1. 从数据到洞察为什么我们需要这四种基础可视化图表如果你经常和数据打交道无论是用Excel处理销售报表还是用Python分析用户行为你肯定遇到过这样的困惑面对一列列数字如何快速理解数据的全貌数据可视化就是那把打开数据之门的钥匙而箱线图、直方图、散点图和联合分布图则是这把钥匙上最核心的四把齿。它们不是花哨的装饰而是数据分析师和业务人员最基础、最实用的“体检工具”。很多人一提到数据可视化就想到酷炫的大屏看板这没错但万丈高楼平地起。一个再复杂的看板其底层逻辑也离不开这些基础图表的组合与深化。箱线图帮你一眼看穿数据的分布范围和异常值直方图揭示数据的内在频率结构散点图描绘变量间的关联线索而联合分布图则将前三者巧妙融合提供更立体的分析视角。掌握它们意味着你拥有了从原始数据中提炼关键信息、发现潜在问题、验证业务假设的基本能力。无论你是用Excel、Python的Matplotlib/Seaborn还是专业的BI工具这四种图表都是你必须跨越的第一道门槛。接下来我将结合具体的场景和代码带你深入理解每一种图表的“为什么”和“怎么做”并分享一些在实战中容易踩坑的细节。2. 数据的“体检报告”箱线图的核心解读与实战应用箱线图又称盒须图是我个人在探索性数据分析EDA阶段使用频率最高的图表之一。它的强大之处在于用极其简洁的图形概括了一组数据的五个关键统计量最小值、第一四分位数Q1、中位数Q2、第三四分位数Q3和最大值。中间的“箱子”涵盖了中间50%的数据而“须”则展示了数据的正常范围落在须线之外的孤立点通常被视为潜在的异常值。2.1 箱线图里到底藏着什么信息我们以一个具体的例子来拆解。假设你是一家电商公司的数据分析师需要分析不同品类商品在促销期间的日销售额。你有一组“数码产品”品类的日销售额数据。绘制成箱线图后你会看到一个横向的盒子加上两条须线。中位数箱体内的线这代表了销售额的“典型”水平一半的天数销售额高于它一半低于它。它比平均值更稳健不易受极端值影响。四分位距IQR箱体的长度即Q3减去Q1。这个区间包含了最核心、最稳定的50%的数据。IQR越小说明中间部分的数据越集中波动性小。须线通常上须线延伸到不超过Q3 1.5 * IQR的最大数据点下须线延伸到不低于Q1 - 1.5 * IQR的最小数据点。这个范围被认为是数据的“合理”分布区间。异常值箱须外的点任何超出Q3 1.5 * IQR或低于Q1 - 1.5 * IQR的数据点都会被单独标记为异常值。这可能是由于数据录入错误、特殊的营销事件如头部主播带货或系统故障导致的。通过箱线图你可以在几秒钟内判断该品类销售额的中位数水平如何日常波动IQR是大还是小是否存在某些日期销售额异常高或低需要进一步调查这种效率是单纯看数字表格无法比拟的。2.2 用Python Seaborn快速绘制与深度定制虽然Excel也能画箱线图但在处理大量数据或需要批量生成时Python的Seaborn库是更强大的选择。它不仅代码简洁默认样式也更好看。import seaborn as sns import matplotlib.pyplot as plt import pandas as pd import numpy as np # 模拟生成电商销售数据 np.random.seed(42) categories [数码, 服装, 家居, 美妆] data [] for cat in categories: # 为每个品类生成不同均值和方差的销售额数据 base_sale np.random.normal(locnp.random.randint(50, 150), scalenp.random.randint(20, 40), size100) # 故意加入一些异常值 outliers np.random.uniform(300, 500, size3) sale_data np.concatenate([base_sale, outliers]) for s in sale_data: data.append([cat, s]) df pd.DataFrame(data, columns[Category, Daily_Sales]) # 使用Seaborn绘制箱线图 plt.figure(figsize(10, 6)) # hue参数可以用于进一步的分类这里先不用 boxplot sns.boxplot(xCategory, yDaily_Sales, datadf, paletteSet2) # 添加中位数标注增强可读性 medians df.groupby(Category)[Daily_Sales].median() vertical_offset df[Daily_Sales].median() * 0.02 # 偏移量避免文字重叠 for xtick in boxplot.get_xticks(): boxplot.text(xtick, medians[xtick] vertical_offset, f{medians[xtick]:.0f}, horizontalalignmentcenter, sizesmall, colorblack, weightsemibold) plt.title(各品类商品日销售额分布箱线图, fontsize15) plt.xlabel(商品品类) plt.ylabel(日销售额元) plt.grid(axisy, linestyle--, alpha0.7) plt.tight_layout() plt.show()这段代码生成了四个品类的销售额箱线图。通过palette参数可以调整颜色主题。我强烈建议添加中位数标注因为在图形密集时准确读取中位数值并不容易。此外sns.boxplot默认会显示异常值fliers你可以通过flierprops参数自定义异常点的样式。注意箱线图的“异常值”只是一个统计定义不一定是业务上的“错误”。对于箱线图识别出的异常点正确的做法不是直接删除而是回到业务中核查是“双十一”爆发是某个渠道的刷单还是数据管道出了问题盲目删除会损失重要信息。2.3 横向对比与分组箱线图发现更深层模式单一箱线图的价值有限箱线图的威力在于对比。将多个组别的数据并排绘制差异一目了然。从我们生成的图就能看出“数码”和“美妆”品类的销售额中位数较高且“美妆”品类的IQR更窄说明其日常销售表现更稳定。而“家居”品类不仅中位数低IQR也较宽且存在高位异常点可能意味着该品类销售不稳定偶尔有爆单情况。更进一步你可以使用hue参数绘制分组箱线图。例如在上述数据中增加一个“促销日”维度分析同一品类在促销与非促销日的销售分布差异。# 假设为df增加一个Is_Promotion列 df[Is_Promotion] np.random.choice([0, 1], sizelen(df), p[0.7, 0.3]) plt.figure(figsize(12, 6)) # 分组箱线图x轴为品类颜色区分是否促销 sns.boxplot(xCategory, yDaily_Sales, hueIs_Promotion, datadf, palettecoolwarm) plt.title(各品类在促销/非促销日的销售额分布对比, fontsize15) plt.xlabel(商品品类) plt.ylabel(日销售额元) plt.legend(title是否促销) plt.grid(axisy, linestyle--, alpha0.7) plt.tight_layout() plt.show()这种分组箱线图能直观揭示促销活动对不同品类的拉动效果是否一致是评估营销策略有效性的利器。3. 洞察数据分布形态直方图与密度图的原理与陷阱当你拿到一组连续数据比如用户的年龄、订单的金额、网页的加载时间第一个问题往往是这些数据大致是怎样分布的是集中在某个区间还是均匀散布有没有出现多个峰值直方图就是回答这些问题的最佳工具。它将数据范围划分成若干个连续的、等宽的区间称为“箱子”或“柱”然后统计每个区间内数据点的数量频数。3.1 直方图 vs. 条形图一个关键的区别新手常把直方图和条形图混淆。关键在于直方图的X轴是连续的数字尺度柱子之间通常没有间隙其高度代表频数或频率条形图的X轴是离散的类别柱子是分开的其高度代表该类别的数值。直方图描述的是单个连续变量的分布而条形图常用于比较不同类别的数值。3.2 箱子数量bins的选择一个艺术与科学结合的问题绘制直方图时最关键的参数是bins箱子数量。箱子太多直方图会变得锯齿状受随机噪声影响大箱子太少则会过度平滑掩盖数据真实的分布特征。经验法则一个常用的起步公式是斯特奇斯公式Sturges‘ rulek 1 log2(N)其中N是数据点总数。但这对于非正态分布的大数据集可能不太适用。实践建议不要依赖单一规则。我的做法是先用默认设置如Seaborn的auto画一个然后手动调整bins参数比如尝试20、50、100观察图形形态如何变化。选择一个能让分布的主要特征如单峰、双峰、偏斜清晰呈现同时又不会引入太多琐碎细节的箱子数。在汇报时甚至可以并排展示不同bins下的直方图以说明结论的稳健性。# 继续使用之前的df抽取‘数码’品类的销售额数据 digital_sales df[df[Category] 数码][Daily_Sales] fig, axes plt.subplots(2, 2, figsize(12, 10)) axes axes.ravel() bins_options [auto, 10, 30, 50] # 尝试不同的bins设置 for ax, bins in zip(axes, bins_options): sns.histplot(digital_sales, binsbins, kdeTrue, axax, colorskyblue, edgecolorblack) ax.set_title(f数码品类销售额直方图 (bins{bins})) ax.set_xlabel(日销售额元) ax.set_ylabel(频数) ax.grid(True, linestyle--, alpha0.6) plt.tight_layout() plt.show()这段代码展示了不同bins设置下的直方图效果。kdeTrue参数会同时绘制核密度估计曲线它是对直方图的平滑能更好地展示分布的连续形态。3.3 核密度估计更平滑的分布视角核密度估计KDE可以看作是一个“平滑版”的直方图。它通过在每个数据点放置一个平滑的核函数如高斯核然后将所有核函数叠加起来得到一条连续的密度曲线。KDE曲线不受箱子边界的影响能更流畅地展示分布的形状特别适合比较多个分布的形态。plt.figure(figsize(10, 6)) # 为每个品类绘制KDE曲线便于比较分布形态 for category in df[Category].unique(): subset df[df[Category] category][Daily_Sales] sns.kdeplot(subset, labelcategory, fillTrue, alpha0.4) plt.title(各品类销售额分布密度对比KDE, fontsize15) plt.xlabel(日销售额元) plt.ylabel(密度) plt.legend(title商品品类) plt.grid(True, linestyle--, alpha0.7) plt.tight_layout() plt.show()通过这张KDE图我们可以更清晰地看到“服装”和“家居”的销售额分布相对扁平、分散而“美妆”的分布则更为集中、峰值更高。但务必注意KDE的平滑程度由bw_method带宽参数控制。带宽太大会过度平滑掩盖细节带宽太小则会引入噪声。Seaborn的默认带宽通常是个不错的起点但在做严谨分析时也需要尝试调整。踩坑实录直方图的Y轴含义。直方图的Y轴可以是“频数”Count也可以是“密度”Density。在seaborn.histplot中stat参数控制这个。statcount时柱子高度等于该区间数据点数statdensity时所有柱子面积之和为1。当需要比较不同样本量的数据分布时使用‘density’更公平。务必在图表标题或轴标签中注明避免误解。4. 探索变量间的关系散点图与趋势分析当我们不再满足于了解单个变量的分布而是想探究两个连续变量之间是否存在关联时散点图就登场了。它将每一对(x, y)值在二维平面上绘制成一个点点的聚集形态直观地揭示了关系正相关、负相关、非线性相关或者根本没有关系。4.1 基础散点图与美化技巧假设我们现在想探究“广告投入”与“销售额”之间的关系。我们用散点图来可视化。# 模拟广告投入与销售额数据 np.random.seed(123) n_points 150 ad_spend np.random.uniform(10, 100, n_points) # 销售额与广告投入正相关并加入一些随机噪声 sales 50 2.5 * ad_spend np.random.normal(0, 20, n_points) df_ads pd.DataFrame({Ad_Spend: ad_spend, Sales: sales}) plt.figure(figsize(10, 6)) # 基础散点图 scatter plt.scatter(df_ads[Ad_Spend], df_ads[Sales], alpha0.6, edgecolorsw, linewidth0.5) plt.title(广告投入与销售额关系散点图, fontsize15) plt.xlabel(广告投入千元) plt.ylabel(销售额万元) plt.grid(True, linestyle--, alpha0.7) # 添加趋势线线性回归线以更清晰地展示关系 from scipy import stats slope, intercept, r_value, p_value, std_err stats.linregress(df_ads[Ad_Spend], df_ads[Sales]) line_x np.array([df_ads[Ad_Spend].min(), df_ads[Ad_Spend].max()]) line_y intercept slope * line_x plt.plot(line_x, line_y, colorred, linewidth2, labelf趋势线 (R²{r_value**2:.3f})) plt.legend() plt.tight_layout() plt.show()这里有几个美化技巧alpha参数设置透明度在点重叠时非常有用edgecolors和linewidth给点添加细白边能让点在深色背景或密集区域更清晰。更重要的是我添加了一条线性回归趋势线并计算了R²值。这直接将可视化提升到了定量分析的层面让读者不仅能看出“似乎正相关”还能知道“相关的强度大概是多少”。4.2 多维信息融合用颜色、大小和形状编码更多维度基础散点图只展示两个维度。但现实中我们常需要同时考虑第三个甚至第四个变量。这时可以通过点的颜色、大小和形状来编码额外信息。# 假设我们的数据还有第三个变量“客户满意度评分”和第四个分类变量“广告渠道” df_ads[Satisfaction] np.random.uniform(1, 5, n_points) df_ads[Channel] np.random.choice([搜索引擎, 社交媒体, 视频平台], n_points) plt.figure(figsize(12, 8)) # 颜色编码满意度连续变量大小编码销售额为了演示这里用销售额本身形状编码渠道分类变量 # 注意为清晰起见这里简化了大小映射实际中可能需要标准化 scatter plt.scatter(df_ads[Ad_Spend], df_ads[Sales], cdf_ads[Satisfaction], # 颜色映射 cmapviridis, sdf_ads[Sales]/3, # 大小映射除以3是为了控制点的大小范围 alpha0.7, edgecolorsk, linewidth0.5) plt.colorbar(scatter, label客户满意度) plt.title(广告投入、销售额、满意度及渠道多维散点图, fontsize15) plt.xlabel(广告投入千元) plt.ylabel(销售额万元) plt.grid(True, linestyle--, alpha0.7) # 为不同渠道创建图例形状需要单独处理这里用颜色近似模拟实际分类变量应用hue # 更佳实践是使用Seaborn的hue和style参数 plt.tight_layout() plt.show()在这个图中X轴和Y轴依然是广告投入和销售额但点的颜色深浅代表了客户满意度越黄满意度越高点的大小代表了销售额的高低越大销售额越高。然而这里有一个常见的陷阱同时用颜色和大小编码两个连续变量可能会导致图形过于复杂难以解读。更好的做法是用颜色编码一个最重要的附加连续变量或分类变量而用趋势线、分面绘图Facet Grid来展示其他关系。Seaborn库的scatterplot函数通过hue、size、style参数可以非常优雅地处理这类多维散点图。4.3 处理散点图的过载与重叠问题当数据量极大时散点图会出现严重的点重叠变成一片“墨团”什么也看不清。解决方法有几种降低透明度alpha这是最简单的方法重叠区域颜色会加深。使用蜂群图或带状图Seaborn的stripplot或swarmplot数据量不能太大可以将点沿分类轴轻微抖动开减少重叠。使用二维密度图2D Density Plot用颜色深浅表示点的密度适用于展示大量数据的分布热点。Seaborn的kdeplot函数设置fillTrue并传入两个变量即可。抽样如果数据实在太多可以先进行随机抽样再绘图。5. 高阶综合视图联合分布图的强大威力联合分布图不是一种新的基本图表类型而是一种将散点图、直方图或密度图组合在一起的复合图表。它通常在主对角线位置放置每个变量的单变量分布直方图或密度图而在非对角线位置放置两两变量之间的散点图或二维密度图。这种布局让你能一次性看到数据集中所有数值变量两两之间的关系以及每个变量自身的分布效率极高。5.1 使用Seaborn快速构建联合分布图矩阵Seaborn的pairplot和JointGrid是绘制联合分布图的利器。我们用一个包含多个变量的数据集来演示。# 创建一个包含多个变量的示例数据集 iris sns.load_dataset(iris) # 使用Seaborn自带的鸢尾花数据集 # 使用pairplot绘制联合分布图矩阵 g sns.pairplot(iris, huespecies, palettehusl, diag_kindkde, cornerTrue) g.fig.suptitle(鸢尾花数据集特征联合分布图按物种分类, y1.02, fontsize16) plt.tight_layout() plt.show()在这张图中对角线上的子图是每个特征如花萼长度按不同物种huespecies分类的KDE图清晰地展示了不同物种在该特征上的分布差异。非对角线上的子图是两两特征的散点图同样用颜色区分物种。参数cornerTrue只显示下三角矩阵避免了重复的对称图让图表更简洁。一眼望去我们可以发现petal_length花瓣长度和petal_width花瓣宽度呈现明显的线性正相关且不同物种在这两个维度上几乎完全分离。5.2 深度定制JointGrid与JointPlotpairplot适合快速探索所有数值变量。如果你只想深入探究两个特定变量之间的关系JointGrid和jointplot提供了更精细的控制。# 使用jointplot深入探究两个变量的关系 j sns.jointplot(datairis, xpetal_length, ypetal_width, huespecies, kindscatter, # 也可以选择‘kde’, ‘hex’, ‘reg’等 palettehusl, height7, marginal_kws{common_norm: False}) # 边缘图不共用归一化更清晰显示各类别分布 j.fig.suptitle(花瓣长度与宽度的联合分布含边缘分布, y1.02, fontsize15) plt.tight_layout() plt.show() # 使用JointGrid实现完全自定义 g sns.JointGrid(datairis, xpetal_length, ypetal_width, height7) # 在主图区域画散点图 g.plot_joint(sns.scatterplot, hueiris[species], palettehusl, alpha0.7) # 在顶部边缘画分布图 g.plot_marginals(sns.kdeplot, hueiris[species], palettehusl, fillTrue, common_normFalse) # 在右侧边缘画分布图 g.plot_marginals(sns.kdeplot, hueiris[species], palettehusl, fillTrue, common_normFalse, verticalTrue) g.fig.suptitle(自定义JointGrid花瓣长度与宽度, y1.02, fontsize15) plt.tight_layout() plt.show()jointplot的kind参数非常强大‘scatter’是带边缘直方图的散点图‘kde’会用二维等高线密度图代替散点‘hex’生成六边形分箱图适合大量数据‘reg’会在散点图上叠加回归线和置信区间。marginal_kws参数用于传递参数给边缘图例如设置common_normFalse可以让每个类别的KDE曲线面积独立归一化便于比较形状而非绝对密度。5.3 联合分布图在业务分析中的实战场景想象一个用户行为分析场景你的数据集包含用户的“页面停留时间”、“点击次数”、“购买金额”和“用户来源渠道”。绘制这四个变量的联合分布图矩阵你可以迅速发现“页面停留时间”和“点击次数”是否正相关用户越活跃点击越多“点击次数”和“购买金额”的关系是线性的吗是否存在一个点击阈值超过后购买金额大幅提升不同“用户来源渠道”的用户在“停留时间”分布上是否有显著差异比如社交媒体来的用户更浮躁是否存在一些离群点比如停留时间极短但购买金额极高可能是老客或机器人这些洞察都可以从一张联合分布图中快速获得雏形然后再针对性地进行深入分析。它极大地加速了数据探索的进程。6. 从图表到故事在Excel与Python中的实现要点与避坑指南掌握了原理和工具最终我们要落地。无论是业务人员常用的Excel还是分析师偏好的Python实现这些图表都有需要注意的细节。6.1 在Excel中高效绘制专业图表对于快速、一次性的分析Excel非常方便。箱线图Excel 2016及以上版本内置了箱线图。选中数据插入“统计图表”中的“箱形图”即可。关键点Excel的箱线图有时被称为“盒须图”其“须”默认是基于1.5倍IQR的与统计定义一致。你可以右键点击箱线图序列设置“异常点”、“平均值标记”等格式。直方图Excel有两种方法。一是使用“数据分析”工具库中的“直方图”需要先加载分析工具库。二是直接使用“插入图表”中的“直方图”。避坑Excel直方图的箱子边界有时会很奇怪你需要手动设置“箱子宽度”或“箱子数量”来获得合理的分布视图。散点图这是Excel的强项。选中两列数据直接插入“散点图”。进阶技巧你可以通过“添加图表元素”为散点图添加趋势线线性、指数、多项式等并显示R²值。要制作气泡图用大小表示第三维需要使用“气泡图”。联合分布图矩阵Excel没有直接绘制联合分布图矩阵的功能。变通方法是你可以分别制作多个散点图和直方图然后将它们手动对齐排列在一个画布上但这非常繁琐。对于复杂的多变量关系探索建议转向Python或R。Excel实战心得在制作用于报告的可视化时务必花时间美化。去除默认的灰色背景和网格线或使用浅色虚线使用清晰、对比度高的颜色主题添加简洁明了的标题和坐标轴标签。一个专业的图表外观能极大提升报告的说服力。6.2 用PythonMatplotlib/Seaborn构建可复用的分析流程对于需要自动化、重复生成或处理复杂数据的情况Python是更优选择。环境与库确保安装matplotlib,seaborn,pandas,numpy。Seaborn基于Matplotlib提供了更高级的API和更美观的默认样式。图形大小与分辨率在绘图前使用plt.figure(figsize(width, height))设置图形大小。对于出版物或高清报告可以使用plt.savefig(‘filename.png’, dpi300)保存高分辨率图片。风格化Seaborn有预设主题set_theme()set_style(‘darkgrid’)等可以一键改变所有图表风格。你也可以使用plt.rcParams字典深度定制Matplotlib的全局参数。子图系统使用plt.subplots()创建包含多个子图的画布这是制作仪表板或对比视图的基础。结合Seaborn的绘图函数和ax参数可以精确控制每个子图。# 一个综合性的例子创建包含箱线图、直方图、散点图的仪表板 fig, axes plt.subplots(2, 2, figsize(14, 10)) # 子图1各品类销售额箱线图 sns.boxplot(xCategory, yDaily_Sales, datadf, axaxes[0, 0], paletteSet2) axes[0, 0].set_title((a) 销售额分布箱线图) axes[0, 0].set_ylabel(销售额) axes[0, 0].tick_params(axisx, rotation45) # 子图2数码品类销售额直方图KDE sns.histplot(digital_sales, kdeTrue, axaxes[0, 1], colorteal) axes[0, 1].axvline(digital_sales.median(), colorred, linestyle--, labelf中位数: {digital_sales.median():.1f}) axes[0, 1].set_title((b) 数码品类销售额分布) axes[0, 1].set_xlabel(销售额) axes[0, 1].legend() # 子图3广告与销售额散点图及回归线 sns.regplot(xAd_Spend, ySales, datadf_ads, axaxes[1, 0], scatter_kws{alpha:0.5}, line_kws{color:red}) axes[1, 0].set_title((c) 广告投入 vs. 销售额) axes[1, 0].set_xlabel(广告投入) axes[1, 0].set_ylabel(销售额) # 子图4花瓣长宽联合分布散点图边缘直方图 # 这里我们使用axes[1,1]作为主图需要额外创建边缘轴稍微复杂简化版我们用二维密度图替代 sns.kdeplot(datairis, xpetal_length, ypetal_width, huespecies, axaxes[1, 1], fillTrue, alpha0.5, palettehusl) axes[1, 1].set_title((d) 花瓣长宽密度分布按物种) axes[1, 1].set_xlabel(花瓣长度) axes[1, 1].set_ylabel(花瓣宽度) plt.suptitle(数据可视化综合仪表板示例, fontsize16, y1.02) plt.tight_layout() plt.show()这个综合示例展示了如何将不同的图表类型组织在一个画面中形成有力的分析叙事。从(a)到(d)读者可以依次看到整体分布、单个变量分布、两个变量关系、多变量分类关系。6.3 贯穿始终的避坑清单不要过度装饰避免使用3D效果、花哨的渐变填充、过多的图例和文字标签。保持图表简洁让数据本身说话。谨慎使用颜色对于分类数据使用区分度高的定性色板如Set2, Set3, tab20c。对于连续数据使用顺序色板如viridis, plasma或发散色板如coolwarm, RdBu。避免使用红绿对比色盲用户无法区分。坐标轴是生命线永远不要截断坐标轴除非有非常特殊且注明的原因这会产生严重的误导。确保坐标轴标签清晰包含单位。标题和注释要清晰标题应直接陈述图表的核心发现而不是“XX图”。在关键位置添加必要的文字注释解释异常点或趋势。理解图表的统计含义箱线图的异常点定义、直方图箱子数量的影响、散点图趋势线的置信区间、KDE的带宽选择。知其然并知其所以然才能正确解读和呈现。为你的受众选择图表给业务领导看的报告多用直观的条形图、折线图和简单的散点图。给技术团队的分析文档可以深入使用箱线图、联合分布图。永远考虑读者的认知负荷。数据可视化是一门将技术、艺术和叙事结合的手艺。箱线图、直方图、散点图和联合分布图是你工具箱里最可靠的几把扳手。理解它们的原理掌握在不同工具中的实现方法并时刻保持清晰、诚实的表达原则你就能让数据自己讲述出精彩的故事。从我自己的经验来看花在精心设计图表上的时间往往会在后续的沟通、决策和问题排查中数倍地回报回来。下次当你面对一堆数据时不妨先问自己我想了解分布、比较组别、探索关系还是同时进行然后从这四张经典图表中选出你的第一把武器。