Excel数据分析:可视化图表之结构分析

说明:本文仅做个人笔记记录,如有疑问欢迎戳我~

1、饼图/圆环图

如果你想展示部分和整体的关系,那饼图绝对是不二之选。饼图最显著的功能在于表示一组数据的占比,需要数值维度。

使用时,需注意:

须确认各个扇形的数据加起来等于100%;

避免扇区超过5个,最多也要在10个以内,尽量让图表简洁明了;

注意扇形的排布顺序,一般情况下,临近值在饼图上凭肉眼难以分辨区别,因此在使用饼图时我们会将最大的扇形放在12点钟方向进行降序排列;

最后,正确使用颜色,既区分出需要强调的扇形,又不致于让人眼花缭乱。

示例:

饼图:

选中数据 - 插入 - 饼图 - 设置数据标签格式 - 标签选项设为百分比,去掉值的勾选

圆环图:

饼图的变种,中心区域可展示数据或者文本信息,适用于项目较少的情况

选中数据 - 插入 - 饼图 - 圆环图 - 表格优化

2、瀑布图

采用绝对值与相对值结合的方式,展示各成分构成情况,更多的用于核心指标的分解,适合展示数据的累积变化过程,局限是各类数据差别太大则难以比较。

示例:

如图核心指标为净利润,可以看到核心指标由收入和成本计算得出,而收入方面营业收入占据主要,支出方面营业成本占据主要。我们可以提升营业收入或降低营业成本来提升公司净利润。

最左边有一个汇总列,后面各项加起来等于总额,差值为辅助列,依次相减

1:选中数据区域 - 插入 - 推荐图形 - 瀑布图

2:汇总项手动设置,两次点击数据点,右键【设置为汇总】

3:图表美化

3、百分比堆积柱形图

每根柱子是等长的,总额为100%。柱子内部被分割为多个部分,高度由该部分占总体的百分比决定。因此,与普通的柱形图或堆叠柱形图不同,100%堆叠柱形图不显示数据的“绝对数值”,而是显示“相对比例”。

但同时,它也仍然具有柱形图的固有功能,即“比较”,我们可以通过比较多个柱子的构成,分析数值之间的相对差异,或者得出数值变化的趋势。

示例:

1:选中数据区域 - 插入 - 柱形图 - 百分比堆积柱形图

2:生成的图表默认以各年份为数据系列,部门为类别,在图表设计工具栏选择【切换行/列】

3:将杂乱数据颜色设置为同一色系,在图表样式功能区的“更改颜色”下拉按钮,选择单色系中的蓝色组合,将占比最大的业务部颜色调整突出显示

4:图表布局添加图表元素【系列线】,降低其宽度使图表看起来更和谐

5:图表美化

4、树形图

又叫矩形树图,是一个由不同大小的嵌套式矩形来显示树状结构数据。

当我们想表达过多类型的数据时,可以使用树形图,它展现同一层级的不同分类的占比情况,在同一层级中,每个矩形代表一个聚合类,所有矩形依次无间隙排布,颜色的深浅和面积的大小代表这个聚合类的大小,他们的面积之和代表了整体的大小。

树形图常用于电子商务、产品销售等涉及大量商品品类的分析等。其局限是不适合展现不同层级的数据,比如组织架构图,每个分类不适合放在一起看占比情况。且当以面积表示大小,当数值相近时人眼难以辨别,当然可通过填充数值弥补。

示例:

1:选中数据区域 - 插入 - 推荐的图表 - 所有图表 - 树状图

2:美化图表,删除图例,数据标签 - 其他数据标签选项 - 勾选【值】

5、旭日图

旭日图也叫太阳图,其本质是树状关系。它是一种表现层级数据的图表,可以在承载大量数据的同时,清晰的显示数据间的结构关系。具体为表现整体在各个维度上的构成,以及维度与维度之间的从属关系。它以父子层次结构来显示数据,并构成一个同心圆,因此又被成为称为多层饼图。同一层级的圆环代表同一层级的数据结构,离圆心越近代表数据的层级越高。

示例:

如图,可以清楚看到整体的销售额在三大类品类的分布,而每个品类的产品销售额区别也可以直接对比,同时也可以看到每个品类的产品分布。

1:选择数据 - 插入 - 推荐的图表 - 旭日图

2:美化图表

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
数据分析可视化 什么是数据分析? 数据分析是基于商业目的,有目的的进行收集、整理、加工和分析数据,提炼有价信息 的一个过程.其过程概括起来主要包括:明确分析目的与框架、数据收集、数据处理、数 据分析数据展现和撰写报告等6个阶段。 明确分析目的与框架 一个分析项目,你的数据对象是谁?商业目的是什么?要解决什么业务问题?数据分 析师对这些都要了然于心。基于商业的理解,整理分析框架和分析思路。例如,减少新 客户的流失、优化活动效果、提高客户响应率等等。不同的项目对数据的要求,使用的 分析手段也是不一样的. 2、数据收集 数据收集是按照确定的数据分析和框架内容,有目的的收集、整合相关数据的一个过 程,它是数据分析的一个基础。 数据处理 数据处理是指对收集到的数据进行加工、整理,以便开展数据分析,它是数据分析前 必不可少的阶段。这个过程是数据分析整个过程中最占据时间的,也在一定程度上取决 于数据仓库的搭建和数据质量的保证. 数据处理主要包括数据清洗、数据转化等处理方法。 4、数据分析 数据分析是指通过分析手段、方法和技巧对准备好的数据进行探索、分析,从中发现 因果关系、内部联系和业务规律,为商业目提供决策参考. 到了这个阶段,要能驾驭数据、开展数据分析,就要涉及到工具和方法的使用。其一 要熟悉常规数据分析方法,最基本的要了解例如方差、回归、因子、聚类、分类、时间 序列等多元和数据分析方法的原理、使用范围、优缺点和结果的解释;其二是熟悉1+1种 数据分析工具,Excel是最常见,一般的数据分析我们可以通过Excel完成,后而要熟悉一个 专业的分析软件,如数据分析工具SPSS/SAS/R/Matlab等,便于进行一些专业的统计分析数据建模等. 5、数据展现 一般情况下,数据分析的结果都是通过图、表的方式来呈现,俗话说:字不如表,表不 如图。借助数据展现手段,能更直观的让数据分析师表述想要呈现的信息、观点和建议。 常用的图表包括饼图、折线图、柱形图/条形图、散点图、雷达图等、金字塔图、矩 阵图、漏斗图、帕雷托图等。 6、撰写报告 最后阶段,就是撰写数据分析报告,这是对整个数据分析成果的一个呈现.通过分析报告 ,把数据分析的目的、过程、结果及方案完整呈现出来,以供商业目的提供参考。 一份好的数据分析报告,首先需要有一个好的分析框架,并且图文并茂,层次明晰, 能够让阅读者一目了然.结构清晰、主次分明可以使阅读者正确理解报告内容;图文并茂 ,可以令数据更加生动活泼,提高视觉冲击力,有助于阅读者更形象、直观地看清楚问题 和结论,从而产生思考. 另外,数据分析报告需要有明确的结论、建议和解决方案,不仅仅是找出问题,后者 是更重要的,否则称不上好的分析,同时也失去了报告的意义,数据的初衷就是为解决 一个商业目的才进行的分析,不能舍本求末. 数据分析常用的方法有哪些?他们多用来分析哪些类型的数据?通过分析可以得到怎样的 结果和结论?怎样得到保证其信度和效度? 常用数据分析方法:聚类分析、因子分析、相关分析、对应分析、回归分析、方差分析数据分析常用的图表方法:柏拉图(排列图)、直方图(Histogram)、散点图(scatter diagram)、鱼骨图(Ishikawa)、FMEA、点图、柱状图、雷达图、趋势图。 数据分析统计工具:SPSS、minitab、JMP. 常用数据分析方法: 1、聚类分析(Cluster Analysis) 聚类分析指将物理或抽象对象的集合分组成为由类似的对象组成的多个类的分析过程。 聚类是将数据分类到不同的类或者簇这样的一个过程,所以同一个簇中的对象有很大的 相似性,而不同簇间的对象有很大的相异性。聚类分析是一种探索性的分析,在分类的 过程中,人们不必事先给出一个分类的标准,聚类分析能够从样本数据出发,自动进行分 类。聚类分析所使用方法的不同,常常会得到不同的结论。不同研究者对于同一组数据 进行聚类分析,所得到的聚类数未必一致. 2、因子分析(Factor Analysis) 因子分析是指研究从变量群中提取共性因子的统计技术。因子分析就是从大量的数据中 寻找内在的联系,减少决策的困难。 因子分析的方法约有10多种,如重心法、影像分析法,最大似然解、最小平方法、阿尔 发抽因法、拉奥典型抽因法等等。这些方法本质上大都属近似方法,是以相关系数矩阵 为基础的,所不同的是相关系数矩阵对角线上的值,采用不同的共同性 2估值。在社会 学研究中,因子分析常采用以主成分分析为基础的反覆法。 3、相关分析(Correlation Analysis) 相关分析(correlation analysis),相关分析是研究现象之间是否存在某种依存关系,并对具体有依存关系的现 象探讨其相关方向以及相关程度.相关关系是一种非确定性的关系,例如
数据分析师专业数据分析报告撰写规范 数据分析报告的重要性在数据分析师的工作中不言而喻,数据分析报告是数据分析的 展现形式,是完成数据分析的最后一步,是支持决策的依托。即便有些人前期分析都进 行非常好,但就是写不出条理清晰、逻辑缜密、可读性强的分析报告,也是前功尽弃。 很多人喜欢问我有没有报告模板可以给他们抄,套模板对新手来说还是有些用处的, 可以借鉴一下结构和大体思路,但是等我做多了分析就会发现,很少有模板是完全贴合 自己分析需求的,与其找模板借鉴,还不如自己写。 所以今天这篇我们就来讲讲如何才能作出一份优秀的数据分析报告 数据分析报告分类 对于数据分析报告,首先要有一个概念性的认识,按照报告陈述的思路,可分为四类: 描述类报告,通常是对业务数据的日常展现,比如上月的销售额是多少;平均每天 的用户流失是多少,这种报告就像记叙文,描绘发生了什么事情,不求最深但求最全 因果类报告,在描述类报告的基础上,多了一个为什么,通常是对某一现场出现的原因 进行研究,比如老板发现这个月的销售额下滑明显,让你找出背后的原因 预测类报告,通过对事实的现象和原因进行分析和判断,预测未来会发生什么 咨询类报告,类似推理小说,像小马过河,投石问路,在得出分析结论的基础上给出有 价值的建议,指导企业一路前行。 写好数据分析报告的要点 1、确定报告受众和分析目的 无论写什么类型的数据分析报告,都要先搞清楚报告给谁看,不同的受众对一份数据分 析报告的期待是不一样的。 比方说一份对集团零售业务毛利额下滑原因的分析报告,集团领导更想看到数据分析的 结论和建议,而各个业务部门更关注导致下滑的具体业务原因,所以针对不同的受众, 我们撰写报告的侧重点也不同 其实就是要清晰报告的分析目的,解决什么问题,想要达到什么预期。 2、框架、思路清晰 作为数据分析结论输出最重要的部分,一份优秀的数据分析报告要能够准确体现你的分 析思路,让读者充分接收你的信息,所以在制作报告时,框架和思路要清晰。 这里的框架不单指报告的行文逻辑,更多是指数据分析过程的框架,比方说我们拿到一 个分析问题,不可能一下子就找到问题背后的原因,需要利用各种手段将问题拆解分析 ,直到得出最终结论,这时候就可能会用到我们常提到的MECE、PEST、AAARRR等分析框 架 3、保障数据准确 写一份报告,获取和整理数据往往会占据 6成以上的时间。要规划数据协调相关部门组织数据采集、导出处理数据,最后才是写报 告,如果数据不准确,那分析的结果也没有意义,报告也就失去价值,因此在收集整合 数据时需要注意数据是否靠谱,验证数据口径和数据范围。 4、让图表传达更加直接 数据图表化这个概念已经不稀奇了,大部分人都知道利用图表传达数据信息。但是图表 的利用并不简单,不是简单把一堆的饼图、柱状图、散点图放到PPT上就能行的,从业这 么多年,我见过的大大小小、各种形式的分析报告不下百份,50%的报告都存在过度堆砌 图表、错误使用图表的现象 图与表之间,图与图之间的联系如何阐述,反映出的问题如何表达,这些都是在做数据 分析图表就要弄明白的。很多细心的领导及专门会针对你的数据分析以及结论来提问, 因为现状和未来是他们最关心的。所以数据图表展现也要体现你的分析思路,而不单单 是为了展示数据。 (1)选择正确的图表 决定我们报告图表形式的并不是拥有的数据是什么,而是我们想要表达的主题是什么。 看下面两张图: 同样的数据,想要表达的主题不同,图表形式就不同,图1表达是爽肤水和沐浴露 两个品类在不同城市的销量排名,图2主要表达的是在相同城市在两个不同的品类的销量 差异。 关于图表的选择,个人总结了三个原则: 1. 明确目标受众:他们对该问题有何了解? 2. 确定要传递的信息:数据说明了什么?需要传达多个信息吗? 3. 确定信息的特点:是要进行项目比较、显示时间趋势,还是分析数据关系? (2)不要放弃图表的标题 有些图表的标题就和猜谜一样,例如:公司销售趋势、分公司销售分布情况,完全没有 突出信息的重点。最好的办法就是将图表要表达的主题直接写在标题里。 比如上面的两个图,修改一下标题,图一就应该是:"各地爽肤水的销售额排名",图二 就是"各地爽肤水和沐浴露销售额差异对比",这样看的人就能快速理解图表想要表达的 信息了 (3)视觉展现 图表配色、布局、重点信息标注什么的我就不多说了,以前讲过很多遍了,今天说一下 从视觉展现形式上来说一说 数据分析报告常规的做法就是Excel+ppt,数据先用excel进行数据分析可视化,然后 再将图表复制或者截图粘贴到ppt中,效果大概就是下面这样,一份报告少说也得10张p pt 但是一页ppt只能呈现有限个图表和结论,且图表多以静态形式呈现,难以直观表 达两个分析图表之间的联系,所以在形式上,我们可以选择
Python是一种强大的编程语言,它具有丰富的库和工具来处理各种数据分析可视化任务。在Python中,我们可以使用pandas库来读取和处理Excel表格,并使用matplotlib或seaborn库来进行数据可视化。 要首先实现数据分析可视化,我们需要安装pandas、matplotlib和seaborn库。可以使用pip命令在命令行中安装这些库,如下所示: pip install pandas pip install matplotlib pip install seaborn 一旦安装了这些库,我们可以使用pandas库的read_excel()函数读取Excel表格数据,并将其存储为一个DataFrame对象。DataFrame是pandas中一个重要的数据结构,它对应于Excel表格中的一个二维数据表。 import pandas as pd # 读取Excel表格数据 data = pd.read_excel('data.xlsx') 读取数据后,我们可以对数据进行各种操作和分析,例如计算统计指标、筛选特定的数据、进行数据聚合等。这些操作可以帮助我们更好地理解数据和发现数据中的规律。 接下来,我们可以使用matplotlib和seaborn库来进行数据可视化。这些库提供了许多绘图函数和工具,可以绘制各种类型的图表,如折线图、散点图、柱状图、箱线图等。 import matplotlib.pyplot as plt import seaborn as sns # 绘制折线图 plt.plot(data['时间'], data['销售额']) plt.xlabel('时间') plt.ylabel('销售额') # 绘制散点图 plt.scatter(data['价格'], data['销量']) plt.xlabel('价格') plt.ylabel('销量') # 绘制柱状图 sns.barplot(data['地区'], data['销售额']) plt.xlabel('地区') plt.ylabel('销售额') 以上代码演示了几个简单的数据可视化例子,你可以根据自己的需求和数据类型选择不同的图表进行绘制。 通过读取Excel表格数据、对数据进行处理和分析,并将结果可视化,我们可以更好地理解数据、发现规律、进行决策和预测等。这也是Python编程在数据分析可视化中的一个重要应用。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值