当前位置：首页 > news >正文

哑铃图：数据对比的优雅之选合集 - 数据可视化(66)

news 2026/7/1 6:09:38

哑铃图是什么？

哑铃图（Dumbbell Plot），有时也称为DNA图或杠铃图，是一种用于比较两个相关数据点的可视化图表。

它源于人们对更有效数据比较方式的持续探索。

在传统的时间序列比较中，我们通常使用两条折线，但当需要比较的项目较多时，折线图会变得混乱。哑铃图通过将比较焦点放在每个项目的两个状态上，解决了多项目对比时的视觉混乱问题。

它的基本结构很简单：

每个观察单位（如产品、地区、时间段）对应两个数据点
这两个数据点由一条直线（或线段）连接
整个图形看起来像一排排哑铃，因而得名

2. 实现原理

哑铃图的核心设计理念是最小化认知负荷。

当我们需要比较A和B时，最直接的方式就是把它们放在一起，用一条线连接，然后观察这条线的长度（差异大小）和方向（哪个更大）。

在matplotlib中创建哑铃图，我们主要使用以下元素：

散点图：表示两个数据点
直线段：连接两个相关点
颜色编码：通常用不同颜色区分前后状态或不同组别
标签系统：清晰标识每个观察单位

3. 实战示例

接下来，我们看看哑铃图在实际场景中的显示效果。

假设我们是一家电商公司的数据分析师，需要比较8个主要产品类别在2022年和2023年的销售额变化。

（完整的代码在文章末尾提供下载地址，文中只截取部分代码）

先创建一些测试数据：

# 示例数据：8个产品类别在2022年和2023年的销售额（单位：万元） categories = [ "电子产品", "服装鞋帽", "家居用品", "美妆护肤", "图书音像", "运动户外", "食品饮料", "母婴用品", ] sales_2022 = [85, 92, 78, 65, 45, 60, 88, 72] sales_2023 = [95, 87, 85, 78, 52, 73, 95, 80]

然后，我们绘制传统的簇状条形图和哑铃图来对比一下效果：

# 创建子图，对比两种可视化方法 fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 8)) # 簇状条形图 x = np.arange(len(categories)) bars1 = ax1.bar(x - width/2, sales_2022, width, label='2022年', color='#4C72B0', alpha=0.8) bars2 = ax1.bar(x + width/2, sales_2023, width, label='2023年', color='#DD8452', alpha=0.8) # 在每个条形上添加数值标签 # 省略 ... # 哑铃图 # 设置y轴位置（每个类别的垂直位置） y_pos = np.arange(len(categories)) # 绘制连接线 for i, (y2022, y2023) in enumerate(zip(sales_2022, sales_2023)): # 确定线颜色：增长为绿色，下降为红色 line_color = '#55A868' if y2023 > y2022 else '#C44E52' ax2.plot([y2022, y2023], [i, i], color=line_color, linewidth=2.5, alpha=0.7, zorder=1) # 绘制数据点 ax2.scatter(sales_2022, y_pos, s=120, color='#4C72B0', alpha=0.9, label='2022年', zorder=2, edgecolors='white', linewidth=2) ax2.scatter(sales_2023, y_pos, s=120, color='#DD8452', alpha=0.9, label='2023年', zorder=2, edgecolors='white', linewidth=2) # 省略 ... plt.tight_layout() plt.show()

通过上面的对比，我们可以清晰地看到哑铃图的优势：

变化一目了然：连接线的长度直观表示变化幅度，方向表示增长或下降
减少视觉跳跃：眼睛不需要在条形间来回移动，而是沿着水平线自然追踪
突出比较重点：专注于每个项目的两个状态对比，而非绝对数值

进一步，我们还可以给哑铃图排序，按照增长由快到慢给各个品类排序，这样自然形成从"下降最显著"到"增长最显著"的连续谱，模式自动显现，无需刻意寻找。

比如上面的哑铃图中，【服装鞋帽】这个品类其实销售额是下降的，混在一堆哑铃中不容易看出来吧？

# 创建排序后的哑铃图 fig, ax = plt.subplots(figsize=(10, 8)) # 按变化幅度排序 sorted_indices = np.argsort( [sales_2023[i] - sales_2022[i] for i in range(len(categories))] ) sorted_categories = [categories[i] for i in sorted_indices] sorted_2022 = [sales_2022[i] for i in sorted_indices] sorted_2023 = [sales_2023[i] for i in sorted_indices] # 绘制连接线 # 省略 ... # 绘制数据点 # 省略 ... # 添加变化箭头标注 # 省略 ... plt.tight_layout() plt.show()

这样改造后，由上到下的哑铃，越来越短（也就是增长越来越慢），最底部的那个是负增长，用了红色来标注。