局部与整体类可视化图像的总结

1.引言

　　在数据分析和信息可视化领域，选择合适的图表类型对于清晰、准确地传达信息至关重要。不同的图表类型适用于不同的数据结构和分析需求，能够帮助我们更好地理解和解释数据中的模式、关系和趋势。本文将详细介绍几种常见的局部与整体类可视化图表，包括韦恩图、饼图、环形图、旭日图、圆堆积图、树状图和桑基图。我们将从这些图表的概念、特点、优缺点以及应用场景等方面进行系统梳理，旨在为读者提供一个全面的参考，以便在实际应用中选择最合适的图表类型来展示数据。

2.韦恩图

（1）概念

　　韦恩图（Venn Diagram）是一种用于展示集合之间逻辑关系的图表，由多个重叠的圆形组成。每个圆形代表一个集合，重叠部分表示集合之间的交集，非重叠部分表示集合之间的差异。

（2）特点

• 直观性强：通过重叠的圆形直观展示集合之间的交集、并集和差集等关系，无需复杂文字解释，易于理解。
• 信息全面：能同时展示多个集合之间的关系，包括两个或多个集合的交集和并集，全面呈现集合的交叉情况。
• 易于比较：通过观察圆形的重叠和非重叠部分，可直观比较不同集合之间的相似性和差异性，有助于分析和决策。
• 灵活性高：可以根据数据特点和分析需求调整圆形的大小、颜色、标签等，适应不同的数据和场景。

（3）应用场景

• 市场调研：分析不同消费群体对产品特性的偏好，帮助企业精准定位目标客户，优化产品设计。
• 学术研究：在生物学中用于研究物种特征分布，在社会学中用于分析社会群体的交叉情况。
• 项目管理：梳理项目任务和资源分配，展示不同团队任务的重叠部分，方便协调工作。

（4）实验代码及结果

import matplotlib.pyplot as plt
from matplotlib_venn import venn3, venn3_circles

# 定义三个集合
set1 = {'A', 'B', 'C', 'D'}
set2 = {'B', 'C', 'E', 'F'}
set3 = {'A', 'C', 'G', 'H'}

# 绘制维恩图
fig, ax = plt.subplots()
venn = venn3([set1, set2, set3], ('Set1', 'Set2', 'Set3'), ax=ax)

# 添加集合标签
venn.get_label_by_id('100').set_text('Only Set1')
venn.get_label_by_id('010').set_text('Only Set2')
venn.get_label_by_id('001').set_text('Only Set3')
venn.get_label_by_id('110').set_text('Set1 & Set2')
venn.get_label_by_id('011').set_text('Set2 & Set3')
venn.get_label_by_id('101').set_text('Set1 & Set3')
venn.get_label_by_id('111').set_text('Set1 & Set2 & Set3')

# 绘制圆圈（可选，用于更清晰地显示边界）
c = venn3_circles([set1, set2, set3], ax=ax, linewidth=1, color='black')

# 显示图形
plt.title('Venn Diagram of Three Sets')
plt.show()

3.饼图

（1）概念

　　饼图（Pie Chart）是一种圆形的图表，用于展示数据的占比关系。整个圆表示数据的总量，圆被分成若干扇形区域，每个扇形的面积表示该部分数据占总量的比例。

（2）特点

• 直观性：饼图通过扇形的大小直观展示各部分占整体的比例，易于理解。
• 比较性：可以清晰地比较各部分之间的相对大小。
• 简洁性：饼图结构简单，易于快速传达信息。
• 局限性：不适合展示太多分类，当分类数量过多时，扇形会变得很小，难以区分。
• 颜色区分：不同扇形使用不同颜色，便于区分不同的数据类别。

（3）应用场景

• 市场分析：展示不同产品或服务在市场中的份额。
• 财务分析：显示预算分配或支出构成。
• 人口统计：展示不同年龄段、性别或地区的人口比例。
• 教育分析：显示学生在不同学科或课程中的成绩分布。
• 健康与医疗：展示不同疾病或健康问题的患病率。

（4）实验代码及结果

import matplotlib.pyplot as plt

# 数据
labels = 'A', 'B', 'C', 'D'
sizes = [15, 30, 45, 10]
colors = ['gold', 'yellowgreen', 'lightcoral', 'lightskyblue']
explode = (0, 0.1, 0, 0)  # 突出显示第二个扇形

# 绘制饼图
plt.figure(figsize=(8, 6))
plt.pie(sizes, explode=explode, labels=labels, colors=colors,
        autopct='%1.1f%%', shadow=True, startangle=140)

# 确保饼图是圆的
plt.axis('equal')

# 添加标题
plt.title('Pie Chart Example')

# 显示图形
plt.show()

4.环形图

（1）概念

　　环形图（Doughnut Chart）是饼图的一种变体，其特点是中间有一个空白区域，形成一个环形。与饼图类似，环形图也用于展示数据的占比关系，但中间的空白区域可以用于添加额外的信息或标签。

（2）特点

• 占比展示直观：和饼图一样，圆环图最主要的特点是能够直观地呈现各部分数据在总体中所占的比例，每个扇形的弧长（或角度）对应的数据大小，能让观众快速理解数据的分布情况。
• 视觉重心的转移：相较于饼图，圆环图将视觉重心从面积转移到了长度上，对于肉眼观察数据占比情况更有优势。人们在查看圆环图时，更容易通过扇形的弧长来比较各部分数据的相对大小，减少了因面积判断带来的误差。
• 空间利用率高：环形图内部空心部分可以显示文本信息，标题等，提高了图表的空间利用率。
• 便于多图排布对比：环形图中间挖空的优势，可以将title或者每一块的text内置，便于多图排布对比。

（3）应用场景

• 展示各部分占比：当需要展示各选项的占比以及整体选择情况时，环形图是一个较好的选择。
• 多图对比：环形图在解决饼图难以进行多个图直接对比的问题时，采用了让我们更关注长度而不是面积的做法，这样我们就能相对简单地对比不同的环图。
• 展示重点信息：环形图可以在圆环中展示更多信息，如分类名、汇总值或自定义文本这样的信息展示在中间空白区域，提高图表的空间利用率。

（4）实验代码及结果

import matplotlib.pyplot as plt
import numpy as np

# 数据
labels = ['A', 'B', 'C', 'D', 'E']
sizes = [15, 30, 25, 10, 20]
colors = ['#ff9999', '#66b3ff', '#99ff99', '#ffcc99', '#c2c2f0']
explode = (0.1, 0, 0, 0, 0)  # 突出显示第一个部分

# 创建一个图形和坐标轴
fig, ax = plt.subplots()

# 绘制饼图
wedges, texts, autotexts = ax.pie(sizes, explode=explode, labels=labels, colors=colors, autopct='%1.1f%%', startangle=90, pctdistance=0.85)

# 绘制白色圆形以创建环形图
centre_circle = plt.Circle((0, 0), 0.70, fc='white')
fig.gca().add_artist(centre_circle)

# 设置图形为等比例缩放，确保饼图是圆形
ax.axis('equal')
plt.tight_layout()

# 自定义文本属性
for text in texts:
    text.set_color('black')
    text.set_fontsize(12)
for autotext in autotexts:
    autotext.set_color('black')
    autotext.set_fontsize(10)

# 添加图例
ax.legend(wedges, labels,
          title="Categories",
          loc="center left",
          bbox_to_anchor=(1, 0, 0.5, 1))

# 添加标题
plt.title("Complex Donut Chart", fontsize=16)

# 显示图形
plt.show()

5.旭日图

（1）概念

　　旭日图（Sunburst Chart），也被称为太阳图或多层饼形图，是一种以圆形为表现形式的数据可视化图表，最早由美国人大卫·休伯在1991年提出。它能够清晰地展示多层次、多维度数据，同时呈现出数据的层级关系和父子关系。在旭日图中，内外两个圆环表示数据的层级关系，内层圆环展示最细粒度的数据，外层圆环展示汇总后的数据。每一层圆环上的扇区则代表数据的类别，不同类别的数据通过颜色进行区分。

（2）特点

• 层级结构展示：旭日图的中心表示根节点，外层环形区域表示子节点。数据越靠外层，层级越深。
• 数据比例表达：各区域的角度或面积大小 反映该节点的值或占比，更大的角度或面积表示更大的数据量。
• 直观的层次关系：使用色彩区分不同的分支或层级，便于区分和理解。
• 交互性：在现代工具中，通过悬停、点击或筛选等交互操作，可以动态显示某个层次的详细信息。
• 视觉效果强烈：旭日图具有很强的视觉冲击力，能够直观地呈现数据的差异和联系。

（3）应用场景

• 组织结构分析：在分析公司的组织结构和资源分配情况时，旭日图可以直观地展示公司的层级关系。
• 财务报表分析：旭日图能够清晰地表达具有父子层次结构类型的数据，适用于分析财务报表的层次结构。
• 网站流量分析：在分析网站的页面浏览路径时，旭日图可以展示从首页到各个子页面，再到更深层次页面的流量分布情况。
• 产品分类销售数据：在展示产品分类的多层级销售数据时，旭日图能够将多个层次的产品类别有序地呈现在一个圆形区域内。

（4）实验代码及结果

import plotly.graph_objects as go
import pandas as pd

# 准备数据
data = {
    "labels": ["A", "B", "A1", "A2", "B1", "B2", "B3", "A1a", "A1b", "B1a", "B1b"],
    "parents": ["", "", "A", "A", "B", "B", "B", "A1", "A1", "B1", "B1"],
    "values": [100, 150, 30, 70, 50, 60, 40, 15, 15, 25, 25]
}
df = pd.DataFrame(data)

# 创建旭日图
fig = go.Figure(go.Sunburst(
    labels=df["labels"],
    parents=df["parents"],
    values=df["values"],
    branchvalues="total",
    marker=dict(
        colorscale='Blues',
        cmid=0.5
    ),
    hovertemplate='<b>%{label} </b><br>Value: %{value}<br>Percentage: %{percentParent:.2%}'
))

# 设置布局
fig.update_layout(
    margin=dict(t=0, l=0, r=0, b=0),
    title="Complex Sunburst Chart",
    font=dict(size=14)
)

# 显示图形
fig.show()

6.圆堆积图

（1）概念

　　圆堆积图（Circle Stacked Chart），有时也被称为堆叠圆环图或饼图堆积图，是一种数据可视化图表，它通过将一个圆环分割成多个扇形区域来展示数据的比例关系。这种图表是饼图的一种变体，它允许在同一个饼图中展示多个数据系列的分布情况。圆堆积图通常用于展示各部分占总体的比例，同时也可以展示不同数据系列在各个部分中的分布。它通过将圆环分割成多个扇形区域，每个扇形区域代表一个数据系列，扇形的大小表示该数据系列的数值大小。

（2）特点

• 多系列展示：可以同时展示多个数据系列，每个系列用不同的颜色表示。
• 直观比较：通过扇形的大小和颜色，可以直观地比较不同数据系列的大小和比例。
• 层次结构：如果数据具有层次结构，圆堆积图可以展示这种结构，例如，可以展示不同类别下的子类别分布。
• 空间利用：与饼图相比，圆堆积图可以更有效地利用空间，因为它可以展示更多的数据系列。
• 交互性：在交互式图表中，用户可以通过鼠标悬停或点击来获取更多关于每个扇形区域的信息。
• 视觉吸引力：由于其色彩丰富和结构清晰，圆堆积图通常比其他类型的图表更具视觉吸引力。

（3）应用场景

• 市场份额分析：在分析不同品牌或产品在市场中的份额时，圆堆积图可以清晰地展示各品牌或产品的市场占比情况，以及它们之间的相对大小关系。
• 资源分配展示：用于展示企业或组织内部资源在不同项目、部门或业务领域的分配情况。通过圆堆积图，可以直观地看到每个部分所占用的资源比例，帮助决策者进行资源的合理调配。
• 人口结构分析：在人口统计学中，圆堆积图可以用来展示不同年龄段、性别、民族等人口群体的比例关系，以及它们在总体人口中的分布情况。
• 销售数据展示：呈现不同产品线、地区或销售渠道的销售业绩占比，帮助企业了解销售结构，发现销售重点和潜在的市场机会。

（4）实验代码及结果

import plotly.graph_objects as go
import pandas as pd

# 构建复杂的多层次数据
data = {
    "labels": ["总销售", "东部区域", "西部区域", "北部区域", "东部 - 城市 A", "东部 - 城市 B", "西部 - 城市 C",
               "西部 - 城市 D", "北部 - 城市 E", "北部 - 城市 F", "产品 X", "产品 Y", "产品 Z"],
    "parents": ["", "总销售", "总销售", "总销售", "东部区域", "东部区域", "西部区域", "西部区域",
                "北部区域", "北部区域", "东部 - 城市 A", "东部 - 城市 A", "东部 - 城市 A"],
    "values": [5000, 1500, 1800, 1700, 700, 800, 900, 900, 850, 850, 200, 300, 200]
}

df = pd.DataFrame(data)

# 创建圆堆积图（旭日图）
fig = go.Figure(go.Sunburst(
    labels=df["labels"],
    parents=df["parents"],
    values=df["values"],
    branchvalues="total",
    marker=dict(
        colorscale='YlGnBu',
        cmid=0.5,
        line=dict(width=2)
    ),
    hovertemplate='<b>%{label}</b><br>销售额: %{value} 万元<br>占父区域比例: %{percentParent:.2%}'
))

# 设置图形布局
fig.update_layout(
    title="各区域产品销售圆堆积图",
    margin=dict(t=50, l=25, r=25, b=25),
    font=dict(size=14)
)

# 显示图形
fig.show()

（5）旭日图与圆堆积图的区别

旭日图（Sunburst Chart）和圆堆积图（Circle Stacked Chart）都是用于展示层次数据和比例关系的可视化图表，但它们在设计和用途上有一些关键的区别：

设计与结构：

• 旭日图：
  • 旭日图是一种特殊的树图，它以一个中心点开始，向外扩展成环形的层次结构。
  • 每个环代表一个数据层级，最内层的环代表顶层（或根节点），外层的环代表子节点。
  • 扇形的大小通常表示数值的大小，而颜色可以用来区分不同的类别或数据系列。
• 圆堆积图：
  • 圆堆积图通常是一个单一的圆环，被分割成多个扇形区域，每个区域代表一个数据系列。
  • 扇形区域可以堆叠在一起，形成一个完整的圆环，每个扇形的大小表示该数据系列的数值大小。
  • 圆堆积图通常用于展示单一层次的数据分布，而不是多层次的层次结构。

用途与数据：

• 旭日图：
  • 适合展示具有层次结构的数据，如组织结构、分类体系或流程图。
  • 可以展示数据的层级关系和父子关系，帮助用户理解数据的来源和流向。
  • 常用于探索性数据分析，帮助用户发现数据中的模式和关系。
• 圆堆积图：
  • 适合展示单一层次的数据分布，如市场份额、人口比例或资源分配。
  • 可以展示不同数据系列在总体中的分布情况，帮助用户比较不同系列的大小和比例。
  • 常用于报告和演示，以直观地展示数据的分布和比较。

交互性与可读性：

• 旭日图：
  • 通常具有较高的交互性，用户可以通过点击或悬停来展开或折叠不同的层级，查看详细信息。
  • 可读性可能受到数据复杂性的影响，特别是当层级较多或数据关系复杂时。
• 圆堆积图：
  • 交互性可能较低，通常用于静态展示数据分布。
  • 可读性通常较好，特别是当数据系列较少或颜色对比度较高时。

　　旭日图和圆堆积图都是展示比例数据的有效工具，但旭日图更适合展示具有层次结构的数据，而圆堆积图更适合展示单一层次的数据分布。选择哪种图表取决于数据的特点和分析的目的。

7.树状图

（1）定义

　　树状图（Tree Diagram）是一种用分支和节点表示数据关系的可视化工具，它适用于展示层级结构、组织架构、分类关系等。树状图通过父节点和子节点的连接方式，清晰地呈现了数据的层次和关联，帮助人们更好地理解和分析数据。树状图具有层次清晰、结构直观、易于扩展、支持多种表示方式、便于查找和定位、支持数据可视化以及易于理解和沟通等特点。

（2）特点

• 层次结构：树状图通过树枝和节点的布局清晰地展示了层次结构，易于理解。
• 直观比较：可以用于比较不同分支之间的数据差异，帮助识别关键因素。
• 结构直观：树形图具有层次清晰、结构直观的特点，便于查找和定位。
• 易于扩展：树形图易于扩展，支持多种表示方式，支持数据可视化以及易于理解和沟通。

（3）应用场景

• 组织结构管理：树形图可以用来表示项目的不同阶段、任务和子任务，有助于项目经理和团队成员清晰地了解项目的整体进度和各个任务之间的关系。
• 产品分类展示：在项目管理中，树形图可以用来表示项目的不同阶段、任务和子任务。
• 文件系统导航：在计算机文件系统中，树形图可以展示文件和文件夹的层级关系。
• 家族关系图：在家族研究中，树形图可以用来表示家族成员之间的关系。

（4）实验代码及结果

import matplotlib.pyplot as plt
import networkx as nx

def draw_complex_tree():
    # 创建一个有向图
    G = nx.DiGraph()

    # 定义一个复杂的树结构
    nodes = {
        "Root": ["Child1", "Child2", "Child3"],
        "Child1": ["Grandchild1", "Grandchild2"],
        "Child2": ["Grandchild3", "Grandchild4"],
        "Child3": ["Grandchild5"],
        "Grandchild1": ["GreatGrandchild1", "GreatGrandchild2"],
        "Grandchild2": ["GreatGrandchild3"],
        "Grandchild3": ["GreatGrandchild4"],
        "Grandchild4": [],
        "Grandchild5": []
    }

    # 定义节点的层级（用于布局和颜色区分）
    levels = {
        "Root": 0,
        "Child1": 1, "Child2": 1, "Child3": 1,
        "Grandchild1": 2, "Grandchild2": 2, "Grandchild3": 2, "Grandchild4": 2, "Grandchild5": 2,
        "GreatGrandchild1": 3, "GreatGrandchild2": 3, "GreatGrandchild3": 3, "GreatGrandchild4": 3
    }

    # 添加节点和边，并将层级信息作为节点属性存储
    for parent, children in nodes.items():
        G.add_node(parent, level=levels[parent])  # 添加父节点及其层级
        for child in children:
            G.add_node(child, level=levels[child])  # 添加子节点及其层级
            G.add_edge(parent, child)  # 添加边

    # 设置布局（分层布局）
    pos = nx.multipartite_layout(G, subset_key="level", align="vertical")

    # 设置节点颜色和大小
    node_colors = []
    node_sizes = []
    for node in G.nodes():
        level = G.nodes[node]['level']  # 从节点属性中获取层级
        if level == 0:
            node_colors.append("red")  # 根节点为红色
            node_sizes.append(1200)
        elif level == 1:
            node_colors.append("orange")  # 第一层为橙色
            node_sizes.append(1000)
        elif level == 2:
            node_colors.append("lightblue")  # 第二层为浅蓝色
            node_sizes.append(800)
        else:
            node_colors.append("lightgreen")  # 第三层为浅绿色
            node_sizes.append(600)

    # 绘制图形
    plt.figure(figsize=(12, 8))
    nx.draw(G, pos, with_labels=True, node_size=node_sizes, node_color=node_colors,
            font_size=10, font_weight="bold", arrows=True, edge_color="gray")
    plt.title("Complex Tree Diagram", fontsize=16)
    plt.show()

if __name__ == "__main__":
    draw_complex_tree()

8.桑葚图

（1）定义

　　桑基图是一种特殊的流向图，用于表示能量、物质或数据等的流动。它以节点和有向边的形式展示数据的流向，边的宽度表示流量的大小。桑基图最早由爱尔兰工程师 Matthew H. Sankey 在 1898 年发明，用于分析蒸汽机的热效率。

（2）特点

• 流向清晰：桑基图通过有向边和边的宽度直观地展示了数据的流动方向和流量大小，使得复杂的流向关系一目了然。
• 层次分明：节点通常按照层级排列，便于观察不同层级之间的数据流动关系。
• 动态交互：在一些工具（如 D3.js）中，桑基图可以实现动态交互，用户可以通过鼠标悬停、点击等操作获取更多详细信息。
• 视觉吸引力：桑基图的视觉效果较好，能够吸引观众的注意力，适合用于展示和报告。

（3）应用场景

• 能源分析：
  • 能源流向：用于分析能源的生产、分配和消耗过程，例如展示电力从发电厂到用户的流向。
  • 能源效率：通过桑基图可以直观地发现能源在传输和转换过程中的损失点，帮助优化能源系统。
• 财务分析：
  • 资金流动：展示企业或个人的资金流入和流出情况，帮助理解财务状况。
  • 预算分配：用于展示预算的分配情况，例如政府预算在不同部门之间的分配。
• 数据流量分析：
  • 网络流量：展示网络中的数据包流动情况，帮助分析网络瓶颈。
  • 用户行为分析：用于分析用户在网站或应用中的行为路径，例如用户从登录到购买的路径。
• 供应链管理：
  • 物料流动：展示原材料从供应商到生产环节，再到最终产品的流动过程。
  • 物流配送：用于分析物流配送过程中的货物流向，优化物流网络。
• 环境科学：
  • 物质循环：展示生态系统中物质（如碳、氮）的循环过程。
  • 水资源管理：用于分析水资源的分配和使用情况。

（4）实验代码及结果

from pyecharts import options as opts
from pyecharts.charts import Sankey

# 定义节点和连接
nodes = [
    {"name": "总费用"},
    {"name": "住宿"},
    {"name": "餐饮"},
    {"name": "交通"},
    {"name": "服装"},
    {"name": "红包"},
    {"name": "房租"},
    {"name": "水电"},
    {"name": "管理费"},
    {"name": "网络费"},
    {"name": "外卖"},
    {"name": "聚餐"},
    {"name": "饮料"},
    {"name": "滴滴"},
    {"name": "地铁"},
    {"name": "公交"},
    {"name": "共享单车"},
    {"name": "衣服"},
    {"name": "鞋子"},
    {"name": "围巾"},
    {"name": "袜子"},
    {"name": "同学"},
    {"name": "长辈"},
]

links = [
    {"source": "总费用", "target": "住宿", "value": 2580},
    {"source": "总费用", "target": "餐饮", "value": 1300},
    {"source": "总费用", "target": "交通", "value": 500},
    {"source": "总费用", "target": "服装", "value": 900},
    {"source": "总费用", "target": "红包", "value": 1300},
    {"source": "住宿", "target": "房租", "value": 2000},
    {"source": "住宿", "target": "水电", "value": 400},
    {"source": "住宿", "target": "管理费", "value": 100},
    {"source": "住宿", "target": "网络费", "value": 80},
    {"source": "餐饮", "target": "外卖", "value": 800},
    {"source": "餐饮", "target": "聚餐", "value": 300},
    {"source": "餐饮", "target": "饮料", "value": 200},
    {"source": "交通", "target": "滴滴", "value": 220},
    {"source": "交通", "target": "地铁", "value": 150},
    {"source": "交通", "target": "公交", "value": 80},
    {"source": "交通", "target": "共享单车", "value": 50},
    {"source": "服装", "target": "衣服", "value": 400},
    {"source": "服装", "target": "鞋子", "value": 300},
    {"source": "服装", "target": "围巾", "value": 150},
    {"source": "服装", "target": "袜子", "value": 50},
    {"source": "红包", "target": "同学", "value": 800},
    {"source": "红包", "target": "长辈", "value": 500},
]

# 创建桑基图
sankey = (
    Sankey()
    .add(
        "月度开支",
        nodes,
        links,
        linestyle_opt=opts.LineStyleOpts(opacity=0.5, curve=0.5, color="source"),
        label_opts=opts.LabelOpts(position="right"),
    )
    .set_global_opts(title_opts=opts.TitleOpts(title="月度开支桑基图"))
)

# 渲染为HTML文件并显示
sankey.render("C:/Users/Administrator/Desktop/sankey_complex_example.html")

9.总结 

图表类型	特点	优点	缺点	应用场景
韦恩图	可视化集合关系，图形简洁，多集合展示，可扩展性强，数据对比性好，通用性强	直观展示集合间的交集、并集、补集等关系，方便数据对比	超过五个集合时，图形复杂，难以清晰展示	集合关系分析，如不同群体的特征重叠分析
饼图	直观展示占比关系，整体与部分的呈现，色彩辅助表达	简单直观，易于理解各部分占比，强调部分对整体的贡献度	不适合较大的数据集，数据项中不能有负值，比例接近时难以准确判别	市场份额分析、预算分配展示、人口结构研究
环形图	直观展示比例关系，美观简洁，中间空白区域可添加信息	美观，信息丰富，直观呈现各部分占比	与饼图类似，数据项过多时难以准确比较	财务预算分析、市场份额分析、调查结果展示
旭日图	层级展示，可视化效果丰富	清晰呈现数据的层次关系和占比情况，美观且能传达更多信息	数据层级过多时，图形复杂，难以清晰展示	组织结构分析、市场细分分析、项目管理
圆堆积图	多层级展示，视觉对比明显	可同时展示多个层级的数据关系，便于视觉对比	数据层级过多时，图形复杂，难以清晰展示	销售数据分析、市场份额分析、资源分配展示
树状图	直观展现层次关系，可进行简单操作	清晰展示层级结构，适合展示从属关系	数据量大时，图形复杂，难以清晰展示	组织结构分析、文件系统展示、决策树分析
桑基图	流向清晰，层次分明，动态交互性好	直观展示数据流向和流量大小，适合展示复杂流向关系	数据量大时，图形复杂，难以清晰展示	能源分析、财务分析、数据流量分析、供应链管理、环境科学