在处理和分析数据时，表格是一种常见的数据展示形式。但当数据量较大或需要关注特定条件下的数据变化时，直接在表格中查找和分析信息可能会变得复杂和耗时。这时，使用图表来展示筛选后的数据变化就变得尤为重要。以下是一些方法，帮助您轻松看懂表格筛选后的数据变化：
1. 选择合适的图表类型
1.1 条形图（Bar Chart）
条形图适用于比较不同类别或组的数据。如果您需要展示不同条件下某一指标的变化，条形图是一个不错的选择。
### 示例
假设您有一张销售数据表，筛选出不同季度每个产品的销售额。使用条形图可以直观地比较每个季度的销售额。
```python
import matplotlib.pyplot as plt
# 假设数据
quarters = ['Q1', 'Q2', 'Q3', 'Q4']
sales = [200, 250, 300, 350]
plt.bar(quarters, sales)
plt.xlabel('季度')
plt.ylabel('销售额')
plt.title('各季度销售额')
plt.show()
1.2 折线图（Line Chart）
折线图适合展示数据随时间或其他连续变量变化的趋势。对于时间序列数据，折线图尤为有效。
import matplotlib.pyplot as plt
# 假设数据
dates = ['2023-01-01', '2023-02-01', '2023-03-01', '2023-04-01']
sales = [100, 150, 200, 250]
plt.plot(dates, sales, marker='o')
plt.xlabel('日期')
plt.ylabel('销售额')
plt.title('月度销售额趋势')
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()
1.3 饼图（Pie Chart）
饼图适用于展示各部分占整体的比例。如果您筛选出的数据包含多个类别，且您想展示每个类别在整体中的占比，饼图是理想的选择。
import matplotlib.pyplot as plt
# 假设数据
categories = ['产品A', '产品B', '产品C']
values = [40, 30, 30]
plt.pie(values, labels=categories, autopct='%1.1f%%')
plt.title('各产品销售额占比')
plt.show()
2. 确保图表清晰易懂
2.1 标题和标签
为图表添加清晰的标题和轴标签，以便读者快速理解图表内容。
2.2 颜色和样式
使用不同的颜色和样式来区分不同的数据系列，使图表更加生动和易于区分。
2.3 数据标签
在图表中添加数据标签，以便读者直接查看每个数据点的具体数值。
3. 结合表格和图表
在某些情况下，单独使用图表可能无法完全传达所有信息。此时，可以将图表与表格结合使用，提供更全面的视角。
3.1 表格与条形图结合
在条形图旁边展示表格，可以提供更详细的数据信息。
3.2 折线图与表格结合
在折线图下方展示表格，便于读者查看具体的数据点。
通过以上方法，您可以轻松地将表格筛选后的数据转化为图表，使数据更加直观和易于理解。这不仅有助于您更快地发现数据中的趋势和模式，还能提高您在团队或会议中展示数据时的效率。