【OriginPro】3步搞定冲积图——从数据到美化

引言：挣脱“孤岛分析”的枷锁，让数据讲述完整故事

在处理问卷数据时，我们常常会遇到一些基础信息题，比如性别、年龄、学历等。常规的做法是什么？为性别画一张饼图，为年龄段画一张柱状图，再为学历分布画一张条形图。每一张图表都清晰、准确，但它们共同描绘的，却是一幅幅彼此孤立的“数据快照”。

这种分析方式，我们不妨称之为 “孤岛分析（island analysis）”。它能告诉你样本中有多少男性、多少女性，也能告诉你各个年龄段的人数分布，但它无法回答那些更深层次、更具价值的关联性问题。我们知道性别分布和年龄分布，但我们不清楚特定年龄段内的性别构成怎样；我们看到了高学历用户的比例，但他们究竟集中在哪些年龄段、性别是什么？是否存在某个特定群体，比如“18–25 岁的本科女性”，构成了我们用户画像的核心主力？这些答案就隐藏在各个数据孤岛之间的“海域”里。

要探索这片海域，我们需要一种新的导航工具。今天的主角——冲积图（Alluvial Diagram）——正是为此而生。它不仅仅是一种图表，更是一种 叙事可视化（narrative visualization） 工具。如果说传统图表是静态的快照，那么冲积图就是一部数据的“短片”。它能够直观展示数据在不同维度（如性别、年龄、学历）之间的 流动、分岔与汇合。

第一章：名词厘清：冲积图到底是什么？和桑基图有什么不同？

1.1 定义与核心用途

一句话定义： 冲积图（Alluvial Diagram）是多维分类数据的流向图（flow diagram），用于可视化不同分类维度下群体构成的变化与流动。可以把它想象成“多列堆叠条”之间用丝带相连，把交叉频数表翻译成直觉的视觉语言。

在问卷场景中，冲积图可清晰揭示人口学特征之间的多对多映射，让我们一眼看出不同群体如何在各维度间重组，以及这些关联的强弱。

1.2 核心组件拆解

步骤/轴（Steps/Axes）：图中垂直排列的各维度列，如“性别 / 年龄 / 学历”。
节点（Nodes）：每个维度里的矩形色块，代表具体类别；高度与样本数（或权重）成正比。
流/连接线（Flows/Links）：连接相邻维度节点的带状“丝带”；宽度代表同时具备两端属性的样本数量。

类比理解：把每个维度想成一道“闸门”，每个类别是闸门口的“槽位”，而“流”就是通过相邻闸门的水流——流越宽，说明穿过两道筛选的成员越多。

1.3 编者注：冲积图 (Alluvial) vs. 桑基图 (Sankey)

在可视化实践里，两者经常被混用。实操区分看两点：核心目的与布局约束。

桑基图（Sankey Diagram）：其核心是追踪 “数量”（如能量、资金、用户流量）在某个系统或流程中的传递与转化。它的节点可以根据流程走向自由布局，甚至可以包含回路（Cycles）以表示反馈。
冲积图（Alluvial Diagram）：其核心是展示“成员”（如受访者、客户）在不同分类维度的归属与重组。它的布局受到严格约束，所有节点必须沿代表不同维度的垂直轴对齐，且流向通常是单向的（从左至右）。

第二章：为冲积图准备“完美”数据

2.1 数据格式的核心要求：原始数据 (Raw Data)

这里我们使用的的数据格式是原始数据（Raw Data），而不是计数数据（Count Data）。

2.2 示例数据表

数据示例如下（每行代表一份问卷记录）：

性别	年龄	学历
男	＜18	大专
女	18-25	大学本科
男	26-30	硕士研究生
女	≥31	博士研究生

第三章：从零到一——在 OriginPro 中绘制冲积图

本章将以 OriginPro 2025b 为例，详细介绍绘制步骤

3.1 导入数据与准备工作区

启动 OriginPro，你会看到一个默认工程（含工作簿 Book）。将第二章表格数据（含表头）粘贴到 A、B、C 列。

3.2 生成基础图表

将每列设为“类别列（Set as Categorical）”并自定义顺序
- 右键单击每个列的列标（如 A），选择 设置为：类别（Set as: Categorical）。此操作将告知 Origin 这些是分类数据。
- 双击表头下方的 类别（Categories） 标签行，勾选自定义类别（可增删并设定任意顺序），按分析节奏设定显示顺序（如年龄从小到大）。
选择“冲积图”作图
- 选中三列分类数据；
- 菜单：绘图 → 关系图，流程图→ 冲积图。

3.3 美化图片

打开 绘图细节（Plot Details） 对话框：双击图中任意节点/连线，或在右侧 对象管理器（Object Manager） 定位到当前图层。以下设置在 节点（Node）/ 连接线（Link）/ 标签（Label） 三处完成。

节点（Node）
- 边框颜色（Border Color）：可设为“无（None）”，让视觉聚焦填充色。
- 填充颜色（Fill Color）：点选“By Points”（按点）后有两种常用逻辑（见下节“节点配色里的两种逻辑”）。
- 节点间隙（Gap Between Nodes, %）：设为 15 或 20，避免节点拥挤。
连接线（Link）
- 使用源节点的颜色 (Use source node's color)：流的颜色与其起点一致，强调来源。
- 使用目标节点的颜色 (Use target node's color)：流的颜色与其终点一致，强调去向。
- 从起点到目标的渐变色 (Gradient from source to target)：视觉效果最丰富，能清晰展示流动的过程。本文推荐此项。
- 使用颜色列表 (Use color list)：为每一条完整路径（从第一轴到最后一轴）赋予独立颜色，适合路径数量较少时使用。
标签（Label）
- 显示节点标签：勾选 名称和总数值 (Name and Total Value)。
- 总数值 (Total Value)：可选择显示 计数 (Count) 或 百分比 (Percentage)，后者更利于直观比较。
- 位置 (Position)：选择 在节点的外部 (Outside of Node)，并调整偏移量使其不与节点重叠。
- 相同位置的名称值(V)：选择名称在前和总值单独摆放一行这样显示的较为美观。
尺寸与版面
- 若图形占满显示范围：
  - 选项里将页面边距设为“页面”；
  - 在图表空白处右键 → 调整图层至页面大小...（Fit Page to Layer），再设置合适比例（如 85%）。

节点配色里的两种逻辑（By Points）

当你在 节点（Node） 页将 颜色（Color） 设为 “按点（By Points）” 时，OriginPro 提供了两种核心的颜色映射逻辑，它们决定了“每个类别具体获得哪种颜色”：

索引（Indexing）
- 含义：指定某一列（如 Col(A)，即“性别”列）作为颜色索引键。拥有相同类别值的节点（如所有“男”节点，无论在哪一轴）将稳定地映射到颜色列表中的同一种颜色。这对于保证跨图表颜色一致性至关重要。
- 适用：学术论文、系列报告中，需要确保“男/女”、“优/良/差”等核心分类在所有图表中颜色统一的场景。
增量（Increment）
- 含义：不关心类别的值，而是严格按照节点在图中的出现顺序，从当前颜色列表中依次取色。顺序或筛选条件一变，整体配色可能随之改变。
- 适用：一次性探索性分析，或希望图中每个节点颜色都独一无二以作区分的场景。

选择建议
追求一致性、可复现性 → 选 索引（Indexing）。
追求视觉多样性、顺序驱动 → 选 增量（Increment）。

写在最后

冲积图的价值不在“好看”，而在把多维分类关系讲清楚，帮助发现“跨维度的关键群体”。

怎样美化图片、选择怎样的数据表达，因人而异。关键是让图表服务于“问题的答案”。冲积图将我们从单变量的“孤岛分析”中解放出来，带入关联、流动、多维的视角，把复杂的交叉列表翻译成可读的故事线，清晰呈现群体在不同属性下的结构与变迁。

现在，你已经掌握了这项可视化技术。是时候打开你的问卷数据，告别那些枯燥的数字和孤立的图表——让数据“流”起来，去讲述它背后的精彩故事。