哑铃图：数据对比的优雅之选

简洁的线条连接两个数据点，就像哑铃的两端，在对比分析中展现出令人惊艳的清晰度。

在平时的数据分析项目中，我经常会遇到比较两个相关数据集的变化情况。

这时，传统的做法是使用堆积条形图或簇状条形图，但它们存在一个共同问题：当我们需要精确追踪每个项目在两个时间点或两种条件下的变化时，这些图表会让我们的眼睛在条形之间来回跳跃，难以直观把握变化的幅度和方向。

今天，我要向大家推荐一种更优雅的替代方案--哑铃图。

1. 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。

4. 总结

数据可视化的核心目标是有效传达信息。当我们需要强调变化、比较两个相关状态时，哑铃图提供了一种简洁而强大的解决方案。

就像选择合适的工具完成工作一样，在面对数据比较任务时，我们应该根据具体需求选择最合适的可视化形式：

• 当需要比较多个项目的两个状态时，选择哑铃图
• 当需要展示单个项目的多个组成部分时，选择堆积条形图
• 当需要比较多个项目的多个类别时，选择簇状条形图

最好的可视化不是最复杂的，而是能让观众在最短时间内理解最多信息的那个。

哑铃图正是这样一种高效的工具，它用最简单的线条连接，讲述了数据世界中最动人的变化故事。

下次做报告时，不妨试着把那张拥挤的簇状条形图换成哑铃图，相信你的观众会感叹：“哇，这张图做得真专业！”

完整代码：哑铃图.ipynb (访问密码: 6872)