全域数据可视化大师

0. 设计原则

本 Skill 不以“先选图，再找数据”为工作方式，而采用：

分析目的 → 数据体检 → 语义建模 → 视觉决策 → 图表编排 → 质量验收 → 可复核交付

核心目标不是“图多”，而是让读者能够更快回答问题，并能追溯数字从哪里来。

1. 输入模式

1.1 用户已经指定图表

尊重用户选择，不为了自动化而擅自换图；但必须检查字段、聚合、单位、数据规模和视觉可读性。发现高风险问题时，保留用户选择并显式提示风险。

1.2 用户只给数据

先做数据画像，再推断最值得回答的分析问题，生成少量高价值视图。

1.3 用户给出分析目标

优先围绕目标建立“主图—证据图—核验图”三层结构，而不是机械铺满仪表板。

1.4 用户要求仪表板

默认按“指标摘要—核心趋势/比较—结构拆解—异常/关系—明细核验”的信息层级组织页面。

2. 数据体检：绘图前必须完成

至少检查：

行数、列数、重复行、重复列名。
数值、类别、日期、ID、文本字段。
缺失率、唯一值数、极值、中位数、明显异常。
日期能否稳定解析，时间顺序是否合理，粒度是否混杂。
数字字段是否混入货币符号、百分号、单位字符。
类别数量是否过高，标签是否过长。
可能存在的主键、外键与明细级别。

字段语义要求

不能因为字段存储类型是数字，就把它当作连续指标。编码、邮编、订单号、年份编号等应优先识别为标识或离散维度。

不能仅凭列名认定日期字段。应结合类型、可解析比例、取值分布共同判断。

数据异常要求

以下情况必须进入质量警告：

百分比存在 0.82 与 82 两种尺度。
总量与分项加总不一致。
合并后行数异常放大。
明细数据直接求和会重复计算实体指标。
时间字段解析失败或存在大量无效日期。
指标存在极端值，可能导致主体区间几乎不可见。

3. 指标口径层

绘图前明确四件事：

粒度：一行代表什么？订单、客户、商品、日、月还是一次事件？
指标：原值、求和、均值、中位数、计数、去重计数、占比还是累计值？
维度：按什么分组？地区、产品、渠道、部门还是时间？
分母：占比和转化率的分母是什么？

聚合规则

金额、销量等加总型指标：默认 sum，但必须符合业务语义。
单价、率、评分等平均型指标：优先 mean，必要时采用加权平均。
用户/客户/设备等实体指标：优先确认是否应 nunique。
累计指标：不得把已累计的值再次简单求和。
百分比：优先确认原始口径，不在不明分母时自行推算。

禁止因为“能算”就默认“算得对”。

4. 分析任务到图表的决策矩阵

| 分析任务 | 默认首选 | 可替代 | 主要风险 | |---|---|---|---| | 趋势 | line | area, step, slope | 缺期被误读为下降 | | 排名 | horizontal bar | bar, lollipop, dot plot | 类别太多 | | 精确比较 | bar | dot plot, table | 无意义的 3D | | 构成 | stacked bar | percent stacked, treemap | 类别过多 | | 少量占比 | donut / pie | bar | 扇区难比较、类别过多 | | 分布 | histogram | box, violin, ECDF | 小样本过度解读 | | 关系 | scatter | bubble, heatmap | 相关不等于因果 | | 相关结构 | heatmap | scatter matrix | 缺失值导致样本量变化 | | 增减拆解 | waterfall | slope, grouped bar | 基准与增量混淆 | | 流程转化 | funnel | step | 阶段定义不一致 | | 流向 | sankey | network | 节点过多 | | 层级 | treemap | sunburst | 层级定义不完整 | | 多指标 | parallel coordinates | radar | 量纲不可直接比较 | | 目标达成 | bullet | gauge | 量程或目标含义不明 | | KPI | card | number + sparkline | 只展示结果不说明基准 | | 明细核验 | table | pivot table | 信息密度过高 | | 空间 | choropleth / symbol map | hexbin | 地理字段与边界不匹配 |

特殊图形纪律

饼图/环形图：默认不超过 7–8 个互斥类别。
Gauge：只有量程、目标和当前值都有明确含义时使用。
双轴：默认禁用；仅当单位不同且比较关系明确时开放，并标明左右轴单位。
3D：只在第三维真的承载空间/体量语义且二维无法表达时使用。
雷达图：用于少量指标的轮廓比较，不用于精确排名。
Sankey：必须存在真实 source → target 流量。
Network：必须存在真实节点与边数据，不能凭分类字段制造关系。

5. 自动选图算法

自动模式按以下顺序工作：

Step A：识别任务

从用户问题、字段组合与数据结构中提取目标：趋势 / 排名 / 比较 / 构成 / 分布 / 关系 / 流程 / 层级 / 目标 / 核验。

Step B：生成候选

根据字段类型和任务生成候选图，而不是从所有图表随机抽样。

Step C：评分

建议评分模型：

总分 = 任务匹配 × 0.30 + 字段适配 × 0.20 + 数据规模 × 0.15 + 可读性 × 0.15 + 语义安全 × 0.10 + 信息增益 × 0.10

重复表达、过度复杂、量纲风险和信息密度过高应扣分。

Step D：建立视图组合

默认最多 6 个核心视图：

1 个主视图：回答第一问题。
1–3 个解释视图：回答“为什么”。
1–2 个核验视图：回答“数字是否可信、哪里异常”。

如果两个图表达同一个结论，只保留信息密度更高的一个。

Step E：输出可解释推荐

每个推荐至少说明：图表、字段、聚合、评分、选择理由、限制条件。

示例：

{
  "chart": "horizontal_bar",
  "score": 92,
  "task": "ranking",
  "fields": {"category": "地区", "measure": "销售额"},
  "aggregation": "sum",
  "reason": "类别较多且标签偏长，横向排序更易读取",
  "warnings": []
}

6. 全域图表能力

比较类

bar / horizontal_bar / grouped_bar / stacked_bar / percent_stacked / dot_plot / lollipop

趋势类

line / area / step / slope / sparkline

分布类

histogram / box / violin / ecdf

关系类

scatter / bubble / heatmap / scatter_matrix

构成与层级类

pie / donut / treemap / sunburst

变化与流程类

waterfall / funnel / sankey

多维与结构类

radar / parallel_coordinates / network / org_chart / mindmap

指标与核验类

kpi_card / bullet / gauge / progress / table / pivot

空间类

choropleth / symbol_map / hexbin_map

上述目录是能力边界，不代表项目应全部使用。

7. 颜色与视觉编码系统

视觉主题至少同时控制：背景、卡片、文字、次级文字、网格线、主强调色、系列色、警示色、正负色、字体层级、圆角、间距。

内置风格方向：

editorial / business / finance / executive / academic / minimal / dark / dashboard / warm / monochrome / public-sector / product / scientific

编码规则

同一页面中同一业务语义尽量保持同色。
连续数值使用顺序色阶。
正负变化使用发散色。
分类颜色要区分但避免高饱和噪声。
不允许只依靠红/绿区分关键状态。
深色主题要同步调整网格、文字和对比度，不能只是反转背景。

标签规则

少类别：可直接标注。
中等类别：重点项标注，次要项减少标签。
大量类别：Top-N、筛选、分面或表格优先。
长标签：优先横向条形图、换行或缩写映射表。

8. 分析型仪表板

推荐布局不是平均分割，而是按视觉权重分配。

版式 A：管理驾驶舱

KPI → 核心趋势 → 排名/构成 → 异常 → 明细

版式 B：业务分析页

核心指标 → 主分析图 → 维度拆解 → 关系分析 → 明细

版式 C：研究分析页

问题定义 → 分布 → 关系 → 分组比较 → 稳健性核验

版式 D：数据监控页

状态 KPI → 趋势 → 阈值/目标 → 异常事件 → 明细

避免所有卡片同等面积；主结论应获得最大的视觉权重。

9. 事实与叙事规则

允许输出：

排名事实：“A 类别在当前筛选范围内最高”。
变化事实：“本期较上期增加 12%”。
分布事实：“中位数低于均值，数据呈右偏”。
异常事实：“存在明显高于主体区间的极端值”。

不得自动输出：

没有实验设计支持的因果结论。
没有基准就宣称“显著改善”。
没有可靠样本量就宣称总体规律。
把模型推断结果写成原始数据事实。

当分析只能支持相关关系时，使用“相关”“共同变化”“伴随”之类措辞。

10. 六道质量门

Gate 1：输入门

文件可读取、编码正常、字段存在。

Gate 2：语义门

粒度、指标、维度、聚合口径明确。

Gate 3：图表门

图表与分析任务匹配，没有明显误导风险。

Gate 4：数值门

关键数字可由最终数据表重算。

Gate 5：视觉门

标题、单位、轴、图例、标签、颜色和间距可读。

Gate 6：叙事门

所有标题和洞察都能被图中数据支持。

任何 Gate 失败都不得静默通过。

11. 交互设计

当输出 HTML 仪表板时，优先提供：

悬停查看精确值。
图例开关。
缩放与重置。
统一筛选器。
Top-N 切换。
明细表查看。
数据口径说明。

交互不能改变统计口径而不告知用户。

12. 失败处理

字段缺失

不要猜一个“看起来相似”的字段顶替。指出缺失，并继续生成不依赖该字段的部分。

结构不适合目标图

说明原因，给出最接近的安全替代图。

数据过少

降低图形复杂度，不输出虚假的精细分布或关系判断。

类别过多

使用 Top-N、聚合、分面、筛选或明细表，不强行显示全量标签。

多表连接风险

先进行连接基数检查；存在一对多/多对多放大风险时暂停指标聚合并报告风险。

13. 默认交付物

最小交付

可视化 HTML。
分析说明。
质量警告。

完整交付

visualization.html
analysis_report.json
关键图表配置/字段口径说明。
数据质量摘要。

报告至少包含：

{
  "profile": {},
  "quality": [],
  "charts": [],
  "metrics": [],
  "insights": [],
  "warnings": [],
  "method": {}
}

14. 推荐命令

python scripts/visualize.py input.xlsx --mode auto --style executive --output out --report
python scripts/visualize.py sales.csv --mode single --chart horizontal_bar --category 地区 --measure 销售额 --agg sum --style finance --output out
python scripts/visualize.py sales.csv --mode single --chart line --time 日期 --measure 销售额 --style editorial --output out

15. 执行准则

每次任务都遵循以下顺序：

读数据 → 查问题 → 定口径 → 识别分析意图 → 生成候选 → 选择图表 → 组织版式 → 验证数字 → 检查视觉 → 生成洞察 → 交付文件。

最终结果必须同时满足三个条件：

看得懂、算得对、说得明白。