一、需求定義階段

1. 明確核心目標

• 回答關鍵問題：

2. 確定數據特性

import pandas as pd
data = pd.read_csv('your_data.csv')
print(f"""
數據概覽:
- 維度: {data.shape[1]}列 {data.shape[0]}行
- 類型分布: 
{data.dtypes.value_counts()}
- 缺失值: 
{data.isnull().sum()}
""")

3. 受眾分析矩陣

受眾類型	技術背景	關注重點	適合圖表
高管層	低	趨勢結論	儀表盤
分析師	高	原始分布	散點矩陣
公眾	中	直觀對比	條形圖

---

二、設計階段

1. 圖表類型選擇指南

2. 視覺編碼原則

• 優先級排序：

  1. 位置 > 2. 長度 > 3. 角度 > 4. 面積 > 5. 顏色飽和度

• 顏色方案：

# 使用Seaborn調色板
import seaborn as sns
sns.palplot(sns.diverging_palette(220, 20, n=7))  # 發散型配色

3. 交互設計 Checklist

• 懸停顯示數值

• 縮放/平移功能

• 動態過濾控件

• 多視圖聯動

---

三、工具選型建議

1. 技術棧對比

工具類型	推薦方案	適用場景
快速探索	Jupyter + Matplotlib	數據分析初期
交互報表	Plotly + Dash	業務人員自助分析
大屏展示	ECharts + Web框架	實時監控系統
地理空間	Folium + GeoPandas	位置數據分析

2. 代碼模板示例

# 高級復合圖表 (使用Plotly Express)
import plotly.express as px
fig = px.scatter_matrix(data,dimensions=['銷售額','利潤','成本'],color='地區', hover_data=['日期'],title="多維度分析")
fig.update_traces(diagonal_visible=False)
fig.show()

---

四、實現階段最佳實踐

1. 數據預處理流水線

# 典型清洗流程
def preprocess(df):# 處理缺失值df = df.interpolate()  # 標準化df['金額'] = (df['金額'] - df['金額'].mean()) / df['金額'].std()# 特征工程df['利潤率'] = df['利潤'] / df['銷售額']return df

2. 可視化編碼規范

# 遵循BBC可視化規范
plt.style.use('ggplot')
plt.figure(figsize=(10,6))
plt.bar(data['品類'], data['銷量'], color='#1f77b4',edgecolor='black')
# 添加專業標注
plt.title("品類銷售分布", pad=20, fontsize=14)
plt.xlabel("產品類別", labelpad=10)
plt.ylabel("銷量(萬)", rotation=0, ha='right')
plt.xticks(rotation=45)
# 添加數據標簽
for i, v in enumerate(data['銷量']):plt.text(i, v+0.5, f"{v}萬", ha='center')

3. 性能優化技巧

• 大數據集處理：

# 使用Datashader處理百萬級點
import datashader as ds
cvs = ds.Canvas()
agg = cvs.points(df, 'x', 'y')
img = tf.shade(agg, how='log')

---

五、驗證與迭代

1. 有效性測試清單

• 視覺測試：5秒內能否理解核心信息？

• 數據測試：極值/異常值是否準確呈現？

• 交互測試：關鍵操作是否不超過2步？

2. A/B測試方案

# 使用AB測試評估不同可視化效果
from scipy import stats
version_a_conversion = 0.32  # 圖表A轉化率
version_b_conversion = 0.41  # 圖表B轉化率
t_stat, p_val = stats.ttest_ind_from_stats(mean1=version_a_conversion, std1=0.05, nobs1=1000,mean2=version_b_conversion, std2=0.05, nobs2=1000)
print(f"P值: {p_val:.4f}")  # P<0.05表示差異顯著

---

六、交付物模板

1. 設計文檔結構

├── 數據說明.md
├── 可視化原型.ipynb
├── 最終版本/
│   ├── 交互式.html
│   ├── 靜態版.pdf
│   └── 原始數據.csv
└── README.md

2. 作品集展示建議

## 銷售分析看板
**技術棧**: Python + Plotly + Dash  
**亮點**:
- 實現10萬+數據點實時渲染
- 通過顏色編碼發現區域銷售異常
![預覽](dashboard.gif)

?

?