让我们从概述开始，根据您从数据导出结构中获取调查数据的位置而有所不同。在尝试将此数据添加到 BI 或数据可视化工具时，这是一个巨大的痛点。主要的是每种问题类型的结构都不同，并且某些人的布局不是最佳的。因此，对于我们的每个调查图表都将基于调查问题类型，这将驱动我们将要显示的可视化。在这篇文章中，我们将 使用 Tableau 可视化调查数据 ，因为在我看来，它是用于可视化调查数据的最佳调查数据可视化工具。我们将详细介绍用于分析来自顶级调查问题类型的调查数据的最佳调查图表。


地理问题类型
我们要研究的第一个调查问题类型是地理数据。我总是建议在创建调查时询问邮政编码，因为您总是可以在互联网上获得免费的地理文件，以输入城市、县、州等。当有人在您的调查中回答邮政编码问题时，他们只需输入五位数字，与城市或州的拼写相比，它们不太可能搞砸。如果您看下面，我使用调查结果中的邮政编码在 Tableau 中创建了一张地图。圆圈的大小和颜色取决于响应 ID 的不同计数。如果我们加入地理文件，我们可以引入州或城市并映射它们。


排名问题类型
我们要研究的下一个调查问题类型是排名问题类型。排名问题类型稍微复杂一些。下面的例子是根据他们认为谁拥有最大的市场份额，从高到低对竞争对手进行排名。他们根据平均得分最高的人排名一到四。分隔条的颜色显示每个选项的答案分布。这是可视化排名问题类型的好方法，因为您可以看到总体排名、平均分数和分布。


NPS 问题类型
下一个问题类型是净推荐值问题类型。NPS 分数基于三个桶批评者、被动者和推动者。在下面的图表中，您可以看到每个存储桶中有多少个以及每个存储桶的 NPS 分数。这个图表是按性别划分的，但我们也可以把它放在一起。这再次给出了背景中的分布，就像排名问题一样，但也给出了我们的 NPS 分数。


数字问题类型
下一个是数字问题类型。您在下面看到的可视化与您可能习惯的有点不同。您通常会看到平均值，但在这里您可以看到平均值、分布、异常值等等。所有这些圈子都是来自我们的受访者的独立答案，圈子越大，选择该确切数字的人越多。这种可视化被称为箱须图。您可以看到上下铰链和胡须是什么、中值、平均值和任何异常值。因此，这为您提供了除平均值之外的大量信息，这只是故事的一半。


李克特问题类型
矩阵问题类型（也称为李克特）在堆积条形图中可视化。在下面的可视化中，我们的行中有不同的选择选项，颜色取决于每个选项的答案。如果您将鼠标悬停在它上面，您可以看到总数的百分比以及受访者的总数。对于这种问题类型，这是一种非常常见的图表类型，这就是您经常看到它的原因。它简单而有效。


多项选择题类型
在这里，我们有一个基本条形图来显示多选和单响应调查问题类型。这个很简单，但也很实用。创作毫不费力；您只需要在做多项选择题类型时小心，因为您必须确保计算不同的受访者，而不是仅仅计算行数，因为受访者可以回答多个答案。在此图表中，我们显示了受访者总数和实际人数的百分比。


开放式问题类型
每个人都讨厌试图想象开放式问题类型。老实说，你不能用它做很多事情。在这里，我们创建了一个词云，但如果你有一大堆长句子或只有很多不同的答案，它就不会很好。您可以事先进行一些分组以使其看起来更好，但需要一些手动工作。开放式是一个非常难的，所以我在这里保持简单。


以上就是所有流行的调查问题类型，以及我将如何可视化调查结果。现在通常，无论您从哪里获取调查数据，都必须花费数小时清理调查数据以将其转换为合适的格式，然后才能考虑创建这些图表。您今天看到的所有这些图表都来自 VizualSurvey 的 Tableau 仪表板调查模板，您可以使用我们的免费试用版免费将调查数据连接到模板。

编辑推荐
1、2022年300个以上最佳免费数据科学课程
2、大厂数据分析面试指南！来自亚马逊、谷歌、微软、头条、美团的面试问题！
3、机器学习模型方法总结
4、历史最全机器学习/深度学习/人工智能专业术语表中英对照表
5、机器学习如何应用于商业场景？三个真实的商业项目
6、数据工作者的自我修养 | 哪些技能是必不可少的？
7、《汗牛充栋：数据分析书籍分享》CDA网校新课上线
8、文本挖掘常用的107个语料库
9、一图读懂“东数西算”工程
10、零基础转行数据分析，看这篇文章就够了

DA内容精选