概要说明
线图是利用线的升、降变化来表示被研究现象发展变化趋势的一种图形。它在分析研究事物的发展变化、依存关系等方面具有重要作用。线图可以显示随时间（根据常用比例设置）而变化的连续数据，因此非常适用于显示在相等时间间隔下数据的趋势。当有多个数据系列时，线图中的数据系列是独立的。
如下线图是某公司2016和2017年的销售额线图，在时间维度上反应销售额在这两年的变化情况的，同时可以对这两年的数据实现对比：
优势： 容易反应出数据变化的趋势。
数据要求：一个或两个维度，一个或多个度量。
适用场景：
1）线图适合二维的大数据集，还适合多个二维数据集的比较。
2) 需要反映变化趋势，关联性。
3) 线图适合大数据集的趋势分析，尤其适合非离散型维度分析，比如时间，价格走势 。
应用场景
线图主要有如下三种应用场景：
| 面板 | ||||||||
|---|---|---|---|---|---|---|---|---|
| ||||||||
|
场景1是最基本的单线图，适合随时间变化的总体情况，如某公司一年的销售额变化情况。
场景2是多线图，可比较不同类别在同一时间段的变化情况，如某公司一年中各类产品的销售情况比较。线与线之间有交叉，因为每个数据是独立的。
场景3是用堆积线图实现的多线图，可实现堆积效果。后一个线图是把前一个线图作为起点逐个累加，最上方的线图表示总和。线与线之间没有交叉。
具体说明
1、场景1
一个维度+一个度量，这是最基本的线图。
维度：维度分布在分类轴。
度量：度量分布在指标轴。
实例：“月份”维度+“销售金额”度量。
上图是典型的单线图：只展示一个维度“月份”和一个度量“销售金额”，从线图中可以直观的看出某公司一年中销售额的变化情况。
2、场景2
效果2的两个实现方案对应两种不同的存储数据方式，汇总数据和明细数据。
方案1
两个维度+一个度量。
维度：两个维度都分布在分类轴，以系统默认渐变配色方案标识第二个选中的维度。
度量：度量分布在指标轴。
实例：“月份”、“商品类别”维度+“销售金额”度量。
上图展示不同商品类别一年的销售金额的比较。
方案2
一个维度+多个度量。
维度：维度分布在分类轴。
度量：度量都分布在指标轴，系统以默认渐变色配色方案标识不同的度量项。
实例：“月份”维度+“饮料”、“零食”、“日用品”度量。
上图表示不同的商品类别在一年中的销售额变化，可以看出每类商品在一年中销售额最高或最低的月份，同时可以看出那一类商品额销售额最高。
3、场景3
场景3适合只有明细数据，但是需要查看明细数据的汇总情况时。
把场景2方案2的线图切换为堆积线图，如图：
线图中每条线分别代表饮料、零食、日用品的销售量。
切换后：
堆积线图中，蓝色的线表示饮料的销售额，红色的线表示饮料和零食的销售额，黄色的线表示饮料、零食和日用品的总销售额。
子图列表
线图支持多种子图切换，按应用场景分可分为如下三类：
线图、曲线图、阶梯线应用场景一样，表示趋势，多线图中每个线图式独立的。这三者展现方式不同，线图线条的线是有棱角的，曲线图线条是平滑的，阶梯线线条呈阶梯状。
堆积线图、堆积曲线图、堆积阶梯线应用场景一样，可表示趋势，可实现堆积效果。多线图中从最下方到最上方的线图是逐个叠加的效果。这三者展现方式不同，。
极坐标曲线图是一种特殊的线图，主要用来描画特殊的图形。
附录
汇总数据
分类数据都存储在一个汇总的字段下，如谷类/麦片、肉/家禽、特制品都存储在商品类别下。
明细数据
分类数据分开存储，没有再汇总在一个字段下。如饮料、零食、日用品的销售额分别分开存储在饮料、零食、日用品字段，它们不属于其他字段的子字段。
词云，是文本数据的视觉表示，由词汇组成类似云的彩色图形，用于展示大量文本数据，能快速感知最突出的文字。
如下是热门搜索城市词云图。
优势：酷炫、直观的图表，可以从大量的词中一眼抓住关键词。
劣势：使用场景单一，一般用来做词频。
数据要求：一个或两个维度，一个度量。所需数据量需要稍大些，数据的区分度也需要比较大，否则效果不明显，并且不适合要求准确的分析。
适用场景：显示词频，可以用来做一些用户画像、用户标签的工作。可以用来分析话题热度，如微博热搜榜。
不适用场景：除词频外的其他分析。
实现方案
业务情景描述：查看热门搜索城市。
数据结构
以上业务情景的数据来源如下：
我们的基础数据以明细表的形式存储，以上“权重”是通过输入的数据系统自动汇总统计的得出的。
定制要点
1、双击“城市”、“权重”字段，由系统自动分配维度到“标签”标记项、分配度量到“大小”标记项，得到如下词云图：
2、添加“颜色”标记项（可选，建议执行此操作，图表示内容更清晰），拖拽“城市”字段到“颜色”标记项，系统以颜色区分话题。
从上图可以看出深圳、广州、上海搜索热度最高。
