南丁格尔玫瑰图很容易给人一种“只要颜色好看，数据就会自己说话”的错觉。实际上，半径和面积的映射方式不同，读者对大小的判断也会不同；标签太长、类别太多、排序没有依据，都会让一张精致的图变成一圈难以核对的花瓣。南丁格尔玫瑰图生成器适合把数据编辑、样式调整、预览和导出放在一起，但最后那一步“这张图是否诚实”仍然需要人来判断。
玫瑰图到底适合表达什么
南丁格尔玫瑰图可以看作极坐标中的分类图：每个类别占据一个扇区，数值决定扇区的视觉大小。它适合表达“有哪些类别、各自大约占多少、排名和差距如何”这类问题，例如不同渠道的订单量、不同方向的风量、各品牌在一组样本里的数量，或一段时间里按类别汇总后的分布。它不太适合承载精确查数任务，也不适合类别名称很长、类别数量多到无法在一眼内区分的场景。
我会先问一个很朴素的问题：读者看完图，究竟要做什么决定？如果是找最大类别和最小类别，玫瑰图可以有表现力；如果是比较 23 个部门之间只差几个百分点的细小差异，表格或横向条形图通常更诚实。图表的任务不是让数据显得更有气势，而是让读者少花力气完成判断。
- 适合看分布：类别、方向、来源、产品或渠道之间的相对大小。
- 适合看排序：希望快速突出前几名，并让长尾类别退到背景。
- 不适合读精确值：精确数字应配合标签、数据表或 CSV，而不是让读者用花瓣长度猜。
- 不自动表示时间趋势：如果要讲月份变化，应考虑折线图或分组图，而不是把不同月份直接塞进一朵玫瑰。
按半径和按面积有什么区别
工具提供“按半径”和“按面积”两种玫瑰图模式。按半径时，数值主要影响扇区向外延伸的长度；按面积时，数值更接近扇区覆盖面积的差异。两种模式都能表达大小，但视觉感受并不一样。尤其当数据差距较大时，半径变化会让大值显得非常醒目，而面积模式更接近“占据了多少视觉空间”的直觉。不要把两种模式的图直接并排比较后，再说它们给出了两个不同的数据结论；变的是编码方式，不是原始数据。
| 能力 | 按半径 | 按面积 |
|---|---|---|
| 主要变化 | 花瓣向外延伸的长度 | 扇区覆盖的视觉面积 |
| 第一印象 | 排名和极值更醒目 | 整体占比感更平稳 |
| 适合场景 | 突出头部类别和差距 | 强调各类别的空间占比 |
| 阅读风险 | 大值可能显得过度突出 | 小差异仍可能难以精确比较 |
| 交付建议 | 附上数值标签或数据表 | 说明面积编码并保留原始 CSV |
如果只是想快速做一张报告草图，可以先用默认模式观察排序；如果这张图要进入周报、课件或对外材料，再分别切换两种模式，看读者是否会误解。最稳妥的写法是把模式写进图注，例如“扇区半径按订单数映射，数值为本周已完成订单”，不要只给一张没有口径的图。
从一张 CSV 到可交付图表
页面既支持表格直接编辑，也支持粘贴或上传 CSV。第一次使用时建议先保留默认数据，熟悉预览、列选择和导出按钮，再替换成真实数据。这样做有一个实际好处：如果真实文件导入失败，你能分辨是数据格式问题，还是自己还没有理解图表设置。
- 1先整理类别和数值保证每一行代表一个类别，名称放在第一列，数值列使用同一单位。不要把“万元”和“元”混在一张图里，也不要把合计行和明细行同时当成类别。
- 2导入后先核对行数和列页面会解析表头和数据行。导入完成后看提示中的行数、列数与原文件是否一致，再确认当前选中的数据列不是空列或备注列。
- 3选择映射模式和排序先在按半径、按面积之间切换，再试用升序或降序。排序应服务于阅读顺序；如果类别本身有业务顺序，就不要为了“看起来整齐”强行按数值打乱。
- 4处理标签和图例类别少时可以显示数值标签；类别多时优先保留图例和简短名称。长名称可以在导出前改成短标签，并把完整名称留在 CSV 或说明文字里。
- 5导出前做一次反向核对导出 PNG 看像素图是否清楚，导出 SVG 看缩放后文字是否仍可用，导出 CSV 则检查它是否保留了你真正要交付的数据，而不是只保存了截图。
最容易被忽略的数据问题
玫瑰图的视觉效果很强，所以数据问题也更容易被掩盖。页面会把可解析的数值用于绘图，但“能画出来”不等于“口径正确”。在导入前，我建议至少检查四件事：类别是否互斥、数值是否都处于同一统计周期、负数是否有合理含义、零值和缺失值是否被区分。一个空白单元格被当成 0，可能会让某个类别在图上消失；而把“暂无数据”填成 0，则会把未知误写成没有发生。
- 市场份额要说明分母是什么，是订单数、销售额，还是某个抽样范围。
- 方向分布要说明测量时间和单位，不能把不同时间窗口直接相加。
- 若数据包含退款、负增长或调整项，先确认玫瑰图的视觉编码是否适合表达负值。
- 类别名称不要同时出现“华东”和“华东地区”，否则读者会以为它们是两个不同类别。
AI 生成、分析和优化分别怎么用
页面内的 AI 入口分为三种动作，最好不要混用。AI 生成适合你还没有数据、但想先搭一个演示结构时使用；你可以描述主题和场景，让它生成一组可继续编辑的数据。AI 分析适合已有数据时使用，重点是帮助你整理分布、突出类别和发现需要人工复核的地方。AI 优化则更偏向图表配置，例如标签、图例、半径、颜色和布局应该怎样调整，才能减少阅读负担。
| 能力 | 免费版 | Pro |
|---|---|---|
| AI 生成 | 从主题描述开始 | 生成后仍需核对类别与数值 |
| AI 分析 | 解释当前数据分布 | 适合生成汇报草稿，不替代统计复核 |
| AI 优化 | 给出配置建议 | 先看建议，再手动确认最终样式 |
| 最适合的交付 | 探索和初稿 | 把解释、图表和原始数据一起整理 |
普通用户可以按页面提示体验 AI；Pro 适合需要持续生成、分析和优化的人。无论是哪一种状态，都不要把 AI 生成的数据当成真实调查结果。尤其是市场份额、用户偏好和行业排名这类内容，AI 给出的示例只能作为占位或演示，必须换成有来源的数据后才能进入正式材料。
实操案例：把渠道订单做成一张周报图
渠道订单分布
- 1.整理成两列 CSV：第一列是渠道名称，第二列是已完成订单。不要把“合计 1000”再放成第六个渠道。
- 2.导入后确认当前数据列为订单数，先用按半径查看头部渠道，再切换按面积判断是否会造成过度强调。
- 3.按降序排列，让官网和门店出现在读者最先扫到的位置；如果周报沿用固定渠道顺序，则保留业务顺序并在图注中说明。
- 4.显示短标签和图例，导出 PNG 放入周报；同时导出 CSV，作为图表旁边可追溯的原始附件。
- 5.用 AI 分析生成一段草稿时，把“官网占比最高”作为待核对描述，不直接写成“官网带来了增长原因”。
PNG、SVG 和 CSV 应该怎么选
PNG 适合放在聊天、周报和演示文稿中，打开成本低，但放大后会受到像素尺寸影响。SVG 是矢量图，适合设计排版、网页和需要继续缩放的场景；导出后仍要检查字体、背景和图例是否符合接收方的软件。CSV 不是图表图片，而是数据交付物，适合保留原始类别和值，方便别人复算或改成其他图表。三种格式不是互相替代的关系：正式交付时，常常应该把 PNG 或 SVG 与 CSV 一起给出去。
- 发给不需要编辑的人：PNG 加一句数据口径说明。
- 交给设计或网页开发：SVG 加原始 CSV，避免对方只能重新抄图。
- 用于课堂、复盘或审计：图表、CSV、统计周期和单位一起保存。
- 包含内部数据时：先脱敏，再决定是否把文件或 AI 请求交给其他人。
它和其他图表工具怎么搭配
玫瑰图适合看分类分布，但不是所有比较都该用它。需要比较多个对象在多项指标上的轮廓时，可以使用雷达图工具；需要把原始表格尝试成多种常见图形时，查看数据图表工具；如果还没确认数据是否有异常值或离群点，先用基础统计计算器做一轮检查。选择工具的标准很简单：让读者更快回答问题，而不是让画面更热闹。
- 一个时间点、多个互斥类别：优先考虑玫瑰图或条形图。
- 多个时间点、同一指标：优先考虑折线图。
- 多个对象、多个评分维度：雷达图可以辅助看轮廓，但要统一量纲。
- 需要精确排名和差值：表格或横向条形图往往比圆形图更省力。
发布前的 8 项检查
- 每个扇区代表的类别互斥，且没有漏掉重要类别。
- 所有数值使用相同单位、统计周期和分母。
- 已经明确选择按半径还是按面积，并写进图注或说明。
- 排序顺序有业务理由，不是为了让画面看起来更“整齐”。
- 标签、图例和颜色在浅色与深色背景下都能读清。
- PNG、SVG 或 CSV 的导出格式与接收方用途匹配。
- AI 生成内容已换成真实来源，AI 分析中的推断已由人工复核。
- 原始 CSV、图表口径和发送版本已经放在同一个可追溯位置。