企业官网建设流程全解析

企业网站建设情况汇报,国家企业信用信息公示网官网查询,零基础怎么学美工,网站开发 实战在数据分析中#xff0c;我们常说#xff1a;“一张好的图表胜过千言万语。” 但很多时候#xff0c;我们做出来的图表却是“千言万语堵在心口难开”。读者看了半天#xff0c;抓不住重点。 这是为什么#xff1f; 因为人类的视觉感知遵循一套被称为 格式塔#xff08;Ge…在数据分析中我们常说“一张好的图表胜过千言万语。”但很多时候我们做出来的图表却是“千言万语堵在心口难开”。读者看了半天抓不住重点。这是为什么因为人类的视觉感知遵循一套被称为格式塔Gestalt的心理学原理。简单来说当我们看到一组物体时大脑会自动将它们视为一个整体或一种模式而不是孤立的碎片。下面我们用Python的Matplotlib库来演示格式塔Gestalt心理学中的 6 个核心原理看看如何利用这些原理“控制”读者的注意力。1. 邻近原理距离产生“关系”邻近原理就是距离越近关系越亲我们的大脑会自动把靠得近的物体归为一类。就像在一个派对上站在一起聊天的几个人你会下意识觉得他们是一伙的。/* by 01022.hk - online tools website : 01022.hk/zh/calcheat.html */ # 邻近原理 # 创建测试数据 np.random.seed(42) data_a np.random.normal(5, 1.5, 30) data_b np.random.normal(10, 1.5, 30) data_c np.random.normal(15, 1.5, 30) # 不使用邻近原理 fig, (ax1, ax2) plt.subplots(1, 2, figsize(12, 5)) # 左侧未应用邻近原理所有点均匀分布 all_data np.concatenate([data_a, data_b, data_c]) x_positions np.arange(90) ax1.scatter(x_positions, all_data, alpha0.7) ax1.grid(True, alpha0.3) # 右侧应用邻近原理按组聚集 for i, (data, x_offset) in enumerate(zip([data_a, data_b, data_c], [0, 30, 60])): x_positions np.arange(len(data)) x_offset ax2.scatter(x_positions, data, alpha0.7, labelf组{i1}) plt.tight_layout() plt.show()设计要点将相关的数据点或元素放在靠近的位置可以让观众自然地理解它们属于同一类别或具有某种关联。2. 相似原理相似的“性格”吸引相似原理就是长得像的就是一家人当物体在颜色、形状或大小上相似时大脑会将它们分为一组。比如在足球场上穿着相同颜色球衣的人你不需要看清他们的脸就知道他们是队友。/* by 01022.hk - online tools website : 01022.hk/zh/calcheat.html */ # 相似原理 # 创建测试数据 categories [A, B, C, D, E] values1 [12, 16, 14, 18, 15] values2 [8, 11, 9, 12, 10] x_pos np.arange(len(categories)) # 相似原理示例 fig, (ax1, ax2) plt.subplots(1, 2, figsize(12, 5)) # 左侧未应用相似原理随机颜色和样式 bars1 ax1.bar(x_pos - 0.2, values1, 0.4, colorcolors1, edgecolorblack) bars2 ax1.bar( x_pos 0.2, values2, 0.4, colorcolors2, edgecolorblack, hatchhatches[0] ) # 为每组条形添加不同图案 for i, bar in enumerate(bars2): bar.set_hatch(hatches[i % len(hatches)]) # 右侧应用相似原理一致的颜色和样式 ax2.bar(x_pos - 0.2, values1, 0.4, colorskyblue, edgecolorblack, label数据集1) ax2.bar( x_pos 0.2, values2, 0.4, colorlightcoral, edgecolorblack, label数据集2 ) plt.tight_layout() plt.show()设计要点使用一致的颜色、形状或样式来表示相同类型的数据可以大大降低观众的认知负担。3. 包围原理边界创造归属感包围原理就是有围墙的地方就是家。如果在某些物体周围加上边界或背景色它们就被视为一个独立的群体。这个原理甚至比“邻近”和“相似”更强大。比如草地上散落着羊群一旦你用栅栏圈住其中几只大家就会认为这几只是被特别选中的。# 包围原理 # 创建测试数据 np.random.seed(42) x1 np.random.normal(2, 0.8, 50) y1 np.random.normal(3, 0.8, 50) x2 np.random.normal(5, 0.8, 50) y2 np.random.normal(5, 0.8, 50) # 包围原理示例 fig, (ax1, ax2) plt.subplots(1, 2, figsize(12, 5)) # 左侧未应用包围原理 ax1.scatter(x1, y1, alpha0.7, colorblue) ax1.scatter(x2, y2, alpha0.7, colorred) # 右侧应用包围原理 from matplotlib.patches import Ellipse ax2.scatter(x1, y1, alpha0.7, colorblue, label组A) ax2.scatter(x2, y2, alpha0.7, colorred, label组B) # 添加包围区域 ellipse1 Ellipse((2, 3), width4, height3, edgecolorblue) ellipse2 Ellipse((5, 5), width4, height3, edgecolorred) ax2.add_patch(ellipse1) ax2.add_patch(ellipse2) plt.tight_layout() plt.show()设计要点使用边界、背景色或容器将相关的数据元素包围起来可以明确地告诉观众这些元素属于同一组。4. 闭合原理大脑的自动补全闭合原理就是大脑是天生的“补图高手”。即使图形不完整只要有足够的提示大脑也会自动脑补出缺失的部分。比如看到一个虚线画圆你不会觉得那是断断续续的线段你会直接说“这是一个圆”。# 闭合原理示例 fig, (ax1, ax2) plt.subplots(1, 2, figsize(12, 5)) # 创建一些不完整的数据点 np.random.seed(42) angles np.linspace(0, 2*np.pi, 7)[:-1] # 故意少一个点形成不闭合 radii np.random.uniform(3, 5, 6) x radii * np.cos(angles) y radii * np.sin(angles) # 左侧不完整的形状未利用闭合原理 ax1.plot(x, y, o-, linewidth2, markersize8) # 右侧闭合的形状应用闭合原理 # 添加缺失的点使形状闭合 angles_closed np.linspace(0, 2*np.pi, 7) radii_closed np.append(radii, radii[0]) # 回到起点 x_closed radii_closed * np.cos(angles_closed) y_closed radii_closed * np.sin(angles_closed) ax2.plot(x_closed, y_closed, o-, linewidth2, markersize8) ax2.fill(x_closed, y_closed, alpha0.3) # 填充增强闭合感 plt.tight_layout() plt.show()设计要点我们不需要展示每一个细节可以利用观众的自动补全能力来简化图表。但要注意过于不完整的图形可能导致误解。5. 连续原理流畅的视觉路径连续原理就是顺藤摸瓜。我们的视线倾向于跟随平滑、连续的路径而不是剧烈折线或不规则的排列。比如排队时如果队伍弯弯曲曲但每个人都看着前一个人的后脑勺你知道这还是一条队。# 连续原理示例 fig, (ax1, ax2) plt.subplots(1, 2, figsize(12, 5)) # 创建数据 np.random.seed(42) time np.arange(0, 10, 0.1) signal1 np.sin(time) np.random.normal(0, 0.1, len(time)) signal2 np.cos(time) np.random.normal(0, 0.1, len(time)) # 左侧不连续的展示 ax1.plot(time[:50], signal1[:50], b-, linewidth2, label信号A (第一部分)) ax1.plot(time[70:], signal1[70:], b--, linewidth2, label信号A (第二部分)) ax1.plot(time[:40], signal2[:40], r-, linewidth2, label信号B (第一部分)) ax1.plot(time[60:], signal2[60:], r--, linewidth2, label信号B (第二部分)) # 右侧连续的展示 ax2.plot(time, signal1, b-, linewidth2, label信号A) ax2.plot(time, signal2, r-, linewidth2, label信号B) plt.tight_layout() plt.show()设计要点保持线条、形状或元素的连续性可以帮助观众追踪数据的变化趋势。在折线图、面积图中尤其重要。6. 连接原理看得见的关系线连接原理就是藕断丝连。被线连接的物体被视为强关联。这个视觉信号比颜色和距离都要强。比如两个人站得再远如果手里牵着一根绳子你也会觉得他们俩在互动。# 连接原理示例 - 散点图版本 fig, (ax1, ax2) plt.subplots(1, 2, figsize(12, 5)) # 创建散点数据4个相关点集每个点集有5个点 np.random.seed(42) n_points 5 n_groups 4 # 为每组生成相关点 groups [] for i in range(n_groups): center_x np.random.uniform(2, 8) center_y np.random.uniform(2, 8) # 生成围绕中心的相关点 x_points center_x np.random.normal(0, 0.8, n_points) y_points center_y np.random.normal(0, 0.8, n_points) # 添加一些趋势 trend np.random.uniform(-1, 1) y_points y_points trend * (x_points - center_x) groups.append((x_points, y_points)) # 左侧未应用连接原理独立的散点 colors [blue, red, green, orange] markers [o, s, ^, D] for i, (x_points, y_points) in enumerate(groups): ax1.scatter( x_points, y_points, colorcolors[i], markermarkers[i], alpha0.7, s80, labelf数据集{i1}, ) # 右侧应用连接原理连接相关散点 for i, (x_points, y_points) in enumerate(groups): # 首先绘制连接线 # 按照x值排序使连接线更有序 sorted_indices np.argsort(x_points) sorted_x x_points[sorted_indices] sorted_y y_points[sorted_indices] ax2.plot( sorted_x, sorted_y, colorcolors[i], linewidth2, alpha0.5, linestyle--, labelf数据集{i1}趋势线, ) # 然后绘制散点在线上方避免被线遮挡 ax2.scatter( x_points, y_points, colorcolors[i], markermarkers[i], alpha0.7, s80, edgecolorblack, linewidth1, ) plt.tight_layout() plt.show()设计要点在散点图中连接相关数据点的线可以帮助观众识别出数据的模式、趋势或分组关系。这就像在地图上连接各个城市来显示旅行路线一样使相关的点之间建立了明确的视觉联系。7. 总结做数据可视化不仅仅是写代码画图更是一场“注意力争夺战”。通过这 6 个格式塔原理我们不是在改变数据本身而是在优化数据的呈现方式让读者的脑力消耗降到最低。每次我们画图时不妨问自己一句“这些数据应该是一组吗它们靠得够近吗”邻近“重点数据突出了吗”包围/相似“视线流动顺畅吗”连续最好的可视化不是展示所有数据而是引导观众看到最重要的信息。格式塔原理就是我们实现这一目标的强大工具。希望这篇文章能帮助你在创建数据可视化时更加有意地引导观众的注意力。