Day 38-8：数据可视化 — 让数字会说话

开篇：一张图胜过千言万语

2024年3月，某汽车集团的CEO李总在季度会议上说：

我不想看密密麻麻的Excel表格，我要5分钟内看懂我们50个门店的运营情况，告诉我哪些好、哪些差、为什么、怎么办。

运营总监王经理用Python生成了一份可视化报告，包含：

• 一张热力地图显示各门店NPS分布
• 一张折线图展示3个月的营收趋势
• 一张柱状图对比各战区表现
• 一张散点图分析客单价与满意度关系

CEO看了5分钟，立即做出3个决策，会议提前1小时结束。

这就是数据可视化的威力。今天，我将教你如何为分析结果添加专业级的可视化图表。

为什么需要数据可视化？

大脑处理图像的速度是文字的60000倍

想象两个场景：

场景A：纯数字表格

门店        NPS    营收
北京朝阳店   68.5   395万
上海浦东店   65.2   428万
深圳南山店   32.1   218万
...

场景B：可视化图表

• 一个颜色鲜明的柱状图，红色标注深圳南山店
• 一眼就能看出它明显低于其他门店

你觉得哪个更直观？

可视化的三个核心价值

1. 快速传达信息：5秒看懂数据趋势
2. 发现隐藏规律：看见数字背后的故事
3. 辅助决策：让管理者快速做决策

Python中的可视化工具

主流可视化库对比

我们今天重点学习Matplotlib和Seaborn，它们是最常用的组合。

安装可视化库

pip install matplotlib seaborn

第一个可视化：门店NPS柱状图

需求

我们要绘制一个柱状图，展示各门店的NPS得分，并用颜色区分等级：

• 绿色：A级门店（NPS >= 60）
• 黄色：B级门店（50 <= NPS < 60）
• 橙色：C级门店（40 <= NPS < 50）
• 红色：D级门店（NPS < 40）

完整代码

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np

# 设置中文字体（解决中文显示问题）
plt.rcParams['font.sans-serif'] = ['SimHei']  # 使用黑体
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题

# 设置seaborn样式
sns.set_style('whitegrid')

# 假设我们有门店NPS数据
store_nps = {
    '上海浦东店': 68.5,
    '北京朝阳店': 65.2,
    '杭州西湖店': 62.8,
    '广州天河店': 58.3,
    '成都春熙店': 54.7,
    '武汉江汉店': 48.5,
    '西安雁塔店': 45.2,
    '深圳南山店': 32.1
}

# 转换为DataFrame并排序
df_plot = pd.DataFrame(list(store_nps.items()), 
                       columns=['门店', 'NPS'])
df_plot = df_plot.sort_values('NPS', ascending=False)

# 定义颜色映射函数
def get_color(nps):
    if nps >= 60:
        return '#2ecc71'  # 绿色 - A级
    elif nps >= 50:
        return '#f39c12'  # 橙色 - B级
    elif nps >= 40:
        return '#e67e22'  # 深橙色 - C级
    else:
        return '#e74c3c'  # 红色 - D级

# 为每个门店分配颜色
colors = [get_color(nps) for nps in df_plot['NPS']]

# 创建图表
fig, ax = plt.subplots(figsize=(12, 6))

# 绘制柱状图
bars = [ax.bar](http://ax.bar)(df_plot['门店'], df_plot['NPS'], color=colors, alpha=0.8)

# 添加数值标签
for i, (store, nps) in enumerate(zip(df_plot['门店'], df_plot['NPS'])):
    ax.text(i, nps + 1, f'{nps}', ha='center', va='bottom', 
            fontsize=10, fontweight='bold')

# 添加分级线
ax.axhline(y=60, color='green', linestyle='--', linewidth=1, alpha=0.5, label='A级线')
ax.axhline(y=50, color='orange', linestyle='--', linewidth=1, alpha=0.5, label='B级线')
ax.axhline(y=40, color='red', linestyle='--', linewidth=1, alpha=0.5, label='C级线')

# 设置标题和标签
ax.set_title('各门店NPS得分排名', fontsize=16, fontweight='bold', pad=20)
ax.set_xlabel('门店', fontsize=12)
ax.set_ylabel('NPS得分', fontsize=12)

# 旋转x轴标签
plt.xticks(rotation=45, ha='right')

# 添加图例
ax.legend(loc='upper right')

# 调整布局
plt.tight_layout()

# 保存图表
plt.savefig('门店NPS排名.png', dpi=300, bbox_inches='tight')

# 显示图表
[plt.show](http://plt.show)()

关键技巧解析：

1. 中文字体设置：plt.rcParams['font.sans-serif'] = ['SimHei'] 解决中文显示问题
2. 颜色映射：用函数自动分配颜色，代码更简洁
3. 数值标签：ax.text() 在柱子上方显示具体数值
4. 参考线：ax.axhline() 添加分级标准线
5. 高清保存：dpi=300 保证打印质量

第二个可视化：营收趋势折线图

需求

绘制各战区10-12月的营收趋势，对比各战区表现。

代码实现

# 准备数据
months = [10, 11, 12]
regions = ['华东战区', '华南战区', '华北战区', '华西战区', '东北战区']

# 模拟各战区每月营收（单位：万元）
revenue_data = {
    '华东战区': [1650, 1780, 1820],
    '华南战区': [1380, 1420, 1480],
    '华北战区': [1520, 1590, 1630],
    '华西战区': [850, 910, 970],
    '东北战区': [480, 490, 510]
}

# 创建图表
fig, ax = plt.subplots(figsize=(12, 7))

# 为每个战区绘制折线
for region, revenues in revenue_data.items():
    ax.plot(months, revenues, marker='o', linewidth=2.5, 
            markersize=8, label=region)

    # 在每个点上标注数值
    for month, revenue in zip(months, revenues):
        ax.text(month, revenue + 30, f'{revenue}', 
                ha='center', va='bottom', fontsize=9)

# 设置标题和标签
ax.set_title('各战区Q4季度营收趋势', fontsize=16, fontweight='bold', pad=20)
ax.set_xlabel('月份', fontsize=12)
ax.set_ylabel('营收（万元）', fontsize=12)

# 设置x轴刻度
ax.set_xticks(months)
ax.set_xticklabels(['10月', '11月', '12月'])

# 添加网格
ax.grid(True, alpha=0.3, linestyle='--')

# 添加图例
ax.legend(loc='upper left', fontsize=10)

# 调整布局
plt.tight_layout()

# 保存
plt.savefig('战区营收趋势.png', dpi=300, bbox_inches='tight')
[plt.show](http://plt.show)()

洞察提示：

从这张图可以看出：

• 华东战区领先，且增长稳定
• 东北战区垫底，增长乏力（需要重点关注）
• 所有战区都呈现增长趋势（Q4旺季效应）

第三个可视化：客单价与满意度散点图

需求

探索客单价与客户满意度的关系，看看是否存在相关性。

代码实现

import numpy as np

# 模拟数据（实际应该从df_clean中提取）
np.random.seed(42)
n_samples = 500

# 生成客单价数据（800-3000元）
avg_amounts = np.random.normal(1500, 400, n_samples)
avg_amounts = np.clip(avg_amounts, 800, 3000)

# 生成满意度数据（有轻微正相关）
ratings = 3.5 + (avg_amounts - 1500) / 2000 + np.random.normal(0, 0.5, n_samples)
ratings = np.clip(ratings, 1, 5)

# 创建DataFrame
df_scatter = pd.DataFrame({
    '客单价': avg_amounts,
    '满意度': ratings
})

# 创建图表
fig, ax = plt.subplots(figsize=(10, 7))

# 绘制散点图，根据满意度着色
scatter = ax.scatter(df_scatter['客单价'], df_scatter['满意度'], 
                    c=df_scatter['满意度'], cmap='RdYlGn', 
                    s=50, alpha=0.6, edgecolors='black', linewidth=0.5)

# 添加趋势线
z = np.polyfit(df_scatter['客单价'], df_scatter['满意度'], 1)
p = np.poly1d(z)
ax.plot(df_scatter['客单价'].sort_values(), 
        p(df_scatter['客单价'].sort_values()), 
        'r--', linewidth=2, alpha=0.8, label='趋势线')

# 添加颜色条
cbar = plt.colorbar(scatter, ax=ax)
cbar.set_label('满意度评分', rotation=270, labelpad=20)

# 计算相关系数
correlation = df_scatter['客单价'].corr(df_scatter['满意度'])

# 设置标题和标签
ax.set_title(f'客单价与客户满意度关系\n（相关系数：{correlation:.3f}）', 
            fontsize=14, fontweight='bold', pad=20)
ax.set_xlabel('客单价（元）', fontsize=12)
ax.set_ylabel('满意度评分（1-5分）', fontsize=12)

# 添加图例
ax.legend(loc='lower right')

# 添加网格
ax.grid(True, alpha=0.3, linestyle='--')

# 调整布局
plt.tight_layout()

# 保存
plt.savefig('客单价与满意度关系.png', dpi=300, bbox_inches='tight')
[plt.show](http://plt.show)()

业务洞察：

• 如果相关系数接近0：客单价与满意度无明显关系
• 如果相关系数为正：客单价越高，满意度越高（说明高价值服务做得好）
• 如果相关系数为负：客单价越高，满意度越低（警告：高价格但服务差）

第四个可视化：门店分级雷达图

需求

用雷达图展示标杆门店的多维度表现（营收、NPS、客单价、工单数等）。

代码实现

import numpy as np
from math import pi

# 准备数据
categories = ['营收', 'NPS', '客单价', '工单数', '客户数']
N = len(categories)

# 两个门店的数据（标准化到0-100）
store_a = [95, 88, 85, 90, 92]  # 标杆门店
store_b = [45, 35, 40, 50, 38]  # 需改进门店

# 计算角度
angles = [n / float(N) * 2 * pi for n in range(N)]
store_a += store_a[:1]
store_b += store_b[:1]
angles += angles[:1]

# 创建图表
fig, ax = plt.subplots(figsize=(10, 10), subplot_kw=dict(projection='polar'))

# 绘制门店A
ax.plot(angles, store_a, 'o-', linewidth=2, label='上海浦东店（A级）', color='#2ecc71')
ax.fill(angles, store_a, alpha=0.25, color='#2ecc71')

# 绘制门店B
ax.plot(angles, store_b, 'o-', linewidth=2, label='深圳南山店（D级）', color='#e74c3c')
ax.fill(angles, store_b, alpha=0.25, color='#e74c3c')

# 设置刻度标签
ax.set_xticks(angles[:-1])
ax.set_xticklabels(categories, size=12)

# 设置y轴范围
ax.set_ylim(0, 100)

# 添加网格
ax.grid(True)

# 添加图例
ax.legend(loc='upper right', bbox_to_anchor=(1.3, 1.1))

# 添加标题
plt.title('门店多维度对比分析', size=16, fontweight='bold', pad=20)

# 调整布局
plt.tight_layout()

# 保存
plt.savefig('门店雷达图.png', dpi=300, bbox_inches='tight')
[plt.show](http://plt.show)()

雷达图的优势：

一眼就能看出两个门店的全方位差距，方便找出改进方向。

第五个可视化：综合仪表板

需求

在一张图中展示多个关键指标，形成管理仪表板。

代码实现

# 创建2x2子图布局
fig = plt.figure(figsize=(16, 12))

# 子图1：门店NPS柱状图（左上）
ax1 = plt.subplot(2, 2, 1)
store_names = list(store_nps.keys())[:5]
nps_values = list(store_nps.values())[:5]
colors1 = [get_color(nps) for nps in nps_values]
ax1.barh(store_names, nps_values, color=colors1, alpha=0.8)
ax1.set_xlabel('NPS得分')
ax1.set_title('TOP5门店NPS', fontweight='bold')
ax1.grid(axis='x', alpha=0.3)

# 子图2：战区营收饼图（右上）
ax2 = plt.subplot(2, 2, 2)
region_revenue = [1820, 1480, 1630, 970, 510]
region_names = ['华东', '华南', '华北', '华西', '东北']
colors2 = ['#3498db', '#e74c3c', '#2ecc71', '#f39c12', '#9b59b6']
wedges, texts, autotexts = ax2.pie(region_revenue, labels=region_names, 
                                     autopct='%1.1f%%', colors=colors2, 
                                     startangle=90)
ax2.set_title('各战区营收占比', fontweight='bold')

# 子图3：月度趋势图（左下）
ax3 = plt.subplot(2, 2, 3)
months_full = ['10月', '11月', '12月']
total_revenue = [5380, 5690, 5910]
ax3.plot(months_full, total_revenue, marker='o', linewidth=2.5, 
        markersize=10, color='#3498db')
ax3.fill_between(range(len(months_full)), total_revenue, alpha=0.3, color='#3498db')
for i, v in enumerate(total_revenue):
    ax3.text(i, v + 50, f'{v}万', ha='center', va='bottom', fontweight='bold')
ax3.set_ylabel('总营收（万元）')
ax3.set_title('整体营收趋势', fontweight='bold')
ax3.grid(True, alpha=0.3)

# 子图4：服务类型对比（右下）
ax4 = plt.subplot(2, 2, 4)
service_types = ['保养', '维修']
order_counts = [78520, 38320]
service_nps = [61.5, 42.8]
x = np.arange(len(service_types))
width = 0.35
bar1 = [ax4.bar](http://ax4.bar)(x - width/2, order_counts, width, label='工单数', color='#3498db', alpha=0.8)
ax4_twin = ax4.twinx()
bar2 = ax4_[twin.bar](http://twin.bar)(x + width/2, service_nps, width, label='NPS', color='#e74c3c', alpha=0.8)
ax4.set_xlabel('服务类型')
ax4.set_ylabel('工单数', color='#3498db')
ax4_twin.set_ylabel('NPS得分', color='#e74c3c')
ax4.set_xticks(x)
ax4.set_xticklabels(service_types)
ax4.set_title('服务类型对比', fontweight='bold')
ax4.legend(loc='upper left')
ax4_twin.legend(loc='upper right')

# 添加总标题
fig.suptitle('Q4季度售后服务运营仪表板', fontsize=18, fontweight='bold', y=0.98)

# 调整子图间距
plt.tight_layout(rect=[0, 0, 1, 0.96])

# 保存
plt.savefig('运营仪表板.png', dpi=300, bbox_inches='tight')
[plt.show](http://plt.show)()

仪表板的价值：

• CEO只需看这一张图，5分钟内了解全局
• 各维度数据一目了然
• 便于快速决策

关键收获

通过本节学习，你掌握了：

✅ 可视化基础：Matplotlib和Seaborn的使用

✅ 柱状图：对比类数据的最佳选择

✅ 折线图：展示趋势变化

✅ 散点图：探索变量关系

✅ 雷达图：多维度综合对比

✅ 仪表板：综合展示关键指标

✅ 图表美化：颜色、标签、图例的专业设置

更重要的是：你学会了如何让数据说话，让管理者快速做决策。

可视化的黄金法则

1. 选对图表类型

• 对比大小：柱状图、条形图
• 展示趋势：折线图、面积图
• 显示占比：饼图、环形图
• 分布情况：直方图、箱线图
• 相关关系：散点图
• 多维对比：雷达图

2. 配色要专业

• 用红色表示警告、差
• 用绿色表示良好、优
• 用蓝色表示中性、稳定
• 避免使用过多颜色（最多5-7种）

3. 简洁胜于复杂

• 去掉不必要的装饰
• 突出核心信息
• 适当留白

4. 数据标签要清晰

• 坐标轴要有单位
• 图例要说明清楚
• 重要数值要标注

恭喜你完成了Day 38的全部学习！

从环境搭建、基础语法、数据处理、实战分析、自动化流程到数据可视化，你已经掌握了完整的Python数据分析技能链。

现在，你可以：

1. ✅ 独立完成门店数据的自动化分析
2. ✅ 生成专业的数据分析报告
3. ✅ 用可视化图表辅助管理决策
4. ✅ 把工作效率提升10倍以上

下一步建议：

• 把今天学到的技能应用到实际工作中
• 尝试分析你手头的真实数据
• 持续优化你的自动化脚本
• 学习更高级的分析技术（机器学习、预测模型等）

记住：最好的学习方式是实践。现在就开始，用Python解决一个实际问题吧！ ?