正確地看：視覺化選擇與圖表判讀

30 分鐘

圖表的工作：回答問題，不是裝飾

學習目標：從分析問題與受眾出發；每張圖只保留一個主要訊息。

同事請你「把這季的數字視覺化」。如果你打開試算表，隨便挑一個看起來好看的圖表類型，你已經走錯方向了：圖表不是裝飾，而是針對特定受眾回答特定問題的答案。在選擇圖表類型之前，你需要先知道這張圖要回答什麼問題，以及底下那一句話應該寫什麼。

import pandas as pd

# clean：涵蓋多個實體與期間的指標表（ESG／校務／營運）
df = pd.read_csv("DS103_Indicators_Clean.csv")
df.shape
df.head()

# 在畫任何圖之前：這張圖必須回答的「唯一」問題是什麼？
question = "最新一期中，哪些實體的碳排放強度最高？"

• 問題用一句話寫下來，而且只能是比較、趨勢、分布、關係或組成之一
• 受眾要具體到一個角色或一組決策者，而不是「大家」
• 訊息要能讓讀者在五秒內說出口，不需要額外解釋
• 任務書要在畫圖之前就寫好，而不是畫完圖之後才回頭補寫

重點: 圖表存在的理由是回答一個特定受眾的特定問題，而不是展示更多資料。

40 分鐘

比較、趨勢、分布、關係與組成

學習目標：將問題類型配對適當圖表，避免妨礙比較的圖型。

大多數分析問題都可以歸到少數幾種類型，每一種類型都有一種能誠實回答它的圖表，也都有幾種容易悄悄扭曲它的圖表。先辨識問題屬於哪一種類型，圖表的選擇幾乎就會自動出現。

import matplotlib.pyplot as plt

latest = df[df["period"] == df["period"].max()]
comparison = latest[latest["metric"] == "emissions_intensity"].sort_values("value", ascending=False)

# 比較型問題：長條圖，排序，共同基準線
plt.bar(comparison["entity_id"], comparison["value"])

trend = df[(df["entity_id"] == "E01") & (df["metric"] == "emissions_intensity")].sort_values("period")
# 趨勢型問題：同一指標、單一實體、多個期間的折線圖
plt.plot(trend["period"], trend["value"])

• 在打開任何繪圖工具之前，先說出問題屬於哪一種類型：比較、趨勢、分布、關係或組成
• 有共同基準線的排序長條圖，是類別比較最安全的預設選擇
• 折線圖只保留給沿連續序列（通常是時間）變化的數值
• 不要把組成型圖表（圓餅圖、堆疊長條圖）硬套在比較型問題上，這會掩蓋讀者真正需要的排序

1. 1命名問題類型
   先說出這是比較、趨勢、分布、關係還是組成問題，不要跳過這一步。
2. 2檢查類別數量
   比較或組成型問題中，類別數量超過五到七個時，長條圖通常比圓餅圖或圖例更清楚。
3. 3選擇對應圖表並檢查扭曲風險
   對照表格選出對應圖表類型，並檢查是否落入常見的扭曲圖型。

重點: 先辨識問題屬於比較、趨勢、分布、關係或組成中的哪一種，幾乎就能自動決定正確的圖表類型。

35 分鐘

座標、尺度、排序與基準線

學習目標：正確使用尺度；理解零基準、對數尺度、排序與分母效應。

就算選對了圖表類型，尺度用得不對還是會誤導讀者。最常見的情況是長條圖不從零開始、用線性尺度呈現橫跨好幾個數量級的數值、排序方式沒有說明理由，以及在沒有分母的情況下直接比較原始計數。

# 長條圖的 y 軸必須包含 0，否則視覺差異會被誇大
plt.bar(comparison["entity_id"], comparison["value"])
plt.ylim(bottom=0)

# 比較不同規模的實體：若有分母可用，使用比率而非原始計數
per_unit = comparison.assign(rate=comparison["value"] / comparison["denominator"])

• 長條圖的數值軸是否從 0 開始？
• 數值是否橫跨多個數量級，需要對數尺度並加以標示？
• 類別排序是否有明確理由，而不是恰好有利於某個結論？
• 比較不同規模的實體時，是否已經換算成比率？

重點: 就算圖表類型選對了，軸的基準線、尺度、排序方式或缺少分母，仍然可能誤導讀者。

35 分鐘

顏色、標籤與可近用性

學習目標：節制使用視覺編碼、直接標示、避免只靠顏色傳意，並提供可近用文字。

顏色是傳達精確意義最弱的管道之一：大約每十二位男性中就有一位有某種程度的色覺缺陷，圖表在列印或匯出時經常完全失去顏色資訊，而圖例又逼讀者在圖表與圖例之間來回對照。節制而重複的編碼方式可以一次解決這三個問題。

for _, row in trend.tail(1).iterrows():
    plt.annotate(row["entity_id"], (row["period"], row["value"]))

plt.title("實體 E01：碳排放強度自 2023 年以來下降 18%")  # 陳述發現，而不只是軸的變數名稱

• 絕不讓顏色成為傳達意義的唯一管道；一定搭配標籤、形狀或圖案
• 優先在圖表上直接標示，而不是讓讀者自己去解讀圖例
• 標題要陳述發現或問題，而不只是重複軸上已經看得到的變數名稱
• 為圖表的主要重點提供一到兩句文字摘要，供螢幕報讀器使用者使用

1. 1轉灰階預覽
   把圖表轉成灰階或列印黑白測試版，確認每個類別仍可分辨。
2. 2移除圖例，只看直接標示
   暫時隱藏圖例，確認讀者仍能靠直接標示理解每個系列。
3. 3只唸出標題與摘要
   只唸出圖表標題與一句文字摘要，確認螢幕報讀器使用者仍能抓到重點。

重點: 節制而重複的編碼：直接標示、形狀與有資訊量的標題：能讓圖表變得可近用，而不只是色彩繽紛。

45 分鐘

Guided Lab：從表格到三張證據圖

學習目標：在教師引導下，以同一資料製作比較、趨勢、分布三種圖並互相檢視。

• 前往 DS 103 實作頁面
• 預覽下載乾淨版指標資料（CSV，合成資料）
• 下載 Guided Lab 起始 Notebook
• 預覽下載資料字典（繁體中文）
• 預覽下載資料字典（英文）

1. 1載入並檢視
   載入乾淨版指標資料，檢查其筆數、實體、期間與指標。
2. 2製作比較圖
   挑選一個指標與最新一期，製作排序過、有零基準的長條圖比較所有實體。
3. 3製作趨勢圖
   挑選一個實體與指標，製作橫跨所有可用期間的折線圖。
4. 4製作分布圖
   挑選一個指標，橫跨所有實體與期間，製作其數值的直方圖。
5. 5為每張圖寫一句 evidence statement
   為每張圖寫一句不超出這張圖本身所能支持範圍的聲稱。
6. 6檢視每張圖的限制
   為每張圖指出一個它自己無法回答的真實問題。
7. 7檢查分母效應
   確認是否有任何比較應該改用比率而非原始數值。

• 只做一種圖表類型就停下來，沒有用另外兩種類型互相檢查同一個結論
• 替每張圖寫的 evidence statement 比圖表實際能支持的範圍更大
• 忘了檢查是否有分母效應，直接比較不同規模實體的原始數值

重點: 比較、趨勢與分布三種圖從同一份資料回答不同的問題；可信的分析會同時使用不只一種，並清楚說明每一種能與不能支持什麼。