化图表。

AI 不仅能够快速生成漂亮的数据可视化图表，还能通过人工智能算法，提供更有价值的数据洞察，比如识别数据中的异常模式、相关性和趋势等。

在 AI 时代，我们可以借助 AI 工具，从繁琐的细节处理工作中解放出来，专注于更深层次的思考和决策，但一些基础理论和原则仍然是数据可视化的核心。

区别在于，AI 可以帮助我们更智能地应用这些原则，自动选择最合适的可视化方式，并优化视觉效果，从静态的数据展示，转变为动态可交互的信息探索，让数据故事变得更有说服力。

数据可视化的真正价值，不在于图表有多美，而在于能否揭示真相、启发思考、驱动行动。

在 AI 技术飞速发展的今天，我们不仅要有制作图表的能力，更要有洞察数据的眼光。

掌握数据可视化的基本原则和底层逻辑，是我们在信息洪流中保持清醒、做出正确决策的关键。

AI 能帮我们快速制作图表，但判断图表质量的责任，依然落在我们自己身上。

具体如何用 AI 快速制作动态可交互的图表，可以查看我的专栏：数据化分析案例库。

愿你用数据可视化的方法，讲好数据故事，让分析成果被看见、被理解、被采纳。

来源：人人都是产品经理