.NET 预览版 中的新兴架构演进：RISC-V 与 LoongArch 支持的深度技术解析与生态展望
1. 哑铃图是什么？
哑铃图（Dumbbell Plot），有时也称为DNA图或杠铃图，是一种用于比较两个相关数据点的可视化图表。
它源于人们对更有效数据比较方式的持续探索。
在传统的时间序列比较中，我们通常使用两条折线，但当需要比较的项目较多时，折线图会变得混乱。哑铃图通过将比较焦点放在每个项目的两个状态上，解决了多项目对比时的视觉混乱问题。
它的基本结构很简单：
每个观察单位（如产品、地区、时间段）对应两个数据点
这两个数据点由一条直线（或线段）连接
整个图形看起来像一排排哑铃，因而得名
2. 实现原理
哑铃图的核心设计理念是最小化认知负荷。
当我们需要比较A和B时，最直接的方式就是把它们放在一起，用一条线连接，然后观察这条线的长度（差异大小）和方向（哪个更大）。
在matplotlib中创建哑铃图，我们主要使用以下元素：
散点图：表示两个数据点
直线段：连接两个相关点
颜色编码：通常用不同颜色区分前后状态或不同组别
标签系统：清晰标识每个观察单位
3. 实战示例
接下来，我们看看哑铃图在实际场景中的显示效果。
假设我们是一家电商公司的数据分析师，需要比较8个主要产品类别在2022年和2023年的销售额变化。
（完整的代码在文章末尾提供下载地址，文中只截取部分代码）
先创建一些测试数据：
# 示例数据：8个产品类别在2022年和2023年的销售额（单位：万元）
categories = [
"电子产品",
"服装鞋帽",
"家居用品",
"美妆护肤",
"图书音像",
"运动户外",
"食品饮料",
"母婴用品",
]
sales_2022 = [85, 92, 78, 65, 45, 60, 88, 72]
sales_2023 = [95, 87, 85, 78, 52, 73, 95, 80]
然后，我们绘制传统的簇状条形图和哑铃图来对比一下效果：
# 创建子图，对比两种可视化方法
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 8))
# 簇状条形图
x = np.arange(len(categories))
bars1 = ax1.bar(x - width/2, sales_2022, width, label='2022年', color='#4C72B0', alpha=0.8)
bars2 = ax1.bar(x + width/2, sales_2023, width, label='2023年', color='#DD8452', alpha=0.8)
# 在每个条形上添加数值标签
# 省略 ...
# 哑铃图
# 设置y轴位置（每个类别的垂直位置）
y_pos = np.arange(len(categories))
# 绘制连接线
for i, (y2022, y2023) in enumerate(zip(sales_2022, sales_2023)):
# 确定线颜色：增长为绿色，下降为红色
line_color = '#55A868' if y2023 > y2022 else '#C44E52'
ax2.plot([y2022, y2023], [i, i], color=line_color, linewidth=2.5, alpha=0.7, zorder=1)
# 绘制数据点
ax2.scatter(sales_2022, y_pos, s=120, color='#4C72B0', alpha=0.9, label='2022年', zorder=2, edgecolors='white', linewidth=2)
ax2.scatter(sales_2023, y_pos, s=120, color='#DD8452', alpha=0.9, label='2023年', zorder=2, edgecolors='white', linewidth=2)
# 省略 ...
plt.tight_layout()
plt.show()
通过上面的对比，我们可以清晰地看到哑铃图的优势：
变化一目了然：连接线的长度直观表示变化幅度，方向表示增长或下降
减少视觉跳跃：眼睛不需要在条形间来回移动，而是沿着水平线自然追踪
突出比较重点：专注于每个项目的两个状态对比，而非绝对数值
进一步，我们还可以给哑铃图排序，按照增长由快到慢给各个品类排序，这样自然形成从"下降最显著"到"增长最显著"的连续谱，模式自动显现，无需刻意寻找。
比如上面的哑铃图中，【服装鞋帽】这个品类其实销售额是下降的，混在一堆哑铃中不容易看出来吧？
# 创建排序后的哑铃图
fig, ax = plt.subplots(figsize=(10, 8))
# 按变化幅度排序
sorted_indices = np.argsort(
[sales_2023[i] - sales_2022[i] for i in range(len(categories))]
)
sorted_categories = [categories[i] for i in sorted_indices]
sorted_2022 = [sales_2022[i] for i in sorted_indices]
sorted_2023 = [sales_2023[i] for i in sorted_indices]
# 绘制连接线
# 省略 ...
# 绘制数据点
# 省略 ...
# 添加变化箭头标注
# 省略 ...
plt.tight_layout()
plt.show()
这样改造后，由上到下的哑铃，越来越短（也就是增长越来越慢），最底部的那个是负增长，用了红色来标注。
4. 总结
数据可视化的核心目标是有效传达信息。当我们需要强调变化、比较两个相关状态时，哑铃图提供了一种简洁而强大的解决方案。
就像选择合适的工具完成工作一样，在面对数据比较任务时，我们应该根据具体需求选择最合适的可视化形式：
当需要比较多个项目的两个状态时，选择哑铃图
当需要展示单个项目的多个组成部分时，选择堆积条形图
当需要比较多个项目的多个类别时，选择簇状条形图
最好的可视化不是最复杂的，而是能让观众在最短时间内理解最多信息的那个。
哑铃图正是这样一种高效的工具，它用最简单的线条连接，讲述了数据世界中最动人的变化故事。稻房钙陈