雷达图在数据可视化中的应用价值

编辑导语：雷达图，也称网络图、蜘蛛图，是以从同一点开始的轴上表示的三个或更多个定量变量的二维图表的形式显示多变量数据的图形方法。雷达图对于查看哪些变量具有相似的值、变量之间是否有异常值都很有用，也可用于查看哪些变量在数据集内得分较高或较低，因此在数据可视化中经常会用到。

相信大家一定都有经历过各种考核吧，你的各项能力水平会被量化为数据评分，那么如果现在有个机会让你来考核别人，你会通过什么样的方式来进行考核呢？

假设你现在是一个20人售前客服团队的客服主管，需要来量化团队中某个客服的综合能力。

首先我们需要定义考核的指标，综合能力的考核通常需要的指标都是多个维度的，我们以“销售额”、“响应时间”、“询单转化率”这3个字段作为考核指标；

其次我们要划定每个字段的考核依据，比如客服月销售额达到1000w可以评定为5分等；

最后将具体客服的销售数据，响应时间数据，以及询转数据转化成评分数值，呈现在图表上就可以非常直观地知晓这个客服的能力水平了。

这就是雷达图一次简单的应用，其所呈现出来的价值是描述了一个售前客服的综合能力，直观地输出了结果。本文想以此和大家讨论下，雷达图是什么？它在数据可视化中又有什么应用价值。

雷达图是将3个或3个以上不同维度的数据，通过一定的公式，将不同维度的数据转化为统一度量后，绘制在同一个中心点出发轴上的图形。

适用于描述对象的数据和属性，我们在文章开头考核售前客服的案例中获取到了客服A的各项评分如下图所示，通过雷达图我们可以对“客服A”的三项能力有一个简单的了解，询单转化能力评分最高，销售能力次之，响应时间评分最低。

作为客服主管就可以了解该客服的综合能力，并针对性的安排工作。

例如转化能力优秀可以多去进行催付工作，响应时间弱需要针对性的强化提高，雷达图能直观地呈现某一个对象多维度的数据，帮助我们了解该对象的能力分布情况，常被应用于能力评分、用户画像等场景。

从雷达图中可以看出，雷达图上有维度和度量，其中维度是存在多个的，这就要求了雷达图所表达的数据组是一个多维度的数据组。

我们对“客服”进行考核统计到的就是一个有3个维度的数据组，客服A的销售额1w，响应时间3秒，询单转化率95%。

一个数据组存在多个维度的话，就会存在多种度量单位，而雷达图的度量是统一的，客服A的销售额、响应时间、询单转化率的度量单位分别是元、秒、百分比。

而在雷达图上这三者的度量单位是分，这就需要雷达图的绘制过程中，需要借助一定的公式进行转换，将多个维度不同的度量单位转化成统一的度量。

从雷达图的构图来看，一个雷达图由多个维度、统一度量2个部分组成，而每个部分又有其特殊的要求。

雷达图是用来描述对象综合属性的，属性往往是多样的，这要求了被雷达图所表达的数据组是一组多维度的数据组。

那么什么是多维度呢？

——多维度即要求数据组中的数据可以被归类为多个互相独立的类目。

想一下我们怎么来描述一个人的体型？通常我们会用到肩宽、臀围、腰围这几个数据。

如果我们有一组数据，分别统计了5个不同身材人的肩宽、臀围、腰围，就可以说这组数据是一组多维度的数据，其中维度有3个，分别是肩宽、臀围、腰围。通过这组多维度的数据，可以描述一个人的体型。

例如当臀围>腰围和肩宽时，那么可以判断出这个人的身材是A字型的身材。

从这我们可以发现，雷达图之所以可以描述对象的属性，是因为它直观反应了对象不同维度的数据，而且还能找出一个隐藏条件，即：维度的数量需要有3个或3个以上，否则就无法表达为雷达图。

因为1个维度只能成点，2个维度只能成线。

雷达图是将一组多维度的数据组进行图形化表达，在一张图中直观地描述对象的属性。

多维度往往意味着不同的度量单位，而雷达图从同一个中心点出发的轴又要求度量一致，不一致的度量会导致同一位置的点所表达的数据意义不一致。

现在有这么一个31岁的人，他的身高是160厘米体重是64公斤，我们想了解他在中青年（30-39岁）群体中的身高和体重水平，其中已知身高在150-200厘米内，体重在40-100公斤内。

从这边可以看到3个维度，分别是年龄、身高、体重，而这3者又带来3种不同的度量单位。如果不对度量进行统一处理，可视化成图如下所示，非常难以理解为什么160厘米和31岁处于同一梯度的点，而64公斤却比他们高，这样的雷达图不具备分析价值。

那么我们怎么来完成这一度量统一的转化呢？

——这里就需要通过一定的公式进行转化。

什么样的公式才能适合这一转化过程呢？

雷达图有一个基础的认知，所表达的值是不同维度里的占比、或者处于该维度里哪一个范围。这就要求所提供的公式是一个可以划分范围或者确定排名的，通过这个公式，将不同的数据标准化定义下来。

下面通过对“年龄、身高、体重”的统一度量的公式来看下这个转化过程，统计学中有一个公式——平均值加减一组标准差，可以通过描述样本的离散程度来划分范围：

通过“上限值”和“下限值”可以划分3个区间，“低于下限”、“上限和下限之间”、“高于上限”3个区间，样本中大部分的值处于区间“上限和下限之间”，而“低于下限”和“高于上限”两个区间内的值就是异常值。

上述就是我们所要用到的理论公式，下面我们把具体的值代入其中：

已知中青年年龄段人身高的平均值是174，标准差是10，那么我们就可以得到3个区间“174”，3个区间对应的评分是1、2、3；而我们想要观察对象的身高是160，处于“