撬动地球需要一个杠杆,看懂图表需要一条参考线

今天要跟大家介绍一下图表中用作对比的参考线制作技巧

参考线能够更明显的

突出真实值与目标值之间的差距

今天要介绍两种参考线的制作思路

散点图法——误差线法

▌柱形图中的参考线

散点图法:

首先用原数据做一个普通的柱形图

然后激活图表单击右键添加数据序列

将C列平均值序列加入图表

此时默认的图表类型是簇状柱形图

激活图表单击右键选择更改图表类型

找到刚才新添加的序列(平均)名称

在类型列表框中选择散点图

此时新序列就变成了散点图

选中散点图序列

单击右键设置数据序列格式

选择第一项填充线条

找到标记——数据标记选项

选择无

线条选择实线

修改颜色宽度

此时散点图标记点消失

剩下一条代表平均值的直线

此时插入小等腰三角形(顶点向左)并复制

激活图表双击散点图序列最后一个点

(点击一次选中所有点,再次单击即可选中其中一个点)

然后黏贴即可

此时散点图最后一个三点已经填充了小三角形

无论原数据怎么变换

参考线(平均值线)都会随着平均值的变化而变化

(这里说明一下,原数据区域平均值使用了均值函数,否则参考线是不会跟着变化的)

如果你有多个目标需要比较也可以做成这样子

(再次添加辅助数据并更改为散点图)

▌误差线法

仍然是先做出一个普通柱形图

依然需要使用辅助数据

在柱形图中添加辅助数据

将新增序列图表类型更改为散点图

指定散点图X轴数据

激活图表选择设计——添加图表元素——误差线

进入误差线设置选项

在下拉列表中选择系列2x轴误差线

选择负误差——无断点

固定值设为10(这个看具体情况,看下横轴一共几个点位,设置一个足够大的超过横轴总长的单位就OK了)

插入小三角形并复制贴入辅助的散点图唯一的一个散点

剩余的格式化一下就可以了

最后就是酱紫

▌条形图参考线:

条形图的误差线稍微复杂那么一点点儿

需要用两列辅助数据

仍然是先用原始数据做一个普通条形图

添加序列,将D列数据加入条形图

此时整个条形图默认是簇状条形图

将新增的数据序列更改为散点图

为散点图指定X轴序列(C列数据)

此时可以看到新增散点图排列成整齐的一竖列

选中任意散点设置其格式为无标记、实线并修改线条彦色、粗细

插入小三角形并贴入最低端一个散点

▌同理,也可以参照柱形图误差线做法

新增序列设置为散点图

Y轴数据设置为D列D2单元格数据

X轴数据设置为C列C2单元格数据

不过此处误差线要添加成垂直误差线

(因为这次参考线是竖直的)

最后贴入小三角形就OK了

此处不再赘述大家可以动手尝试

原文发布于微信公众号 - 数据小魔方(datamofang)

原文发表时间:2016-01-30

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏游遵文的专栏

机器学习优化算法:梯度下降(Gradient Descent)

优化算法 ( Optimization Algorithm ) 是机器学习理论中重要的组成部分,每年 ICML 会议中,总会有很多关于优化算法 Paper 以及...

6681
来自专栏WOLFRAM

如何使用DensityHistogram加入直方图元素

1992
来自专栏落影的专栏

Metal图像处理——直方图均衡化

首先,我们用直方图来表示一张图像:横坐标代表的是颜色值,纵坐标代表的是该颜色值在图像中出现次数。

3943
来自专栏Jack-Cui

Caffe学习笔记(七):使用训练好的model做预测(mnist)

Python版本: Python2.7 运行平台: Ubuntu14.04 一、前言     在之前的笔记中,已经生成了训练好的mnist.cafffemod...

5295
来自专栏贾志刚-OpenCV学堂

干货 | Tensorflow设计简单分类网络实现猫狗图像分类训练与测试

第一层:32个feature map 5x5卷积、步长为2、最大值池化 局部相应归一化处理(LRN) 第二层:64个feature map 3x3卷积、步长为...

6864
来自专栏深度学习与计算机视觉

TensorFlow 网络优化步骤与一般方法

深度学习中,网络的优化是训练过程中很重要的一部分,现在有很多的优化策略,而他们的核心的内容都是梯度下降。 理论的部分大家可以参考: 理解梯度下降在机器学...

63210
来自专栏Python

随机验证码

Python生成随机验证码,需要使用PIL模块.python3则是pillow 安装: ? 1 pip3 install pillow ...

4356
来自专栏Small Code

【TensorFlow】TensorFlow 的卷积神经网络 CNN - 无TensorBoard版

前面 有篇博文讲了多层感知器,也就是一般的前馈神经网络,文章里使用 CIFAR10 数据集得到的测试准确率是 46.98%。今天我们使用更适合处理图像的卷积神经...

2887
来自专栏漫漫深度学习路

tensorflow学习笔记(三十六):learning rate decay

learning rate decay 在训练神经网络的时候,通常在训练刚开始的时候使用较大的learning rate, 随着训练的进行,我们会慢慢的减小le...

5546
来自专栏大数据挖掘DT机器学习

Tensorflow:基于LSTM轻松生成各种古诗

RNN不像传统的神经网络-它们的输出输出是固定的,而RNN允许我们输入输出向量序列。RNN是为了对序列数据进行建模而产生的。 样本序列性:样本间存在顺序关系,...

5216

扫码关注云+社区

领取腾讯云代金券