在数据科学领域，数据是最宝贵的资产。利用数据来辅助决策过程，从而为业务带来益处。然而，数据量往往非常庞大，即使是经验丰富的数据科学家也难以从原始数据中直接提取有意义的结论，更不用说非技术人员了。因此，经常需要通过各种图表来可视化数据，以便更好地理解数据。本文将介绍一系列图表，并简要描述每种图表及其适用场景。
当处理的是单变量连续数据时，以下几种图表可能会派上用场：
箱线图用于确定连续数据的变化情况，以及识别数据中的异常值。
直方图用于可视化连续变量在每个预定义区间内的频率。它也可以用来检测异常值，并观察数据的分布类型，例如高斯分布或对数正态分布等。
密度图是通过对直方图进行核密度估计来平滑处理的版本，用于可视化数据的分布类型。
小提请图结合了箱线图和密度图的优点，可以同时可视化数据的分布类型和异常值。
对于单变量分类数据，可以使用以下图表：
条形图可以视为分类数据的直方图，其中每个类别的值被分桶处理。它用于可视化每个类别的值的计数，并且如果类别之间存在序关系，可以使用水平条形图。
饼图用于表示分类数据作为整体的一部分，每个扇区代表给定类别在整个数据集中所占的百分比。注意，使用饼图时，扇区应以百分比表示，并且这些百分比之和应为100%。饼图适用于类别数量较少的情况，即小于5个。
树状图类似于饼图，它将特征的类别以树状结构排列在矩形边界框中。当类别数量增加时，可以考虑使用树状图。
对于双变量数据，其中一变量为分类，另一变量为连续，可以使用以下图表：
折线图用于表示连续数据随时间的变化。在x轴上绘制时间，在y轴上绘制连续变量。
脊线图用于绘制连续变量随时间的分布。
这些图表也可用于双变量数据，可以将分类数据绘制在x轴上，连续数据绘制在y轴上。
克利夫兰点图与垂直条形图类似，不同之处在于标签非常明显。这种图表可以作为垂直条形图的替代品。
当处理的是双变量连续数据时，散点图（Scatterplot）是一个不错的选择。
散点图用于理解两个连续变量之间的关系，并帮助了解一个变量与另一个变量的相关程度。
对于多变量数据，可以通过颜色、形状、大小、线型等视觉特征将上述双变量图表转换为更高维度的图表。例如，可以通过引入第三个变量（由气泡大小决定）将散点图转换为气泡图。