图表选型让 AI 推荐：转化率折线图、SKU 占比饼图、客单价柱状图的对应逻辑

一、问题的起点：为什么图表选型值得被"计算"

每个做过数据看板的人大概都经历过这样的场景：产品经理丢过来一张Excel，说"帮我画个图"，然后你盯着数据发呆——这列是日期，那列是转化率，到底该用折线还是柱状？选错了，轻则被吐槽"看不懂"，重则误导决策。

这不是个别现象。根据Tableau在2023年发布的《Data Literacy Index》报告，全球范围内只有约24%的企业员工认为自己能"自信地解读数据可视化"，而其中相当一部分困惑恰恰来自图表类型与数据关系的不匹配^[1]。另一项由Datawrapper团队在2022—2024年间对超过10万张公开图表的抽样分析显示，约31%的图表存在"类型选择不当"的问题，其中饼图被滥用于非占比数据、折线图被用于无序类别是最常见的两类错误^[2]。

本文评述：这些数据说明，图表选型不是一个"审美问题"，而是一个有明确对错边界的认知工程问题。既然是工程问题，就有被系统化、甚至被自动化的可能。

1.1 从"经验驱动"到"规则驱动"再到"模型驱动"

图表选型的方法论演进大致经历了三个阶段：

• 经验驱动阶段：依赖分析师个人积累，靠"感觉"和"惯例"。优点是灵活，缺点是难以规模化、难以传承。
• 规则驱动阶段：以Cleveland & McGill（1984）的图形感知排序、Munzner（2014）的"What-Why-How"框架为代表，把选型归纳为可枚举的规则^[3][4]。这是目前大多数BI工具内置推荐逻辑的基础。
• 模型驱动阶段：近三年随着大语言模型（LLM）和多模态模型的发展，出现了基于语义理解直接生成图表规格（Chart Specification）的系统，如微软的Data Formulator、Google的LIDA等^[5][6]。

笔者认为，这三个阶段不是替代关系，而是叠加关系。纯模型驱动看起来很酷，但在可解释性和可控性上仍有明显短板；纯规则驱动则难以处理模糊意图。真正可落地的方案，是"规则做骨架、模型做血肉"的混合架构。

1.2 本文的分析主线

为了让讨论不散漫，本文确立一条贯穿始终的主线：任何一次图表选型，本质上都是在回答三个递进的问题——

① 这列数据在语义上是什么类型？（数据语义）
② 用户想从这张图里看出什么关系？（分析意图）
③ 哪种视觉通道能最准确地编码这种关系？（视觉编码）

转化率、SKU占比、客单价这三个指标，恰好分别对应了时间序列、部分-整体、类别比较三种最基础的数据关系，是检验这套框架的理想样本。后续所有章节都围绕这条主线展开。

二、理论地基：视觉感知与图形语法

在谈AI推荐之前，必须先搞清楚"人是怎么读图的"。如果连人类视觉系统的编码偏好都不了解，所谓的智能推荐就只是空中楼阁。

2.1 Cleveland & McGill的图形感知实验

1984年，贝尔实验室的William Cleveland和Robert McGill发表了一项奠基性研究，通过实验测量了人类对不同视觉通道（位置、长度、角度、面积、颜色等）的感知准确度，得出了著名的图形感知准确度排序^[3]：

排序	视觉通道	典型图表	感知准确度
1	位置（共同刻度）	散点图、折线图	最高
2	位置（非共同刻度）	多面板图	高
3	长度	柱状图、条形图	较高
4	角度/斜率	饼图、折线斜率	中等
5	面积	气泡图、树图	较低
6	颜色饱和度/色调	热力图	最低

本文评述：这张表是图表选型的"物理定律"。折线图之所以适合转化率，是因为它把数据映射到"位置"这个最高精度的通道；柱状图用"长度"排第三；而饼图用"角度"只排第四——这解释了为什么饼图在精确比较上总是力不从心。但注意，排序低不等于不能用，而是要限定使用条件。

2.2 图形语法：把图表拆成可组合的零件

1999年，Leland Wilkinson提出"Grammar of Graphics"，把任何统计图形分解为数据、映射、几何对象、统计变换、坐标系、分面等独立组件^[7]。这套思想后来被ggplot2（R）和Vega-Lite（JS）发扬光大，成为现代可视化系统的通用语言。

为什么这对AI推荐很重要？因为一旦图表被"语法化"，推荐系统就不再需要输出"折线图"这种笼统的标签，而是可以输出一份精确的规格说明。例如Vega-Lite格式下，一张转化率折线图可以被描述为：

{
  "mark": "line",
  "encoding": {
    "x": {"field": "date", "type": "temporal"},
    "y": {"field": "conversion_rate", "type": "quantitative"},
    "color": {"field": "channel", "type": "nominal"}
  }
}

这种结构化的输出，让"AI推荐"从一句模糊的建议变成了可执行、可校验、可微调的工程产物。笔者认为，这是当前图表推荐系统能够真正落地的技术前提。

2.3 近三年的感知研究补充

Cleveland的实验已经过去四十年，但相关研究仍在推进。2023年，西北大学的Franconeri团队在《Nature Reviews Psychology》上发表综述，系统更新了视觉编码的认知科学证据，特别指出"任务依赖性"被严重低估——同一个通道在不同任务下的表现差异巨大^[8]。例如颜色在"找异常值"任务中表现优异，但在"比大小"任务中远不如位置。

2024年，MIT的Bylinskii等人通过眼动追踪实验进一步发现，用户阅读图表时的注视模式与图表类型高度相关：折线图用户倾向于沿趋势扫描，饼图用户倾向于在扇区间来回比较^[9]。这意味着图表类型不仅影响"能不能看懂"，还影响"怎么看"。

本文评述：这些研究给AI推荐系统一个重要启示——推荐逻辑不能只看数据，还要看用户的分析任务。同样一份转化率数据，"看趋势"和"找异常"可能对应不同的最优图表。这正是下一章三层框架中"分析意图"层的理论依据。

三、三层映射框架：数据语义→分析意图→视觉编码

现在把理论收拢成框架。这一章是全文的"骨架"，后续所有具体图表的讨论都会挂在这根骨架上。

3.1 第一层：数据语义（Data Semantics）

数据语义回答的是"这列数据是什么"。最基础的分类来自统计学中的测量尺度理论（Stevens, 1946）^[10]，但落到可视化场景，我们需要更细的粒度：

语义类型	特征	本文案例	可用的视觉通道
时间型（Temporal）	有序、连续、可计算间隔	日期、小时	位置（x轴）
定量型（Quantitative）	连续数值、可加减	转化率、客单价	位置、长度、面积
有序型（Ordinal）	有顺序、间隔不等	会员等级	位置、颜色明度
名义型（Nominal）	无顺序、仅分类	SKU名称、渠道	位置、颜色色调

工程上，这一步通常由数据剖析（Profiling）模块自动完成。但要注意，类型推断不能只看dtype。一个存成字符串的"2024-01"和存成字符串的"华东区"，在pandas里都是object类型，但语义天差地别。实践中需要结合列名、正则模式、取值分布综合判断。

3.2 第二层：分析意图（Analytical Intent）

分析意图回答的是"用户想看出什么关系"。Amar、Eagan和Stasko在2005年提出的低层分析任务分类至今仍被广泛引用^[11]，结合近年的实践，我们归纳出与本文案例最相关的几类：

• 趋势（Trend）：随时间的变化方向——转化率的核心意图
• 占比（Proportion）：部分与整体的关系——SKU占比的核心意图
• 比较（Comparison）：类别间的大小差异——客单价的核心意图
• 分布（Distribution）：数值的集中与离散
• 相关（Correlation）：两个变量间的关系
• 异常（Outlier）：偏离常规的点

本文评述：意图识别是整条链路里最难自动化的一环。数据语义可以从元数据推断，视觉编码有成熟规则，唯独"用户到底想看什么"往往藏在上下文里。这也是为什么纯规则系统会失效——它无法从"帮我看看上周转化率"这句话里判断用户是要看趋势还是要找异常。近两年LLM的介入，恰恰补上了这块短板。

3.3 第三层：视觉编码（Visual Encoding）

视觉编码回答的是"用哪种图"。这一层的规则最成熟，核心是把前两层的输出映射到具体的图表类型和通道配置。一个简化的映射表如下：

分析意图	数据类型组合	首选图表	备选
趋势	时间 + 定量	折线图	面积图、柱状图
占比	名义 + 定量（总和有意义）	饼图/环形图	堆叠条形图、树图
比较	名义 + 定量	柱状图/条形图	点图、雷达图
分布	定量（单变量）	直方图、箱线图	小提琴图
相关	定量 + 定量	散点图	气泡图、热力图

这张表看起来简单，但真正难的是边界条件：什么时候饼图不该用？折线图在什么情况下会误导？柱状图的y轴是否必须从0开始？这些"魔鬼细节"才是专业与业余的分水岭，后面三章会逐一拆解。

四、转化率折线图：时间序列的编码逻辑

转化率（Conversion Rate）是电商和SaaS领域最核心的指标之一，通常定义为"完成目标行为的用户数 / 访问用户数"。它的本质是一个随时间波动的比率，天然属于时间序列数据。

4.1 为什么是折线图：三重理由

第一，语义匹配。转化率的时间戳是有序且连续的，折线图的x轴天然承载这种连续性。柱状图虽然也能画时间序列，但柱子的"块状"视觉暗示了离散和间断，与时间流的连续性相悖。

第二，感知精度。折线图把数值映射到"位置"通道，这是Cleveland排序中精度最高的通道。当用户需要判断"周二到周三涨了多少"时，位置差异比长度差异更容易被准确感知。

第三，趋势凸显。折线的斜率直接编码了变化速率，用户扫一眼就能看出"这段在涨、那段在跌"。2023年Padilla等人的研究通过大规模实验证实，在趋势判断任务中，折线图的准确率和反应速度均显著优于柱状图^[12]。

本文评述：但折线图并非万能。当时间点少于5个、或时间间隔不均匀时，折线的"连接"会产生误导——它暗示了中间存在连续过渡，而实际上可能只是几个孤立的观测点。这种情况下，带连接线的点图（dot plot with line）或直接柱状图反而更诚实。

4.2 关键设计决策

即便确定了用折线图，仍有一系列细节需要决策。下面这张表列出了转化率折线图最常踩的坑：

设计点	常见错误	推荐做法
y轴起点	强制从0开始，压缩波动	比率类指标可不从0起，但需明确标注
时间粒度	日粒度数据点过密，噪声大	提供日/周/月切换，或加移动平均线
多系列	超过5条线，颜色难分辨	分面（small multiples）或高亮重点
缺失值	直接连线，掩盖数据缺口	断线处理或标记缺失点
异常点	不标注，用户误读为趋势	加注释（annotation）说明原因

关于y轴起点，这里有一个长期争论。金融和比率类图表通常允许截断y轴以放大变化，但2024年一项针对非专业用户的实验发现，截断y轴会使被试高估变化幅度约40%^[13]。笔者认为，折中方案是：默认从0起，但提供"放大"开关，并在截断时用视觉提示（如轴断裂符号）明确告知。

4.3 代码实现：用Vega-Lite画一张规范的转化率折线图

{
  "$schema": "https://vega.github.io/schema/vega-lite/v5.json",
  "data": {"url": "conversion_daily.csv"},
  "transform": [
    {"calculate": "datum.conversion_rate * 100", "as": "rate_pct"}
  ],
  "layer": [
    {
      "mark": {"type": "line", "color": "#7c3aed", "strokeWidth": 2},
      "encoding": {
        "x": {"field": "date", "type": "temporal", "title": "日期"},
        "y": {
          "field": "rate_pct", "type": "quantitative",
          "title": "转化率 (%)",
          "scale": {"zero": false}
        }
      }
    },
    {
      "mark": {"type": "point", "filled": true, "size": 40},
      "encoding": {
        "x": {"field": "date", "type": "temporal"},
        "y": {"field": "rate_pct", "type": "quantitative"},
        "tooltip": [
          {"field": "date", "type": "temporal"},
          {"field": "rate_pct", "type": "quantitative", "format": ".2f"}
        ]
      }
    }
  ]
}

这段配置有两个细节值得注意：一是"zero": false允许y轴不从0开始，适合比率类指标；二是叠加了point层，让每个数据点可悬停查看精确值，弥补折线在精确读数上的不足。

想深入学Vega-Lite的读者，官方示例库（vega.github.io/vega-lite/examples）是最好的起点，其中"Line Chart"分类下有大量可直接改用的模板。

五、SKU占比饼图：部分与整体的边界条件

如果说折线图是"最没争议"的图表，那饼图大概是"最有争议"的。数据可视化圈子里甚至流传着一句话："唯一比饼图更糟的，是3D饼图。"但争议归争议，饼图在SKU占比这类场景中确实有其合理位置——前提是满足严格的边界条件。

5.1 饼图的原罪与救赎

饼图的原罪在于：它用"角度"和"面积"编码数据，而这两个通道在Cleveland排序中都靠后。更麻烦的是，人眼对扇区面积的判断存在系统性偏差——2022年Kosara和Skau的综述指出，当扇区数量超过5个时，用户对相邻扇区大小关系的判断错误率急剧上升^[14]。

但饼图也有它的救赎：当数据满足"部分-整体"关系、且只有2-5个类别、且用户只关心大致比例而非精确数值时，饼图的直观性反而超过柱状图。SKU占比恰好是这种场景的典型——运营同学想知道"Top 5 SKU贡献了多少销售额"，饼图一眼就能给出答案。

本文评述：饼图的争论本质上是"精确 vs 直观"的权衡。笔者认为，与其一刀切地禁用饼图，不如建立"使用条件清单"——满足则用，不满足则强制切换到条形图。这也是AI推荐系统应该内化的逻辑。

5.2 SKU占比的饼图使用条件清单

• 类别数 ≤ 5：超过5个，建议合并为"其他"或改用条形图
• 各部分之和 = 100%：占比数据必须构成完整整体，否则饼图无意义
• 无负值：饼图无法表达负数
• 用户意图是"看大致比例"：若需精确比较，用条形图
• 扇区差异明显：若多个扇区占比接近（如都在15%-20%），饼图难以分辨

对于SKU这种动辄成百上千的维度，实践中通常先做Top-N聚合。一个常见的处理是：取销售额Top 5的SKU单独展示，其余合并为"其他"。这样既保留了饼图的可读性，又不丢失信息。数据预处理时要注意，"其他"类别的占比应明确标注，避免用户误以为是单一SKU。

5.3 饼图的现代替代方案

如果SKU占比不满足饼图条件，有几个成熟的替代方案：

替代方案	适用场景	优势
堆叠条形图	类别较多，需比较占比	用长度编码，精度更高
100%堆叠条形图	多组数据的占比对比	可同时看组内和组间
树图（Treemap）	层级化SKU分类	面积编码，可容纳大量类别
环形图	需要中心显示汇总值	视觉上比饼图更现代

关于树图，2023年一项针对电商看板的用户研究显示，在SKU数量超过20个时，树图的信息获取效率比饼图高约2.3倍^[15]。但树图对普通用户的学习成本也更高，需要权衡受众。

5.4 代码实现：饼图与堆叠条形图的切换

import pandas as pd
import altair as alt

# 模拟数据：某月各SKU销售额占比
# 数据来源：模拟数据，用于演示
df = pd.DataFrame({
    "sku": ["SKU-A", "SKU-B", "SKU-C", "SKU-D", "SKU-E", "其他"],
    "sales": [32000, 25000, 18000, 12000, 8000, 5000]
})
df["pct"] = df["sales"] / df["sales"].sum() * 100

# 方案一：饼图（类别数<=5时推荐）
pie = alt.Chart(df).mark_arc(innerRadius=60).encode(
    theta=alt.Theta("sales:Q", stack=True),
    color=alt.Color("sku:N", legend=alt.Legend(title="SKU")),
    tooltip=["sku", alt.Tooltip("pct:Q", format=".1f", title="占比(%)")]
).properties(title="SKU销售额占比（饼图）")

# 方案二：堆叠条形图（类别数>5时推荐）
bar = alt.Chart(df).mark_bar().encode(
    x=alt.X("pct:Q", title="占比 (%)"),
    y=alt.Y("sku:N", sort="-x", title=""),
    color=alt.Color("sku:N", legend=None),
    tooltip=["sku", alt.Tooltip("pct:Q", format=".1f")]
).properties(title="SKU销售额占比（条形图）")

这段代码展示了如何用Altair同时准备两种方案，实际系统中可由推荐引擎根据类别数自动选择。Altair的官方文档（altair-viz.github.io）有完整的饼图和条形图示例。

六、客单价柱状图：类别比较的稳健选择

客单价（Average Order Value, AOV）通常定义为"总销售额 / 订单数"，用于衡量每个订单的平均价值。分析客单价时，最常见的意图是比较不同类别之间的差异——比如各渠道的客单价、各地区的客单价、各品类的客单价。

6.1 为什么是柱状图：长度编码的稳健性

柱状图用"长度"编码数值，在Cleveland排序中位列第三，仅次于位置。它的核心优势是"共同基线"——所有柱子从同一条基线出发，用户只需比较顶端高度即可。这种比较方式符合人类视觉系统对长度的天然敏感度。

2024年，一项发表于《IEEE Transactions on Visualization and Computer Graphics》的研究对比了柱状图、饼图、点图在类别比较任务中的表现，结论是柱状图在准确率和速度上均表现稳健，尤其在类别数6-12之间时优势明显^[16]。

本文评述：柱状图可能是所有图表中"最不容易出错"的一种。它不像折线图那样对时间连续性有要求，也不像饼图那样对类别数敏感。正因如此，当AI推荐系统"拿不准"用户意图时，柱状图往往是一个安全的默认选项。但"安全"不等于"最优"，仍需结合具体意图优化。

6.2 柱状图 vs 条形图：方向的选择

柱状图（vertical bar）和条形图（horizontal bar）本质相同，只是方向不同。选择依据主要有两条：

• 类别标签长度：如果类别名较长（如"华东大区-上海-浦东新区"），条形图更合适，因为横向有更多空间放标签
• 类别数量：类别多时（>10），条形图更易阅读，因为纵向滚动比横向滚动更自然
• 排序：条形图通常按数值降序排列，视觉上形成"阶梯"，便于快速定位Top项

对于客单价分析，如果比较的是"各渠道"（类别少、标签短），柱状图即可；如果比较的是"各SKU"（类别多、标签长），条形图更优。

6.3 客单价柱状图的设计要点

设计点	建议	理由
y轴起点	必须从0开始	柱状图用长度编码，截断会严重误导
柱子宽度	柱间距约为柱宽的1/2	过宽显笨重，过窄难比较
排序	按数值降序（除非类别有天然顺序）	便于快速定位高低
数值标签	柱子顶部直接标数值	省去用户对照y轴读数
颜色	单色为主，高亮重点类别	避免彩虹色干扰比较

特别强调y轴起点问题。与折线图不同，柱状图绝对不能截断y轴。原因很简单：柱子的长度直接对应数值大小，如果y轴不从0开始，柱子的长度比例就失真了。2023年一项针对新闻图表的审计发现，截断y轴的柱状图会让读者高估差异达2-5倍^[17]。

6.4 代码实现：带数值标签的客单价柱状图

import plotly.express as px
import pandas as pd

# 模拟数据：各渠道客单价
# 数据来源：模拟数据，用于演示
df = pd.DataFrame({
    "channel": ["自然搜索", "付费广告", "社交媒体", "邮件营销", "直接访问"],
    "aov": [286, 312, 245, 358, 401]
}).sort_values("aov", ascending=False)

fig = px.bar(
    df, x="channel", y="aov",
    text="aov",
    color_discrete_sequence=["#7c3aed"],
    labels={"channel": "渠道", "aov": "客单价 (元)"},
    title="各渠道客单价对比"
)
fig.update_traces(texttemplate="%{text:.0f}", textposition="outside")
fig.update_layout(yaxis_range=[0, df["aov"].max() * 1.15])
fig.show()

这段代码用Plotly Express实现，关键点是yaxis_range从0开始，且顶部留出15%空间放数值标签。Plotly官方文档（plotly.com/python/bar-charts）有更多样式选项。

七、AI推荐系统架构与实现

前面三章分别拆解了三种图表的选型逻辑。现在的问题是：如何把这些逻辑固化成一个能自动运行的AI推荐系统？这一章给出一个可落地的架构设计。

7.1 整体架构：规则引擎 + 语义模型的双层结构

近两年学术界和工业界都在探索"LLM + 可视化"的组合。微软的Data Formulator（2024）用LLM把自然语言意图翻译成数据转换和图表规格^[5]；Google的LIDA（2023）则构建了一个包含数据摘要、目标生成、可视化生成、代码生成四个模块的流水线^[6]。这些系统的共同问题是：纯LLM方案在确定性任务上不够可靠，容易产生"幻觉图表"。

笔者认为，更务实的架构是"规则引擎打底、语义模型增强"的双层结构：

第一层（规则引擎）：基于数据语义和显式意图，用确定性规则生成候选图表列表。这一层保证"不会出错"。

第二层（语义模型）：用LLM解析用户的自然语言查询，推断隐式意图，对候选列表重排序，并生成图表标题、注释等辅助内容。这一层提升"体验"。

7.2 数据语义识别模块

这个模块的输入是原始数据表，输出是每列的语义类型。实现上分三步：

• 类型初判：根据dtype和取值分布，初步判断是数值、字符串还是日期
• 语义精判：结合列名（如"转化率"含"率"字，倾向比率）、正则模式（如日期格式）、取值特征（如0-1之间的小数可能是比率）综合判断
• 关系识别：识别列之间的关系，如"订单数 × 客单价 ≈ 销售额"

import re
import pandas as pd

def infer_semantic_type(series, col_name):
    """推断列的语义类型"""
    # 日期型
    if pd.api.types.is_datetime64_any_dtype(series):
        return "temporal"
    # 字符串可能是日期
    if series.dtype == "object":
        sample = series.dropna().head(20).astype(str)
        date_pattern = r"^\d{4}[-/]\d{1,2}([-/]\d{1,2})?$"
        if sample.str.match(date_pattern).mean() > 0.8:
            return "temporal"
    # 数值型细分
    if pd.api.types.is_numeric_dtype(series):
        if "率" in col_name or "rate" in col_name.lower():
            return "quantitative_rate"
        if series.between(0, 1).mean() > 0.95:
            return "quantitative_rate"
        return "quantitative"
    # 名义型 vs 有序型
    if series.nunique() < 20:
        return "nominal"
    return "nominal_high_cardinality"

这段代码覆盖了最常见的几种情况。实际系统中还需要处理货币、百分比字符串等特殊格式。本文评述：语义识别是整条链路的"地基"，这里出错后面全错。建议在工程上保留人工校正入口，让用户能覆盖自动判断结果。

7.3 意图识别模块

意图识别负责把用户的查询翻译成分析任务。传统方法用关键词匹配（"趋势"→trend，"占比"→proportion），但覆盖有限。近两年主流方案是用LLM做few-shot分类：

INTENT_PROMPT = """你是一个数据分析意图分类器。
给定用户的查询和数据结构，判断其分析意图。

可选意图：
- trend: 看随时间的变化
- proportion: 看部分与整体的关系
- comparison: 比较类别间的大小
- distribution: 看数值分布
- correlation: 看两个变量的关系
- outlier: 找异常值

用户查询：{query}
数据列：{columns}

只输出意图标签，不要解释。"""

def classify_intent(query, columns, llm_client):
    prompt = INTENT_PROMPT.format(query=query, columns=columns)
    response = llm_client.complete(prompt, temperature=0)
    return response.strip().lower()

实践中，纯LLM分类的准确率在简单查询上可达90%以上，但遇到模糊查询（如"帮我看看数据"）会失效。这时需要回退到规则引擎，用数据语义给出默认推荐。

7.4 图表生成与重排序

有了语义和意图，就可以查表生成候选图表。以本文三个案例为例，映射规则可以写成：

数据语义	分析意图	推荐图表	置信度
temporal + quantitative_rate	trend	折线图	高
nominal + quantitative（占比）	proportion	饼图（≤5类）/ 条形图	中
nominal + quantitative	comparison	柱状图/条形图	高
temporal + quantitative	outlier	折线图 + 异常标注	中

生成候选后，可以用一个轻量级排序模型（如LambdaMART）对候选重排序，特征包括：意图匹配度、数据适配度、用户历史偏好、图表复杂度等。2024年一项研究表明，引入用户历史偏好后，推荐采纳率可提升约18%^[18]。

八、工程落地：决策树、代码与评估

理论讲完，这一章给出可直接落地的决策树和评估方法。

8.1 完整决策树

def recommend_chart(semantic_types, intent, cardinality):
    """
    图表推荐决策树
    semantic_types: 各列语义类型列表
    intent: 分析意图
    cardinality: 类别基数
    """
    has_temporal = "temporal" in semantic_types
    has_quant = any("quantitative" in t for t in semantic_types)

    # 趋势类
    if intent == "trend" and has_temporal and has_quant:
        return {"type": "line", "confidence": 0.95}

    # 占比类
    if intent == "proportion":
        if cardinality <= 5:
            return {"type": "pie", "confidence": 0.85}
        elif cardinality <= 20:
            return {"type": "stacked_bar", "confidence": 0.80}
        else:
            return {"type": "treemap", "confidence": 0.75}

    # 比较类
    if intent == "comparison":
        if cardinality <= 12:
            return {"type": "bar", "confidence": 0.90}
        else:
            return {"type": "horizontal_bar", "confidence": 0.85}

    # 分布类
    if intent == "distribution":
        return {"type": "histogram", "confidence": 0.85}

    # 相关类
    if intent == "correlation":
        return {"type": "scatter", "confidence": 0.90}

    # 默认回退
    return {"type": "bar", "confidence": 0.50}

这棵决策树覆盖了本文三个案例及常见扩展。工程上可以把它配置化为JSON，便于非技术人员调整。

8.2 评估方法

推荐系统上线后，如何评估效果？建议从三个维度：

维度	指标	测量方式
准确性	Top-1采纳率	用户直接使用推荐图表的比例
效率	选型耗时	从数据导入到图表生成的时间
满意度	主观评分（1-5）	用户对推荐结果的评分
纠错率	手动切换比例	用户切换到其他图表的比例

本文评述：评估中最容易被忽视的是"纠错率"。如果用户频繁手动切换图表，说明推荐逻辑有问题。建议把纠错行为作为负反馈信号，持续优化模型。

8.3 一个完整的端到端示例

下面把前面的模块串起来，演示从自然语言查询到图表生成的完整流程：

# 输入：用户查询 + 数据
query = "帮我看下最近30天各渠道的转化率走势"
df = load_data("ecommerce_metrics.csv")

# Step 1: 语义识别
semantics = {col: infer_semantic_type(df[col], col) for col in df.columns}
# 输出: {"date": "temporal", "channel": "nominal",
#        "conversion_rate": "quantitative_rate", ...}

# Step 2: 意图识别
intent = classify_intent(query, list(df.columns), llm_client)
# 输出: "trend"

# Step 3: 图表推荐
recommendation = recommend_chart(
    semantic_types=list(semantics.values()),
    intent=intent,
    cardinality=df["channel"].nunique()
)
# 输出: {"type": "line", "confidence": 0.95}

# Step 4: 生成Vega-Lite规格
spec = generate_vega_spec(
    chart_type=recommendation["type"],
    x_field="date",
    y_field="conversion_rate",
    color_field="channel"
)

这个流程在真实系统中通常需要几百毫秒到几秒。如果对延迟敏感，可以把语义识别和意图识别做缓存。

九、前沿预判与开放问题

最后聊聊未来。图表推荐这个领域正在快速演进，有几个方向值得关注。

9.1 意图驱动的可视化（Intent-Driven Visualization）

2024年CHI会议上，多个团队提出了"意图驱动"的可视化范式：系统不再被动等待用户指定图表，而是主动推断用户的分析目标并生成合适的视图^[19][20]。这背后的技术支撑是LLM对上下文的深度理解——它能从"上周转化率掉了"这句话里推断出用户想看趋势和异常。

本文评述：意图驱动是图表推荐的终极形态，但也是风险最高的形态。一旦推断错误，用户可能被误导而不自知。笔者认为，这类系统必须保留"可解释性"——不仅要推荐图表，还要说明"为什么推荐这个"。

9.2 多模态交互

未来的图表推荐可能不再局限于文本输入。用户可以直接圈选图表的一部分说"这里放大看看"，或者用语音描述需求。2023—2024年间，已有研究探索用多模态模型处理"图表+自然语言"的联合输入^[21][22]。这对推荐系统提出了更高要求：不仅要理解数据，还要理解用户对当前视图的操作意图。

9.3 可解释性与可控性

这是笔者认为最关键的开放问题。当前大多数AI推荐系统是"黑箱"——用户不知道系统为什么推荐折线图而不是柱状图。这在专业场景下是致命的，因为分析师需要为自己的图表选择负责。

解决思路有两条：一是规则透明化，把推荐逻辑用自然语言解释给用户；二是<