Skip to content

資料處理與 EDA › 視覺化 › 圖表設計原則

圖表設計原則 (Chart Design Principles) ​

圖表的目標是讓讀者快速抓到重點,而且不被比例尺、顏色或摘要方式誤導。設計錯了,再正確的分析結果也會被誤讀。

先問三個問題 ​

問題影響
要回答比較、分布、關係,還是時間趨勢?決定圖型(見 選圖速查)
讀者要精確數值,還是整體模式?精確數值 → 表格或直接標註;模式 → 圖
自己探索,還是對外溝通?探索求快、可粗糙;溝通要標題寫結論、刪掉多餘元素

好圖的共同特徵 ​

元素做法
標題直接寫結論或問題("Treatment B lowers CRP"),不只是欄位名
軸標籤與單位完整;倍數變化 (fold change)、濃度、count 等跨數量級的資料用 log 軸
顏色有功能才用;同一份報告中同一顏色代表同一件事
排序類別依數值排序,而不是字母順序
密度不塞太多圖層、註記、圖例;能直接標註就移除圖例
分組子群多時用 small multiples / facet,共用同一尺度

常見誤導 ​

錯誤問題改法
長條圖 y 軸不從 0 開始長條長度與數值不成比例,差異被放大長條圖從 0 開始;要看細微差異改用點圖或折線(可不從 0)
只畫平均 ± SE 的長條圖(dynamite plot)看不到分布形狀、樣本數、離群值畫原始點 + 平均 / 中位數,或 box + 點
誤差線沒說明是 SD、SE 還是 CI三者大小差很多,讀者無法判讀圖說寫清楚;描述變異用 SD,描述估計精確度用 CI(見 SD vs SE)
類別多還用圓餅圖角度難比較,超過 4–5 類就讀不出差異排序長條圖
雙 y 軸兩軸刻度可任意調整,相關看起來多強都可以分成上下兩個子圖共用 x 軸,或標準化到同一尺度
過度平滑掩蓋離群值、雙峰搭配原始點或 histogram
大量點互相覆蓋 (overplotting)密度看不出來透明度、hexbin,見 Scatter Plot
所有子群疊在同一張圖線條、顏色太多small multiples

同樣的平均,不同的分布

三組平均都約 10(n = 30):A 為常態、B 為雙峰、C 為右偏。長條 + SE 完全看不出差別;箱型圖看得出 C 的偏態,但 B 的雙峰仍被藏起來;只有畫出原始點才看到三組形狀完全不同。生物實驗 n 通常不大,直接畫點幾乎總是更好的選擇。

顏色 ​

資料型態色盤例子
類別 (qualitative)彼此可區分、無順序tab10、Seaborn colorblind、Okabe–Ito
連續、單向 (sequential)亮度單調變化viridis、magma、Blues
有中心點 (diverging)兩端不同色、中心淺色RdBu_r、vlag、coolwarm;設 center=0(相關、log fold change、z-score)
  • 約 8% 男性有紅綠色覺異常:避免只靠紅 / 綠區分(heatmap 的紅綠配色尤其常見),改用藍 / 橘或加形狀。
  • jet / rainbow 亮度不單調,會製造假邊界;連續資料改用 viridis。
  • diverging 色盤的兩端要對稱(vmin=-v, vmax=v),否則 0 不在中間的白色。

出版與輸出 ​

需求做法
向量圖(論文、可再編輯)fig.savefig("fig.pdf") 或 .svg;點數極多時用 rasterized=True 只把散點轉點陣,避免檔案爆大
點陣圖(投影片、網頁).png,dpi=300
不切到標籤bbox_inches="tight" 或 layout="constrained"
尺寸直接用期刊欄寬設定 figsize(單欄約 3.5 in、雙欄約 7 in),不要事後縮放,字才不會變太小
中文字型見 Matplotlib 基礎

實務流程 ​

  1. 先畫草稿,確認這個問題適合哪種圖。
  2. 調整排序、標籤、顏色、版面。
  3. 最後才處理字體、主題與輸出尺寸;若要在手機或窄螢幕閱讀,確認標籤長度、字體大小、facet 排列。