Word天呀，气泡图居然还有这种操作~

在之前写实习僧爬虫可视化案例之时，曾经用过一个很类似气泡图的图表——气泡云图（superbubble）。

它的图表信息呈现与文字云非常相似，都是在控制一组元素的大小，文字云的大小是文字，气泡云图的大小是形状（气泡）。

虽然看起来，它与普通气泡图比起来非常相似，但是实质上数据信息含量已经大相径庭，气泡图实际上使用了三个指标变量，而气泡云图仅适用了两个（而且仅有大小变量是数值型的）。

实际上以上对比是为了启发大家一种认识图表的思路：

通常情况下，我们被各种课程或者书籍指导着，认识到的可视化无一例外的是从数据如何转换为图表，坦白的说，这中思路问题不大，至少没有方向性的失误。

但是可视化是一套理念，而非流程或者过程，从数据到图表仅仅解决的是数据（变量）通过视觉信号映射到图表的过程，更为完善的可视化视角应该是：

你既要知道视觉元素是是如何通过数据映射到图表上的，更要知道一张已经被映射完成的图表，其视觉信号如何还原为原始的数据结构，毕竟很多职场人士是先看到自己觉得满意的图表之后，再回过头来思考自己的数据怎么做成那种理想的图表。

即可视化是一套从数据信息到视觉信息，再由视觉信息还原数据信息的过程。（个人愚见）

今天要讲的气泡云图，你可以这么理解，我们有一组指标（离散），并且想要呈现（从宏观上）该组指标的客观大小。以上属于正向的从数据到图表的可视化思维。

更加常见的情况是，我看到了一张非常漂亮的气泡云图，我想要将其用在我的项目或者业务报告之中，那么你一定要搞明白，你是否有这么一组指标（数据），仅需从宏观上呈现其大小。（因为这种需求有很多图表类型可以运用，而且达到的目的大同小异）。

这里仍然以之前那个实习僧职位需求top100企业为例：

我会分别使用PowerBI、Tableau、R语言来制作这一案例。

PowerBI：

我完成后的整个软件界面是这样的，大家可以看到，我只使用了两个字段：分别是一个文本标签和一组对应频率。

在superbubble的菜单中，刚好对应category选项和Role_DisplayName_Values字段。

就这样，完成了PowerBI中的气泡云图的制作。（该图表对象并非PowerBI内置图表对象，需要在其官方的在线社区中下载对应插件并加载之后才可用）。

Tableau:

在Tableau操作界面中，仍然是使用两个字段，我将文本字段作为标签，freq作为大小映射给了该图表对象，同时因为Tableau系统中的图形对于颜色设置了非常严格的使用标准，所以默认是单色的，为了不过于单调，我将freq又映射给了一个颜色标度。（由此可见Tableau在数据可视化领域的专业性和权威性，PowerBI一直是在替用户选择，Tbaleau是用户掌握选择权）。

R语言：

R语言的官方社区中没有气泡云图（superbubble），但是在HTMLwidgets的开发者社区里，有一个制作该图表的扩展包：

devtools::install_github("jcheng5/bubbles")

library(bubbles)

library(RColorBrewer)

example：

bubbles(value = runif(26),label=LETTERS,color=rainbow(26, alpha=NULL)[sample(26)])

以下接前面案例：

mydata<-read.csv("D:R/File/shixiseng_job.csv",stringsAsFactors=FALSE,check.names=FALSE)

color1<-brewer.pal(9,"YlOrRd")

color2<-brewer.pal(9,"Greens")

color<-c(color1,color2)

colorpan<-sample(color,100,replace = TRUE)

bubbles(value =mydata$Freq,label=mydata$Var1,color=colorpan)

简单几行代码，一幅还算看的过眼的superbubble图表就完美出炉了，关键是，它的信息呈现角度与众不同，给人的视觉感受比较震撼，令人耳目一新，心领神会。

总结一下今天的分享概要：

1、可视化的两个环节：

•  从数据到图表——数据元素到视觉信号的映射过程

•  从图表到数据——视觉信号还原为数据结构的过程

2、图表的数据信息含量一致，与所使用的软件无关：

• 因而所有的可视化工具在设计底层理念的时候，都是有规律的，不要害怕软件操作难，我们掌握心法就好。

---

阅读原文进入本人博客，所有文章均会在博客同步更新，博客内可直接跳转GitHub主页，直达所有案例数据仓库。（也可进入交流群获取案例数据）