做数据分析这行十来年我见过太多人把一手好牌打得稀烂。数据清洗得干干净净SQL写得漂漂亮亮模型跑得稳稳当当结果到了最后一步——画图全毁了。不是把趋势数据塞进饼图就是拿柱状图去展示占比关系更有甚者一张图里塞了七八个维度看得人头皮发麻。老板问你想表达什么他自己都说不清楚。问题出在哪不是工具不会用是脑子里没有一张图表选型地图。Excel、FineBI、ECharts这些工具里的图表类型少说几十种但真正高频使用的就那么二十来种。这二十来种如果不去系统梳理每次做分析都得临时翻菜单、凭感觉选出错是必然的。我花了大概两周时间把日常分析场景中真正用得上的图表做了系统整理按功能分成四大类一共22种。这套分类框架帮我在带团队的时候省了大量沟通成本——新人拿到数据后先判断我要表达什么关系再对照分类找图表基本不会跑偏。这篇文章就把这套整理完整拆开讲。不管你是刚入行的数据分析师还是做运营、产品、财务需要经常出报表的岗位这套框架都能直接拿去用。我会把每种图表的适用场景、常见误用、以及在FineBI和ECharts里的落地方式都讲清楚尽量做到看完就能上手。1. 为什么图表选型比图表美化重要十倍1.1 一张选错的图能让正确的数据得出错误结论先讲一个我亲身经历的案例。早年间我在一家零售公司做周报有一周的数据显示华东区销售额占比35%华南区28%华北区22%西南区15%。我当时想都没想直接拉了一个饼图放上去。结果周会上老板盯着饼图看了半天问了一句华南和华北的差距到底在拉大还是缩小我当场愣住——饼图只能展示某一时点的占比根本回答不了趋势对比的问题。正确的做法应该是用堆积柱状图展示各区域连续几周的占比变化或者用折线图展示各区域的绝对销售额走势。这个经历让我意识到一个核心问题图表的本质不是把数据画出来而是回答一个具体的问题。你选择什么图表取决于你想回答什么问题。想回答构成是什么用饼图或堆积图想回答趋势怎么走用折线图或面积图想回答谁大谁小用柱状图或条形图想回答两者有没有关系用散点图或气泡图。图表选型错了等于答非所问数据再准确也没用。1.2 图表选型的底层逻辑先定关系再定图形很多人选图表是看哪个好看选哪个这是本末倒置。正确的顺序应该是反过来先明确数据之间的逻辑关系再根据关系类型匹配图形。数据关系大致可以归为五类比较关系、构成关系、趋势关系、分布关系、关联关系。这五类关系对应到图表上就是我后面要展开的四大类22种图表的核心分类依据。这里要特别说明一点同一组数据往往可以回答多个问题所以同一组数据也可能适合多种图表。比如各区域月度销售额这组数据既可以看趋势折线图也可以看对比柱状图还可以看构成堆积柱状图。关键是你当前的分析目的是什么而不是数据本身应该用什么图。这个思维转变非常重要它意味着图表选型是一个目的驱动的决策过程而不是数据驱动的机械匹配。1.3 工具再强也救不了选型错误现在市面上的可视化工具越来越强FineBI、Tableau、PowerBI、ECharts拖拖拽拽就能出图样式也漂亮。但我发现一个普遍现象工具越傻瓜选型越随意。因为出图成本太低了很多人就懒得思考我到底该用什么图反正先画出来看看不好看再换。这种试错式选型在小屏幕上看起来还行但一旦放到大屏或者正式汇报场景问题就暴露了。我在带新人的时候会强制要求他们在动手画图之前先用一句话写下这张图要回答的问题是什么。写不出来就不准画。这个习惯看起来笨但极其有效。因为一旦你把问题写清楚了图表类型基本就自动浮现了。比如你写我想知道哪个产品的退货率最高那答案必然是条形图排序你写我想知道退货率随时间的变化那答案必然是折线图。选型不是靠灵感是靠逻辑推导。2. 四大类22种图表的完整分类框架2.1 比较类图表回答谁大谁小、差多少比较类图表是日常分析中使用频率最高的一类核心功能是展示不同类别之间的数值差异。这类图表包括柱状图、条形图、分组柱状图、堆叠柱状图、雷达图、子弹图等。它们的共同特点是有一个明确的分类维度比如产品、区域、渠道每个分类对应一个或多个数值。柱状图是最基础的比较工具适合分类数量在7个以内的场景。超过7个分类柱状图就会显得拥挤这时候应该换成条形图横向柱状图因为横向排列可以容纳更长的分类名称阅读体验更好。分组柱状图适合比较两个维度交叉的情况比如各区域男女用户的消费额但分组数量不宜超过3组否则柱子太细看不清。堆叠柱状图适合展示总量构成的双重信息比如各区域总销售额及其产品线构成。雷达图是一个容易被滥用的图表。它适合展示多个维度上的综合表现对比比如员工能力评估、产品多指标对比。但雷达图的维度不宜超过6个且各维度的量纲必须统一比如都是百分制否则图形会失真。我见过有人用雷达图对比不同产品的销售额、利润率、增长率、库存周转率量纲完全不统一画出来的图形毫无意义。2.2 构成类图表回答整体由什么组成构成类图表的核心是展示部分与整体的关系。最典型的是饼图和环形图此外还有堆积面积图、树状图、旭日图、瀑布图等。饼图的使用有严格限制分类数量不超过5个且必须有一个分类明显占主导比如超过50%否则读者很难比较扇形的大小。我个人的经验是如果最大扇形和最小扇形的占比差距不到10个百分点就不要用饼图改用条形图排序更清晰。环形图本质上是饼图的变体中间的空洞可以用来放总计数值或关键指标在仪表盘场景中比饼图更实用。堆积面积图适合展示构成随时间的变化比如各产品线销售额占比的月度变化它同时兼顾了趋势和构成两个维度。树状图适合展示层级构成比如公司总营收按事业部、产品线、单品的逐层拆解面积大小代表数值大小嵌套关系代表层级关系。瀑布图是一个特殊但非常有用的构成类图表它展示的是一个数值从起点到终点的变化过程中间的每个柱子代表一个增减项。比如从月初库存到月末库存的变化中间会经过入库、出库、退货等多个环节瀑布图能清晰地展示每个环节的贡献。这个图表在财务分析、库存分析中特别实用但很多人不知道它的存在。2.3 趋势类图表回答随时间怎么变趋势类图表的核心是时间维度。折线图是最基础的趋势工具适合展示连续时间序列的变化。面积图是折线图的填充版本适合强调累积量或总量变化。当需要同时展示多条趋势线时折线图比面积图更清晰因为面积图叠加后会互相遮挡。这里要重点讲一个常见误区很多人喜欢用双轴折线图来展示两个量纲不同的指标比如销售额万元和增长率%。双轴图不是不能用但风险很高因为两条线的交叉点、相对高低完全取决于两个轴的缩放比例很容易产生误导。我的建议是如果两个指标的量纲差异很大优先考虑拆成两张图上下排列而不是硬塞进一张双轴图。阶梯图是折线图的一个变体适合展示状态突变的场景比如产品价格调整后的销量变化价格调整是一个突变点阶梯图能清晰地展示调整前后的状态差异。这种图表在运营分析中很有用但使用频率不高很多人不知道什么时候该用它。2.4 分布与关联类图表回答数据怎么分布、变量之间有没有关系分布类图表展示的是数据的分布特征包括直方图、箱线图、小提琴图、散点图等。直方图适合展示连续变量的频次分布比如用户年龄分布订单金额分布。箱线图适合展示多组数据的分布对比能同时展示中位数、四分位数和异常值在数据质量检查和异常检测中非常实用。散点图是关联类图表的核心用于展示两个连续变量之间的关系比如广告投入与销售额的关系用户活跃度与留存率的关系。气泡图是散点图的扩展通过气泡大小引入第三个变量。散点图的关键在于观察点的分布形态是线性相关还是非线性相关是正相关还是负相关有没有明显的离群点。这些信息对于后续的建模和决策至关重要。热力图是一种特殊的关联类图表通过颜色深浅展示两个分类维度交叉后的数值大小比如不同时段不同区域的订单量分布。热力图在用户行为分析、时段分析中特别常用能一眼看出高密度区域和低密度区域。3. 22种图表逐一拆解适用场景、误用警示与工具落地3.1 比较类六种图表的实战细节柱状图的实战要点在于排序。默认情况下柱状图按分类名称排序但更有信息量的做法是按数值大小排序。降序排列能让读者一眼看出谁最大、谁最小这在做排名分析时尤其重要。在FineBI中柱状图支持直接拖拽排序也可以设置按指标降序在ECharts中需要对数据数组先做sort处理再传入。条形图和柱状图本质相同只是方向不同。当分类名称较长比如产品全称或分类数量较多超过7个时优先用条形图。条形图的阅读顺序是从上到下所以排序时应该把最大值放在最上面。这个细节很多人忽略导致读者需要自己去找最大值。分组柱状图的坑在于组数过多。我建议分组数不超过3组每组内的柱子不超过5根。如果超过这个限制考虑改用分面图小 multiples即把每个分组拆成独立的小图并排展示。在ECharts中可以用grid配置多个坐标系来实现分面效果。堆叠柱状图的关键是堆叠顺序。应该把最重要的分类放在最底部因为底部的柱子基线是平的最容易比较。如果某个分类是其他应该放在最顶部。另外堆叠柱状图不适合展示太多分类一般不超过5个否则颜色区分困难。雷达图的实战要点是维度标准化。如果各维度量纲不同必须先做归一化处理比如都映射到0-100分否则图形会严重失真。雷达图的维度数量建议在4-6个之间太少看不出综合表现太多则图形变得像蜘蛛网难以解读。子弹图是一个相对小众但非常实用的比较图表适合展示实际值 vs 目标值的对比。它由一个主柱实际值和一条标记线目标值组成还可以加上背景色带表示绩效区间。在KPI仪表盘中子弹图比传统的仪表盘指针图更简洁、信息密度更高。3.2 构成类六种图表的实战细节饼图的使用限制我在前面已经强调过这里补充一个实操技巧如果确实需要用饼图把最大的扇形放在12点钟方向顺时针排列这样读者的视线自然从最大项开始。另外饼图的标签应该直接标注在扇形上或旁边而不是用图例因为图例需要读者来回对照增加认知负担。环形图在仪表盘场景中比饼图更实用因为中间的空洞可以放总计数值。在FineBI中环形图支持在中心位置放置文本组件在ECharts中可以通过graphic配置项在中心添加文本。环形图的环宽不宜过窄一般建议环宽占半径的30%-50%。堆积面积图适合展示构成随时间的变化但要注意如果某个分类的数值波动很大堆积面积图会产生此消彼长的视觉错觉。比如A分类下降、B分类上升但由于是堆积的读者可能误以为总量在变化。所以堆积面积图更适合展示相对稳定的构成变化而不是剧烈波动的场景。树状图的核心优势是能在一张图里展示多层级的构成关系。比如公司总营收→各事业部→各产品线→各单品树状图通过嵌套矩形的大小和位置来展示这种层级关系。但树状图的缺点是难以精确比较数值因为人眼对面积的感知不如对长度敏感。所以树状图适合展示大致构成不适合需要精确比较的场景。旭日图是树状图的圆形版本适合展示层级构成且比树状图更美观。但旭日图的阅读难度更高因为圆环的扇形面积比较不如矩形直观。旭日图适合在汇报场景中展示整体架构不适合做精确的数据分析。瀑布图的实战要点是起点和终点必须明确。瀑布图展示的是一个变化过程所以必须有一个清晰的起点比如月初库存和终点比如月末库存中间的每个柱子代表一个增减项。在财务分析中瀑布图常用于展示利润从毛利润到净利润的变化过程每个柱子代表一项费用或收入。3.3 趋势类五种图表的实战细节折线图的实战要点是线不要太多。一张折线图里超过5条线就会变得难以区分。如果确实需要展示多个序列可以考虑用高亮灰色背景的方式即把最重要的那条线用醒目颜色其他线用灰色这样既展示了全貌又突出了重点。在ECharts中可以通过emphasis配置项实现。面积图适合强调累积量比如累计注册用户数。但面积图不适合展示多条序列的对比因为填充区域会互相遮挡。如果一定要展示多条序列应该用半透明填充并且把最重要的序列放在最上层。双轴折线图的风险我在前面已经讲过这里补充一个替代方案如果两个指标的量纲差异很大可以考虑用指数化处理即把两个指标都转换为以某个基期为100的指数然后在同一根轴上展示。这样既避免了双轴的误导又能展示相对变化。阶梯图适合展示状态突变的场景。比如产品价格从10元调整到15元后的销量变化价格调整是一个突变点阶梯图能清晰地展示调整前后的状态差异。阶梯图在运营分析、政策评估中很有用但使用频率不高。K线图虽然主要用于金融领域但在一些业务分析场景中也有应用比如展示某指标的最高值、最低值、开盘值、收盘值。K线图的信息密度很高但阅读门槛也高不适合非专业读者。3.4 分布与关联类五种图表的实战细节直方图的实战要点是分箱数量。分箱太少分布特征不明显分箱太多图形变得锯齿状。一般来说分箱数量可以参考Sturges公式k 1 3.322 * log10(n)其中n是数据量。但实际应用中更常见的是根据业务含义来分箱比如用户年龄按5岁一档分箱。箱线图是数据质量检查的利器。它能同时展示中位数、四分位数、异常值一眼就能看出数据的分布形态和异常情况。箱线图的箱子代表中间50%的数据须代表非异常值的范围超出须的点就是异常值。在FineBI中箱线图支持自动计算四分位数和异常值。散点图的实战要点是观察形态。散点图的价值不在于画出点而在于观察点的分布形态是线性还是非线性是正相关还是负相关有没有明显的离群点。这些信息对于后续的建模和决策至关重要。在ECharts中散点图支持添加趋势线帮助读者更直观地看出相关关系。气泡图是散点图的扩展通过气泡大小引入第三个变量。但气泡图的风险在于人眼对面积的感知不如对长度敏感所以气泡大小的差异容易被低估。如果第三个变量的差异很重要建议用颜色深浅或标签数值来补充。热力图适合展示两个分类维度交叉后的数值分布。比如不同时段不同区域的订单量横轴是时段纵轴是区域颜色深浅代表订单量。热力图能一眼看出高密度区域和低密度区域在用户行为分析、时段分析中特别常用。在FineBI中热力图支持自定义颜色梯度在ECharts中可以通过visualMap配置项实现。4. 从数据到图表一套可复用的选型决策流程4.1 第一步用一句话定义分析目的选型的第一步不是打开工具而是拿出一张纸写下你要回答的问题。这个问题必须具体到能用一个图表回答的程度。比如我想了解销售情况太模糊应该细化为我想知道各区域的销售额排名或我想知道销售额近半年的变化趋势。问题越具体图表类型越明确。我通常会把问题归为五类比较类谁大谁小、构成类整体由什么组成、趋势类随时间怎么变、分布类数据怎么分布、关联类变量之间有没有关系。这五类问题对应四大类图表分布和关联合并为一类基本覆盖了日常分析的所有场景。4.2 第二步检查数据特征是否满足图表要求确定了问题类型后还要检查数据特征是否满足图表的使用条件。比如你想用饼图展示构成但分类有12个那就超出了饼图的适用范围应该改用条形图排序。你想用折线图展示趋势但时间点只有3个那折线图的意义不大用柱状图更合适。数据特征检查主要包括分类数量、时间点数量、量纲是否统一、是否有异常值、数据量大小。这些特征直接决定了图表的适用性。我在团队里推行一个选型检查清单每次画图前过一遍能避免80%的选型错误。4.3 第三步在工具中落地并做最小化调整选好图表类型后在FineBI或ECharts中落地。这里的原则是最小化调整不要一上来就调颜色、调字体、加特效先把数据映射对确保图表能正确回答问题。然后再做必要的调整比如排序、标签、颜色区分。在FineBI中图表的创建流程是选择数据集→拖拽维度到横轴→拖拽指标到纵轴→选择图表类型→调整样式。在ECharts中需要配置option对象包括xAxis、yAxis、series等。两种工具各有优势FineBI适合快速出图ECharts适合高度定制。4.4 第四步用三秒测试验证图表是否合格图表画完后做一个三秒测试把图给一个不了解背景的同事看三秒然后问他这张图想表达什么。如果他能准确说出来说明图表合格如果他说不出来或者理解错了说明图表需要修改。这个测试看似简单但极其有效能发现很多自嗨型图表的问题。三秒测试的核心是检验图表的自解释性。一张好的图表应该不需要额外的文字说明就能被理解。如果必须配一大段文字才能看懂那说明图表本身没有把信息传达清楚。常见的问题包括标题不明确、坐标轴没有单位、图例太多、颜色区分度不够。5. 工具落地FineBI与ECharts的图表实现差异5.1 FineBI拖拽式选型与智能推荐FineBI的图表选型是拖拽式的你把维度和指标拖到对应的位置系统会自动推荐合适的图表类型。这个智能推荐功能对新手很友好但也不能完全依赖因为系统的推荐是基于数据特征的不一定符合你的分析目的。比如你拖入一个维度和一个指标系统可能推荐柱状图但如果你实际想展示趋势还是应该手动切换到折线图。FineBI的一个实用功能是图表切换你可以在不重新配置数据的情况下一键切换图表类型。这个功能在选型犹豫时特别有用先把数据配好然后快速切换几种图表类型看看哪种最能表达你的意思。我经常用这个功能来做快速对比。另外FineBI支持计算字段可以在图表层面做二次计算比如计算占比、同比、环比。这个功能减少了数据准备的复杂度让分析更灵活。但要注意计算字段的逻辑要清晰否则容易出错。5.2 ECharts配置式选型与高度定制ECharts是配置式的你需要通过option对象来定义图表的所有元素。这种方式灵活度极高但门槛也高。对于选型来说ECharts的优势在于可以精确控制图表的每一个细节比如坐标轴的刻度、标签的位置、颜色的梯度。ECharts的图表类型通过series的type属性来指定比如type: bar是柱状图type: line是折线图type: pie是饼图。切换图表类型只需要改一个属性值但数据格式可能需要调整。比如柱状图和折线图的数据格式相同但饼图需要{name, value}格式的数据。ECharts的一个强大功能是响应式配置可以根据容器大小自动调整图表布局。这在仪表盘场景中特别有用因为仪表盘的大小是固定的图表需要自适应。通过media配置项可以定义不同尺寸下的图表样式。5.3 两种工具的选型建议FineBI适合业务人员快速出图尤其是需要频繁更新数据的场景。它的优势在于数据连接、权限管理、定时刷新等企业级功能。ECharts适合开发人员做高度定制的可视化尤其是需要嵌入Web应用的场景。它的优势在于灵活度和性能。在实际工作中我通常是这样搭配的探索性分析用FineBI快速试各种图表最终汇报用ECharts做精细化的定制。两者不是替代关系而是互补关系。关键是理解每种工具的优势和边界在合适的场景用合适的工具。6. 那些年我踩过的图表选型坑6.1 饼图陷阱分类太多、差距太小饼图是我见过被滥用最严重的图表。很多人觉得饼图看起来专业不管什么数据都往饼图里塞。我见过一张饼图有15个分类每个扇形小得像纸片根本分不清谁是谁。也见过最大扇形和最小扇形只差3个百分点读者根本看不出差异。我的经验法则是饼图的分类不超过5个且最大扇形占比超过30%。如果满足不了这两个条件就改用条形图排序。条形图虽然不如饼图好看但信息传达效率高得多。在FineBI中从饼图切换到条形图只需要点一下图表类型成本很低。6.2 双轴图陷阱量纲不同、缩放误导双轴折线图是另一个高频踩坑点。很多人为了在一张图里展示两个指标强行把量纲不同的数据塞进双轴图。结果两条线的交叉点、相对高低完全取决于两个轴的缩放比例读者很容易被误导。我的建议是如果两个指标的量纲差异超过一个数量级就不要用双轴图。替代方案有两个一是拆成两张图上下排列二是做指数化处理。拆图虽然占空间但信息传达更准确指数化虽然需要额外计算但能展示相对变化。6.3 颜色陷阱颜色太多、区分度不够颜色是图表设计中最容易被忽视的元素。很多人选颜色是看哪个好看选哪个结果一张图里用了七八种颜色读者根本分不清哪个颜色对应哪个分类。更糟糕的是有些颜色在投影仪上显示效果很差比如浅黄色和浅绿色几乎分不出来。我的经验是一张图的颜色不超过5种且要保证在黑白打印时也能区分通过深浅差异。在FineBI中可以使用预设的颜色方案在ECharts中可以通过color配置项自定义颜色数组。另外对于有序数据比如年龄段应该用渐变色而不是分类色。6.4 标签陷阱标签太多、遮挡严重标签是图表的注释但很多人把标签当成了数据表把每个数据点都标上数值。结果图表上密密麻麻全是数字根本看不清图形本身。我的原则是只标注关键数据点比如最大值、最小值、异常值其他数据点让读者通过坐标轴估算。在FineBI中可以设置标签显示策略比如只显示前N个或只显示超过阈值的。在ECharts中可以通过label配置项的formatter函数来控制标签内容。另外标签的位置也很重要要避免遮挡图形元素。6.5 排序陷阱默认排序、信息量低排序是图表设计中最容易被忽视的细节。默认情况下图表按分类名称排序比如按字母顺序或按数据源顺序但这种排序往往没有信息量。更有价值的做法是按数值大小排序这样读者能一眼看出谁最大、谁最小。在FineBI中可以设置按指标排序在ECharts中需要对数据数组先做sort处理。排序的方向也有讲究柱状图一般降序排列最大值在左边条形图一般降序排列最大值在最上面。这个细节虽然小但对读者的阅读体验影响很大。7. 从图表到仪表盘组合使用的几个原则7.1 一屏一主题避免信息过载仪表盘不是图表的简单堆砌而是有逻辑的信息组合。我的原则是一屏一主题一个仪表盘页面只回答一个大问题比如销售概览或用户增长。这个大问题下面可以拆成若干小问题每个小问题对应一张图表。很多人的仪表盘是有什么数据就放什么图结果一屏塞了十几张图读者根本不知道从哪里看起。正确的做法是先定义仪表盘的叙事逻辑先看什么再看什么最后看什么。比如销售概览的叙事逻辑可以是先看总销售额KPI卡片再看各区域排名条形图再看月度趋势折线图最后看产品线构成堆积柱状图。7.2 图表之间有逻辑关联不是随机排列仪表盘上的图表应该有逻辑关联而不是随机排列。常见的逻辑关联包括从总到分先看总量再看构成、从静到动先看当前状态再看变化趋势、从因到果先看投入再看产出。在布局上重要的图表放在左上角读者的视线起点次要的图表放在右下角。KPI卡片放在最顶部作为摘要。趋势图放在中间作为主体。明细表放在底部作为补充。这个布局符合大多数人的阅读习惯。7.3 交互设计筛选、联动、下钻仪表盘不是静态的图片而是可以交互的分析工具。常见的交互包括筛选按时间、区域、产品筛选、联动点击一张图其他图跟着变、下钻点击某个分类查看更细粒度的数据。在FineBI中这些交互功能都是内置的配置起来很方便。在ECharts中需要通过事件监听和数据更新来实现。交互设计的核心是让读者自己探索数据而不是被动地接受预设的结论。一个好的仪表盘应该能让读者在3-5次点击内找到自己关心的信息。8. 图表选型的长期修炼建立自己的图表库8.1 收集优秀案例建立个人参考库图表选型能力不是天生的是靠积累的。我建议每个数据分析师都建立一个图表参考库收集平时看到的好图表。可以是来自行业报告、竞品分析、优秀仪表盘的截图也可以是自己在项目中画的满意作品。收集的时候要标注这张图回答了什么类型的问题用了什么图表类型有什么值得借鉴的设计细节。时间长了这个参考库就成了你的选型字典遇到类似问题时可以直接参考。8.2 定期复盘总结选型经验每次做完一个分析项目花10分钟复盘一下这次用了哪些图表选型有没有走弯路有没有更好的选择把这些经验记下来形成自己的选型笔记。我在团队里推行图表复盘制度每个项目结束后大家一起看一遍所有的图表讨论选型是否合理。这个制度看起来费时间但实际上大大减少了后续项目的选型错误。因为很多错误是重复的复盘一次就能避免。8.3 关注工具更新但不要被工具牵着走可视化工具更新很快FineBI、ECharts、Tableau都在不断推出新的图表类型和功能。关注工具更新是好事但不要被工具牵着走。工具是手段不是目的。核心还是你想回答什么问题而不是工具能画什么图。我见过一些人工具出了新图表就迫不及待地用不管适不适合当前场景。结果画出来的图很花哨但信息传达效果很差。记住图表的第一目标是准确传达信息第二目标才是美观。不要本末倒置。这套四大类22种图表的分类框架我在团队里用了三年多带过的新人不下二十个。最直观的感受是有了这套框架新人上手图表选型的速度快了很多不再需要每次都问这个数据该用什么图。当然框架只是起点真正的功力还是靠项目积累。我自己的经验是前两年靠框架后两年靠直觉再往后就是靠对业务的理解——因为最终决定图表好坏的不是图表本身而是它是否回答了业务真正关心的问题。