數據可視化是讓信息易讀，還是更複雜？

12-29

寫在前面，首先，我認為的數據可視化是呈現數據用於分析的，不比信息圖。

———————————————————————————————————————————

正文：

關於這個問題，可以打個比方，數據可視化就好比一杯燒酒，適量喝暖身，過渡喝傷身，甚至紙醉金迷，不知所以。

可視化誕生的目的肯定是沖著好的方向去的，目的就是直觀地展現數據，讓花費一個小時才能歸納的數據量，轉化成一眼就能讀懂的指標；讓加減乘除、各類公式權衡計算得到的兩組數據差異，在圖中顏色敏感、長短大小即能形成對比；讓拿著各類excel報表愁眉苦臉的領導，對手中拿著酷炫報告的你，讚賞有加。

很多經典的應用，比如股市裡的K線了，其試圖以可視化的目的來發現某些規律。

（圖片來自網路）

再如布林線之類的，像石頭剪子布遊戲擴展到斯派克蜥蜴紙的遊戲，也可以用一張信息圖來顯示
，跟上邊的圖差不多，放大後，單從點的方式來看也方便的不少，更重要的，此類圖實現了信息的壓縮，最少的路徑達到了信息量最大的目的。

（圖片來自網路）

題主的疑惑，多數可能是和信息圖產生了分歧。

（圖片源於網路）

這一類圖在新聞媒體中比較多，大家看到的微信、微博、經常通過信息圖直接呈現結果，某個現象，幫助達到耳目一新的傳播效果。媒體有媒體的立場，有他們的目的，這裡不多評價。

（圖片來自網路）

比如以上數據可視化的圖，數據量多、複雜，私以為歸納不出信息。

如果只是為了讓數據都堆砌在圖表裡，看起來很酷的話，很容易本末倒置。這裡會涉及到主觀心理，你的分析會遵從你已經構想好的分析去「執行」，沒錯，就是執行，會讓你的數據報告看起來不那麼可觀。舉個最簡單的例子（自己編的，可能不那麼恰當，只為陳述觀點），比如一組數據，98、97、96、97、99、96。

同樣一組數據應為坐標軸的分度不同，差異很大。左圖的心理是為了反映個學生間的差異，有圖的信息是為了反映整體情況。撇去圖不看，只看數據，差距不大確實無可比性。

數據可視化是通過處理數據來反映一些問題和規律，而不是將結果誇張化。

有點扯遠了。無論數據可視化還是自信息圖，能從有用到有趣的過程，有趣明顯能激勵人讀下去，就是易讀了。

比如，生物存活年限（經驗分享：熱門有趣的信息圖是怎樣誕生的？）

比如，結合實物場景，生動展現數據。（經驗分享：熱門有趣的信息圖是怎樣誕生的？）

使用箭頭，創造流動感（經驗分享：熱門有趣的信息圖是怎樣誕生的？）

實際應用的數據可視化。

這一類用得最多的是企業機構，信息化部門、數據部門和業務部門了。這些實際生產過程中產生的數據是要落實到切切實實地決策和管理中來。比如帆軟報表FineReport（FineReport報表官網）搭建的數據可視化分析平台。

利用大屏監視企業全局重點指標。如各業務，如銷售、財務、供應鏈的主題分析

最後，題外話。數據可視化已經不滿足於信息的呈現，而更應該落實到有據可循的分析和決策制定中去（如上文講到的實際案例，大家可自行對比）。

假設，領導拿到這份銷售報告，發現這季度的銷售量下滑得厲害，究其原因時，毫無頭緒，還得問銷售經理，如果你在製作這類數據可視化報告的同時，能夠有意識的植入分析的思考，鏈接到各大區銷售情況，各區域銷售成本支出，或者回款滯留情況，項目進展進度等相關的數據報表，我認為這才是一份合格的數據可視化報告。

———————————————————————————————————————————

看到擅長的問題有點激動，寫得有點亂。

數據可視化的核心應該是讓數據更易讀，更直觀。總結下來，應該有三個方面的作用。

1.數據監控

比如產品和運營一定要對網站每天的 PV、UV 等總體數據有一個直觀的把握，包括它們的數值、趨勢等。建立可供監測的可視化圖表，能讓信息傳達更迅速、直觀，一旦出現數據過高或過低的情況，就可以馬上拆解，及時介入。

比如上圖中，可以明顯發現新登錄用戶量和上一個周期相比有比較大的差距，這時候就需要對這個問題進行拆解。

如果沒有這樣的可視化看板，你是很難如此迅速、準確地定位到問題的。

2. 數據分析，拆解問題

當一個總體數據出現異常，比如瀏覽量突然降低，原因可能有很多，產品本身問題、運營問題等等。這時候就需要對瀏覽量這一指標進行不同維度的拆解，比如各個訪問來源的變化，各個瀏覽設備的變化等。

如上圖，你可以以新登錄用戶為指標，去拆解不同的訪問來源、搜索詞、廣告來源以及設備等等。可視化在這裡的作用同樣相當明顯，對信息的規整和傳達能幫你更好地分析。

3. 可視化展示

這一點就是數據可視化最顯性的優點，在集體協作中，你需要將分析結果更友好地展示給其他人，比如寫周報、項目進展彙報等。而如何更好地呈現你的分析結果呢？來，接下來我們看圖說話。

一、趨勢圖

趨勢分析是最基礎的圖表分析，包括線圖、柱狀圖、堆積圖等多種形式。

1. 線圖

線圖可以觀察一個或者多個數據指標連續變化的趨勢，也可以根據需要與之前的周期進行同比數據分析。

2. 柱狀圖堆積圖

柱狀圖可以觀察某一事件的變化趨勢；還可以同時將整體拆分可以做成堆積圖，同時觀察到部分所佔比重及變化趨勢。

產品經理和運營人員通過趨勢圖分析流量的實時走向，如每日 PV、UV、DAU 等基本數量指標以及停留時長、平均訪問頁面數等質量指標，可以及時把握產品的變化趨勢。一旦趨勢周期對比發生異常（異常高和異常低），我們需要及時介入排查原因、解決問題。

二、頻數圖

根據業務需求對指標按照一定維度拆分，對比不同組別的頻數，便於分清輕重緩急。

條形圖清晰展示了用戶在不同類別上的頻數，並且按照數量從大到小排序。上圖展示的是某產品用戶使用瀏覽器的頻數分布，在資源有限的情況下產品可以先適配 Chrome 和 IE 瀏覽器以提升絕大部分用戶體驗。

上面的雙向條形圖展示了某 B 端產品的客戶平均停留時長極端情況（非常高和非常低），企業 1-5 非常活躍，可以讓運營人員促進客戶增購、續約，而企業 6-10 活躍度非常低，用戶即將流失，需要運營人員立刻介入干預。

三、比重圖

比重分析主要是用來了解不同部分佔總體的比例。橫向比較，扇形圖、環形圖可以滿足這類需求；縱向比較，百分比堆積圖可以顯示不同部分所佔比例的趨勢變化。

1. 環形圖

「環形圖」顯示了某節點訪問用戶來源渠道比例。

2. 百分比堆積圖

「百分比堆積圖」動態顯示了不同渠道比例的變化趨勢，市場或者運營人員可以據此動態優化我們的資源投放。

四、表格

表格信息密集，可以同時分析多維度、多指標數據，適合對數據敏感的人群使用。雖然表格能看到具體的數值，但是不能直觀看到趨勢、比重。

通過表格不難發現，移動端訪問用戶佔了非常大的比例，但是跳出率非常高。這樣的表格數據啟示我們有必要優化移動端產品，提升整體訪問深度。

五、其他表格

下面介紹的是氣泡圖，氣泡圖用來展示一個事件與多個維度之間的關係，如分析 B 端產品客戶成單周期與客戶活躍度、登錄賬號數量之間的關係。

除了上述常見的圖表，還有散點圖、箱線圖、股價圖、雷達圖等圖表，在此不一一贅述。

不同的圖表樣式可以滿足你不同的分析需求，你可以根據自己的目的來選取最合適的指標、維度和圖表樣式。好的可視化工具，能讓上手過程更快更順暢一些，讓更多更高級的需求能夠被滿足和呈現。

註：以上所有截圖均來源於矽谷新一代用戶行為數據分析工具 - GrowingIO，數據已做處理。

歡迎各位有用戶行為數據挖掘、統計、分析、可視化需求的朋友免費試用GrowingIO

試用傳送門

三個句子回答這個問題：

好的數據可視化是畫風討喜的，

好的數據可視化是表達準確的，

好的數據可視化是重點突出的。

否則，極其容易產生「這是啥玩意兒」的想法（攤手）

所以，你看到的那些不知所云的數據可視化是沒做到以上這些，並不是因為數據可視化本尊有什麼原罪。

如果畫風沒選對……

在數據可視化還未成其為今天意義上的數據可視化的時候，數據可視化、信息圖形（表）、信息可視化、信息設計這些概念都還扯作一坨，當然今天也沒好到哪去….要談數據可視化，還是繞不開貴圈的兩個先驅（都還在世的嗯）。

一個是有名的平面設計師Nigel Holmes，曾是TIME雜誌的平面設計總監，主要專攻信息圖形和信息設計。

一個是耶魯大學的統計學、計算機科學、政治學榮譽教授Edward Tufte，出版了很多信息圖形領域的書籍。

怎麼樣！看知識背景就知道兩個人該碰撞出怎樣的火花了吧（誤）！！

當時，Nigel的風格是這樣的：非常富有趣味、注重美觀感受和圖形化。

Tufte支持的風格是這樣的：極簡而實用主義。

兩個人經常在各種場合里明爭暗鬥地切（qia）磋（jia）。之後這兩派的擁護者也在論文里各種掐，試圖證明哪種方式更好或者說「對錯」。

Tufte派認為：你把數據畫成這樣簡直是侮辱讀者的智商！所有和表達信息無關的都是垃圾（datajunk）！多畫一點都是對墨水（dataink）的浪費！

Nigel派認為：你的圖讓人一頭霧水好么！實在太性冷淡了，不夠生動有趣，不夠吸引讀者！而且實驗證明我們的圖給人印象更深刻、更持久！

然而，他們掐到現在，也還在掐...

說了這麼多，關鍵是想說，今天意義上出現了很多不明覺厲的數據可視化作品，大部分可以歸類為上面兩種傾向：

一個是太追求極簡，試圖把所有的信息用最少的筆墨展現在最小的平面中，偏重分析，看圖簡直拼智商；

一個是試圖用各種酷炫狂霸拽的可視化形式刺激讀者，偏重呈現，有時候卻把簡單的東西複雜化。

現在你該明白，風格各有所長也都有可能失控，單純就風格來講不至於給一個可視化作品判死刑，但足以嚇跑你的讀者。

因此，你的讀者是誰，TA們對各類風格的接受度和喜好度如何，你心裡得有桿秤，也就不至於在數據達人面前搞幼稚，在路人讀者面前裝高冷了。

如果圖表沒選對……

OK，風格的事說過了，但是到底什麼是好的數據可視化？我認為這個問題等同於「用可視化把重點講明白！！！」而你要用來講明白的寶貝就是可視化圖表們。

商學博士Andrew Abela在2006年就總結出了一個幫助你選擇圖表的方法（看下圖），甚至還出了個叫chart chooser的小工具。像這樣的總結還有很多，它們的作用是讓你不至於完全用錯圖表、表達錯誤。

還有一種情況，你的圖表樣式選擇得是對的、表達也是準確的，但是看起來一點都不簡明或者不好看，說明它不是最優的。

在Flowingdata上，數據大牛Na

than Yau的寫了一篇文章：同一組數據，25種可視化方式（One Dataset, Visualized 25 Ways）正好是個很適合的好回答。他做了這樣一個實驗，用了25種形式展示同一組世界衛生組織的數據，通過不同的形式展示了不同的側重點。

課代表我也認真的去找了源數據，它長這樣：

又是分國家、又是分年份，還分性別和年齡，感覺有很多可以講的故事在裡面。

故事1：我想看看這些國家平均壽命的排名是怎麼樣的？

簡單的排一排：2015年最長壽和平均壽命最短的國家一目了然，分別是日本和西非國家獅子山。

在全球視角下該怎麼理解這樣的差距？加個平均線看一看，可以看出超過平均線的國家是占多數的，但是低於平均線的國家和地區懸殊更明顯。

如果再加工一道，對國家和地區按照所屬大洲分色，可能地區間的差異又更明顯了。

故事2：源數據中的時間維度被故事1給浪費掉了，於是我想看看這些國家這些年平均壽命是怎麼變化的

簡單粗暴的我可以先來一張折線圖：可以看出來，每個國家的壽命大致趨勢都是上升的。不過，根本分不出來每根線是誰。改造成交互再加個選擇框倒是可以幫你認出每根線，但是這張圖卻是一點都不美。

同樣是折線圖，要是拆分出來看怎麼樣？用這種small multiples形式，可以看到每一個國家平均壽命的變化。而且在人均壽命上起伏很大的伊拉克、利比亞等國也可以揪出來了。

上圖雖然清楚，但是很欺負以移動端優先的國內貴圈啊。於是仍然是按2015年的平均壽命排列，但是以箭頭的表現方式，越長表示增幅越多。這樣子，不管移動端還是PC端都適合了。

如果側重各個國家的平均壽命的年增幅呢？還是一團折線圖，只是在數據上用到每個國家每年的增幅。異常值更明顯了，你看某國幅度變化之大……當然異常折線也不排除是數據出錯。但是，除了異常值，其他信息點都被埋沒了。

能不能換點新花樣？這就採用了非常規形式，從12點方向起始，結束於12點，多個國家的年齡線結合在一起，猶如樹的年輪。可是線和線都交織在一起，根本看不清誒。這個新花樣，對這組數據是不適合的。

故事3：再細分國家中的男女壽命，又會是怎麼的結果？

同樣是small multiples的方式，表達另一個主題。線越高表示壽命越長，藍色的面積高度越大，表示男女平均壽命差距越大。

再次為了照顧移動端用戶，把男女的壽命作為散點，分布在圖表上，艾瑪，可以看到女性壽命完勝於男性。

在上圖的基礎上，再嘗試做一個動態的變化趨勢.gif

也是散點圖，只是每年的變化，在中可以看出每個國家的點整體上向右上方移動。對了，這應該是一張所有小氣泡往右上方的動圖（摔，知乎不支持動圖，想看戳gif）

所以啊，如果題主看到一些數據可視化，懵逼！懷疑！更大的可能是原作者沒找到對頭的呈現方式啊。

課代表還回答過的相關可視化問題：

如何將枯燥的大數據呈現為可視化的圖和動畫？

有哪些值得推薦的數據可視化工具？

澎湃新聞美數課搞了一個作品網站啦[捂臉]

http://projects.thepaper.cn/thepaper-cases/meishuke/

網站還是1.0版本，請大家多多指教！

合格的數據可視化是有新聞價值的。
也就是說，它要能幫助目標觀眾更好地理解數據。
有些數據可視化，只讓我們看到酷炫狂拽的圖形，或者密密麻麻的數據。這些就是過於看重藝術性和科學性，而忽略根本目的了。
用信息研究的理論來說，數據看上去過於混亂和密集，用戶就會不由自主地「切斷數據的傳輸」。
可視化一下就是：

但有時候真的不能怪設計師——很多用戶方面的因素是難以控制的，比如這個舞步的可視化：

對於沒有學習過 Beauchamp–Feuillet notation 的人來說，地上這簡直是一堆扭曲的豆芽菜嘛。
但是了解這套符號體系的用戶，就會認為這是一份優雅又簡潔的可視化。

又比如說，用戶閱讀數據可視化時，也許會用錯誤的尺度：

鏈接:Cool image on Zoom.it (l3dq)

光看這張圖，這必然是不合格的可視化——信息密度太大了。
但是同樣的圖，放大之後再看看：

馬上從「不合格」到「優秀」了喔！所以不光設計師要以易讀性為目標努力，用戶們也要問問自己：
這份可視化是給我看的嗎？我看的方式正確的嗎？

數據可視化最終的目的是為了分析問題，要麼得出結論，以供人決策參考；要麼展現現象，把複雜的問題輕鬆化、直觀化、簡單化；要麼預測未來，做趨勢性判斷。

一個好的數據可視化作品，一定是集美觀、數據價值、可讀性（至少是在你所表表達的領域的人可以看懂）等一體的。好的可視化作品，一定是讓信息變得簡單。

數據可視化肯定是使數據更加的易讀，易分析，感覺複雜的話肯定是沒有做好可視化的視圖類型的選擇的，不同的數據或是不同的分析需求肯定是需要不同的可視化的展現的，看看這些效果圖，魔鏡—行業領先的大數據可視化分析平台

這全看數據的複雜程度、大小、讀者的類型和設計師呈現的功力了。數據可視化最根本的目標就是讓人們即使對數字不敏感也能明白某個數據集是關於什麼、有哪些重點的。

有些數據雖然不小，但是信息明確，簡單直接，如華盛頓郵報做的Super Zips：Washington: A world apart 數據基於美國各地郵編來展示貧富程度，可視化的界面是這樣的：

上圖的可視化相當於一個snapshot，讓你先有個大局觀，然後再搜索自己住處的郵編或者八卦其他地方的貧富程度。
這背後的數據處理加添加地理信息還是需要一定工程量的，但是結合了標題、導語、標示和搜索欄的整體設計讓人非常容易地知道這個數據集講的是什麼東西。

有些數據的呈現方式充滿了各種可能性，取得怎樣的解釋效果也都取決於讀者類型。如Google做的全球網路攻擊數據可視化：Digital Attack Map 背後的數據和技術都非常牛、界面呈現了很多信息，甚至補充了實時的網路相關報道。

但乍看之下，它的闡釋對我來說並不夠。作為一個普通讀者，我不懂圖例中的TCP Connection是什麼，我有時間去注意頁面右上方的tabs嗎？有耐心仔細讀下來所有信息嗎？並不一定。對於想要快餐的讀者來說，這個可視化是讓人迷惑的，在三分鐘內我並不能理解80%的概念；但是有深度興趣的讀者來說，這個可視化是一個功能強大的資料庫，我可以自己探索數據、可以慢慢了解相關概念，甚至可以知道這個項目是怎麼做出來的。

因此，不同類型的讀者對於同一個可視化作品可以給出完全不同的分數和評論。你所認為的「複雜」可以是我所認為的「有深度」，話題是否大眾、普及也很關鍵。

最後一個例子是一張關於戰爭死亡人數的信息圖：

這個可視化是非常美學和藝術導向的，背後的數據可以用完全不同的呈現方式。我從這個可視化里得到非常具體的信息了嗎？並沒有，即使對於某一朵花背後的信息很好奇，我並不能直接從圖中得到答案。可是對我而言，這幅可視化作品非常優秀。即使它沒有揭示數據點，沒有互動的功能，它的設計是如此出眾和具有感染力，足以讓我跳出圖中局限的主題、有所啟發、思考一些即使沒有答案也值得想想的「無用」問題。不要著急要一個答案、下一個結論，我們需要的是尋找答案的過程本身。

最基礎的肯定是讓數據易讀，但更近一個層次的應該是讓看數據的人能夠沉浸在數據所講的故事中，而要到達這一點，個人認為以下幾點是很重要的：

數據本身要有價值：一個毫無意義的數據用再好的可視化展示出來也沒有意思，有價值的數據就是數據的維度清晰，樣本量也足夠；
看數據的過程中能夠很好地跟蹤目標數據：用不同charts表徵同一資料庫時，用戶能夠容易識別自己在意的數據此刻在什麼位置；
數據的動畫：寧缺毋濫，過於酷炫的動畫實在是沒什麼用，一定要符合圖表的性質；

發現一個來自微軟 Visualization and Interaction Team (VIBE) 剛發布不沒多久的數據可視化軟體-SandDance(寓意像沙子的舞蹈)SandDance，確實也做到了，可謂眼前一亮，很有意思的是它初始的資料庫的例子中有一個是關於泰坦尼克號的，比如男女比例、票價的區間、全部船員的職業、死亡人數等等，配合數據可視化和電影，腦補當時泰坦尼克號的場景，還真是震撼，先上圖吧：

上圖就是各個級別的艙位的生存死亡情況，可以看出還是富人死的少，窮人死的多啊。。。
然後它有一個功能很實用，就是數據跟蹤，當你在一個種類的圖表中選中標註數據後，轉換至另外一個類型的圖表後，這些數據仍然不會消失，這就讓分析起圖表變得更簡單些；上圖吧：

選中後，圖表的元素也會相應變色，然後很帥的時刻來了：

在由Density的圖錶轉化為3D堆棧圖後，原來標記的數據仍然顯示，並且圖表的動畫很cool，真的像是沙子在跳舞，就像超能陸戰隊裡面大白的主人控制那些粒子一樣；
這突然讓我覺得動畫對於數據圖表還是很有意義的，雖然很多圖表的動畫都是毫無意義，畫蛇添足，但SandDance的動畫確實加強了其本身數據的表現力，很positive；
圖表動畫一定符合當前數據的類型，該是什麼就是什麼，不然動畫真的百害無一利；

怎麼樣，這樣看起來更帥吧，數據多了真的挺美的

上面是泰坦尼克號上乘客的職業分布，還真是震撼

同時它也支持觸屏操作，更加適合在大場合進行數據可視化展示，再加上不錯的動畫，在大屏幕前觀看應該會高潮。。。

（圖片截取於https://www.youtube.com/watch?time_continue=59v=w5Jx6SSYyDo）
當有意義的數據碰上般配的可視化，值得擁有

推薦關注微信賬號 @infovis 是一個專註可視化的微信賬號，比較偏理論與技術，也有一些關於可視化好壞與否的科普。

數據可視化毫無疑問是為了讓信息變得更易讀，更容易識別，通過圖形及顏色，讓那些抽象的數據變得具象、直觀，為大腦減負。但是是否能夠做到，不取決於圖形是否夠複雜，色彩是否夠炫麗，而是在於是否用了合適的圖形描述了需要解讀的信息，顏色是否起到了突出重點和差異的作用。關於這方面的知識，可以關注數據觀http://www.shujuguan.cn/?from=zh3，除了工具用起來很簡單之外，還會持續發布如何使用數據可視化的方法幫助我們高效工作的心得與方法

不一定。理應是這樣，但是做得差的數據可視化也很多。
看這篇文章《有這張圖你能做出世界上所有的雞尾酒》http://www.fastcodesign.com/1668928/the-only-chart-you-need-to-mix-a-proper-cocktail
忽略令人眼花的過程，直接看如下結果。亂線如麻，你三個小時調得出雞尾酒才怪。

這是典型本末倒置的數據可視化。邏輯是：「做一個數據可視化一定很酷」 -&> "好我們來把所有數據都放進一張圖裡！"除了當一張養眼的海報這張圖幹不了別的了。我寧願去看按字母排序的純文字的一張表。

人眼處理信息是並行的，大腦進行邏輯思考是串列的。可視化所做的就是把數據的某些些內在的特徵經過過濾與加強利用視覺隱喻表達出來。就是把串列的思維過程變成並行的快速處理。有一種利用GPU來輔助CPU的感覺。

可視化一般有兩個目的:一個是explanation,一個是exploration。
explanation:講的就是可視化可以簡化，方便交流。
exploration:就是探索，這個是數據可視化的很重要的一環，發現數據中的異常或者特殊的地方。
如果可視化讓信息更複雜了，那個就不是可視化了(我也不知道那個叫什麼，art?)。

我感覺信息是讓人來看懂的，用最基礎的結論把事情講清楚就OK，感覺目前的可視化，就是擺設

讓信息更複雜的就是沒做好的可視化。。。

數據（Data）本身是dirty的，而數據可視化得到的是信息（Information），重點不是簡化或複雜化的數據，而是讓數據變成有意義的信息。

數據可視化，其實就是讓公眾更簡單的去接觸到數據。或者說，將數據簡單化、形象化？
春節那陣子，百度針對春運做的百度遷徙還不錯。

既然選擇了可視化，那就一定要力求清晰，簡潔。但是可視化呈現本身的複雜性不能等同於數據本身的複雜性。可視化的終極目的在於致知，通過可視化呈現結果中讓用戶獲取他們想要得到的數據，這是可視化的目的之一（explanation），目的之二是讓用戶挖掘對他們來說可能有用的信息（exploration）。

不可以一概而論
以下面例子說明, A有1個蘋果, B有2個, C有100個

透過這兩張圖, 我們都可以得出C的蘋果量都比A和B 多很多。
但是! 如果要知道C 到底是有多少就很難了。是簡單還是困難, 是要看你要提取的信息。
如果你要提取的是"每人各有多少個，Deviation 是多少" 那麼純信息會比較好。
如果你要提取的是"誰比較多，誰比較少"那麼圖形就會看得更快。

個人觀點。。。
數據可視化更符合人腦的吸收方式，我們看到文字和數據的時候都需要轉化為圖像重組進行理解，而數據可視化直接建立了這種聯繫，直接從全局俯視下去，能夠馬上的理解不同對象的比例關係。至於是易讀還是複雜完全就是看作者的目的是滿足垂直需求還是展示全局數據或者純粹為了好玩和炫耀。