如何把两组数据做到同一个散点图_使用PowerBI制作散点图

使用可视化的目的就是想从大数据中发现规律&＃xff0c;而散点图就是专门做这个的。

散点图号称是最多才多艺的图表&＃xff0c;它可以让一大堆令人困惑的散乱数据变得通俗易懂&＃xff0c;并能让你从这些庞杂数据中发现一些表面上看不到的关系&＃xff0c;更重要的是&＃xff0c;数据量对于散点图来说&＃xff0c;多多益善&＃xff0c;数据量越大&＃xff0c;从散点图的分布中越能看出来一些规律。

什么是散点图

在直角坐标系中&＃xff0c;用两组数据构成多个坐标点&＃xff0c;这些点的分布图就是散点图&＃xff0c;根据点的分布及大致趋势&＃xff0c;判断两个变量之间是否存在某种关系。

在PowerBI中制作散点图

在编制散点图时&＃xff0c;至少要有两组数据&＃xff0c;分别放在X轴和Y轴上&＃xff0c;下面利用身高和体重的数据&＃xff0c;看看在PowerBI中散点图是如何生成的。

创建散点图的时候&＃xff0c;如果只是把字段拖进X轴和Y轴&＃xff0c;你会发现只出来了一个点&＃xff0c;因为这个时候&＃xff0c;PowerBI默认把这两个字段的数据进行聚合运算了&＃xff0c;所以需要另外一个不含重复值的字段放到“详细信息”中&＃xff0c;告诉PowerBI每个数据记录均显示为一个点&＃xff0c;不要进行聚合&＃xff0c;这个字段可以简单使用行号或索引&＃xff0c;如果原始数据没有这个字段&＃xff0c;可以回到查询编辑器中添加“索引列”。

刚才制作的这个散点图&＃xff0c;只有身高和体重两个变量&＃xff0c;根据这些点的分布&＃xff0c;明显可以看到二者之间存在正相关的关系&＃xff0c;身高越高&＃xff0c;体重越重&＃xff0c;符合我们的日常认知。

增加一个变量

在这个散点图中&＃xff0c;我们还可以增加一个变量&＃xff0c;比如把性别考虑进去。把字段[性别]放到“图例”中&＃xff0c;

在男性和女性的数据点分布上&＃xff0c;存在明显的分布趋势&＃xff0c;除了少部分的离散数据点&＃xff0c;男性的身高体重数据明显在女性之上&＃xff0c;也和常识相符。

添加趋势线

在散点图的分布中发现存在一定的趋势&＃xff0c;需要画个趋势线&＃xff0c;PowerBI中也可轻松做到&＃xff0c;

默认是所有数据点的走向线&＃xff0c;在【合并系列】中选择“关”&＃xff0c;就出现了分类的数据走向线&＃xff0c;在这个散点图中&＃xff0c;女性和男性身高体重的变化关系分别画出了走向线&＃xff1a;

从这两条走向线还可以发现个很有意思的规律&＃xff0c;女性斜率高于男性&＃xff0c;同样的体重差&＃xff0c;女性的身高增加的更多&＃xff0c;表示女性身高对体重更为敏感&＃xff0c;也就是说&＃xff0c;女人更注重身材&＃xff0c;不同的体重就是对应不同的身高&＃xff1b;另外一方面也可以认为为男人不注重身材&＃xff0c;无论多高&＃xff0c;体重都可以是那么重。

当然&＃xff0c;如果这些数据中还有年龄、城市等维度的数据&＃xff0c;还可以利用散点图发现更多的有趣规律&＃xff0c;并且&＃xff0c;数据量越多&＃xff0c;散点图的分布规律越有意义。

你也可以拿你手头的数据&＃xff0c;利用散点图看看这些数据背后有没有什么关系。

最后要注意的是&＃xff0c;利用散点图我们可以发现两组数据存在一定的相关关系&＃xff0c;但不要因此就认为二者有因果关系&＃xff0c;后者更难以证实。实际上&＃xff0c;拿任何两组数据&＃xff0c;比如最近十年的你的体重和美国GDP两组数据&＃xff0c;放在散点图中&＃xff0c;同样可能存在正相关或者负相关的关系&＃xff0c;但很明显&＃xff0c;美国GDP和你一毛钱关系都没有。

公众号:PowerBI星球